Entity-SEO: Wie eine Person zur verifizierbaren Marke wird.

Entity SEO ist die Disziplin, eine Person, Marke oder Organisation so über autoritative Quellen zu referenzieren, dass Suchsysteme und Large Language Models sie als eindeutige, verifizierbare Entität im eigenen Wissensgraph repräsentieren: mit stabiler ID, konsistenten Fakten und beobachtbarer Ko-Okkurrenz zu Themen. Für Menschen ist das keine Marketing-Übung, sondern ein technischer Prozess: Wer nicht als Entität existiert, wird nicht zitiert, nicht in Knowledge Panels ausgeliefert und nicht in AI-Antworten namentlich erwähnt. Ranking ohne Entity-Status ist 2026 bloße Adresse, keine Autorität.

Klassisches Personal Branding und Entity SEO sind zwei unterschiedliche Ebenen. Fünf Bausteine machen eine Person zur verifizierbaren Marke, dazu kommt der operative Aufbau von Wikidata- und sameAs-Graph und ein 90-Tage-Protokoll, das eine Profil-Person in eine referenzierte Fach-Entität überführt.

Was ist eine Entität, und warum muss eine Person dazu werden?

Eine Entität ist ein eindeutig identifizierbares Ding, etwa eine Person, eine Marke, ein Ort oder ein Werk, das Suchsysteme über eine stabile ID und überprüfbare Fakten erkennen. Eine Person muss dazu werden, weil Google und Sprachmodelle nur Entitäten sicher voneinander unterscheiden, zitieren und in Knowledge Panels zeigen können. Entscheidend ist nicht der Name, sondern die stabile ID und die Menge verifizierbarer Fakten, die sich um diese ID gruppieren. Nach Angaben von Google umfasste der Knowledge Graph im Mai 2020 mehr als 500 Milliarden Fakten zu fünf Milliarden Entitäten (Danny Sullivan, Google-Blog). Die Daten stammen laut Google aus Hunderten Quellen im Web, einschließlich lizenzierter Daten, und Knowledge Panels werden automatisch erzeugt (Google-Hilfe zu Knowledge Panels). Für eine Person heißt das: Ohne konsistente Belege auf mehreren unabhängigen Seiten bleibt sie für diese Systeme eine namensgleiche Zeichenkette unter vielen.

Solange eine Person im Knowledge Graph keine Machine Identifier Number (MID) hat, ist sie für Google eine namengleiche Zeichenkette unter vielen. Ein LLM, das aus Common Crawl, Wikipedia und lizenzierten Fachmedien trainiert wurde, kann „Max Mustermann, CMO von XY" nicht von „Max Mustermann, Lehrer" unterscheiden, wenn keine disambiguierenden Faktenpunkte vorliegen. Die Folge: Keine Zitation, keine Autorität, kein Knowledge Panel.

Die operative Aufgabe von Entity SEO ist daher dreifach: eine Person eindeutig identifizieren (disambiguation), mit konsistenten Fakten belegen (verification) und semantisch an Themen-Entitäten koppeln (association). Erst diese drei Schichten machen aus einer biografischen Existenz eine maschinenlesbare Marke.

Der Unterschied zwischen Personal Branding und Entity SEO

Personal Branding, wie es in den 2010er-Jahren kodifiziert wurde, adressiert Menschen: Wie wirke ich auf LinkedIn, wie tonal ist meine Bio, wie konsistent mein visuelles System? Entity SEO adressiert Maschinen: Kann ein Crawler meine Identität disambiguieren, kann ein Wissensgraph meine Fakten validieren, kann ein LLM mich als Quelle reproduzieren?

Beide Ebenen widersprechen sich nicht, aber sie ersetzen sich auch nicht. Eine charismatische LinkedIn-Präsenz mit 80.000 Followern ohne Wikidata-Eintrag, ohne konsolidierten sameAs-Graph und ohne Schema.org-Implementierung erzeugt menschliche Wahrnehmung, aber keine maschinelle Referenzierbarkeit. Umgekehrt schafft eine technisch perfekte Entity-Repräsentation ohne inhaltliche Substanz keine Autorität, weil die Ko-Okkurrenz mit Themen-Entitäten fehlt.

Der strategische Bruch: Personal Branding optimiert Wahrnehmung pro Kontakt. Entity SEO optimiert Referenzierbarkeit pro Abfrage. In einem Markt, in dem AI-Antworten die Erstexposition zu Fachpersonen werden, ist die zweite Ebene die knappere und teurere Ressource.

Hinweis zur Evidenz: Alle Kohorten- und Korrelationswerte in diesem Artikel (Operator-Cohort mit 41 Führungskräften, Entity Density Score, LLM-Recall) sind eigene, nicht extern replizierte Beratungsdaten (Evidenzstufe C). Wie wir Audit-Daten erheben und aggregieren, beschreiben die Benchmarks.

Die fünf Bausteine eines verifizierbaren Personen-Entities

Aus unserer Beratungspraxis mit Führungskräften bei Turkish Airlines, Volkswagen, Johnson & Johnson und ThyssenKrupp hat sich ein stabiles Modell mit fünf Bausteinen etabliert. Jeder einzelne ist notwendig, keiner allein hinreichend.

1. Stabile ID

Eine maschinell referenzierbare Kennung: Google KG-MID, Wikidata-Q-ID, ORCID (für wissenschaftliche Autoren), LinkedIn-Public-ID. Ohne stabile ID gibt es keine Disambiguation und damit keine Zitation.

2. Kanonische Fakten

Ein konsistenter Kanon: exakter Name, Geburtsjahr (oder Tätigkeitsbeginn), aktuelle Position, Affiliation, Ausbildung, frühere Stationen, Publikationen, Awards. Diese Fakten müssen über alle Profile hinweg identisch formuliert sein, bis auf Interpunktion.

3. sameAs-Graph

7-10 kuratierte, wirklich autoritative Profile, die bidirektional mit der Entity-Home verlinken und identische NAP-Daten tragen. Kandidaten: Wikipedia, Wikidata, LinkedIn, Crunchbase, GitHub, Xing, YouTube, Speaker-Bios, Verlags-Autorenseiten, Fachverbände. Qualität vor Menge: Eine starke, konsistente Quelle stärkt den Vertrauens-Graphen mehr als ein Dutzend schwacher Verzeichniseinträge.

4. Themen-Ko-Okkurrenz

Wiederkehrende Nennung der Person zusammen mit klar definierten Themen-Entitäten (z. B. „Jana Richter" + „LLM-SEO" + „Generative Engine Optimization"). LLMs lernen Expertise nicht über Titel, sondern über statistische Koppelung. Wer nie neben dem Thema steht, ist im Thema nicht Autorität.

5. Verifikationskette

Jede behauptete Tatsache muss mindestens einmal unabhängig belegt sein: Pressemeldung, Konferenz-Agenda, Interview, Fachartikel mit Autoren-Schema. Das Forschungsprojekt Knowledge Vault von Google (Dong et al., KDD 2014) kombiniert Extraktionen aus vielen Web-Quellen mit Vorwissen aus bestehenden Wissensbasen und versieht jedes Faktum mit einer kalibrierten Wahrscheinlichkeit. Eine dokumentierte Aufnahmeschwelle für den produktiven Knowledge Graph folgt daraus nicht; die Logik spricht aber dafür, dass mehrfach unabhängig belegte Fakten verlässlicher übernommen werden als einzeln behauptete.

Die Entity-Home: der zentrale Knoten

Die Entity-Home ist die eine Seite im eigenen Hoheitsbereich, auf die alle anderen Quellen verweisen und die alle Fakten autoritativ definiert. Sie ist technisch das Root-Element des sameAs-Graphen und inhaltlich die Single Source of Truth. Ohne diese Seite ist jeder verteilte Profil-Eintrag ein Satellit ohne Ankerplanet.

Pflicht-Komponenten einer Entity-Home sind: eine URL, die kanonisch unter /ueber/, /about/ oder dem Namen der Person liegt; ein vollständiges Person-Schema im JSON-LD; eine biografische Fließtext-Version mit Themen-Ko-Okkurrenz; belastbare Cross-Links zu allen externen Profilen; sichtbare Credentials und Publikationen. Das Muster: Startseite plus ein dedizierter About-Bereich als mehrschichtige Entity-Home.

Das minimale, aber vollständige Person-Schema sieht so aus:

{
  "@context": "https://schema.org",
  "@type": "Person",
  "@id": "https://www.jana-richter.de/#jana-richter",
  "name": "Jana Richter",
  "givenName": "Jana",
  "familyName": "Richter",
  "jobTitle": "Head of Digital Strategy",
  "worksFor": {
    "@type": "Organization",
    "@id": "https://www.beispiel-agentur.de/#org",
    "name": "Beispiel Agentur GmbH"
  },
  "knowsAbout": [
    "Entity SEO",
    "Generative Engine Optimization",
    "Content Strategy",
    "LLM-SEO"
  ],
  "alumniOf": "Freie Universität Berlin",
  "url": "https://www.jana-richter.de/",
  "sameAs": [
    "https://www.linkedin.com/in/jana-richter-seo/",
    "https://www.wikidata.org/wiki/Q...",
    "https://www.crunchbase.com/person/jana-richter",
    "https://www.youtube.com/@janarichter"
  ]
}

Zwei Details sind nicht verhandelbar. Erstens: @id muss ein stabiler, domain-eigener Identifier sein, denn er wird zur primären Referenz im gesamten Website-Graph. Zweitens: knowsAbout muss explizit die Themen-Entitäten nennen, auf die die Person Anspruch erhebt. Diese Property ist der maschinenlesbare Expertise-Claim.

sameAs-Graph: Der Vertrauens-Multiplikator

Der sameAs-Graph ist die Gesamtheit der externen Profile, die dieselbe Person referenzieren. Er funktioniert wie ein Citation-Netzwerk: Je mehr autoritative Quellen dieselben Fakten in identischer Form nennen, desto höher die Wahrscheinlichkeit, dass ein Knowledge Graph die Person als konsolidierte Entität aufnimmt. Die Faustregel: 7-10 kuratierte, wirklich starke Identitätsprofile, konsistent gepflegt und bidirektional verlinkt — Qualität vor Menge.

NAP-Konsistenz (Name, Affiliation, Position) ist der häufigste Bruch. Eine Person heißt auf LinkedIn „Dr. Maria Schmidt", auf Crunchbase „Maria Schmidt, PhD", in einem Podcast-Interview „Maria Schmidt-Berger". Für Menschen dieselbe Person, für einen Entity-Resolver drei Kandidaten mit unklarer Identität. Der Disambiguation-Verlust kostet messbar: In unserer Operator-Cohort mit 41 Führungskräften (eigene Daten, Evidenzstufe C) zeigte allein die NAP-Bereinigung einen 28-prozentigen Anstieg der Cross-Profile-Clustering-Rate in einer Stichprobe von Entity-Abfragen, unter anderem über die Bing Entity Search API. Diese Schnittstelle hat Microsoft am 11. August 2025 abgeschaltet; neue Messungen laufen über andere Entity-Quellen.

Die Profile, die in der Praxis den höchsten Grenznutzen liefern, sind weniger Social-Media-getrieben als erwartet. In absteigender Reihenfolge: Wikidata, Wikipedia (falls Relevanzschwelle erreicht), Crunchbase, ORCID, LinkedIn, GitHub, verifizierte Verlags-Autorenseiten, Fachverbands-Mitgliedschaftsverzeichnisse, Konferenz-Speaker-Bios, YouTube-Kanal-About. Instagram und TikTok tragen aus Entity-Sicht erst spät bei; sie adressieren Personal Branding, nicht Entity-Verifikation.

Wikidata & Wikipedia: Die strukturellen Backbones

Wikidata ist der strukturelle Backbone des offenen semantischen Web. Die strukturierten Daten stehen unter der Lizenz CC0 (Wikidata: Licensing) und sind damit für Suchmaschinen, Wissensgraphen und KI-Anwendungen frei nachnutzbar; wie stark sie in einzelne LLM-Trainingsdaten eingehen, legen die Modellanbieter nicht offen. Ein Wikidata-Item mit stabiler Q-ID ist nach unserer Erfahrung der größte einzelne Hebel für eine Person ohne Wikipedia-Eintrag. Die Hürde ist niedriger als bei Wikipedia, aber sie existiert: Laut Wikidata-Relevanzrichtlinie (Notability) muss ein Item eine klar identifizierbare Entität beschreiben, die sich mit seriösen, öffentlich zugänglichen Quellen belegen lässt. Items ohne solche Belege können per Löschantrag entfernt werden.

Die kritischen Wikidata-Properties für eine Person sind: P31 (instance of: Q5 human), P106 (occupation), P108 (employer), P69 (educated at), P856 (official website), P2002 (X-Benutzername), P6634 (LinkedIn-Personenkennung), P2013 (Facebook-Profilkennung), P2397 (YouTube channel ID), P1416 (affiliation), P800 (notable work). Jede dieser Properties sollte mit einer Referenz, etwa P854 (URL der Fundstelle), zu einer Primärquelle versehen sein; unbelegte Statements sind angreifbar und werden von anderen Editoren eher entfernt oder angezweifelt.

Wikipedia ist die nächste Stufe, unterliegt aber strengen Relevanz- und Neutralitätskriterien. Die deutschsprachige Wikipedia prüft Personenartikel an ihren Relevanzkriterien; dass diese erfüllt sind, muss aus dem Artikel hervorgehen und durch Quellen belegt sein. In Löschdiskussionen scheitern Personenartikel in der Praxis häufig an fehlender enzyklopädischer Relevanz, also an zu wenig rezipierten Fachpublikationen, Medienresonanz oder institutioneller Sichtbarkeit. Wer die Schwelle nicht erreicht, baut eine stärkere Wikidata-Basis und fokussiert Referenzaufbau über Fachmedien, bevor ein Wikipedia-Eintrag überhaupt versucht wird.

„Ein Wikidata-Eintrag ohne konsolidierten sameAs-Graph ist ein Gerücht. Ein sameAs-Graph ohne Wikidata-Verankerung ist ein Silo. Erst die Kombination beider erzeugt das, was Google und LLMs als Entität akzeptieren."

Ko-Okkurrenz mit Themen-Entitäten: Wie LLMs Expertise erkennen

Large Language Models lernen keine Titel, sie lernen Verteilungen. Wenn in Milliarden Tokens Trainingsmaterial der Name „Jana Richter" überdurchschnittlich häufig im selben Kontext wie „Entity SEO", „Generative Engine Optimization" und „Content Strategy" auftaucht, lernt das Modell diese Assoziation statistisch. Diese Kopplung, in der Informationsretrieval-Literatur als co-occurrence bekannt, ist die eigentliche Grundlage von LLM-Zitation in Fachantworten.

Praktisch heißt das: Ein CMO, der über 24 Monate 40 LinkedIn-Posts über generisches Management schreibt, koppelt sich an keine Fach-Entität. Ein CMO, der im gleichen Zeitraum sechs substanzielle Fachbeiträge über einen eng definierten Themenkorridor publiziert, in Fachmedien mit sauberem Autoren-Schema, erzeugt eine viel stärkere Ko-Okkurrenz. Quantität ist nachgelagert; was zählt, ist die semantische Dichte der Ko-Auftritte.

Die operative Disziplin: Themen-Entitäten explizit benennen. In knowsAbout, in der About-Page-Einleitung, in jeder Autorenbox, in den Wikidata-P106-Ergänzungen. Der Wechsel von „ich beschäftige mich mit Digital Marketing" zu „ich arbeite zu Entity SEO und Generative Engine Optimization" ist keine Stilfrage, sondern ein maschinenlesbarer Expertise-Claim.

Entity-Density-Formel: Wann eine Person als Autorität gilt

Wer den Reifegrad einer Personen-Entität operational steuern will, braucht eine Metrik. In der Beratungspraxis verwenden wir den Entity Density Score (EDS), eine zusammengesetzte Kennzahl aus vier Dimensionen, die den strukturellen Entity-Status auf einer 0-100-Skala abbildet.

EDS = (0,30 × I) + (0,25 × S) + (0,25 × C) + (0,20 × V)

mit:
I = Identifier-Coverage  (Knowledge Graph MID, Wikidata Q-ID, ORCID, LinkedIn-ID → 0-1)
S = sameAs-Konsistenz   (Anzahl NAP-konsistenter Profile / 25, capped at 1,0)
C = Co-Occurrence-Score (LLM-Cross-Model-Recall auf 10 Themen-Queries / 10)
V = Verification-Depth  (Ø Anzahl unabhängiger Primärquellen pro Kernfakt / 3, capped at 1,0)

Schwellen:
EDS < 25   → Namengleiche Zeichenkette (keine Entität)
EDS 25-49  → Fragmentierte Entität (partielle Erkennung)
EDS 50-74  → Stabile Entität (Knowledge-Panel-Kandidat)
EDS ≥ 75   → Autoritative Entität (LLM-Zitations-Tier)

Die Schwellen sind an unseren eigenen Portfolio-Daten kalibriert (Evidenzstufe C), nicht extern validiert. In unserem Portfolio korreliert EDS mit der Zitationsrate in AI-Overview- und ChatGPT-Search-Antworten bei r = 0,81, deutlich stärker als klassische Authority-Scores wie Moz DA (r = 0,22 für Personen) oder Ahrefs Domain Rating, die für Personen kaum aussagekräftig sind. Ein EDS von 75+ ist in der Praxis die Eintrittskarte in die Gruppe der Personen, die in AI-Antworten stabil zitiert werden.

Das 90-Tage-Protokoll: Von Profil zur Entität

Entity SEO für Personen ist kein Kampagnenthema, sondern ein strukturiertes Projekt. Das folgende 90-Tage-Protokoll bringt eine Führungskraft mit bestehender, aber unkonsolidierter Online-Präsenz von einem typischen EDS um 20-30 auf einen EDS um 60-75. Voraussetzung: Eine Entity-Home (eigene Domain mit Autoren-Infrastruktur) existiert oder wird innerhalb der ersten zwei Wochen aufgebaut.

Tage 1-7: Entity-Audit & NAP-Konsolidierung

Inventar aller bestehenden Profile (LinkedIn, X, Crunchbase, Xing, GitHub, YouTube, Speaker-Bios, Verlags-Autorenseiten, Podcast-Gastauftritte). NAP-Daten in einer Master-Tabelle konsolidieren, Inkonsistenzen markieren, kanonische Schreibweise definieren.

Tage 8-21: Entity-Home aufbauen

Eigene Domain mit /ueber/-Page als zentralem Knoten. Vollständiges Person-Schema mit sameAs, knowsAbout, alumniOf, worksFor, award, memberOf. Kanonische Biografie als Single Source of Truth. Publikationsliste mit Autoren-Schema pro Artikel.

Tage 22-35: sameAs-Graph schließen

Die 7-10 kuratierten Kernprofile auf identische NAP-Daten, identisches Foto und Cross-Links zur Entity-Home aktualisieren. Bidirektionale Verlinkung sicherstellen: Jedes externe Profil verlinkt die Entity-Home, die Entity-Home verlinkt jedes externe Profil.

Tage 36-55: Wikidata-Verankerung

Wikidata-Item anlegen oder vervollständigen. Alle relevanten Properties (P31, P106, P108, P69, P856, P2002, P6634) mit Referenzen zu Primärquellen belegen. Parallel: Bei bestehender Relevanz Wikipedia-Entwurf im Benutzernamensraum vorbereiten.

Tage 56-75: Ko-Okkurrenz-Publishing

5-8 substanzielle Publikationen in autoritativen Fachmedien, in denen die Person-Entität mit den drei Kern-Themen-Entitäten ko-auftritt. Ziel: Jeder Beitrag referenziert die Entity-Home, trägt sauberes Autoren-Schema und koppelt den Namen explizit an die definierten Themen.

Tage 76-85: Citation- und Mention-Monitoring

Tracking-Setup: Google Knowledge Graph Search API, Kalicube Pro, Ahrefs Brand Radar, Cross-Model-LLM-Prompts gegen 10 Persona-Queries („Wer ist führend im Thema X?"). Baseline dokumentieren.

Tage 86-90: Entity-Review & Delta-Report

Abgleich Pre/Post. EDS-Berechnung, Citation-Rate, Knowledge-Panel-Status, LLM-Recall-Rate dokumentieren. Backlog für das nächste Quartal priorisieren: Ko-Okkurrenz ausbauen, Verifikationsquellen verdichten, Reputation-Engineering-Maßnahmen ergänzen.

In unseren eigenen Daten (Evidenzstufe C) lag in 73 % der 41 begleiteten Fälle der EDS-Anstieg nach 90 Tagen zwischen 35 und 55 Punkten - mit messbarem Effekt auf Zitationen in AI-Antworten und, bei 11 von 41 Fällen, einem neu eingerichteten oder sichtbar stabilisierten Knowledge Panel. Das Knowledge Panel ist dabei nie das Ziel, sondern ein Nebenprodukt sauberer Entity-Arbeit.

Typische Fehler auf dem Weg zur Personen-Entität

• Fehler 1: Mehrere Entity-Homes. Zwei konkurrierende Root-URLs (z. B. persönliche Domain plus Unternehmens-About-Page) zerstören den Graph-Anker. Eine Person, ein Knoten, ein @id.
• Fehler 2: Social-Media-Reichweite mit Entity-Autorität verwechseln. 100.000 LinkedIn-Follower ersetzen keine Wikidata-Q-ID. Reichweite ist ein Kanal, kein Identifier.
• Fehler 3: Themen-Drift. Monatlich wechselnde Fokus-Themen verhindern die statistische Ko-Okkurrenz, von der LLMs Expertise ableiten.
• Fehler 4: Unbelegte Fakten in Schema.org. Schema-Statements, die auf keiner externen Quelle replizierbar sind, verlieren Gewicht. Knowledge-Graph-Confidence ist ein Multi-Source-Signal.
• Fehler 5: Wikidata ignorieren. Kein anderer einzelner Hebel liefert für nicht-prominente Fachpersonen einen vergleichbaren Grenznutzen.

Hinzu kommt die Disziplin, die Entity-Arbeit nicht als einmaliges Setup zu behandeln. Entity-Drift - verändertes E-E-A-T-Profil nach Jobwechsel, neuer Buchveröffentlichung, neuer Affiliation - muss innerhalb von 30 Tagen in allen relevanten Quellen nachgezogen werden. Unsere eigenen Cohort-Daten (Evidenzstufe C) zeigen: Personen, die ihre sameAs- und Wikidata-Signale nach einer Karriere-Veränderung länger als 60 Tage unkonsolidiert lassen, verlieren im Median 18 % LLM-Recall innerhalb von sechs Monaten.

Warum Entity SEO 2026 zur Online-Reputation gehört

Die Grenzen zwischen Entity SEO, Online-Reputation und Brand-Strategie verschwimmen. Eine Person, die in AI-Antworten zitiert wird, übt steuerbaren Einfluss aus; eine Person, die falsch zitiert wird, lebt mit einer schwer korrigierbaren Reputationsaussage. In dem Maße, in dem LLMs zur Erstexposition werden, ist die Frage nicht mehr, ob eine Person „auf Google zu finden ist", sondern wie sie in generativen Antworten formuliert wird.

Der Transfer aus der Marken-Welt ist direkt: Eine Unternehmensmarke ohne konsistenten Knowledge Graph wird als fragmentiert wahrgenommen; eine Person ohne konsolidierten Entity-Graph wird in der AI-Antwort entweder ausgelassen oder in einem falschen Kontext platziert. Beides kostet - Umsatz, Autorität, Pricing-Power im eigenen Beratungsfeld, im Speakers-Circuit, im Hiring-Prozess.

Wer das ernst nimmt, trennt Entity SEO sauber von klassischem Personal Branding und von der Prompt-Level-SEO-Disziplin: Personal Branding erzeugt Tonalität, Entity SEO erzeugt Referenzierbarkeit, Prompt-Level-SEO erzeugt Antwortpräsenz. Die drei Ebenen sind sequenziell - Personal Branding ohne Entity-Basis ist bloße Ästhetik, Prompt-Level-SEO ohne Entity-Basis ist Spielerei.

Fazit: Der strategische Imperativ für Führungskräfte 2026

Die Frage für jede Führungskraft mit öffentlichem Profil lautet 2026 nicht mehr: „Wie werde ich sichtbarer?" Sie lautet: „Bin ich für Maschinen eine Entität - oder bin ich eine namengleiche Zeichenkette?" Diese Unterscheidung entscheidet, ob die eigene Expertise in AI-Antworten zitiert, in Knowledge Panels präsentiert und in Recruiting-, Pricing- und Autoritäts-Kontexten erkannt wird - oder ob sie in der zunehmend AI-mediatisierten Erstexposition schlicht nicht vorkommt.

Entity SEO ist der technische, strukturierte Prozess der Markenbildung für Menschen. Er ist weniger sichtbar als eine Kampagne, weniger charmant als ein Keynote-Video - und zugleich die strukturell stabilste Investition in die eigene Fachautorität, die eine Führungskraft in den nächsten drei Jahren tätigen kann. Alles andere ist Dekoration auf einem Fundament, das Maschinen nicht lesen können.

Quellen

• Google (Danny Sullivan): Google’s Knowledge Graph and Knowledge Panels (20. Mai 2020)
• Google Knowledge Panel Help: About knowledge panels (abgerufen am 23. September 2026)
• Dong, Gabrilovich, Heitz et al.: Knowledge Vault: A Web-Scale Approach to Probabilistic Knowledge Fusion, KDD 2014 (August 2014)
• Wikidata: Wikidata:Notability (abgerufen am 23. September 2026)
• Wikidata: Wikidata:Licensing (abgerufen am 23. September 2026)
• Wikipedia: Wikipedia:Relevanzkriterien (abgerufen am 23. September 2026)
• Microsoft Learn: Bing Search APIs Retiring on August 11, 2025 (15. Mai 2025)