Предварительное тестирование показало, что применение структурированных данных повышает видимость и стабильность фрагмента, созданного ИИ.

<п>Когда диалоговые ИИ, такие как ChatGPT, Perplexity или Google AI Mode, генерируют фрагменты или сводки ответов, они не пишут с нуля, они выбирают, сжимают и заново собирают то, что предлагают веб-страницы. Если ваш контент не оптимизирован для SEO и не индексируется, он вообще не попадет в генеративный поиск. Поиск, каким мы его знаем, теперь является функцией искусственного интеллекта.

Но что, если ваша страница не “предлагает” в машиночитаемой форме? Вот тут-то и приходят на помощь структурированные данные, не только как SEO-концепция, но и как основа для ИИ, позволяющая надежно выбирать «правильные факты». В нашем сообществе возникла некоторая путаница, и в этой статье я:

<ол>

пройти контролируемые эксперименты на 97 веб-страницах, показывающие, как структурированные данные улучшают согласованность фрагментов и контекстную релевантность,

сопоставьте эти результаты с нашей семантической структурой.

В последние месяцы многие спрашивали меня, используют ли LLM структурированные данные, и я повторял снова и снова, что LLM не использует структурированные данные, поскольку у него нет прямого доступа к всемирной паутине. LLM использует инструменты для поиска в Интернете и загрузки веб-страниц. Его инструменты – в большинстве случаев – получить большую выгоду от индексации структурированных данных.

Изображение автора, октябрь 2025 г. <п>Согласно нашим ранним результатам, структурированные данные повышают согласованность фрагментов и контекстную релевантность в GPT-5. Это также намекает на расширение эффективного конверта Wordlim – Это скрытая директива GPT-5, которая определяет, сколько слов ваш контент получит в ответ. Представьте это как квоту на видимость вашего ИИ, которая увеличивается, когда контент становится богаче и лучше типизирован. Вы можете прочитать больше об этой концепции, которую я впервые изложил на LinkedIn.

Почему это важно сейчас

<ул>

Ограничения в слове: Стеки ИИ работают со строгим бюджетом токенов/персонажей. Двусмысленность приводит к потере бюджета; напечатанные факты сохраняют его.

Значения &amp; заземление: Schema.org сокращает пространство поиска модели (“это рецепт/продукт/статья”), делая выбор более безопасным.

График знаний (KG): Схема часто снабжает KG, с которыми системы ИИ консультируются при поиске фактов. Это мост от веб-страниц к рассуждениям агента.

<блоковая цитата>

Мой личный тезис заключается в том, что мы хотим рассматривать структурированные данные как уровень инструкций для ИИ. Он не “ранжируется для вас,” он стабилизирует то, что ИИ может сказать о вас.

Дизайн эксперимента (97 URL)

Хотя размер выборки был небольшим, я хотел посмотреть, как на самом деле работает уровень поиска ChatGPT при использовании из собственного интерфейса, а не через API. Для этого я попросил GPT-5 выполнить поиск и открыть пакет URL-адресов с разных типов веб-сайтов и вернуть необработанные ответы.

<п>Вы можете предложить GPT-5 (или любой системе искусственного интеллекта) показать дословный вывод своих внутренних инструментов, используя простой мета-подсказку. Собрав ответы поиска и выборки для каждого URL-адреса, я запустил рабочий процесс агента WordLift [отказ от ответственности, наш AI SEO-агент] для анализа каждой страницы, проверки наличия на ней структурированных данных и, если да, определения конкретных обнаруженных типов схем.

В результате этих двух шагов был получен набор данных из 97 URL-адресов, аннотированных ключевыми полями:

<ул>

has_sd → Флаг True/False для наличия структурированных данных.

schema_classes → обнаруженный тип (например, Рецепт, Продукт, Артикул).

search_raw → “стиль поиска” фрагмент, представляющий то, что показал инструмент поиска AI.

open_raw → сводка сборщика или структурный просмотр страницы с помощью GPT-5.

<п>Использование “LLM в качестве судьи” Используя подход Gemini 2.5 Pro, я затем проанализировал набор данных, чтобы выделить три основных показателя:

<ул>

Последовательность: распределение длин фрагментов search_raw (ящичная диаграмма).

Контекстная релевантность: охват ключевых слов и полей в open_raw по типу страницы (рецепт, электронная почта, статья).

Показатель качества: консервативный индекс 0–1, объединяющий наличие ключевого слова, основные сигналы NER (для электронной коммерции) и эхо схемы в результатах поиска.

<х3>Скрытая квота: распаковка “wordlim”

При выполнении этих тестов я заметил еще одну тонкую закономерность, которая может объяснить, почему структурированные данные приводят к более согласованным и полным фрагментам. Внутри конвейера поиска GPT-5 есть внутренняя директива, неофициально известная как wordlim: динамическая квота, определяющая, какой объем текста с одной веб-страницы может превратиться в сгенерированный ответ.

На первый взгляд, это действует как ограничение на количество слов,  но он адаптивный. Чем богаче и лучше типизирован контент страницы, тем больше места он занимает в окне синтеза модели.

<п>Из моих постоянных наблюдений: <ул>

Неструктурированный контент (например, стандартная запись в блоге) обычно содержит около ~200 слов.

<сильный>Структурированный контент(например, разметка продукта, фиды) занимает ~500 слов.

Плотные, авторитетные источники (API, научные статьи) могут содержать более 1000 слов.

Это не произвольно. Предел помогает системам ИИ:

<ол>

Поощряйте синтез из разных источников, а не копирование.

Избегайте проблем с авторскими правами.

Ответы должны быть краткими и читабельными.

Однако это также открывает новые горизонты для SEO: ваши структурированные данные эффективно увеличивают вашу квоту видимости. Если ваши данные не структурированы, вы ограничены минимумом; если это так, вы предоставляете ИИ больше доверия и больше возможностей для продвижения вашего бренда.

<п>Хотя набор данных еще недостаточно велик, чтобы быть статистически значимым по каждой вертикали, первые закономерности уже ясны – и действенно.

Рис. 1 – Как структурированные данные влияют на создание фрагментов кода ИИ (изображение автора, октябрь 2025 г.) <ч2>Результаты

Рис. 2 – Распределение длины поисковых фрагментов (изображение автора, октябрь 2025 г.)

1) Согласованность: фрагменты более предсказуемы при использовании схемы

В прямоугольном графике длины фрагмента поиска (со структурированными данными и без него):

<ул>

Медианы схожи → Схема в среднем не делает фрагменты длиннее или короче.

Спред (IQR и усы) меньше, когда has_sd = True → менее беспорядочный вывод, более предсказуемые сводки.

<сильный>Интерпретация: Структурированные данные не увеличивают длину; это уменьшает неопределенность. Модели по умолчанию используют типизированные безопасные факты вместо догадок на основе произвольного HTML.

2) Контекстная релевантность: извлечение руководств схемы

<ул>

Recipes: При использовании схемы рецептов сводные данные с гораздо большей вероятностью будут включать ингредиенты и этапы. Четкий, измеримый подъем.

Электронная торговля: Инструмент поиска часто повторяет поля JSON‑LD (например,агрегатРейтинг, предложение, бренд), свидетельствующие о том, что схема прочитана и отображается. Сводки выборки искажаются в отношении точных названий продуктов, а не общих терминов, таких как “цена” но привязка идентичности к схеме сильнее.

Статьи: Небольшой, но существенный выигрыш (более вероятно появление автора/даты/заголовка).

3) Показатель качества (все страницы)

Усреднение оценки 0–1 по всем страницам:

<ул>

Нет схемы → ~0,00

Со схемой → положительный подъем, в основном благодаря рецептам и некоторым статьям.

Даже там, где средние значения выглядят одинаково, дисперсия разрушается схемой. В мире искусственного интеллекта, ограниченном объемом слов и издержками на поиск, низкая дисперсия является конкурентным преимуществом.

За пределами согласованности: более богатые данные расширяют границы Wordlim (ранний сигнал)

Хотя набор данных еще недостаточно велик для проверки значимости, мы наблюдали следующую закономерность:
Страницы с более богатыми структурированными данными, состоящими из нескольких объектов, имеют тенденцию давать немного больше времени, поскольку фрагменты до усечения.

Гипотеза. Типизированные взаимосвязанные факты (например, продукт + предложение + бренд + совокупный рейтинг или статья + автор + дата публикации) помогают моделям расставлять приоритеты и сжимать более ценную информацию – – эффективно увеличивая полезный бюджет токенов для этой страницы.
Страницы без схемы чаще преждевременно обрезаются, вероятно, из-за неуверенности в релевантности.

<п>Следующий шаг: мы измерим взаимосвязь между семантическим богатством (количеством различных объектов/атрибутов Schema.org) и эффективной длиной фрагмента. В случае подтверждения структурированные данные не только стабилизируют фрагменты – это увеличивает информационную пропускную способность при постоянном ограничении количества слов.

От схемы к стратегии: Учебник

Мы структурируем сайты как:

<ол>

Entity Graph (Schema/GS1/Articles/…): продукты, предложения, категории, совместимость, местоположения, политики;

Лексический граф: фрагментированная копия (инструкции по уходу, руководства по размерам, часто задаваемые вопросы), связанная с сущностями.

Почему это работает: Слой сущностей дает ИИ безопасную основу; лексический уровень предоставляет многократно используемые доказательства, которые можно цитировать. Вместе они обеспечивают точность при ограничениях по количеству слов.

Вот как мы преобразуем эти выводы в повторяемую инструкцию по SEO для брендов, работающих в условиях ограничений в области обнаружения ИИ.

<ол>

<сильный>Отправьте JSON‑LD для основных шаблонов <ул>

Рецепты → Рецепт (ингредиенты, инструкции, выход, время).

Продукты → Товар + предложение (бренд, GTIN/SKU, цена, наличие, рейтинг).

Статьи → Статья/Новостная статья (заголовок, автор, дата публикации).

Объединить сущность + лексический
Храните спецификации, часто задаваемые вопросы и текст политики в виде блоков и связанных объектов.

Укрепить поверхность фрагмента
Факты должны быть согласованными в видимом HTML и JSON‑LD; держите важные факты в секрете и стабильно.

<сильный>Инструмент
Отслеживайте дисперсию, а не только средние значения. Сравните охват ключевых слов/полей в сводках машин по шаблону.

<ч2>Заключение

Структурированные данные не меняют средний размер фрагментов AI; это меняет их уверенность. Он стабилизирует резюме и формирует то, что они включают. В GPT-5, особенно в агрессивных условиях ограниченного количества слов, эта надежность приводит к более высоким и качественным ответам, меньшему количеству галлюцинаций и большей заметности бренда в результатах, генерируемых ИИ.

Для оптимизаторов и продуктовых команд вывод ясен: относитесь к структурированным данным как к базовой инфраструктуре. Если вашим шаблонам все еще не хватает четкой семантики HTML, не переходите сразу к JSON-LD: сначала исправьте основу. Начните с очистки разметки, а затем наложите структурированные данные поверх нее, чтобы обеспечить семантическую точность и возможность долгосрочного обнаружения. В поиске ИИ семантика — это новая область поверхности.