Schema markup pentru citabilitate în răspunsurile AI

De ce contează schema markup pentru motoarele AI

Schema markup (structured data) comunică motoarele de căutare și sistemele AI ce tip de conținut e pe pagină și cum e structurat. Pentru motoarele AI cu retrieval, schema acționează ca un index intern: FAQ-urile declarate în FAQPage devin pasaje candidate distincte, pașii dintr-un HowTo devin blocuri extractabile individual, autorul dintr-un Article semnalizează credibilitatea sursei.

Schema nu garantează citarea, dar crește probabilitatea și calitatea extracției. O pagină cu FAQPage schema bine implementată poate apărea ca sursă de citare chiar și fără o poziție top-5 în Google clasic — deoarece motoarele AI evaluează relevanța pasajului, nu poziția paginii.

FAQPage — cel mai valoros tip pentru AEO

FAQPage schema transformă fiecare pereche întrebare-răspuns dintr-un pasaj candidate autonom. Motoarele AI extrag frecvent din FAQPage deoarece structura Q&A corespunde direct formatului în care utilizatorii formulează query-uri.

Implementare corectă în JSON-LD:

{
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Ce este schema markup?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Schema markup este cod structurat (JSON-LD, Microdata) care comunică motoarelor de căutare și AI ce tip de conținut există pe o pagină: organizație, produs, FAQ, rețetă etc. Crește vizibilitatea în rich results și probabilitatea de citare în răspunsurile AI."
      }
    }
  ]
}

Cerințe pentru eficiență: minim 4 Q&A per pagină, răspunsuri de 50-200 de cuvinte, răspunsuri identice cu textul vizibil pe pagină (nu diferite). Nu adăuga întrebări în schema pe care nu le ai și în HTML.

HowTo schema — pentru procese secvențiale

HowTo schema e ideală pentru articole de tipul „cum faci X în Y pași". Fiecare HowToStep devine un pasaj candidate. Google AI Overviews extrage frecvent pași individuali din HowTo.

{
  "@type": "HowTo",
  "name": "Cum configurezi llms.txt",
  "step": [
    {
      "@type": "HowToStep",
      "position": 1,
      "name": "Creează fișierul",
      "text": "Adaugă llms.txt în rădăcina site-ului, accesibil la /llms.txt."
    }
  ]
}

Article și BlogPosting — pentru conținut editorial

Article (sau BlogPosting) marchează clar autorul, data publicării și corpul articolului. Informațiile de authorship și freshness sunt folosite ca filtre E-E-A-T de motoarele AI — sursele cu autori verificabili și conținut recent sunt preferate ca surse de citare.

Elementele obligatorii: author cu referință la Person, datePublished, dateModified, publisher cu referință la Organization. Opțional dar valoros: image, wordCount, keywords.

Graful de entități — schema ca ecosistem, nu ca declarații izolate

Schema e mai puternică când funcționează ca un graf de entități corelate, nu ca declarații izolate pe fiecare pagină. Pe airank.ro, de exemplu, Organization → referă Person (fondatorul) → care are knowsAbout și worksFor → conectat la ProfessionalService cu hasOfferCatalog. Fiecare entitate are @id unic și e referită de celelalte.

Acest graf permite motoarelor AI să înțeleagă cine e în spatele conținutului, cu ce autoritate și în ce domeniu — informații care hrănesc decizia de citare.

Cele mai frecvente greșeli de implementare

• Schema nu corespunde conținutului HTML — dacă FAQPage declară întrebări care nu apar vizibil pe pagină, Google și motoarele AI ignoră sau penalizează schema.
• Răspunsuri prea scurte — sub 30 de cuvinte nu oferă suficient context pentru extracție. 50-150 de cuvinte e intervalul optim per Q&A.
• Lipsă de @id pe entitățile principale — fără @id, referințele cross-page nu funcționează și graful rămâne fragmentat.
• Duplicate schema pe aceeași pagină — două blocuri JSON-LD cu același @type creează conflicte. Folosește un singur bloc @graph cu toate entitățile.
• Schema fără validare — testează cu Google Rich Results Test sau schema.org validator după orice modificare.