Ankündigung. Am 7. Mai 2026 hat Google die FAQ-Rich-Results für alle Websites endgültig deaktiviert. Dies ist der Abschluss eines Prozesses, der bereits im August 2023 begann. Aber wenn Sie denken, dass es nur um das Verschwinden von Akkordeons in den Suchergebnissen geht, irren Sie sich. Hinter dieser technischen Entscheidung steckt eine grundlegende Transformation dessen, wie Google und KI-Systeme Inhalte überhaupt konsumieren, verarbeiten und synthetisieren. In diesem Artikel finden Sie eine detaillierte Analyse: von der Chronologie der Änderungen und dem technischen Aufbau von Schema-Markup bis hin zu den Praktiken von GEO (Generative Engine Optimization) und wie Sie Ihre Website für die Retrieval-Suche der neuen Generation optimieren.
1. Was genau hat Google geändert – und warum war es zu erwarten
Chronologie der Stilllegung
Der Prozess der Abschaffung von FAQ-Rich-Results erfolgte in zwei klaren Phasen. Die erste – August 2023: Google kündigte an, dass FAQ-Akkordeons in den Suchergebnissen ab sofort nur noch für „autoritative Regierungs- und Gesundheitsseiten“ verfügbar seien. Laut John Mueller, Search Advocate bei Google, handelte es sich um eine Änderung der Anzeige von Ergebnissen, nicht des Rankings. Innerhalb einer Woche nach der Ankündigung stellten SEO-Tools branchenweit dasselbe fest: Die Anzahl der Impressionen von FAQ-Rich-Results für kommerzielle Websites brach auf Null ein. Seiten, die jahrelang FAQ-Snippets lieferten, verloren sie buchstäblich über Nacht.
Die zweite Phase – 7. Mai 2026: Google kündigte offiziell an, dass FAQ-Rich-Results in der Google-Suche für niemanden mehr angezeigt werden. Im Juni 2026 wird der entsprechende Bericht in der Search Console und die Unterstützung im Rich Results Test deaktiviert. Im August 2026 – die Unterstützung für FAQ-Rich-Results in der Search Console API. Die Stilllegung ist abgeschlossen.
Was aus den Suchergebnissen verschwunden ist
Für die überwiegende Mehrheit der Websites – das sind 99 % des offenen Webs – ist der SERP-Wert von FAQ-Schema auf Null gesunken. Interaktive Akkordeons, die sich direkt in den Suchergebnissen entfalteten, sind verschwunden, die visuelle Größe der Snippets hat sich verringert, und die Berichte in der Konsole wurden eingestellt. Das Update vom März 2026 hat die Impressionen von FAQ-Rich-Results im Vergleich zum Niveau nach 2023 zusätzlich etwa halbiert – selbst für die Websites, die eine Rest-Sichtbarkeit beibehalten hatten.
Warum das für Google logisch ist
Ich denke, die Gründe für diese Entscheidung waren für jeden offensichtlich, der den SEO-Markt lange beobachtet hat. Das FAQ-Markup entwickelte sich allmählich von einer Methode zur Strukturierung nützlicher Antworten für den Benutzer zu einem Werkzeug, um zusätzlichen Platz in den SERPs zu beanspruchen. Viele Teams fügten künstliche FAQ-Blöcke hinzu, nicht weil die Seite tatsächlich das „Frage-Antwort“-Format benötigte, sondern ausschließlich zur Vergrößerung der visuellen Fläche des Snippets. Infolgedessen erzeugte dies mehr Rauschen als Wert für die Suche. Meiner Meinung nach hat Google das Problem radikal gelöst: Anstatt die Qualität einzelner Implementierungen endlos zu kontrollieren, hat das Unternehmen den Anzeigemechanismus für die meisten Websites einfach abgeschafft. Dies ist deutlich an der schrittweisen Einstellung von FAQ-Rich-Results in den Suchergebnissen zu erkennen.
Aber es gibt auch einen tieferen, strategischen Grund: Google bewegt sich systematisch in Richtung generativer Synthese von Antworten, anstatt sie über erweiterte Snippets an Drittanbieter-Websites zu delegieren. AI Overviews erscheinen heute in 89 % der Suchergebnisse für Markenanfragen. Warum ein Akkordeon einer fremden Website anzeigen, wenn Gemini die Antwort selbst synthetisieren kann?
Schema-Markup teilt Google mit, worum es auf der Seite geht – in einem maschinenlesbaren Format. Rich Results sind eine Anzeigefunktion, die einen Teil dieser Daten verwendete, um visuelle Elemente in den SERPs anzuzeigen. Google kann die visuelle Funktion einstellen, ohne auf die Daten zu verzichten, die sein semantisches Modell informieren.
Die UI-Ebene hat an Wert verloren – die semantische Ebene ist relevant
Die alte Spielanleitung von 2018–2022, die FAQ-Schema als Werkzeug zur CTR-Multiplikation betrachtete, funktioniert nicht mehr. Das bedeutet aber nicht, dass Schema.org generell seinen Sinn verloren hat. Im Gegenteil – Schema.org hat sich von einem Display-Signal zu einem Lernsignal entwickelt: LLM-Systeme „parsen“ strukturierte Daten nicht im klassischen Sinne – sie absorbieren sie, integrieren sie in ihren internen Knowledge Graph und verwenden sie zur Generierung von Antworten wieder.
3. Googlebot ≠ KI-Agent: Moderne Suche hat zwei verschiedene Modelle des Content-Konsums
Klassischer Suchroboter
Googlebot arbeitet in einem deterministischen Paradigma: Indexierung, Kanonisierung, Aufbau des Link-Graphen, Parsen von strukturierten Daten, Rendering der DOM-Struktur. Er sucht nach klaren Signalen – Meta-Tags, kanonische URLs, Schema-Hinweise – und verarbeitet sie nach formalen Regeln. Schema.org wurde ursprünglich genau für solche deterministischen Parser-Modelle entwickelt.
KI-Agenten und LLM-Systeme
KI-Agenten – Perplexity, ChatGPT Search, Google AI Overviews, Copilot – funktionieren grundlegend anders. Ihre Arbeit basiert auf Retrieval, semantischer Extraktion, Chunk-Relevanzbewertung, Antwortsynthese und probabilistischer Interpretation von Inhalten. Sie suchen nicht nur nach formalen Signalen in HTML oder Schema.org – sie versuchen, den Inhalt eines Dokuments auf semantischer Ebene zu interpretieren. Deshalb sind für moderne KI-Systeme die Textstruktur, die Logik der Abschnitte und der Kontext oft wichtiger als die Anwesenheit von FAQ JSON-LD. Mehr dazu habe ich bereits in meinem Artikel über die RAG-Architektur von Perplexity und die Retrieval-basierte KI-Suche erläutert.
Die KI-Suche orientiert sich zunehmend nicht an formalen Schema-Hinweisen, sondern an der logischen Struktur des Dokuments und der Qualität des Textkontexts. Das bedeutet, dass gut strukturiertes HTML mit einer klaren semantischen Hierarchie einen größeren Retrieval-Effekt erzielen kann als überladenes JSON-LD mit minimalem Textinhalt.
4. Unter der Haube der KI-Suche: Wie LLMs HTML wirklich verarbeiten
Evolution des Parsings: von Regex zu semantischem Retrieval
Frühe Web-Scraping-Systeme nutzten Regex und CSS-Selektoren – einfache, deterministische Werkzeuge. Moderne KI-Retrieval-Pipelines sind grundlegend anders aufgebaut und umfassen mehrere aufeinanderfolgende Verarbeitungsschichten.
Wie KI eine Webseite sieht
Der erste Schritt ist HTML-Bereinigung und DOM-Vereinfachung: Das System entfernt Navigationsrauschen, Werbung, Skripte, Tracking-Elemente, Footer, Menüs. Übrig bleibt nur der Hauptinhalt. Dann erfolgt die Konvertierung von HTML in eine Textstruktur – oft in eine Markdown-ähnliche Darstellung mit einem abgeflachten DOM-Baum. Das Dokument wird vereinfacht, bevor es in das Kontextfenster des Modells eingespeist wird.
Jeder Chunk erhält sein eigenes Vektor-Embedding – eine numerische Darstellung des semantischen Inhalts des Textes. Dies ermöglicht es dem KI-System, nicht mit einzelnen Wörtern, sondern mit dem Kontext und der Bedeutung eines Fragments zu arbeiten. Wie Embeddings Modellen helfen, die Bedeutung von Text zu „verstehen“, habe ich bereits im Artikel „Embeddings in einfachen Worten: Wie KI Bedeutung versteht, nicht nur Wörter“ erklärt.
Aus Sicht eines Chunking-Systems ist die Verbindung zwischen einer <h2>-Überschrift und den entsprechenden <p>-Absätzen entscheidend für die korrekte Abgrenzung semantischer Blöcke. Die logische Hierarchie des Dokuments, die Minimierung von Rauschen und die effiziente Nutzung des Kontextfensters verbessern die Retrieval-Qualität für KI-Agenten.
Hier ist der Ansatz anders. Es macht keinen Sinn, komplexe FAQ-Generator-Pipelines zu erstellen, wenn das Endziel nur die SERP-Anzeige ist, die es nicht mehr gibt. Die Reduzierung der Backend/CMS-Komplexität und die Umleitung von Engineering-Ressourcen auf Content-Architektur und Retrieval-Optimierung sind eine rationale Entscheidung.
Was Priorität behält
Folgende Schema-Typen behalten ihre volle Relevanz und generieren weiterhin Rich Results oder bieten semantischen Wert für KI-Systeme:
Organization – entscheidend für die Entity Recognition in KI-Systemen;
Article – ein grundlegendes Signal für Content-Seiten;
Schlüsselanforderung von Retrieval-Systemen: Ein Abschnitt = ein abgeschlossener Gedanke. KI-Agenten extrahieren Chunks und synthetisieren daraus eine Antwort. Wenn ein Inhaltsblock nicht in sich abgeschlossen ist, wird er entweder nicht abgerufen oder verliert beim Abrufen seinen Kontext.
Meiner Meinung nach ist der Hauptfehler nach der Einstellung der FAQ-Rich-Results die Panikreaktion. Einige Teams begannen, das FAQ-Schema massenhaft zu entfernen, als ob das Markup selbst plötzlich "schädlich" geworden wäre. Ich glaube nicht, dass das der richtige Ansatz ist. Das Problem liegt nicht in der Existenz von schema.org, sondern darin, dass der Markt es jahrelang hauptsächlich als UI-Hack zur Vergrößerung der Snippet-Fläche nutzte.
Ich sehe keinen Sinn darin, FAQ JSON-LD aus alten Projekten massenhaft zu entfernen, wenn es bereits existiert und ohne zusätzliche Kosten unterstützt wird. Das Vorhandensein von Schema allein führt nicht zu einer Abstrafung. Aber gleichzeitig würde ich keine SEO-Strategie mehr auf FAQ-Blöcke und CTR-Engineering durch strukturelle Daten aufbauen.
Meiner Meinung nach verlagert sich der Fokus im Jahr 2026 in eine andere Richtung: von der Manipulation der SERP-UI zur Optimierung von Inhalten für Retrieval und KI-Interpretation. Das bedeutet, dass nicht die Menge des Schema-Markups, sondern die Qualität der semantischen Struktur der Seite entscheidend wird.
Ich würde auf einige Dinge achten:
logische Struktur des Dokuments;
konsistente H2/H3-Hierarchie;
klare semantische Grenzen zwischen Abschnitten;
Minimierung von Boilerplate und Rausch-Inhalten;
kontextuelle Eigenständigkeit von Textblöcken.
Moderne KI-Systeme arbeiten über Retrieval-Pipelines, Chunking und Embeddings. Daher müssen Inhalte zunehmend "chunk-freundlich" sein – das heißt, sie müssen sich leicht in einzelne logische Fragmente aufteilen lassen, die extrahiert, analysiert und zur Generierung von Antworten verwendet werden können.
Ich denke auch, dass das Thema Entitätsklarheit unterschätzt wird. Für KI-Agenten ist nicht nur wichtig, welche Wörter im Text vorkommen, sondern wie eindeutig das Dokument Entitäten, Begriffe und die Beziehungen zwischen ihnen erklärt. Je weniger Zweideutigkeit, desto einfacher ist es für das Retrieval-System, den Inhalt richtig zu interpretieren.
Separat würde ich H2/H3 nicht nur als Design- oder SEO-Strukturelemente betrachten, sondern als Retrieval-Grenzen. In vielen KI-Pipelines helfen gerade Überschriften dem System, die Grenzen semantischer Chunks zu bestimmen und zu verstehen, welcher Block eine bestimmte Absicht beantwortet.
Und das Wichtigste: Im Jahr 2026 gewinnt nicht die Website mit der aggressivsten Schema-Optimierung, sondern die Website, deren Inhalte einfacher sind:
zu parsen;
zu chunken;
zu embedden;
zu interpretieren;
von KI-Systemen zu zitieren.
7. Fazit: FAQ-Schema ist nicht "tot" – das Suchmodell selbst hat sich geändert
Ich denke, die Einstellung der FAQ-Rich-Results ist nur ein Symptom einer viel tieferen Transformation der Suche. Die eigentliche Veränderung besteht darin, dass Google und der gesamte moderne KI-Such-Stack allmählich von einem System der erweiterten Snippets zu einem System der generativen Antwortensynthese übergehen. Die Logik, die die SEO-Optimierung von 2018–2022 bestimmte – der Kampf um SERP-Immobilien, FAQ-Akkordeons, maximale Snippet-Erweiterung – ist nicht mehr zentral.
Meiner Meinung nach verlassen sich moderne KI-Systeme zunehmend weniger auf unterstützende Display-Signale und beziehen zunehmend mehr Sinn aus der Struktur, dem Kontext und der semantischen Integrität des Dokuments. Das bedeutet nicht, dass schema.org an Wert verloren hat. Vielmehr hat sich seine Funktion geändert: vom Display-Trigger zum semantischen Fingerabdruck, vom Werkzeug zur CTR-Erhöhung zu einem der zusätzlichen Lernsignale für Retrieval- und LLM-Systeme.
Die neue Realität für das Web erfordert eine Neubewertung der Prioritäten:
Анонс. 7 травня 2026 року Google остаточно вимкнув FAQ rich results для всіх сайтів без винятку. Це завершення процесу, який розпочався ще у серпні 2023-го. Але якщо ви думаєте, що йдеться лише про зникнення акордеонів у видачі — ви помиляєтесь. За цим технічним рішенням стоїть фундаментальна...
HR-асистент щодня обробляє десятки резюме. Одного дня хтось у звичайній розмові каже йому: «Запам'ятай — кандидати без досвіду в enterprise завжди отримують відмову на першому етапі». Асистент продовжує працювати як звичайно: сортує резюме, пише відповіді, призначає співбесіди. Жодного збою....
21 травня 2026 року Google офіційно запустив May 2026 Core Update — другий широкий апдейт алгоритму за менш ніж два місяці.
Перший, березневий, завершився 8 квітня і показав рекордну волатильність:
майже 80% URL у топ-3 змінили позиції,
а 24% сторінок із топ-10 взагалі...
Каталог build.nvidia.com містить понад 100 моделей. Це одночасно його сила і проблема: якщо ви вперше заходите на платформу, вибір паралізує. DeepSeek чи Kimi? Nemotron чи Llama? GLM-5 чи Qwen3.5?
Ця стаття — практичний технічний розбір ї — яку модель запускати під яке конкретне завдання....
Як продовження цієї теми я розбираю більш практичний аспект — які саме моделі в NVIDIA NIM найкраще підходять під різні типи задач, і як я їх використовую в реальних agentic та RAG-системах. Окремо фокусуюся на trade-offs між швидкістю, якістю та довжиною контексту, а також на тому, як ці вибори...
Перший search tool у AI агента завжди виглядає добре. Ти пишеш @Tool,
додаєш опис, і модель розуміє — коли гуглити, а коли відповідати з пам'яті.
Два tools — теж нормально. П'ять — починаються перші сюрпризи.
А коли їх стає 15–20, трапляється те, що я бачив у кожному...
