Strukturert data

To store gjennomsøkninger måler adopsjon på forskjellige utvalg. Web Data Commons, som trekker ut fra Common Crawl, fant strukturert data på 1,3 milliarder av de 2,4 milliarder sidene i sitt korpus fra oktober 2024, fordelt på 16,5 millioner av 37,5 millioner betalingsnivådomener^[1]. Innebygd JSON-LD leverte 47,98 milliarder av de omtrent 74 milliarder RDF-kvadene som ble gjenopprettet fra den gjennomsøkningen, fordelt på 11,56 millioner domener^[2].

HTTP Archives Web Almanac, som gjennomsøker et smalere sett med populære sider, plasserte JSON-LD på 41 % av mobilsidene i 2024, opp fra 34 % i 2022 og vokser raskere enn noe annet format den sporer^[6]. RDFa scoret høyere med 66 % og Microdata lå etter på 26 %^[7]. Google og schema.org-fellesskapet begynte å publisere et månedlig datasett for bruksstatistikk i juni 2026, som rapporterer termadopsjon i popularitetsbøtter på domenenivå^[8].

Googles dokumenterte posisjon er snever. John Mueller har sagt at markering ikke vil få et nettsted til å rangere bedre, og at effekten er å gjøre en side kvalifisert for forbedret visning^[9]; utviklerdokumentasjonen rammer inn utbyttet som rike resultater som er mer engasjerende og kan trekke mer interaksjon^[3]. For generative funksjoner er veiledningen enda tydeligere: det er ingen spesiell schema.org-markering å legge til for AI-oversikter eller AI-modus^[4], og ingen tekniske krav utover vanlig søkekvalifisering^[10].

Ahrefs sporet 1 885 sider som la til JSON-LD mot 4 000 matchede kontrollsider som ikke gjorde det, og rapporterte ingen stor økning i siteringer på noen testet plattform^[5]. De behandlede sidene hadde allerede mer enn 100 AI-oversikt-siteringer før endringen, så resultatet snakker til sider som allerede ble sitert og ikke om markering hjelper en usitert side med å bryte inn^[11].

Et BrightEdge-tall som sirkulerte i leverandørsammendrag, peker den andre veien, og rapporterer en 44 % økning i AI-siteringer for nettsteder som la til strukturert data sammen med FAQ-blokker^[12]. De to funnene er ikke sammenlignbare: det ene er en før-og-etter på et fast side-sett med kontroller, det andre en korrelasjon på tvers av nettsteder som endret mer enn én ting.

To resultater måler maskinenden av vokabularet. På WDC-PAVE, en referanseindeks for produkttilbud hentet fra 59 nettsteder som publiserer schema.org-annotasjoner, oppnådde GPT-4 en 91 % F1-score ved å trekke ut attributtverdier fra den ustrukturerte tittelen og beskrivelsen, 10 % over de spesialiserte ekstraksjonsmodellene den ble målt mot^[13]. I den andre retningen rapporterte et multi-agent system fra 2025 som kartlegger relasjonelle tabeller og kolonner til Schema.org-termer over 90 % kartleggingsnøyaktighet på tvers av flere domener^[14]. En modell som gjenoppretter egenskapene fra prosa, er ikke avhengig av at siden publiserer dem.

Markering styrer hvilke klassiske resultattyper en side er kvalifisert for, så den forblir bærende for rike resultater og for forhandler- og arrangementslister. For generative svar er saken svakere enn rådene som vanligvis gis, siden motorer som henter en side ved svarstid, leser den gjengitte teksten, og Google sier at AI-funksjonene ikke trenger egen markering^[10]. Hvilke kilder en motor velger, følger siteringmønstre og merkevareomtaler nærmere enn markeringsdekning. Markering er billig å legge til og entydig å analysere, noe som er argumentet for det som overlever siteringsstudiene.