AI-sök
Nej, Schema Markup ökar inte din synlighet i AI-sök

Det säljs många genvägar till ökad synlighet i AI-sök just nu. En av de vanligaste är Schema Markup.
Implementera mer strukturerad data. Märk upp företaget med “Organization”. Produkterna med “Product” och “Offer”. Ge AI-systemen informationen i ett format de förstår, så ökar chansen att de hittar, förstår och citerar dig.
Det här är en del av “to-do’s” i många tillväxtstrategier för AI-sök (jag har sett detta first-hand). Logiken finns nog där, eftersom Schema Markup används för att hjälpa sökmotorer att tolka och förstå entiteter och minska tvetydigheten.
Men… och det här är viktigt att säga. En språkmodell som ChatGPT, Claude eller Gemini är INTE sökmotorer. De fungerar fundamentalt annorlunda än Google, Bing eller Yandex.
Det finns i dag inga belägg för att Schema Markup via JSON-LD ökar synlighet eller citeringar i AI-sök. Och för att förstå varför behöver vi börja från andra änden, alltså hur språkmodeller fungerar.
Din JSON-LD tränar sannolikt inte språkmodellen
Jag tipsar alla som genuint vill förstå AI-sök om Andrej Karpathys drygt tre timmar långa “Dive Deep Into LLMS like ChatGPT”. Ja, tre timmar. Jag lovar att det ger mer än en generisk guide om “GEO best practices”.
TL;DR: En språkmodell börjar med pre-training. Det innebär att enorma mängder text samlas in från webben och andra datakällor. Detta delas upp i tokens och används för att träna ett neuralt nätverk för att förutsäga nästa token i en sekvens. Alltså, processen upprepas tillräckligt många gånger och information, språkliga mönster och relationer komprimeras in i modellens parametrar.
Men råa webbsidor går inte direkt från internet in i modellen.
Innan träningen processas datan hårt. Ta en vanlig sida hos en större e-handlare och titta i källkoden. Där hittar du analytics, trackingpixlar, widgets, navigation, A/B-testverktyg och listan bara fortsätter. För själva språkträningen är stora delar av detta bara brus.
När träningsdataset byggs försöker man därför extrahera sidans huvudsakliga text och filtrera bort HTML, script-taggar och annat som inte tillför något relevant till texten modellen ska tränas på.
Och var ligger ert JSON-LD? I ett script-tagg.
Schema.org-data som implementeras via JSON-LD följer därför med stor sannolikhet inte med när sidans huvudsakliga text extraheras till träningsdataset. Målet är texten på sidan, inte all kod runt omkring.
Det här är viktigt, för det punkterar en vanlig föreställning om att man genom Schema Markup skulle “mata språkmodellen” med strukturerad information om företaget och produkterna.
Pre-training fungerar inte så.
Språkmodellen sitter inte med ett litet register där @type är “Product”, brand är “Titleist” och offers är 5 999 kronor. Det modellen lär sig under träningen representeras i stället i dess parametrar, ofta kallat parametrisk kunskap.
AI-sök är däremot något annat
En språkmodell och ett AI-söksystem är inte samma sak.
Med AI-sök menar jag här system som exempelvis ChatGPT Search, Google AI Mode eller AI Overviews och Perplexity, där en språkmodell kombineras med sök, retrieval och andra komponenter för att kunna hämta extern information och generera ett svar.
Säg att någon frågar: “Vilken golfdriver passar mig om jag har hög svinghastighet men spinner bollen för mycket?”
Språkmodellen kan redan ha parametrisk kunskap om exempelvis varumärkena TaylorMade, Callaway och Titleist från sin träning. Men specifikationerna för en driver som lanserades förra veckan kan samtidigt hämtas från webben.
Det är här retrieval kommer in. AI-systemet kan initiera sökningar och hämta externa dokument eller information som är relevanta för frågan. Informationen kan sedan tillföras modellens kontext och användas för att grounda, alltså förankra det svar som genereras.
Modellens parametrar behöver inte förändras för att den ska kunna använda information som publicerades igår. Att påverka vad en språkmodell lär sig under träningen och att bli hämtad och använd som källa vid AI-sök är två helt olika problem. Det senare är mer relevant när vi pratar om citeringar.
JSON-LD kan däremot vara tillgängligt vid retrieval
Här blir det intressant.
Mark Williams-Cook gjorde ett experiment där han placerade information på en webbsida enbart i JSON-LD och bad ChatGPT och Perplexity att hitta den.
Båda system kunde läsa informationen. Nu tänker du säkert, bra, case closed för Schema Markup. Det är dock inte så enkelt.
Han hade medvetet förstört själva schemat. @context pekade inte på Schema.org.@type var påhittad och properties hade namn som nestingGrounds och featherCode. Båda systemen lyckades ändå plocka ut informationen.
Så vad innebär det?
Det visar att information i JSON-LD åtminstone kan vara tillgänglig för vissa AI-system vid retrieval. Men det visar inte att Schema.org-vokabulären får någon särskild betydelse. Snarare kunde systemen förstå informationen trots att själva markupen var felaktig.
Med andra ord: ett AI-system kan läsa information i JSON-LD, men det är inte samma sak som att korrekt Schema Markup skulle ge dig en fördel i AI-sök. Beteendet verkar inte heller vara konsekvent mellan olika system. Andra tester har observerat AI-system som vid direkt retrieval hämtar synligt HTML-innehåll men ignorerar JSON-LD och annan strukturerad data.
Google är också oklart. Dan Petrovic hittade ett exempel där en mening från en Salesforce-sida dök upp i Geminis grounding context och samma mening fanns i sidans FAQ Schema. Ett genuint intressant fynd… tills det visade sig att samma text också fanns i ett dolt accordion-element på sidan. Kom informationen från JSON-LD? Eller det dolda textinnehållet på sidan? Vi vet inte.
Och det är en viktig slutsats i sig. Vi har inte ens ett konsekvent observerat retrieval-beteende som visar att olika AI-söksystem använder JSON-LD på samma sätt, än mindre att de belönar information för att den uttrycks med Schema.org.
Schema behöver inte läsas av språkmodellen för att spela roll
Här finns ett viktigt perspektiv som jag uppfattar försvinner om diskussionen bara handlar om själva språkmodellen.
Det finns flera lager mellan en webbsida och det slutgiltiga AI-svaret: crawling och indexering, system för att förstå och representera entiteter, retrieval, källval och språkmodellen som till slut genererar svaret.
Google använder (det här är dokumenterat) strukturerad data för att förstå innehållet på en sida och information om de objekt som beskrivs. För vissa stödda typer används den dessutom för särskilda Search features och Rich results.
Schema Markup behöver därför inte läsas av själva språkmodellen vid en AI-sökning för att spela en roll längre upp i Googles system. Ta Organization som exempel. Om strukturerad data hjälper Google att identifiera och särskilja ett företag, dess webbplats och relationer till andra entiteter kan det i teorin bidra till en tydligare presentation av företaget i Googles system. Knowledge Graph är ett exempel på Googles infrastruktur för att representera entiteter och relationerna mellan dem, även om vi inte vet exakt hur sådana lager kopplas samman med AI Mode eller AI Overviews.
Det här blir väldigt relevant för nya varumärken, företag med knappt något digitalt fotavtryck eller namn som lätt blandas ihop med något annat. För ett stort etablerat varumärke som Google redan kan identifiera med väldigt hög säkerhet löser ytterligare Organization-markup sannolikt ett obefintligt problem. Google vet redan vem du är.
Det här är, enligt mig, ett mycket mer rimligt argument för Schema Markup i relation till AI-sök än att en språkmodell skulle se @type: Organization och plötsligt vilja citera dig. Däremot behöver vi vara minst lika noggranna åt andra hållet.
Att Google använder strukturerad data för att förstå explicit information på webbsidor är sedan länge dokumenterat. En tydligare entitetsrepresentation i nästa steg leder till fler citeringar i AI-sök… är inte det.
Ingenting hände när Schema Markup testades
Det finns mer konkret data på själva citeringsfrågan.
Ahrefs följde 1 885 sidor som implementerade JSON-LD och jämförde utvecklingen med 4 000 kontrollsidor. De tittade sedan på förändringar i citeringar i ChatGPT, Google AI Mode och AI Overviews före och efter implementationen.
Resultatet var ungefär lika dramatiskt som att se målarfärg torka.
AI Mode ökade 2,4 procent och ChatGPT 2,2 procent, men inget av resultaten var statistiskt signifikant. I AI Overviews minskade citeringar i stället med 4,6 procent, även om nedgången inte till hundra kan tillskrivas Schema Markup.
Ahrefs körde dessutom flera olika analyser på samma dataset, och ingen visade någon tydlig positiv effekt. Vi behöver dock vara väldigt noggranna med vad studien faktiskt visar. Studien testar framför allt tesen “Får sidor som redan citeras mycket ännu fler citeringar när JSON-LD implementeras?”. Där verkar svaret vara nej.
Däremot testar studien inte om Schema Markup, isolerat, kan hjälpa ett nytt varumärke, en otydlig entitet eller en sida som ännu inte övervägs som källa över huvud taget. Det finns också en begränsning. Studien slår ihop flera väldigt olika Schema.org-typer, bland annat Article, FAQ, Product, HowTo och Organization. De behöver inte göra samma jobb.
Product beskriver en produkt och dess egenskaper. Organization och egenskaper som sameAs kan i stället bidra med “rak-på-sak”-information om en organisation och dess identitet eller relationer. Att samla allt under frågan om “Schema påverkar AI-citeringar?” tar inte hänsyn till eventuella skillnader mellan användningsområden.
Så nej, Ahrefs-studien är inte ett hundraprocentigt svar på frågan om strukturerad data påverkar något lager i AI-sök. Däremot är det en signal som motbevisar floskler om att implementera Schema Markup skulle innebära fler AI-citeringar. Det finns inget belägg för det.
För e-handlare är informationen mer intressant
Det här är också anledningen till att jag tycker att mycket av diskussionen om AI-sök börjar i fel ände.
En e-handlare kan ha ett väloptimerat Product Schema. Pris, lagerstatus, GTIN, varumärke, recensioner och varenda property Google rekommenderar kan vara perfekt implementerade.
Och det är bra! Men gå sedan upp ett lager och titta på vad kunden faktiskt frågar:
- Vilken löparsko passar en tyngre löpare som springer mest på asfalt?
- Vilken barnvagn fungerar bäst om jag bor tre trappor upp utan hiss?
- Vad är skillnaden mellan de här två golfdrivers och vilken är mest förlåtande?
- Vilket proteinpulver passar om jag är laktoskänslig, men fortfarande vill ha mycket protein per portion?
Nu behöver AI-söksystemet betydligt mer än ett produktnamn, pris och lagerstatus, eller hur? Det behöver hitta information som hjälper språkmodellen att förstå behovet, skilja produkterna åt och bygga ett användbart svar.
Läser man produktbeskrivningarna hos många e-handlare idag blir det snabbt ganska tomt. Samma produktbeskrivning som leverantören skickade till 30 återförsäljare. Tre generiska meningar på kategorisidan. Viktiga egenskaper begravda i en tabell. En köpguide som svarar på breda sökord, men inte på de frågor kunder ställer innan de köper. Sedan implementerar man lite mer Schema Markup och hoppas att ChatGPT löser resten. It doesn’t work like that.
AI-sök belönar gedigen produktkunskap
Traditionell SEO har länge tränat e-handlare att tänka i sökord och landningssidor. Ni vet när en konsult säger, skapa ny kategorisida “golfklubbor”, “löparskor dam” eller “bilbarnstol”. Detta arbetssätt, eller sökningarna överlag, kommer inte försvinna. Däremot gör AI-sök det betydligt enklare för användare att uttrycka hela problemet i stället för att korta ner det till två eller tre ord.
Scenario 1 (Google):
Säg att någon söker efter golfdriver. Då räcker det långt att Google förstår att din kategorisida handlar om golfdrivers.
Scenario 2 (AI-assistent):
Om någon frågar vilket alternativ som passar en spelare med 105 mph svinghastighet, för mycket spinn och ett återkommande högermiss behöver AI-systemet sätta ihop betydligt fler informationsbitar innan det kan ge en vettig rekommendation.
Det är här jag tror e-handlare har betydligt mer att vinna.
Produktinformation som beskriver skillnader. Egna tester. Jämförelser mellan modeller. Kundfrågor besvarade med konkreta svar. Guider som bygger på hur människor väljer produkter. Innehåll som gör det enkelt att förstå vem en produkt passar, vem den inte passar och varför. Och det här ÄR genuint ett stort, komplext jobb. Det behöver gå igenom flera led i en organisation för att uppfylla alla ovan krav.
Informationen måste förstås också vara tekniskt tillgänglig. Om viktiga produktbeskrivningar, recensioner (läs min artikel “Er bästa kundrecension finns kanske inte för Google (eller AI)”), jämförelser eller annan information aldrig blir tillgänglig för de crawlers och retrieval-system som AI-sök bygger på spelar kvaliteten mindre roll.
Ett retrieval-system behöver relevant och tillgänglig information att hämta, och språkmodellen behöver information att arbeta med när den genererar sitt svar. Det är inte mer dramatiskt än så.
Schema Markup är fortfarande bra SEO
Efter allt det här vore det lätt att dra slutsatsen att jag är anti Schema Markup. Faktiskt inte.
Jag argumenterar nästan alltid för att implementera strukturerad data på e-handelssajter. Google har dokumenterade användningsområden för det. Det kan hjälpa Google att förstå explicit information på sidan och, för stödda typer, göra innehållet kvalificerat för särskilda search features och rich results.
Schema.org ger dessutom ett standardiserat sätt att uttrycka information om exempelvis produkter, erbjudanden, organisationer och relationerna mellan dem. Det finns alltså gott om anledningar att implementera det. Kostnaden är låg och det är busenkelt att implementera. Gör det.
Men gör det av rätt anledning.
Vi vet att sökmotorer använder strukturerad data. Vi vet att information i JSON-LD under vissa förutsättningar kan vara tillgänglig vid retrieval. Vi vet att det finns en fullt rimlig hypotes om att tydligare information om entiteter längre upp i sökmotorernas system kan få konsekvenser även längre ner i AI-sök.
Vad vi inte vet är om något av detta innebär att Schema Markup i sig ökar sannolikheten att din sida eller ditt varumärke väljs och citeras som källa. Det är en jäkla viktig skillnad.
Ingen förutom Google, OpenAI eller Anthropic själva har full insyn i exakt hur alla lager i systemet samverkar. Vi ska därför vara försiktiga både med att säga att Schema Markup aldrig kan spela någon roll och med att påstå att det redan är en faktor bakom vilka källor som väljs och citeras.
I dag pekar bevisen åt ett ganska enkelt håll. Schema Markup är bra strukturerad data, men det bör inte läggas till i din AI-strategi som en tillväxtfaktor. För e-handlare hade jag lagt betydligt mer energi på att vara crawlbar och indexerbar, etablera tydliga entiteter och framför allt publicera den information som hjälper ett AI-söksystem att hitta relevanta produkter. Samtidigt som språkmodellen ska kunna förstå, jämföra och resonera kring dem.
Sedan kan man märka upp informationen också. I exakt denna ordning.
Källor
- Ahrefs (2026). Does Schema Markup Improve AI Citations? Tillgänglig på: https://ahrefs.com/blog/schema-ai-citations/ (Hämtad: 15 september 2026).
- Google Search Central (u.å.). Introduction to structured data markup in Google Search. Tillgänglig på: https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data (Hämtad: 15 september 2026).
- Karpathy, A. (2025). Deep Dive into LLMs like ChatGPT [YouTube-video]. Tillgänglig på: https://www.youtube.com/watch?v=7xTGNNLPyMI (Hämtad: 15 september 2026).
- Petrovic, D. (2025). Google’s AI Uses Schema? Dejan AI. Tillgänglig på: https://dejan.ai/blog/googles-ai-schema/ (Hämtad: 15 september 2026).
- Schema.org (u.å.). Schema.org. Tillgänglig på: https://schema.org/ (Hämtad: 15 september 2026).
- Williams-Cook, M. (2026). Schema, LLMs, and the Low Bar for Evidence. Tillgänglig på: https://markwilliamscook.substack.com/p/schema-llms-and-the-low-bar-for-evidence (Hämtad: 15 september 2026).
Om du vill ha någon som säger att allt går bra finns det gott om sådana.
Om du vill ha någon som hittar flaskhalsen och löser den, då är det mer min gata.
Boka ett samtal med mig


