Studiengänge brauchen kein SEO. Sie brauchen AI-Readiness.

Drei Probleme, ein Muster.

Jede zweite Anfrage zur Studienwahl beginnt heute bei einer KI. Die Antwort kommt nicht aus dem Hochschul-Webauftritt — sie kommt von der Quelle, die sich für die KI am sichersten parsen lässt.

01 · PDFs statt HTML.

Studiengangsbeschreibungen liegen in nicht-strukturierten Layout-Dokumenten. Eine KI extrahiert daraus weder zuverlässig Studiengebühren, noch Zugangsvoraussetzungen, noch Fristen. Das semantische Skelett — <dl>, <dt>, <dd> — fehlt.

02 · Vier URLs, drei Antworten.

Studieninteressierte landen je nach Suchpfad auf unterschiedlichen Versionen derselben Information — und die KI sieht sie alle. Welche Studiengebühr gilt? Welche Sprache wird unterrichtet? Wer keine kanonische URL definiert, verschiebt die Antwort von der Hochschule zur Maschine.

03 · 47 von 50.

Nur drei der fünfzig größten staatlichen deutschen Universitäten setzen Course-Schema-Markup ein. Der Rest verlässt sich darauf, dass die KI die richtigen Felder schon irgendwie findet — Titel, Anbieter, Voraussetzungen, ECTS, Sprache, Abschluss.

Was daraus folgt.

KIs zitieren die strukturiertere Quelle. Vergleichsportale, ausländische Universitäten, kommerzielle Plattformen — sie liefern Felder, die sich auf einen Blick mappen lassen. Die Hochschulen selbst werden in Antworten ausgelassen, obwohl sie die Originalquelle wären.

AI-Readiness ist kein Marketing-Begriff. Sie ist Infrastruktur: kanonische URLs, semantische HTML-Strukturen, schema.org-Markup, transparente Datenfelder. Erst messen, dann behaupten.

Quick Wins für Hochschul-Webteams.

1. 01
   Kanonisch werden. Eine URL pro Studiengang. Alle Variationen — Print-Sicht, mobile Sicht, Sprachvarianten — verweisen via rel=canonical auf eine kanonische Seite.
2. 02
   Strukturieren. Studiengangsdaten als HTML, nicht als PDF-Anhang. Felder mit itemprop/microdata oder JSON-LD annotieren. Mindestens Course-Markup mit name, provider, educationalCredentialAwarded, inLanguage.
3. 03
   Messen. Mit Google Rich Results Test und schema.org Validator prüfen, was Maschinen tatsächlich sehen. Was sie nicht sehen, zitieren sie nicht.