Strukturerede data

To store crawls måler adoption på forskellige prøver. Web Data Commons, som udtrækker fra Common Crawl, fandt strukturerede data på 1,3 milliarder af de 2,4 milliarder sider i sit oktober 2024-korpus, fordelt på 16,5 millioner af 37,5 millioner pay-level domæner^[1]. Indlejret JSON-LD leverede 47,98 milliarder af de cirka 74 milliarder RDF-kvadrupler, der blev genfundet fra den crawl, fordelt på 11,56 millioner domæner^[2].

HTTP Archives Web Almanac, som crawler et smallere sæt populære sider, placerede JSON-LD på 41 % af mobilsiderne i 2024, op fra 34 % i 2022 og voksende hurtigere end noget andet format, det sporer^[6]. RDFa scorede højere med 66 %, og Microdata lå efter med 26 %^[7]. Google og schema.org-fællesskabet begyndte at offentliggøre et månedligt datasæt med brugsstatistik i juni 2026, der rapporterer termadoption i domæneniveau-popularitetsspande^[8].

Googles dokumenterede holdning er snæver. John Mueller har sagt, at markering ikke vil få et websted til at rangere bedre, og at dens effekt er at gøre en side berettiget til forbedret visning^[9]; udviklerdokumentationen beskriver udbyttet som rige resultater, der er mere engagerende og kan tiltrække mere interaktion^[3]. For generative funktioner er vejledningen endnu mere direkte: der er ingen særlig schema.org-markering at tilføje for AI-oversigter eller AI-tilstand^[4], og ingen tekniske krav ud over almindelig søgeberettigelse^[10].

Ahrefs sporede 1.885 sider, der tilføjede JSON-LD, mod 4.000 matchede kontrolsider, der ikke gjorde, og rapporterede ingen større forbedring i citater på nogen testet platform^[5]. De behandlede sider havde allerede mere end 100 AI-oversigtscitater før ændringen, så resultatet taler til sider, der allerede blev citeret, og ikke til, om markering hjælper en uciteret side med at bryde igennem^[11].

Et BrightEdge-tal, der cirkulerede i leverandøroversigter, peger den anden vej og rapporterer en stigning på 44 % i AI-citater for websteder, der tilføjede strukturerede data sammen med FAQ-blokke^[12]. De to fund kan ikke sammenlignes: det ene er en før-og-efter på et fast sæt sider med kontroller, det andet en korrelation på tværs af websteder, der ændrede mere end én ting.

To resultater måler den maskinelle ende af vokabularet. På WDC-PAVE, en benchmark af produkttilbud taget fra 59 websteder, der offentliggør schema.org-annotationer, opnåede GPT-4 en F1-score på 91 % ved at udtrække attributværdier fra den ustrukturerede titel og beskrivelse, 10 % over de specialiserede ekstraktionsmodeller, den blev målt mod^[13]. I den anden retning rapporterede et multi-agent system fra 2025, der kortlægger relationstabeller og -kolonner til Schema.org-termer, over 90 % kortlægningsnøjagtighed på tværs af flere domæner^[14]. En model, der genopretter egenskaberne fra prosa, afhænger ikke af, at siden offentliggør dem.

Markering styrer, hvilke klassiske resultattyper en side er berettiget til, så den forbliver bærende for rige resultater og for forhandler- og begivenhedsfortegnelser. For generative svar er sagen svagere end den sædvanlige rådgivning, da motorer, der henter en side på svarstidspunktet, læser dens gengivne tekst, og Google angiver, at dens AI-funktioner ikke har brug for deres egen markering^[10]. Hvilke kilder en motor vælger, følger citationsmønstre og brandomtaler tættere end markeringsdækning. Markering er billig at tilføje og entydig at parse, hvilket er argumentet for den, der overlever citationsstudierne.