Strukturerad data

Två stora genomsökningar mäter användningen på olika urval. Web Data Commons, som extraherar från Common Crawl, hittade strukturerad data på 1,3 miljarder av de 2,4 miljarder sidorna i sin korpus från oktober 2024, över 16,5 miljoner av 37,5 miljoner domäner på betalnivå^[1]. Inbäddad JSON-LD levererade 47,98 miljarder av de ungefär 74 miljarder RDF-kvadruplerna som återfanns från den genomsökningen, fördelade över 11,56 miljoner domäner^[2].

HTTP Archives Web Almanac, som genomsöker en snävare uppsättning populära sidor, placerade JSON-LD på 41 % av mobila sidor 2024, upp från 34 % 2022 och växande snabbare än något annat format den spårar^[6]. RDFa fick högre med 66 % och Microdata låg efter med 26 %^[7]. Google och schema.org-gemenskapen började publicera en månatlig användningsstatistikdataset i juni 2026, som rapporterar termanvändning i domännivåpopularitetsfack^[8].

Googles dokumenterade ståndpunkt är snäv. John Mueller har sagt att markering inte kommer att förbättra en webbplats rankning, och att dess effekt är att göra en sida berättigad till förbättrad visning^[9]; utvecklardokumentationen beskriver fördelen som rika resultat som är mer engagerande och kan locka till mer interaktion^[3]. För generativa funktioner är vägledningen ännu tydligare: det finns ingen speciell schema.org-markering att lägga till för AI-översikter eller AI-läge^[4], och inget tekniskt krav utöver vanlig sökberättigande^[10].

Ahrefs spårade 1 885 sidor som lade till JSON-LD mot 4 000 matchade kontrollsidor som inte gjorde det, och rapporterade ingen större ökning av citat på någon testad plattform^[5]. De behandlade sidorna hade redan mer än 100 AI-översikts-citat före ändringen, så resultatet talar om sidor som redan citerades och inte om huruvida markering hjälper en ociterad sida att bryta igenom^[11].

En BrightEdge-siffra som cirkulerade i leverantörssammanfattningar pekar åt andra hållet och rapporterar en 44 % ökning av AI-citat för webbplatser som lade till strukturerad data tillsammans med FAQ-block^[12]. De två fynden är inte jämförbara: det ena är en före-och-efter på en fast siduppsättning med kontroller, det andra en korrelation över webbplatser som ändrade mer än en sak.

Två resultat mäter vokabulärens maskinände. På WDC-PAVE, ett benchmark av produkterbjudanden hämtade från 59 webbplatser som publicerar schema.org-annotationer, uppnådde GPT-4 ett F1-värde på 91 % vid extrahering av attributvärden från den ostrukturerade titeln och beskrivningen, 10 % över de specialiserade extraktionsmodeller den mättes mot^[13]. Åt andra hållet rapporterade ett multi-agentsystem från 2025 som mappar relationstabeller och kolumner till Schema.org-termer över 90 % mappningsnoggrannhet över flera domäner^[14]. En modell som återställer egenskaperna från prosa är inte beroende av att sidan publicerar dem.

Markering styr vilka klassiska resultatyper en sida är berättigad till, så den förblir bärande för rika resultat och för återförsäljar- och evenemangslistor. För generativa svar är fallet svagare än de råd som vanligtvis ges, eftersom motorer som hämtar en sida vid svarstid läser dess renderade text och Google anger att dess AI-funktioner inte behöver egen markering^[10]. Vilka källor en motor väljer följer citeringsmönster och varumärkesomnämnanden närmare än markeringsomfattning. Markering är billigt att lägga till och entydigt att tolka, vilket är argumentet för det som överlever citeringsstudierna.