Schema Markup untuk AI

TL;DR — Schema markup adalah code Anda tambahkan untuk sebuah halaman itu labels what Anda konten berarti so machines don’t memiliki untuk guess. Anda’ll hear itu menambahkan ini boosts Anda odds dari getting cited di AI Overviews atau ChatGPT. best evidence says ini doesn’t melakukan itu directly. What ini melakukan melakukan adalah help AI sistem memahami who Anda adalah dan what Anda halaman adalah — berguna, hanya not magic switch ini adalah sold sebagai.

What schema markup adalah

When Anda read 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: “this is the 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 documented consumers memahami. itu tidak berarti setiap AI platform reads setiap jenis atau menggunakan markup di yang sama cara.

sebagian besar dari time ini adalah written di sebuah format called JSON-LD — sebuah little block dari code itu sits di halaman’s HTML dan describes konten tanpa mengubah how halaman looks untuk sebuah pengunjung. ini masih memiliki untuk describe konten readers dapat actually see pada halaman. Evidence for this claim Google requires structured data to represent visible page content and does not guarantee feature display. Scope: Google structured-data policies, not claims about every AI system. Confidence: high · Verified: 2026-07-28 Google Search Central: Structured data guidelines

AI hype vs. what’s nyata

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

data says no. When researchers di Ahrefs tracked 1 885 halaman itu ditambahkan schema dan diukur mereka AI citations sebelum dan setelah, citations basically didn’t move pada apa pun tested platform. Google now states bahkan more directly itu data terstruktur adalah not diperlukan untuk generative AI search dan itu tidak ada special schema.org markup untuk tambahkan. Evidence for this claim 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. Scope: Google Search generative AI features; not a claim about every AI platform or documented feed/integration. Confidence: high · Verified: 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 get Anda ke AI jawaban, menjadi skeptical.

What schema actually melakukan

ini adalah masih worth doing — hanya untuk right alasan:

• ini dapat clarify declared entity facts untuk sistem itu consume ini. Organization dan Person markup dengan sebuah property called sameAs, which tautan Anda brand atau author identity untuk authoritative profiles. ini dapat reduce ambiguity di sistem itu gunakan markup, tetapi ini adalah not proof dari AI citation selection.
• ini powers rich hasil. Star ratings, product cards, breadcrumbs, sitelinks — itu visual extras di regular search masih come dari schema.
• ini helps mesin pencari memahami Anda konten so ini dapat menjadi categorized dan surfaced correctly.

So: pertahankan menggunakan schema. hanya don’t expect ini untuk menjadi lever itu gets Anda ke AI jawaban. ingin deep versi — studies, Google vs. Bing split, dan exact jenis itu penting? Switch untuk Advanced tab.

TL;DR — Google says data terstruktur adalah not diperlukan untuk generative AI search dan there’s no special schema.org markup untuk tambahkan. Evidence for this claim 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. Scope: Google Search generative AI features; not a claim about every AI platform or documented feed/integration. Confidence: high · Verified: 2026-07-28 Google Search Central: Optimizing your website for generative AI features Bing’s Fabrice Canel adalah one rep untuk confirm 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 via sameAs feeding Google’s graf pengetahuan — not sebuah proven citation lever, since Knowledge-Graph-untuk-AI-Overview chain hasn’t telah isolated di apa pun study. Watch out untuk two traps: fitur eligibility dapat perubahan while sebuah Schema.org jenis remains valid, dan client-side markup dapat not menjadi processed consistently oleh setiap crawler.

Regardless dari delivery metode, markup harus match konten terlihat pada halaman. Evidence for this claim Google requires structured data to represent visible page content and does not guarantee feature display. Scope: Google structured-data policies, not claims about every AI system. Confidence: high · Verified: 2026-07-28 Google Search Central: Structured data guidelines

Start dari official position, because ini adalah clearer daripada hype

Google memiliki telah unusually blunt here. -nya July 2026 guidance says data terstruktur adalah not diperlukan untuk generative AI search dan tidak ada special schema.org markup untuk tambahkan. Existing data terstruktur remains berguna untuk ordinary rich-hasil eligibility, dan ini masih memiliki untuk match what readers dapat verify pada halaman. itu adalah longstanding structured-data policy, not sebuah AI-spesifik tactic.

itu tidak berarti schema adalah useless untuk Google. ini berarti Google separates two jobs data terstruktur melakukan: ini drives rich hasil ( appearance enhancement) dan ini helps Google memahami konten dan entities — “information about the people, books, or companies that are included in the markup.” (terjemahan) “informasi tentang people, books, atau companies itu adalah disertakan di markup.” kedua job feeds graf pengetahuan, dan graf pengetahuan feeds AI Overviews. So there’s sebuah plausible indirect path. tidak ada documented direct one.

Bing adalah one platform itu says schema helps -nya LLMs

ini adalah cleanest affirmation di whole 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-search rep untuk say ini pada record tentang sebuah LLM specifically — not hanya tentang crawling. He paired ini dengan sebuah push pada freshness: “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 updated.”

So when people tanyakan “do LLMs even read schema?” (terjemahan) “melakukan LLMs bahkan read schema?”, honest jawaban adalah platform-split: Bing/Copilot, yes, oleh mereka own statement; Google, hanya indirectly via 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, matched 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, difference-di-differences, event study, sensitivity analysis).

headline dari study: “Adding schema produced no major uplift in citations on any platform.” (terjemahan) “menambahkan schema produced no major uplift di citations pada apa pun platform.” Earlier, sebuah Search/Atlas analysis di December 2024 ditemukan yang sama shape dari hasil — no consistent correlation antara schema coverage dan citation rates.

** one honest caveat.** study hanya diukur halaman sudah menjadi cited — setiap treated halaman memiliki 100+ AI Overview citations sebelum schema adalah ditambahkan. So ini jawaban “does adding schema lift citations on pages already in the consideration set?” (terjemahan) “melakukan menambahkan schema lift citations pada halaman sudah di consideration set?” (no) tetapi ini dapat’t jawaban “does schema help a page get into that set in the first place?” (terjemahan) “melakukan schema help sebuah halaman get ke itu set di pertama place?” — itu’s masih open. correlation people cite — AI-cited halaman adalah ~3× lebih mungkin untuk memiliki JSON-LD — almost certainly reflects itu technically strong situs gunakan schema dan publish baik konten, not itu schema adalah cause.

paling plausible mechanism: entity disambiguation

jika schema doesn’t move citations, why melakukan I masih tell people untuk invest di ini untuk AI search? karena one job ini adalah actually documented 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 exists) → ORCID (academic authors) → X → GitHub.

ini adalah bagian dari schema I’m sebagian besar confident perubahan something — ini feeds Google’s graf pengetahuan, which Google documents sebagai sebuah input untuk AI Overviews. tetapi I ingin untuk menjadi precise tentang what’s confirmed dan what isn’t: schema’s role di entity resolution untuk graf pengetahuan adalah documented; Knowledge-Graph-untuk-AI- Overview-citation chain adalah sebuah plausible hypothesis, not something apa pun study memiliki isolated dan confirmed. Treat ini sebagai best-didukung bet, not sebuah guarantee.

One 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, not confirmed proof dari ini.

Which jenis adalah worth implementing

There’s no confirmed, universal peringkat dari schema jenis oleh AI-visibilitas nilai — no study isolates itu. What mengikuti adalah what setiap jenis documentedly melakukan; treat “helps AI” (terjemahan) “helps AI” sebagai plausible entity/rich-hasil path described above, not sebuah scored priority order:

sebuah note pada FAQPage: Google deprecated FAQ rich hasil pada dapat 7, 2026. visual enhancement di SERP adalah hilang, tetapi FAQPage schema jenis itself adalah masih valid — “the markup can stay on your pages without causing problems” (terjemahan) “ markup dapat stay pada Anda halaman without causing masalah” — dan dapat masih help AI sistem identify pertanyaan-dan-jawaban passages. Don’t rush untuk strip ini out; menghapus ini buys Anda nothing.

trap itu quietly kills schema untuk AI: JavaScript

Here’s implementation detail itu catches people. AI-crawler rendering adalah provider- dan versi-spesifik. jika Anda schema adalah injected client-side, classic contoh menjadi Google Tag Manager, lalu Googlebot (which renders) dapat eventually see ini, tetapi apa pun AI crawler itu menggunakan hanya raw HTML akan miss ini. untuk broad AI-search coverage, server-render schema ke HTML respons. jika entity disambiguation adalah alasan Anda’re doing 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 one sebagian besar associated dengan graf pengetahuan recognition.

intinya

Schema adalah infrastructure, not 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 stop expecting ini untuk menjadi thing itu gets Anda ke AI jawaban — itu berfungsi happens di Anda konten, Anda brand mentions, dan Anda authority, which I cover di seluruh rest dari AI search 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 everywhere: −4,6% Google AIO, +2,4% AI Mode, +2,2% ChatGPT.
• Google’s official line: data terstruktur adalah not diperlukan untuk generative AI search, 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 — documented. Whether itu graph inclusion drives AI Overview citations adalah sebuah reasonable hypothesis, not something apa pun study memiliki isolated.
• Correlation ≠ causation. AI-cited halaman adalah ~3× lebih mungkin untuk memiliki schema — tetapi itu reflects technically strong situs menggunakan both schema dan baik konten.
• Two 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.
• What untuk actually melakukan: Organization + Person + sameAs, Article, BreadcrumbList, JSON-LD, server-side, matching terlihat text.

Official documentation

Primary-source 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 not diperlukan untuk generative AI search dan tidak ada special schema.org markup untuk tambahkan.
• AI fitur dan Anda situs web — source dari “no special schema.org structured data that you need to add” (terjemahan) “no special schema.org data terstruktur itu Anda perlu tambahkan” statement.
• Intro untuk How data terstruktur Markup berfungsi — what 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 source

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

Google — no 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 appear di ini fitur. There’s juga no special schema.org data terstruktur itu Anda perlu tambahkan.” — Google Search Central, AI fitur documentation. Source

Google — what 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 people, books, atau companies itu adalah disertakan di markup.” — Google Search Central. Source

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 without 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)

• Confirmed pada stage itu schema markup helps Microsoft’s LLMs memahami konten — satu-satunya AI-platform rep untuk state ini tentang sebuah LLM specifically. 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 updated.” Coverage

Schema-untuk-AI implementation checklist

sebuah pass untuk pastikan Anda data terstruktur actually melakukan -nya entity-disambiguation job — dan doesn’t get 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 one exists) 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 signal hierarchy / cluster.
• Schema adalah server-rendered, not injected client-side via Tag Manager — confirm ini adalah di raw HTML (View Source / curl) so coverage melakukan not depend pada apa pun AI crawler’s provider-spesifik JavaScript mendukung.
• Markup matches terlihat konten — no fields describing things not 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 nothing.

• Validated di Rich hasil Test dan schema.org validator.
• Expectations set: schema adalah entity infrastructure, not sebuah direct AI citation lever — don’t bolt ini onto sudah-cited halaman expecting sebuah lift.

Schema jenis — cheat sheet

jenis → what ini declares → what’s actually documented

No study confirms sebuah universal priority order untuk AI visibilitas di seluruh ini jenis — read right column sebagai “documented function,” (terjemahan) “documented function,” not 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) “no special schema.org data terstruktur itu Anda perlu tambahkan” untuk AI Overviews / AI Mode.
• Bing: Fabrice Canel confirmed schema helps Bing’s LLMs — one 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 not 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 not 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 because vocabulary permits them.

Linking wrong entity dengan sameAs

sebuah wrong identifier adalah worse daripada sebuah missing one. Confirm 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 not. Put penting JSON-LD di server-delivered HTML when mungkin.

umum schema-untuk-AI masalah

markup validates tetapi describes sebuah berbeda entity

Symptom: Syntax passes while names, URLs, atau identifiers poin untuk sebuah namesake. mungkin cause: Entity resolution adalah skipped. Fix: Compare terlihat halaman, canonical URL, official profiles, dan sameAs nilai sebelum correcting graph.

data terstruktur adalah missing dari raw HTML

Symptom: browser alat temukan JSON-LD tetapi curl melakukan not. mungkin cause: sebuah tag manager atau client component injects ini setelah muat. Fix: render stable entity dan halaman markup pada server, lalu compare raw dan rendered output again.

Rich-hasil alat report ineligible markup

Symptom: Schema adalah valid vocabulary tetapi not eligible untuk sebuah Google rich hasil. mungkin cause: Schema.org validity dan Google fitur requirements adalah berbeda memeriksa. Fix: gunakan umum validator untuk vocabulary dan Rich hasil Test untuk didukung search fitur; melakukan not equate fitur eligibility dengan AI citations.

Frameworks untuk schema itu mendukung machine understanding

Entity pertama, syntax kedua

1. Identify: Name nyata person, organization, product, place, atau creative berfungsi.
2. Corroborate: Confirm 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 both Schema.org structure dan apa pun fitur-spesifik requirements.
6. Monitor: Recheck when templates atau entity facts perubahan.

Separate three outcomes

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

melakukan not report one outcome sebagai proof dari lainnya.

Schema extraction snippets

List JSON-LD blocks di Chrome DevTools

Run di Console:

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

periksa apakah JSON-LD exists sebelum rendering

Run di sebuah terminal:

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

jika rendered DOM berisi markup tetapi ini respons melakukan not, implementation adalah client-dependent.

Extract declared jenis dari sebuah crawl

gunakan ini regular expression terhadap JSON-LD source. Capture group 1 mengembalikan sebuah string atau array nilai following @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 without promising sebuah search fitur.
• Schema Markup Generator: buat starting graph dari facts Anda memiliki sudah verified terhadap terlihat halaman.
• Rich-hasil Eligibility Checker: Separate Google’s didukung rich-hasil requirements dari umum schema validity.
• Entity Coverage Analyzer: Review whether halaman clearly establishes entities dan relationships markup describes.
• Raw-respons dan rendered-DOM comparison: Confirm penting JSON-LD adalah available without depending pada client-side execution.

Validate sebuah schema perubahan

Test graph validity dan halaman agreement

Test untuk run: Validate JSON-LD, lalu compare setiap penting property dengan terlihat halaman. Expected hasil: graph parses dan semua stated facts adalah accurate dan pengguna-verifiable. Failure interpretation: Syntax adalah broken atau markup overstates konten. Monitoring window: Immediate. Rollback trigger: sebuah release asserts sebuah wrong entity, unsupported fact, atau invalid graph.

Test server delivery

Test untuk run: Fetch halaman without JavaScript dan locate intended JSON-LD. Expected hasil: Stable entity dan halaman markup appears 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 run: Open setiap sameAs, url, dan external identifier dan verify entity match. Expected hasil: setiap edge resolves untuk yang sama intended 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.

Test yourself: 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: What ini adalah & cara Implement ini — implementation walkthrough (Despina Gavoyannis, Chris Haines).
• What 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

• How schema markup fits ke AI search — without hype — mesin pencari Land — juga references December 2024 Search/Atlas study finding no consistent citation correlation.
• What 2025 Revealed tentang AI Search 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 confirmation.
• Schema Helps Microsoft’s LLMs (Copilot) memahami Anda konten — mesin pencari Roundtable — Barry Schwartz’s write-up dari Bing/Copilot schema confirmation.
• Google Confirms: data terstruktur masih Essential di AI Search Era — mesin pencari Journal — coverage dari Google Search Central Live Madrid 2026 guidance.
• Schema Markup memiliki No Meaningful Impact pada AI Citations — Stan Ventures — independent summary dari Ahrefs findings.
• data terstruktur di AI Search Era — BrightEdge — enterprise perspective pada schema di AI search 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 no major uplift in citations on any platform.” (terjemahan) “menambahkan schema produced no major uplift di citations pada apa pun platform.” Source
• ** “already 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, not whether schema helps sebuah halaman enter ini. Source
• Correlation, not 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, not sebuah causal schema effect. Source
• sebuah earlier signal pointed yang sama cara. sebuah Search/Atlas analysis (December

2024. ditemukan no consistent correlation antara schema coverage dan AI citation rates. Coverage

Log perubahan