Schema Markup untuk AI

TL;DR — Schema markup adalah code Anda tambahkan untuk sebuah halaman itu labels apa Anda konten berarti so machines jangan memiliki untuk guess. Anda’ll hear itu menambahkan ini boosts Anda odds dari getting cited di AI Overviews atau ChatGPT. best evidence says ini tidak melakukan itu secara langsung. Apa ini melakukan melakukan adalah help AI sistem memahami siapa Anda adalah dan apa Anda halaman adalah — berguna, hanya tidak magic switch ini adalah sold sebagai.

Apa schema markup adalah

Ketika Anda baca sebuah halaman, Anda dapat tell sebuah phone angka dari sebuah price dari sebuah author’s name hanya oleh looking. sebuah machine dapat’t — ini sees text. Schema markup (juga called data terstruktur) adalah extra code Anda tambahkan untuk sebuah halaman itu spells ini out: “ini adalah itu author,” (terjemahan) “ini adalah author,” “this is the published date,” (terjemahan) “ini adalah published date,” “this is the price.” (terjemahan) “ini adalah price.” ini menggunakan sebuah shared vocabulary dari schema.org itu banyak mesin pencari dan lainnya terdokumentasi consumers memahami. itu tidak berarti setiap AI platform membaca setiap jenis atau menggunakan markup di yang sama cara.

sebagian besar dari time ini adalah ditulis di sebuah format called JSON-LD — sebuah little block dari code itu sits di halaman’s HTML dan mendeskripsikan konten tanpa mengubah bagaimana halaman looks untuk sebuah pengunjung. ini masih memiliki untuk deskripsikan konten readers dapat sebenarnya see pada halaman. Bukti untuk klaim ini Google requires structured data to represent visible page content and does not guarantee feature display. Cakupan: Google structured-data policies, not claims about every AI system. Tingkat keyakinan: tinggi · Diverifikasi: 2026-07-28 Google Search Central: Structured data guidelines

AI hype vs. apa nyata

Di sini’s pitch Anda’ve probably heard: tambahkan schema markup dan Anda’ll mendapatkan cited lebih di AI penelusuran. ini sounds plausible — data terstruktur adalah “AI-readable,” (terjemahan) “AI-readable,” so surely AI rewards ini, right?

data says Tidak. Ketika researchers di Ahrefs tracked 1 885 halaman itu ditambahkan schema dan diukur mereka AI citations sebelum dan setelah, citations basically tidak move pada apa pun tested platform. Google now status bahkan lebih secara langsung itu data terstruktur adalah tidak diperlukan untuk generative AI penelusuran dan itu tidak ada special schema.org markup untuk tambahkan. Bukti untuk klaim ini Google says structured data is not required for generative AI search and there is no special schema.org markup to add; existing structured data remains useful for ordinary rich-result eligibility. Cakupan: Google Search generative AI features; not a claim about every AI platform or documented feed/integration. Tingkat keyakinan: tinggi · Diverifikasi: 2026-07-28 Google Search Central: Optimizing your website for generative AI features So jika sebuah alat atau agency adalah promising itu bolting pada schema akan mendapatkan Anda ke AI jawaban, menjadi skeptical.

Apa schema sebenarnya melakukan

ini adalah masih worth melakukan — hanya untuk right alasan:

• ini dapat clarify declared entity facts untuk sistem itu consume ini. Organization dan Person markup dengan sebuah property called sameAs, yang tautan Anda brand atau author identity untuk authoritative profiles. ini dapat reduce ambiguity di sistem itu gunakan markup, tetapi ini adalah tidak proof dari AI citation selection.
• ini powers rich hasil. Star ratings, product cards, breadcrumbs, sitelinks — itu visual extras di regular penelusuran masih come dari schema.
• ini helps mesin pencari memahami Anda konten so ini dapat menjadi categorized dan surfaced correctly.

So: pertahankan menggunakan schema. hanya jangan expect ini untuk menjadi lever itu mendapatkan Anda ke AI jawaban. ingin deep versi — studies, Google vs. Bing split, dan tepat jenis itu penting? Switch untuk Advanced tab.

TL;DR — Google says data terstruktur adalah tidak diperlukan untuk generative AI penelusuran dan ada Tidak special schema.org markup untuk tambahkan. Bukti untuk klaim ini Google says structured data is not required for generative AI search and there is no special schema.org markup to add; existing structured data remains useful for ordinary rich-result eligibility. Cakupan: Google Search generative AI features; not a claim about every AI platform or documented feed/integration. Tingkat keyakinan: tinggi · Diverifikasi: 2026-07-28 Google Search Central: Optimizing your website for generative AI features Bing’s Fabrice Canel adalah satu rep untuk konfirmasi schema helps mereka LLMs. Ahrefs 1 885-halaman study ditemukan menambahkan JSON-LD moved AI citations sebuah statistically insignificant amount pada setiap platform (−4,6% AIO, +2,4% AI Mode, +2,2% ChatGPT). paling plausible mechanism adalah entity disambiguation melalui sameAs feeding Google’s graf pengetahuan — tidak sebuah proven citation lever, since Knowledge-Graph-untuk-AI-Overview chain hasn’t telah isolated di apa pun study. Watch out untuk dua traps: fitur eligibility dapat perubahan sementara sebuah Schema.org jenis tetap valid, dan client-side markup dapat tidak menjadi processed consistently oleh setiap crawler.

Regardless dari pengiriman metode, markup harus match konten terlihat pada halaman. Bukti untuk klaim ini Google requires structured data to represent visible page content and does not guarantee feature display. Cakupan: Google structured-data policies, not claims about every AI system. Tingkat keyakinan: tinggi · Diverifikasi: 2026-07-28 Google Search Central: Structured data guidelines

Mulai dari official position, karena ini adalah clearer daripada hype

Google memiliki telah unusually blunt di sini. -nya July 2026 guidance says data terstruktur adalah tidak diperlukan untuk generative AI penelusuran dan tidak ada special schema.org markup untuk tambahkan. Existing data terstruktur tetap berguna untuk ordinary rich-hasil eligibility, dan ini masih memiliki untuk match apa readers dapat verify pada halaman. itu adalah longstanding structured-data policy, tidak sebuah AI-spesifik tactic.

itu tidak berarti schema adalah useless untuk Google. ini berarti Google separates dua jobs data terstruktur melakukan: ini drives rich hasil ( appearance enhancement) dan ini helps Google memahami konten dan entities — “information tentang itu orang, books, atau companies itu adalah included di itu markup.” (terjemahan) “informasi tentang orang, books, atau companies itu adalah disertakan di markup.” kedua job feeds graf pengetahuan, dan graf pengetahuan feeds AI Overviews. So ada sebuah plausible indirect path. tidak ada terdokumentasi direct satu.

Bing adalah satu platform itu says schema helps -nya LLMs

ini adalah paling bersih affirmation di seluruh space. di SMX Munich di March 2025, Fabrice Canel, Principal Product Manager di Microsoft Bing, confirmed itu schema markup helps Microsoft’s LLMs memahami konten. He’s satu-satunya AI-penelusuran rep untuk say ini pada record tentang sebuah LLM secara khusus — tidak hanya tentang crawling. He paired ini dengan sebuah push pada freshness: “Gen AIs value fresh konten di particular, partly sebagai a reference periksa dari mereka LLM training data. Gunakan itu API di indexnow.org untuk push itu information sebagai ini published atau diperbarui.” (terjemahan) “Gen AIs nilai fresh konten di particular, partly sebagai sebuah reference periksa dari mereka LLM training data. gunakan API di indexnow.org untuk push itu informasi sebagai ini adalah published atau diperbarui.”

So ketika orang tanyakan “lakukan LLMs even baca schema?” (terjemahan) “melakukan LLMs bahkan baca schema?”, honest jawaban adalah platform-split: Bing/Copilot, Ya, oleh mereka own statement; Google, hanya indirectly melalui graf pengetahuan; ChatGPT dan Perplexity, unconfirmed either cara.

evidence pada citations: Ahrefs 1 885-halaman study

ini adalah paling rigorous test I’m aware dari. Ahrefs team (Louise Linehan dan Xibeijia Guan, reviewed oleh Ryan Law, published dapat 2026) identified 1 885 halaman itu ditambahkan JSON-LD schema antara August 2025 dan March 2026, cocok them terhadap ~4 000 control halaman dengan similar prior citation tingkat, dan diukur citations 30 days sebelum dan setelah — di seluruh four statistical tests (t-test, perbedaan-di-differences, event study, sensitivity analysis).

headline dari study: “Adding schema produced Tidak major uplift di citations pada any platform.” (terjemahan) “menambahkan schema produced Tidak major uplift di citations pada apa pun platform.” Sebelumnya, sebuah Penelusuran/Atlas analysis di December 2024 ditemukan yang sama shape dari hasil — Tidak consistent correlation antara schema coverage dan citation rates.

** satu honest caveat.** study hanya diukur halaman sudah menjadi cited — setiap treated halaman memiliki 100+ AI Overview citations sebelum schema adalah ditambahkan. So ini jawaban “melakukan adding schema lift citations pada halaman sudah di itu consideration set?” (terjemahan) “melakukan menambahkan schema lift citations pada halaman sudah di consideration set?” (Tidak) tetapi ini dapat’t jawaban “melakukan schema help a halaman mendapatkan menjadi itu set di itu pertama place?” (terjemahan) “melakukan schema help sebuah halaman mendapatkan ke itu set di pertama place?” — itu’s masih open. correlation orang cite — AI-cited halaman adalah ~3× lebih mungkin untuk memiliki JSON-LD — hampir certainly reflects itu technically strong situs gunakan schema dan publish baik konten, tidak itu schema adalah penyebab.

paling plausible mechanism: entity disambiguation

jika schema tidak move citations, mengapa melakukan I masih tell orang untuk invest di ini untuk AI penelusuran? karena satu job ini adalah sebenarnya terdokumentasi untuk melakukan: help resolve entities — connecting Organization dan Person markup untuk authoritative external IDs so sebuah graf pengetahuan dapat tell Anda company atau author apart dari sebuah namesake.

sameAs adalah property itu melakukan ini. ini adalah paling direct cara untuk poin di authoritative external identifiers:

• Organization sameAs (priority order): Wikidata Q-angka → Wikipedia → LinkedIn company halaman → Crunchbase → GitHub (untuk tech companies).
• Person sameAs: LinkedIn → Wikidata (jika sebuah entry ada) → ORCID (academic authors) → X → GitHub.

ini adalah bagian dari schema I’m sebagian besar confident perubahan sesuatu — ini feeds Google’s graf pengetahuan, yang Google documents sebagai sebuah input untuk AI Overviews. tetapi I ingin untuk menjadi precise tentang apa confirmed dan apa tidak: schema’s role di entity resolution untuk graf pengetahuan adalah terdokumentasi; Knowledge-Graph-untuk-AI- Overview-citation chain adalah sebuah plausible hypothesis, tidak sesuatu apa pun study memiliki isolated dan confirmed. Treat ini sebagai best-didukung bet, tidak sebuah jaminan.

Satu frequently cited contoh: SchemaApp, sebuah schema vendor, reported itu Wells Fargo corrected AI hallucinations tentang -nya business hours oleh menambahkan schema untuk location halaman. itu’s sebuah vendor-published case study I haven’t telah able untuk verify independently — treat ini sebagai sebuah anecdote consistent dengan entity-disambiguation mechanism, tidak confirmed proof dari ini.

Yang jenis adalah worth implementing

ada Tidak confirmed, universal peringkat dari schema jenis oleh AI-visibilitas nilai — Tidak study isolates itu. Apa mengikuti adalah apa setiap jenis documentedly melakukan; treat “helps AI” (terjemahan) “helps AI” sebagai plausible entity/rich-hasil path described di atas, tidak sebuah scored priority order:

«A note on FAQPage: Google deprecated the FAQ rich result on May 7, 2026. The visual enhancement in the SERP is gone, but the FAQPage schema type itself is still valid — “the markup can stay on your pages without causing problems” — and may still help AI systems identify question-and-answer passages. Don’t rush to strip it out; removing it buys you nothing. » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian tiga puluh sembilan, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

trap itu diam-diam kills schema untuk AI: JavaScript

Di sini’s implementation detail itu catches orang. AI-crawler rendering adalah provider- dan versi-spesifik. jika Anda schema adalah injected client-side, classic contoh menjadi Google Tag Manager, lalu Googlebot (yang renders) dapat eventually see ini, tetapi apa pun AI crawler itu menggunakan hanya mentah HTML akan miss ini. untuk broad AI-penelusuran coverage, server-render schema ke HTML respons. jika entity disambiguation adalah alasan Anda’re melakukan ini, JS-injected schema defeats purpose.

gunakan JSON-LD (Google, Bing, dan schema.org semua prefer ini di atas Microdata/RDFa), pertahankan ini server-side, dan connect Anda jenis dengan @graph + @id so Anda Organization, Person, dan Article reference setiap lainnya alih-alih duplicating data — itu connected-graph pattern adalah satu sebagian besar associated dengan graf pengetahuan recognition.

intinya

Schema adalah infrastructure, tidak sebuah citation cheat code. Implement Organization dan Person dengan nyata sameAs tautan, put Article dan BreadcrumbList pada Anda templates, render ini semua server-side, dan membuat ini match Anda terlihat konten. lalu berhenti expecting ini untuk menjadi hal itu mendapatkan Anda ke AI jawaban — itu berfungsi happens di Anda konten, Anda brand mentions, dan Anda authority, yang I cover di seluruh rest dari AI penelusuran optimization cluster.

AI summary

sebuah condensed take pada Advanced versi:

• Schema markup ≠ AI citation lever. Ahrefs dapat 2026 study (1 885 halaman, four statistical tests) ditemukan menambahkan JSON-LD moved citations sebuah statistically insignificant amount di mana-mana: −4,6% Google AIO, +2,4% AI Mode, +2,2% ChatGPT.
• Google’s official line: data terstruktur adalah tidak diperlukan untuk generative AI penelusuran, dan tidak ada special schema.org markup untuk tambahkan. Existing markup masih penting untuk didukung rich hasil dan harus match terlihat konten.
• Bing adalah exception. Fabrice Canel (Microsoft) confirmed schema helps Bing’s LLMs — satu-satunya AI-platform rep untuk say so pada record.
• paling plausible mechanism adalah entity disambiguation. Organization dan Person dengan sameAs (Wikidata, Wikipedia, LinkedIn) feed Google’s Knowledge Graph — terdokumentasi. Apakah itu graph inclusion drives AI Overview citations adalah sebuah reasonable hypothesis, tidak sesuatu apa pun study memiliki isolated.
• Correlation ≠ causation. AI-cited halaman adalah ~3× lebih mungkin untuk memiliki schema — tetapi itu reflects technically strong situs menggunakan keduanya schema dan baik konten.
• Dua traps: FAQ rich hasil adalah deprecated dapat 7, 2026 ( FAQPage jenis masih berfungsi); dan AI-crawler rendering varies oleh provider, so client-side / Tag Manager schema dapat menjadi missed — server-render ini untuk maximize coverage.
• Apa untuk sebenarnya melakukan: Organization + Person + sameAs, Article, BreadcrumbList, JSON-LD, server-side, matching terlihat text.

Dokumentasi resmi

Utama-sumber documentation dari mesin pencari dan schema.org.

Google

• Optimizing Anda situs web untuk Generative AI fitur — Google’s July 2026 statement itu data terstruktur adalah tidak diperlukan untuk generative AI penelusuran dan tidak ada special schema.org markup untuk tambahkan.
• AI fitur dan Anda situs web — sumber dari “no special schema.org structured data that you need to add” (terjemahan) “Tidak special schema.org data terstruktur itu Anda perlu tambahkan” statement.
• Intro untuk Bagaimana data terstruktur Markup berfungsi — apa data terstruktur melakukan untuk understanding dan rich hasil.
• umum data terstruktur Guidelines — “markup must match visible content” (terjemahan) “markup harus match terlihat konten” policy.
• FAQPage data terstruktur — jenis’s documentation, post-deprecation.
• Speakable (BETA) — marking audio-suitable bagian; masih beta, US English hanya.

Bing / Microsoft

• Marking Up Anda situs dengan data terstruktur — Bing Webmaster Help — Bing’s data terstruktur guidance; JSON-LD recommended, harus match halaman context.

schema.org

• schema.org — shared vocabulary itself.
• Organization · Person · sameAs — entity-disambiguation core.

Quotes dari sumber

pada—record statements dari Google dan Microsoft pada schema dan AI.

Google — Tidak special schema untuk AI fitur

• “You don’t need to create new machine readable files, AI text files, or markup to appear in these features. There’s also no special schema.org structured data that you need to add.” (terjemahan) “Anda tidak perlu untuk buat baru machine readable files, AI text files, atau markup untuk muncul di ini fitur. ada juga Tidak special schema.org data terstruktur itu Anda perlu tambahkan.” — Google Search Central, AI fitur documentation. Sumber

Google — apa data terstruktur melakukan

• “Google uses structured data that it finds on the web to understand the content of the page, as well as to gather information about the web and the world in general, such as information about the people, books, or companies that are included in the markup.” (terjemahan) “Google menggunakan data terstruktur itu ini menemukan pada web untuk memahami konten dari halaman, serta untuk gather informasi tentang web dan world di umum, such sebagai informasi tentang orang, books, atau companies itu adalah disertakan di markup.” — Google Search Central. Sumber

Google — FAQ deprecation

• “FAQPage as a Schema.org type is still valid, and the markup can stay on your pages without causing problems.” (terjemahan) “FAQPage sebagai sebuah Schema.org jenis adalah masih valid, dan markup dapat stay pada Anda halaman tanpa causing masalah.” — sebagai reported oleh mesin pencari Journal pada dapat 2026 FAQ rich-hasil deprecation. Coverage

«Fabrice Canel, Principal Product Manager, Microsoft Bing (SMX Munich, March 2025) » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian enam puluh delapan, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

• Confirmed pada stage itu schema markup helps Microsoft’s LLMs memahami konten — satu-satunya AI-platform rep untuk state ini tentang sebuah LLM secara khusus. Coverage
• “Gen AIs value fresh content in particular, partly as a reference check of their LLM training data. Use the API at indexnow.org to push that information as it’s published or updated.” (terjemahan) “Gen AIs nilai fresh konten di particular, partly sebagai sebuah reference periksa dari mereka LLM training data. gunakan API di indexnow.org untuk push itu informasi sebagai ini adalah published atau diperbarui.” Coverage

Schema-untuk-AI implementation checklist

sebuah lulus untuk pastikan Anda data terstruktur sebenarnya melakukan -nya entity-disambiguation job — dan tidak mendapatkan silently dropped oleh AI crawler:

• Organization schema sitewide, dengan sebuah populated sameAs array (Wikidata, Wikipedia, LinkedIn di minimum), plus name, url, logo.
• Person schema pada author/bio halaman, dengan sameAs (LinkedIn, Wikidata jika satu ada) dan knowsAbout untuk topical authority.
• Article pada konten halaman — author (ditautkan oleh @id untuk Person), datePublished, dateModified, headline, publisher (ditautkan untuk Organization).
• BreadcrumbList pada interior halaman untuk sinyal hierarchy / cluster.
• Schema adalah server-dirender, tidak injected client-side melalui Tag Manager — konfirmasi ini adalah di mentah HTML (View Sumber / curl) so coverage melakukan tidak bergantung pada apa pun AI crawler’s provider-spesifik JavaScript mendukung.
• Markup matches terlihat konten — Tidak fields describing hal tidak pada halaman (Google policy; mismatches risk sebuah manual tindakan).
• Format adalah JSON-LD, ideally connected dengan @graph + @id.
• FAQPage left di place jika Anda memiliki ini — rich hasil adalah hilang (dapat

2026. tetapi jenis adalah masih valid; menghapus ini gains tidak ada apa pun.

• Validated di Rich hasil Test dan schema.org validator.
• Expectations set: schema adalah entity infrastructure, tidak sebuah direct AI citation lever — jangan bolt ini onto sudah-cited halaman expecting sebuah lift.

Schema jenis — cheat sheet

jenis → apa ini declares → apa sebenarnya terdokumentasi

Tidak study mengonfirmasi sebuah universal priority order untuk AI visibilitas di seluruh ini jenis — baca right column sebagai “documented function,” (terjemahan) “terdokumentasi function,” tidak sebuah peringkat.

Fast facts

• Ahrefs study (1 885 halaman, dapat 2026): −4,6% AIO / +2,4% AI Mode / +2,2% ChatGPT — semua statistically insignificant.
• Google: “no special schema.org structured data that you need to add” (terjemahan) “Tidak special schema.org data terstruktur itu Anda perlu tambahkan” untuk AI Overviews / AI Mode.
• Bing: Fabrice Canel confirmed schema helps Bing’s LLMs — satu platform itu memiliki.
• FAQ rich hasil: deprecated dapat 7, 2026; FAQPage jenis masih valid.
• AI-crawler rendering varies oleh provider → server-render schema so Tag Manager execution adalah tidak sebuah coverage dependency.
• Format: JSON-LD, ideally @graph + @id. harus match terlihat konten.

Schema-untuk-AI mistakes untuk hindari

Promising sebuah citation boost

Schema helps machines interpret entities dan halaman meaning; ini adalah tidak sebuah switch itu forces sebuah AI jawaban untuk cite halaman.

Marking up facts pengguna cannot verify

data terstruktur seharusnya mewakili terlihat, accurate halaman konten. jangan tambahkan awards, reviews, authors, prices, atau relationships solely karena vocabulary permits them.

Linking wrong entity dengan sameAs

sebuah wrong identifier adalah worse daripada sebuah missing satu. Konfirmasi itu setiap URL mewakili sama person, organization, product, atau place.

Injecting semua markup setelah client rendering

mesin pencari dapat render ini, tetapi banyak AI crawler akan tidak. Put penting JSON-LD di server-delivered HTML ketika mungkin.

umum schema-untuk-AI masalah

markup validates tetapi mendeskripsikan sebuah berbeda entity

Symptom: Syntax melewati sementara names, URLs, atau identifiers poin untuk sebuah namesake. mungkin penyebab: Entity resolution adalah skipped. Perbaiki: Bandingkan terlihat halaman, canonical URL, official profiles, dan sameAs nilai sebelum correcting graph.

data terstruktur adalah missing dari mentah HTML

Symptom: browser alat temukan JSON-LD tetapi curl melakukan tidak. mungkin penyebab: sebuah tag manager atau client component injects ini setelah muat. Perbaiki: render stable entity dan halaman markup pada server, lalu bandingkan mentah dan dirender output again.

Rich-hasil alat report ineligible markup

Symptom: Schema adalah valid vocabulary tetapi tidak eligible untuk sebuah Google rich hasil. mungkin penyebab: Schema.org validity dan Google fitur requirements adalah berbeda memeriksa. Perbaiki: gunakan umum validator untuk vocabulary dan Rich hasil Test untuk didukung penelusuran fitur; melakukan tidak equate fitur eligibility dengan AI citations.

Kerangka kerja untuk schema itu mendukung machine understanding

Entity pertama, syntax kedua

1. Identify: Name nyata person, organization, product, place, atau creative berfungsi.
2. Corroborate: Konfirmasi stable facts dan authoritative identifiers.
3. Model: Choose paling spesifik appropriate jenis dan relationships.
4. Expose: Match terlihat halaman konten dan sajikan penting markup di HTML.
5. Validate: periksa keduanya Schema.org structure dan apa pun fitur-spesifik requirements.
6. Monitor: Recheck ketika templates atau entity facts perubahan.

Terpisah three outcomes

• Valid markup: graph mengikuti vocabulary dan syntax.
• fitur eligibility: sebuah mesin pencari dapat pertimbangkan halaman untuk sebuah didukung rich hasil ketika semua additional aturan adalah met.
• AI visibilitas: sebuah model dapat mention atau cite halaman berdasarkan sebuah banyak lebih luas retrieval dan trust sistem.

melakukan tidak report satu outcome sebagai proof dari lainnya.

Schema extraction snippets

List JSON-LD blocks di Chrome DevTools

Jalankan di Console:

[...document.querySelectorAll('script[type="application/ld+json"]')].map((el, index) => ({ index, json: JSON.parse(el.textContent) }))

periksa apakah JSON-LD ada sebelum rendering

Jalankan di sebuah terminal:

curl -sS https://example.com/page/ | grep -n 'application/ld+json'

jika dirender DOM berisi markup tetapi ini respons melakukan tidak, implementation adalah client-dependent.

Extract declared jenis dari sebuah crawl

gunakan ini regular expression terhadap JSON-LD sumber. Capture group 1 mengembalikan sebuah string atau array nilai berikut @type:

"@type"\s*:\s*("[^"]+"|\[[^\]]+\])

Parse JSON untuk production analysis; regex adalah hanya sebuah quick extraction aid.

alat untuk schema dan AI understanding

• Schema Markup Validator: periksa JSON-LD structure, vocabulary, dan graph issues tanpa promising sebuah penelusuran fitur.
• Schema Markup Generator: buat starting graph dari facts Anda memiliki sudah verified terhadap terlihat halaman.
• Rich-hasil Eligibility Checker: Terpisah Google’s didukung rich-hasil requirements dari umum schema validity.
• Entity Coverage Analyzer: Review apakah halaman dengan jelas establishes entities dan relationships markup mendeskripsikan.
• Mentah-respons dan dirender-DOM perbandingan: Konfirmasi penting JSON-LD adalah tersedia tanpa depending pada client-side execution.

Validate sebuah schema perubahan

Test graph validity dan halaman agreement

Test untuk jalankan: Validate JSON-LD, lalu bandingkan setiap penting property dengan terlihat halaman. Yang diharapkan hasil: graph parses dan semua stated facts adalah accurate dan pengguna-verifiable. Failure interpretation: Syntax adalah rusak atau markup overstates konten. Monitoring window: Immediate. Rollback trigger: sebuah rilis asserts sebuah wrong entity, unsupported fact, atau tidak valid graph.

Test server pengiriman

Test untuk jalankan: Fetch halaman tanpa JavaScript dan locate yang dimaksud JSON-LD. Yang diharapkan hasil: Stable entity dan halaman markup muncul di respons. Failure interpretation: Non-rendering crawler cannot menerima perubahan. Monitoring window: Immediate setelah deployment. Rollback trigger: Previously server-terlihat markup becomes client-hanya.

Test entity identifiers

Test untuk jalankan: Open setiap sameAs, url, dan external identifier dan verify entity match. Yang diharapkan hasil: setiap edge resolves untuk yang sama yang dimaksud entity. Failure interpretation: graph connects sebuah namesake atau obsolete profile. Monitoring window: Immediate dan setelah rebrands. Rollback trigger: apa pun identity edge poin untuk sebuah unrelated entity.

Uji pemahaman Anda: Schema Markup untuk AI

Resources worth Anda time

Related Ahrefs writing

• kami Tracked 1 885 halaman menambahkan Schema. AI Citations Barely Moved. — Louise Linehan & Xibeijia Guan, dapat 2026. controlled study di center dari ini artikel.
• Schema Markup: Apa ini adalah & cara Implement ini — implementation walkthrough (Despina Gavoyannis, Chris Haines).
• Apa adalah data terstruktur? — glossary primer.

Official references

• schema.org — vocabulary.
• Google — AI fitur dan Anda situs web — Google’s stated position pada schema dan AI.

dari others

• Bagaimana schema markup fits ke AI penelusuran — tanpa hype — mesin pencari Land — juga references December 2024 Penelusuran/Atlas study finding Tidak consistent citation correlation.
• Apa 2025 Revealed tentang AI Penelusuran dan Future dari Schema Markup — SchemaApp — Wells Fargo entity-correction case.
• Microsoft Bing/Copilot gunakan schema untuk -nya LLMs — mesin pencari Land — coverage dari Fabrice Canel’s SMX Munich konfirmasi.
• Schema Helps Microsoft’s LLMs (Copilot) memahami Anda konten — mesin pencari Roundtable — Barry Schwartz’s tulis-up dari Bing/Copilot schema konfirmasi.
• Google Mengonfirmasi: data terstruktur masih Essential di AI Penelusuran Era — mesin pencari Journal — coverage dari Google Search Central Langsung Madrid 2026 guidance.
• Schema Markup memiliki Tidak Bermakna Impact pada AI Citations — Stan Ventures — independent summary dari Ahrefs findings.
• data terstruktur di AI Penelusuran Era — BrightEdge — enterprise perspective pada schema di AI penelusuran transition.

Stats worth citing

• menambahkan schema barely moved AI citations. Ahrefs study dari 1 885 halaman itu ditambahkan JSON-LD (vs. ~4 000 controls, four statistical tests) diukur −4,6% pada Google AI Overviews, +2,4% pada AI Mode, dan +2,2% pada ChatGPT — semua statistically insignificant. “Adding schema produced Tidak major uplift di citations pada any platform.” (terjemahan) “menambahkan schema produced Tidak major uplift di citations pada apa pun platform.” Sumber
• ** “sudah cited” (terjemahan) “sudah cited” caveat.** setiap treated halaman di itu study sudah memiliki 100+ AI Overview citations sebelum menambahkan schema — so study tests halaman sudah di consideration set, tidak apakah schema helps sebuah halaman enter ini. Sumber
• Correlation, tidak causation. di seluruh Ahrefs’ dataset, AI-cited halaman adalah nearly 3× lebih mungkin untuk carry JSON-LD daripada non-cited halaman — sebuah reflection dari technically strong situs, tidak sebuah causal schema effect. Sumber
• sebuah sebelumnya sinyal pointed yang sama cara. sebuah Penelusuran/Atlas analysis (December

2024. ditemukan Tidak consistent correlation antara schema coverage dan AI citation rates. Coverage

Log perubahan