Нужна ли schema.org для ИИ-ответов: что Google говорит прямо и где разметка всё же помогает
Нет, специальная разметка schema.org не обязательна, чтобы попасть в AI Overviews, AI Mode или ответы других генеративных систем — Google прямо пишет в документации по AI-функциям, что «дополнительных требований» для этого не существует. Контролируемый эксперимент Ahrefs на почти 2000 страниц подтвердил это цифрами: добавление JSON-LD не дало измеримого прироста цитирований ни в одной из проверенных систем. Но это не значит, что разметка бесполезна — просто её роль не в том, чтобы «открыть дверь» в ИИ-ответ.
Что именно говорит Google про schema.org и ИИ-ответы
Google нигде в официальной документации по AI-функциям не указывает schema.org как требование для показа в AI Overviews или AI Mode. В разделе «AI features and your website» на Search Central сказано, что для появления в этих блоках сайту не нужно делать что-то специальное сверх обычных требований к индексации и качеству контента — Google Developers / Search Central, 2025.
Единственное упоминание разметки в этом контексте — рекомендация, чтобы structured data на странице соответствовала видимому для пользователя тексту. Это требование про точность данных, а не про обязательность их наличия: если у вас есть JSON-LD, он не должен противоречить контенту страницы, а если его нет вообще — это не нарушение и не блокирующий фактор для AI-функций.
Отдельная страница документации про Organization-разметку (name, logo, address, sameAs в JSON-LD на главной или странице «О компании») — это стандартная инструкция под rich results и Knowledge Graph. Про AI Overviews или генеративные ответы там не сказано ни слова — упоминания «AI» встречаются только в навигации сайта документации, не в описании самих свойств разметки — Google Developers / Search Central, 2025. Это важно: многие агентства продают Organization-schema как «настройку для ИИ-поиска», хотя у самого Google эта разметка описана исключительно в контексте классического поиска.
Что показал эксперимент Ahrefs: помогает ли schema попасть в цитирования
Контролируемый тест не нашёл причинно-следственной связи между добавлением schema и ростом цитирований в ИИ-ответах. Ahrefs отследили 1885 страниц, на которые в период с августа 2025 по март 2026 добавили JSON-LD, и сравнили их с контрольной группой из порядка 4000 похожих страниц без изменений, используя метод difference-in-differences — Ahrefs, 2026.
Результат по трём платформам:
| Платформа | Изменение в цитированиях после добавления schema |
|---|---|
| Google AI Overviews | −4,6% (статистически значимое снижение) |
| Google AI Mode | +2,4% (неотличимо от нуля) |
| ChatGPT | +2,2% (неотличимо от нуля) |
Вывод авторов исследования буквален: «добавление schema не дало значимого прироста цитирований ни на одной платформе» — Ahrefs, 2026. Эти цифры и их интерпретацию без искажений подтвердили и в независимом разборе — Search Engine Journal, 2026.
Важна оговорка: в выборку попали только страницы, у которых уже было 100+ цитирований в AI Overviews до начала эксперимента. Это значит, что исследование отвечает на вопрос «помогает ли schema странице, которую ИИ уже видит, цитировать её чаще», а не на вопрос «помогает ли schema странице впервые попасть в выдачу ИИ». Для сайта, который вообще не присутствует в ИИ-ответах, выводы Ahrefs напрямую не применимы.
При этом корреляционный анализ 6 миллионов URL из той же публикации показал, что страницы, которые цитирует ИИ, почти в три раза чаще имеют JSON-LD, чем нецитируемые страницы. Но причинно-следственный тест эту корреляцию не подтвердил: вероятнее, что JSON-LD чаще встречается у крупных, технически зрелых сайтов, которые и без разметки получают больше цитирований за счёт авторитетности и объёма контента.
Почему ИИ-системы часто вообще не читают вашу schema при ответе
ИИ-поисковики формируют ответ в реальном времени через парсинг видимого текста страницы, а не через считывание JSON-LD в момент запроса. В исследовании, на которое ссылается тот же материал Ahrefs, упомянут отдельный эксперимент searchVIU: ни одна из пяти проверенных ИИ-систем не использовала JSON-LD при живом парсинге страницы в момент ответа — модели опирались на видимый HTML-текст — Search Engine Journal, 2026.
Это согласуется с архитектурой современного ИИ-поиска. Query fan-out — это механизм, при котором сложный запрос пользователя раскладывается системой на десятки параллельных подзапросов перед формированием финального ответа. По данным iPullRank, Google выполняет «сотни поисков» на один пользовательский запрос, а Perplexity обрабатывает порядка 200 миллионов запросов в день с медианной латентностью 358 миллисекунд — iPullRank, 2025. При такой архитектуре извлечение работает на уровне отдельных пассажей текста, а не страницы целиком: выигрывает контент с атомарными, проверяемыми фактами, привязанными к ясным сущностям, а не разметка в head документа. Подробнее о механике разложения запроса — в статье про query fan-out.
Что реально двигает видимость в генеративных ответах — фреймворк GEO
Работающие тактики — это цитирование авторитетных источников, конкретная статистика и экспертные цитаты в тексте, а не технические метаданные. GEO (Generative Engine Optimization) — это набор методов оптимизации контента под генеративные поисковые системы, описанный в совместной работе исследователей Принстона, Georgia Tech, Allen Institute for AI и IIT Delhi. Авторы протестировали девять black-box стратегий на бенчмарке из порядка 10 000 запросов и зафиксировали прирост видимости контента до 40% и до 37% отдельно на Perplexity.ai — arXiv:2311.09735, KDD '24.
Structured data или schema.org в число протестированных в этой работе методов не входит. Это прямо указывает: научно измеренный прирост видимости в генеративном поиске получен из работы с содержанием текста, а не из разметки. Если вы выстраиваете контент вокруг этого принципа системно, у нас есть отдельный разбор подхода в статье про GEO и AEO-оптимизацию.
Когда schema.org всё же стоит ставить, даже если она не двигает ИИ-цитирования
Schema.org остаётся обязательной инфраструктурой для классического поиска и разрешения неоднозначности сущностей, даже без доказанного эффекта на ИИ-цитирования. Три причины ставить разметку независимо от выводов про генеративный поиск:
- Rich results и сниппеты в классической выдаче Google — отдельный, задокументированный и работающий канал, на который Organization, Product, FAQ и Review-разметка влияют напрямую.
- Knowledge Graph и распознавание бренда как сущности — разметка Organization с полями name, logo, sameAs помогает поисковым системам правильно связать сайт с компанией, человеком или брендом.
- Гипотеза про разрешение неоднозначности сущностей для фан-аута — в материале iPullRank структурированные данные упомянуты как инструмент, который помогает системе однозначно определить, о какой сущности идёт речь в простом фактическом запросе — iPullRank, 2025. Это гипотеза практика без измеренного результата, а не подтверждённый вывод.
Если у вас уже есть структура контента по темам и сущностям — например, кластеры вокруг ключевых продуктов или услуг — разметка усиливает то, что уже работает, но не создаёт видимость с нуля. Про то, как выстроить такую структуру, — в статье про контент-хаб и структуру для SEO.
Что из этих данных переносится на российский рынок, а что остаётся гипотезой
Международные данные про Google AI Overviews, AI Mode и ChatGPT нельзя напрямую переносить на российскую выдачу, потому что эти продукты массовому пользователю в России недоступны в привычном виде. Методология исследования Ahrefs — метод difference-in-differences с контрольной группой — универсальна и применима к любому рынку, но сами цифры получены на англоязычном, в основном американском вебе.
По Нейро Яндекса, GigaChat-поиску или Алисе аналогичных контролируемых исследований влияния schema.org на цитируемость в открытом доступе на момент подготовки статьи не встретилось. Это честный открытый вопрос, а не повод выдумывать российские цифры по аналогии с западными. Если вы отслеживаете присутствие бренда в ответах Алисы, у нас есть отдельный материал про видимость сайта в Алисе.
Что точно можно перенести без оговорок — принцип, а не цифру: модели любой системы, российской или западной, читают видимый текст страницы и пассажи с атомарными фактами лучше, чем метаданные в разметке. Это архитектурное свойство LLM-поиска, а не особенность конкретного рынка.
Частые ошибки
- Ставят schema и ждут попадания в AI Overviews. Разметка не добавлена в список требований Google для AI-функций — ждать роста цитирований только от JSON-LD бессмысленно, нужен контент с проверяемыми фактами.
- Путают Organization-разметку с «настройкой под ИИ-поиск». Документация Google про Organization вообще не упоминает AI Overviews — это инструмент для rich results и Knowledge Graph, не для генеративных ответов.
- Копируют западные цифры цитирований на российский рынок. AI Overviews и ChatGPT недоступны массовому пользователю в РФ в привычном виде, а по Нейро и GigaChat сопоставимых контролируемых тестов в открытом доступе нет.
- Экономят на структурированных данных там, где они реально работают — в классическом поиске. Rich results и сниппеты продолжают зависеть от разметки, отказ от неё теряет трафик в обычной выдаче независимо от эффекта на ИИ.
- Принимают корреляцию за причину. Цитируемые ИИ страницы в три раза чаще имеют JSON-LD, но причинно-следственный тест Ahrefs эту связь не подтвердил — вероятнее, дело в размере и авторитетности сайта, а не в разметке.
- Добавляют schema вместо работы с текстом пассажей. Фреймворк GEO показал прирост видимости до 40% через цитирование источников, статистику и экспертные цитаты — структурированные данные в список протестированных методов не входили вовсе.
Источники
- AI features and your website — Google Developers / Search Central, 2025
- Organization (Organization structured data) — Google Developers / Search Central, 2025
- Does Schema Markup Increase AI Citations? — Ahrefs, 2026
- Schema Markup Didn't Move AI Citations In Ahrefs Test — Search Engine Journal, 2026
- GEO: Generative Engine Optimization — arXiv:2311.09735, KDD '24, 2023/2024
- Expanding Queries With Fan-Out: How AI Search Engines Actually Work — iPullRank, 2025
FAQ
Нужна ли разметка schema.org, чтобы попасть в AI Overviews?
Нет. Google прямо указывает в документации по AI-функциям, что для появления в AI Overviews или AI Mode не требуется специальная разметка сверх обычных требований к индексации — Google, 2025.
Вредит ли schema.org цитированиям в ИИ-ответах?
Контролируемый тест Ahrefs показал небольшое статистически значимое снижение цитирований в Google AI Overviews (−4,6%) после добавления JSON-LD, а в AI Mode и ChatGPT изменения оказались неотличимы от нуля. Это не повод удалять существующую разметку — эффект измерен только на страницах, уже цитируемых системой, и вряд ли объясняется самой разметкой напрямую.
Стоит ли вообще убирать schema.org с сайта после этих данных?
Нет. Schema.org продолжает напрямую влиять на rich results и сниппеты в классическом поиске Google, а также помогает распознаванию бренда как сущности в Knowledge Graph. Эффект на ИИ-цитирования не доказан, но и отрицательного эффекта, значимого для бизнеса, исследование не подтверждает за пределами AI Overviews.
Что реально влияет на попадание контента в ответы ИИ-систем?
По фреймворку GEO — цитирование авторитетных источников, конкретная статистика с указанием периода и происхождения, экспертные цитаты и атомарные проверяемые факты, привязанные к ясным сущностям. Это дало измеренный прирост видимости до 40% на тестовом бенчмарке из порядка 10 000 запросов.
Применимы ли данные Ahrefs и Google к Яндекс Нейро и GigaChat?
Напрямую нет. Исследования проведены на западных платформах — Google AI Overviews, AI Mode, ChatGPT — которые недоступны российскому массовому пользователю в привычном виде. По Нейро и GigaChat сопоставимых контролируемых исследований в открытом доступе не встретилось, это открытый вопрос, а не подтверждённый факт.
Как ИИ-системы читают страницу при формировании ответа — через разметку или через текст?
По данным упомянутого в исследовании Ahrefs эксперимента searchVIU, проверенные ИИ-системы не использовали JSON-LD при живом парсинге страницы, а брали видимый HTML-текст. Это согласуется с архитектурой query fan-out, где извлечение работает на уровне текстовых пассажей, а не метаданных страницы.
Помогает ли Organization-разметка попасть в ИИ-ответы о компании?
Документация Google про Organization-разметку не упоминает AI Overviews или генеративные ответы вообще — она описана исключительно в контексте rich results и Knowledge Graph классического поиска. Рассчитывать на неё как на инструмент под ИИ-поиск не стоит.
Если вам важно не гадать, что из новых данных про ИИ-поиск реально двигает бизнес-метрики, а что остаётся маркетинговым шумом — на интенсиве Marketing OS разбираем именно такие решения: как читать исследования, проверять источники и выстраивать систему, а не гоняться за каждой новой техникой.