Структурированные данные превращают «тёмную воронку» поиска через ИИ в измеримую видимость, связывая то, что маркетологи пока не могут полностью оценить.
Известное и неизвестное в атрибуции структурированных данных
Как маркетологи, мы любим работать с понятной воронкой. Она показывает, насколько эффективно работают наши стратегии. У нас есть показатели конверсии, мы можем отслеживать путь клиента от открытия до покупки. Но в современном мире, где приоритет отдаётся ИИ, наша воронка становится «тёмной».
Мы пока не можем полностью измерить видимость в ИИ-интерфейсах, таких как ChatGPT или Perplexity. Новые инструменты дают частичные данные, но они не всегда полные и надёжные. Традиционные метрики вроде показов и кликов не рассказывают всей истории, оставляя маркетологов перед новым вызовом – пробелом в измерениях.
Чтобы внести ясность, давайте посмотрим, что мы знаем и чего не знаем о ценности структурированных данных (schema markup). Понимание обеих сторон помогает сосредоточиться на том, что реально измеримо и управляемо сегодня, а также выявить возможности в будущем по мере того, как ИИ меняет способ, которым клиенты открывают и взаимодействуют с брендами.
Почему большинство данных о «видимости в ИИ» ненадёжны
ИИ породил жажду метрик. Маркетологи, стремясь количественно оценить происходящее на вершине воронки, обращаются к новым инструментам. Многие платформы создают новые измерения, например «авторитет бренда на платформах ИИ», которые не основаны на репрезентативных данных.
Некоторые инструменты пытаются измерять «подсказки ИИ», считая короткие ключевые фразы эквивалентом пользовательских запросов в ChatGPT или Perplexity. Но это вводит в заблуждение. Пользователи формулируют длинные, контекстные и персонализированные подсказки, которые далеко выходят за рамки простых ключевых слов. Они нюансированы, разговорны и индивидуальны – совсем не похоже на традиционные long-tail запросы.
Эти синтетические метрики дают ложное чувство безопасности и отвлекают от того, что реально измеримо и управляемо. На самом деле ChatGPT, Perplexity и даже AI Overview от Google не предоставляют полной и прозрачной информации о видимости.
Так что же можно измерить, что реально влияет на видимость? Структурированные данные.
Что такое видимость в поиске через ИИ
Прежде чем говорить о метриках, стоит определить, что мы понимаем под «видимостью в поиске через ИИ». В традиционном SEO видимость означала появление на первой странице поиска или получение кликов. В мире ИИ видимость – это понимание, доверие и упоминание вашего бренда как поисковыми системами, так и ИИ. Структурированные данные играют ключевую роль в этом процессе. Они помогают определить, связать и пояснить цифровые сущности вашего бренда, чтобы их могли «понять» алгоритмы и ИИ.
Известное: что мы можем измерить для структурированных данных
Рост CTR через расширенные результаты
По данным нашего квартального обзора, внедрение структурированных данных на странице позволяет контенту претендовать на расширенный результат, а крупные бренды стабильно видят рост CTR. Google поддерживает более 30 типов расширенных результатов, которые продолжают появляться в органическом поиске.
Например, по внутренним данным, в третьем квартале 2025 года один крупный бренд в отрасли бытовой техники увеличил CTR на страницах продуктов на 300%, когда страница получила расширенный результат. Расширенные результаты продолжают обеспечивать видимость и конверсии из органического поиска.
Рост небрандовых кликов через entity linking
Важно отличать базовую схему от сложной схемы с entity linking, которая формирует knowledge graph. Schema markup описывает содержимое страницы. Entity linking связывает эти элементы с другими сущностями на сайте и в интернете, создавая связи, определяющие смысл и контекст.
Сущность – это уникальный объект или концепция, например человек, продукт или услуга. Entity linking показывает, как эти сущности связаны между собой через авторитетные источники вроде Wikidata и Google Knowledge Graph или через внутренние графы знаний.
Пример: страница о враче. Schema markup описывает врача. Семантическая разметка связывает его со специалистами, больницей и предоставляемыми услугами, формируя полную картину.
AI Visibility
Традиционные SEO метрики пока не измеряют напрямую ИИ-взаимодействия, но некоторые платформы могут фиксировать случаи, когда бренд упоминается в AI Overview (AIO) результатах. Согласно отчету BrightEdge:
«ИИ отдаёт приоритет контенту от известных, доверенных сущностей. Перестаньте оптимизировать фрагментированные ключевые слова и начните строить комплексный топический авторитет. Наши данные показывают: авторитетный контент в три раза чаще цитируется в ИИ-ответах, чем узко специализированные страницы.»
Неизвестное: что мы пока не можем измерить
Мы можем измерять влияние сущностей через SEO метрики, но пока не имеем прямой информации о том, как они влияют на работу больших языковых моделей (LLM).
Как LLM используют schema markup
Видимость начинается с понимания, а понимание – со структурированных данных. Microsoft и Google подтверждают, что schema помогает алгоритмам ИИ и поисковым системам «понимать» контент, повышает точность и снижает вероятность ошибок («галлюцинаций») в ответах ИИ.
Schema markup обычно не используется для прямого обучения LLM, но при retrieval-augmented generation (RAG) играет ключевую роль в том, как ИИ извлекает и обрабатывает информацию.
Создание knowledge graphs
Важно отличать оптимизацию отдельных страниц от построения knowledge graph, который объединяет весь контент компании. AI-запросы могут включать десятки подзапросов, требуя комплексного подхода.
Реализация видения Semantic Web
Видение семантической сети, описанное ещё в 2001 году, постепенно становится реальностью. Сейчас транзакции и запросы происходят напрямую через ИИ, а проекты вроде NLWeb используют структурированные данные для создания интерфейсов на естественном языке, доступных как людям, так и ИИ-агентам.
Преобразование тёмной воронки в умную
Хотя пока нет точных метрик для измерения влияния schema markup на видимость в ИИ, Google и Microsoft дают понять: ИИ-опыт использует структурированные данные для понимания контента. Будущее маркетинга принадлежит брендам, которые понятны и доверяемы алгоритмам. Структурированные данные – один из инструментов достижения этой цели.