Schema.org для нейросетей: что менять, чтобы вас цитировали

Зачем нейросети вообще нужна структурированная разметка

Языковая модель с доступом к поиску или собственным краулером (GPTBot у OpenAI, ClaudeBot у Anthropic, PerplexityBot и другие) читает HTML-страницу целиком, а не только видимый текст — и JSON-LD-блок для неё точно такой же источник данных, как абзац текста. Разница в том, что текст модель интерпретирует, а структурированные данные — читает буквально: если в Organization указан адрес и телефон, модели не нужно догадываться, правильно ли она поняла эти факты из прозы страницы. Это снижает вероятность ошибки при цитировании — а модели, судя по всему, менее охотно вставляют в ответ факт, в котором «не уверены», в том числе потому что провайдеры моделей всё активнее настраивают их на снижение уверенных ответов без опоры на источник.

Важная оговорка: прямых публичных подтверждений от OpenAI, Anthropic или Google о том, что конкретно разметка schema.org повышает частоту цитирования, на момент написания нет — это не заявленный официально ранжирующий фактор, а рабочая гипотеза, основанная на том, как устроен процесс извлечения данных ботами. Инвестировать в разметку стоит не потому, что это гарантированно поднимет цитируемость, а потому что она недорога во внедрении и одновременно работает на классический поиск.

Чем разметка под нейросети отличается от разметки под поиск

Для классического поиска цель разметки — визуальное расширение сниппета: звёзды рейтинга, цена, хлебные крошки, ответ в блоке FAQ прямо в выдаче. Модель типа ChatGPT ничего не «показывает» из разметки визуально — у неё нет карточки с рейтингом, есть только текстовый ответ. Поэтому приоритет полей смещается:

Organization и sameAs: разметка для узнавания бренда

Самая практичная точка приложения усилий — не карточка товара, а разметка организации. Поля name, url, logo, address, telephone дают модели однозначные факты о компании без необходимости вычленять их из текста «о нас». Отдельно стоит выделить sameAs — массив ссылок на профили компании в других источниках (соцсети, отраслевые каталоги, Википедия при наличии, профиль в реестрах). Смысл этого поля для нейросетей больше, чем для поиска: это явное подтверждение, что сущность «компания X на сайте Y» и «компания X в источнике Z» — один и тот же объект, а не два похожих. Для моделей, которые путают похожие названия студий или компаний — а это частая проблема, которую можно проверить самостоятельно, — sameAs один из немногих технических сигналов, напрямую работающих на устранение путаницы.

Свежесть данных: dateModified как фактор выбора источника

Когда по одному и тому же вопросу в интернете есть несколько похожих страниц, у модели нет способа физически «понять», какая из них актуальнее, если дата не размечена явно. Открытая дата в тексте («обновлено в августе 2026») модель тоже считывает, но структурированное поле dateModified в Article или WebPage — более надёжный сигнал, потому что не требует интерпретации формата даты в свободном тексте. Практический вывод: для страниц, которые реально обновляются (цены, условия, требования к рекламе, законодательные нормы), дата в разметке должна обновляться вместе с содержанием — устаревшая дата при свежем контенте создаёт обратный эффект: модель может счесть страницу неактуальной и предпочесть более старый, но с недавней датой источник.

Что не работает: завышенные ожидания от разметки

• Разметка не заменяет содержание. Идеальный JSON-LD на странице без конкретных цифр в тексте не даёт модели, что цитировать, — разметка описывает метаданные, а не заменяет собой прямой ответ и цифры в самом тексте.
• FAQPage-разметка не гарантирует, что модель возьмёт именно эти вопросы. Модели чаще ориентируются на видимый текст блока вопрос-ответ (в разметке <details>), чем разбирают JSON-LD слой отдельно — структурные данные здесь скорее подстраховка, чем основной канал.
• speakable — не проверенный инструмент для LLM. Он создавался для голосовых ответов Google Assistant, и переносить его на цитирование ChatGPT или Perplexity как доказанный приём преждевременно — использовать можно, но не как приоритет номер один.
• Один прогон правки разметки не даёт мгновенного эффекта. Как и с обычной SEO-индексацией, между обновлением данных и тем, что их учтёт модель (через переобучение или через свежий обход поиска), проходят недели, иногда месяцы.

Практический чек-лист для страницы

1. Проверить, что Organization присутствует хотя бы на главной или в шаблоне сайта, а не разбросана по части страниц.
2. Заполнить sameAs ссылками на все актуальные внешние профили компании.
3. Для регулярно обновляемых страниц (цены, требования, условия) — синхронизировать dateModified с фактическим изменением контента, а не проставлять текущую дату при каждом технически незначимом сохранении.
4. Не полагаться только на разметку там, где решает видимый текст: прямой ответ, цифры и структура заголовков остаются первичным каналом для цитирования, разметка — вспомогательным.
5. Проверить работоспособность самой разметки классическими валидаторами — сломанный JSON-LD не читает ни поиск, ни модель, разбор частых ошибок такого рода стоит держать под рукой.

Как это соотносится с обычным SEO и с GEO

Разметка остаётся общей инфраструктурой: одна и та же корректная структура данных работает и на классическое SEO-продвижение, и на цитируемость в нейросетях, просто с разным весом отдельных полей. Отдельно от разметки на цитируемость сильнее влияет формат самого текста — прямой ответ в начале, конкретные цифры, структура по вопросам, — этим направлением в студии занимается GEO-оптимизация. Разметку без работы над текстом имеет смысл рассматривать как техническую гигиену, а не как отдельный канал роста цитирований сам по себе.

Частые вопросы