Schema Markup pre AI vyhľadávače: čo čítajú ChatGPT, Perplexity a Gemini

Schema markup platí v ére AI vyhľadávania zároveň za zázračný prostriedok aj za mýtus. Jedni predávajú štruktúrované dáta ako vstupenku do ChatGPT a Perplexity, druhí ich považujú za zbytočné, keď obsah čítajú jazykové modely. Oba tábory sa mýlia. Dôkazy sú v roku 2026 oveľa diferencovanejšie a čiastočne rozporuplné. Tento článok vysvetľuje, čo schema markup pre AI vyhľadávacie systémy preukázateľne prináša, kde sa preceňuje a akú úlohu hrá v regióne DACH pre B2B viditeľnosť. Dôraz je na doložiteľných dátach, nie na sľuboch.

Prečo je schema markup dôležitý pre AI viditeľnosť

AI vyhľadávanie už nie je okrajový jav. Vo vyhľadávaní Google podľa Semrush stúpla miera zobrazenia AI Overviews zo 6,49 percenta dopytov v januári 2025 na maximum 24,61 percenta v júli a v novembri sa ustálila na 15,69 percenta, merané na viac ako 10 miliónoch kľúčových slov. Na identických kľúčových slovách podľa tej istej analýzy klesla miera vyhľadávaní bez kliknutia (zero-click) z 33,75 percenta na 31,53 percenta. Rastúca časť vyhľadávaní sa teda končí vygenerovanou odpoveďou, nie klasickým zoznamom výsledkov.

Návštevnosť z týchto systémov má vysokú kvalitu. Podľa medzinárodnej analýzy Visibility Labs na 94 e-commerce značkách konvertovala návštevnosť z ChatGPT s mierou 1,81 percenta, teda o 31 percent lepšie ako neznačková organická návštevnosť s 1,39 percenta. Porovnávalo sa pritom 9,46 milióna organických relácií so 135 000 referral reláciami z ChatGPT za dvanásť mesiacov. Kto sa objavuje v AI odpovediach, získava teda dosah a používateľov pripravených nakupovať.

Schema markup je v tomto prostredí strojovo čitateľnou vrstvou webu. Prekladá obsah do jednoznačného slovníka, ktorému stroje rozumejú bez priestoru na interpretáciu. Ústredná otázka znie: čítajú AI vyhľadávacie systémy tento slovník vôbec a má to merateľný vplyv?

Ako AI systémy spracúvajú obsah a kde pôsobí schéma

Moderné AI vyhľadávanie funguje prevažne na princípe RAG (Retrieval-Augmented Generation). Zjednodušene prebiehajú tri kroky: systém vyhľadá relevantné zdroje, extrahuje ich obsah a z neho vygeneruje odpoveď. Schema markup, väčšinou uložený ako JSON-LD v HTML, môže pomôcť vo fáze vyhľadávania a extrakcie tým, že jasne pomenuje entity: kto je autor, čo je produkt, na akú otázku odpovedá táto časť.

Dôležité je rozlišovať dve funkcie. Schéma je predovšetkým nástroj na porozumenie entitám, nie priamy faktor rankingu alebo citovania. Pomáha strojom správne zaradiť obsah a vytvoriť prepojenia medzi entitami. Schéma však jazykový model neprinúti citovať zdroj.

JSON-LD je pritom dominantný formát. Podľa Web Almanac 2024 vzrástlo jeho rozšírenie z 34 percent prehľadaných stránok v roku 2022 na 41 percent v roku 2024, čím je najrýchlejšie rastúcim formátom štruktúrovaných dát a formátom, ktorý preferuje Google. Najčastejšie typy sú podľa toho istého zdroja WebSite s 12,73 percenta, Organization so 7,16 percenta, BreadcrumbList s 5,66 percenta a LocalBusiness s 3,97 percenta mobilných stránok. Toto široké rozšírenie čitateľné pre crawlery je jedným z hlavných dôvodov, prečo schéma zostáva v porovnaní s novšími návrhmi, ako je llms.txt, spoľahlivejšou pákou: štruktúrované dáta sú už súčasťou existujúceho ekosystému crawlovania, kým llms.txt väčšina AI crawlerov zatiaľ ignoruje.

Rozporuplné dôkazy

Tu to začína byť nepríjemné. Seriózne štúdie si navzájom odporujú a práve to je najdôležitejší poznatok pre prax.

Kritická pozícia (Ahrefs): Ahrefs sledoval 1 885 stránok, ktoré medzi augustom 2025 a marcom 2026 pridali schému JSON-LD, a porovnal ich so 4 000 kontrolnými stránkami v teste difference-in-differences. Výsledok: Google AI Overviews mínus 4,6 percenta (malý, ale štatisticky významný rozdiel), AI Mode plus 2,4 percenta a ChatGPT plus 2,2 percenta (oba výsledky štatisticky nerozlíšiteľné od nuly). Záver autorov je jednoznačný: pridanie schémy neprinieslo na žiadnej platforme výrazný nárast citácií.

Optimistická pozícia (Otterly): Otterly.AI po implementácii schémy na 319 promptoch na americkom trhu opisuje úplne iný obraz: AI Overviews plus 611 percent, AI Mode plus 42 percent, zároveň však ChatGPT mínus 71 percent, Copilot mínus 64 percent, Gemini mínus 35 percent a Perplexity bez zmeny. Rozhodujúci je sprievodný fetch test: iba 1 zo 7 AI platforiem, a to Gemini, dokázala surové JSON-LD správne prečítať. Aj Otterly z toho vyvodzuje, že schéma je páka pre SEO, a nie páka rastu pre GEO.

Oficiálna pozícia (Google): Samotný Google vo svojom AI Optimization Guide triezvo uvádza, že štruktúrované dáta nie sú pre generatívne AI vyhľadávanie nutné a netreba pridávať žiadny špeciálny schema.org markup, no stále má zmysel používať ich ako súčasť celkovej SEO stratégie, pretože podporujú vhodnosť pre rich results. Google optimalizáciu pre AI vyhľadávanie výslovne predstavuje ako pokračovanie SEO.

Čo by si z toho mali odvodiť praktici: schéma nie je spoľahlivý nástroj na zvýšenie citácií v AI systémoch. Opačné znamienka pri Ahrefs a Otterly a slabá štatistická významnosť ukazujú, že efekt je malý a závisí od platformy. Schéma však zostáva zavedeným základom SEO a cez AI Overviews je klasické vyhľadávanie Google úzko prepojené s AI odpoveďou.

Ktoré platformy schému naozaj čítajú

Predpoklad, že AI systémy plošne spracúvajú štruktúrované dáta, pri overení neobstojí. Fetch test od Otterly je tu jednoznačný: 6 zo 7 testovaných platforiem nedokázalo na priamu požiadavku načítať alebo správne interpretovať schema markup, správne JSON-LD dodal iba Gemini. Testované boli ChatGPT, Google AI Overviews, Google AI Mode, Perplexity, Microsoft Copilot, Gemini a Claude.

Z toho vyplýva realistický obraz platforiem:

Google AI Overviews, AI Mode a Gemini: Tieto systémy majú k schéme najbližšie, pretože stavajú na indexe Googlu, ktorý štruktúrované dáta aj tak spracúva. Gemini ako jediný systém dokázal JSON-LD priamo prečítať.

ChatGPT, Perplexity, Claude a Copilot: Tieto systémy sa spoliehajú prevažne na viditeľný, vyrenderovaný obsah stránky, nie na vložený markup. Pre ne rozhoduje to, čo je v čitateľnom texte.

Microsoft Bing a Copilot, s výhradou: Tu existuje dôležitý oficiálny opačný hlas. Fabrice Canel z Microsoft Bing potvrdil na SMX Munich v marci 2025, že schema markup pomáha jazykovým modelom Microsoftu porozumieť obsahu. Canel okrem toho odporučil posielať čerstvý obsah cez IndexNow API, pretože generatívna AI si osobitne cení aktuálny obsah, aj na porovnanie s trénovacími dátami LLM. Microsoft teda používanie oficiálne potvrdil, zatiaľ čo test Otterly pri Copilote nenašiel žiadny pozitívny efekt. Toto napätie medzi oficiálnym vyhlásením a nameraným účinkom je pre túto oblasť typické.

Praktický dôsledok: disciplína pri schéme sa najviac oplatí v ekosystéme Googlu a Microsoftu. Pre ostatné systémy je čistý, jasne formulovaný text dôležitejší než markup.

NLWeb, MCP a agentický web

Nad rámec dnešnej otázky citácií sa pre Schema.org črtá štrukturálna úloha. Iniciatíva NLWeb od Microsoftu používa Schema.org ako základ na premenu webov na konverzačné rozhrania a spája to s Model Context Protocol (MCP), vznikajúcim štandardom pre komunikáciu medzi AI agentmi a zdrojmi dát. Myšlienka: web štruktúrovaný pomocou schémy môže fungovať ako koncový bod, ktorému AI agent priamo posiela dopyty.

Osobitne dôležité je to pre agentický obchod (agentic commerce). Keď budú AI agenti v budúcnosti vyhľadávať a porovnávať produkty a spúšťať nákupné procesy, budú potrebovať strojovo čitateľné údaje o produktoch, cenách a dostupnosti. Presne to poskytuje schéma Product. Tu sa zdôvodnenie schémy posúva od citovania k schopnosti uskutočniť transakciu: štruktúrované produktové údaje sa stávajú predpokladom na to, aby agent ponuku vôbec správne zachytil a previedol ju do nákupu riadeného AI (checkout). Pre B2B poskytovateľov so zložitými službami je to strategický argument, prečo čisto štruktúrovať údaje o produktoch a organizácii, aj keď je priamy efekt na citácie dnes malý.

Ktoré typy schémy majú význam pre AI viditeľnosť

Nie každý typ schémy má rovnakú hodnotu. Pre AI viditeľnosť a pre prepojenie s klasickým SEO sú relevantné predovšetkým tieto typy a vlastnosti (properties):

Organization: Definuje firmu ako entitu vrátane názvu, loga, kontaktných údajov a profilov. S rozšírením 7,16 percenta podľa Web Almanac patrí k najčastejším typom a je základom porozumenia entite.

Person: Opisuje autora obsahu. Typ Article odkazuje na túto osobu cez vlastnosť author. Typ „Author“ v schema.org neexistuje. Toto prepojenie obsahu a autora podporuje signály E-E-A-T (odbornosť, skúsenosť, autorita, dôveryhodnosť). Práve v B2B je preukázateľné autorstvo rozlišovacím znakom.

Vlastnosť sameAs na prepojenie entít: Nie je to samostatný typ, ale vlastnosť, ktorú nastavíš napríklad v Organization alebo Person. Prepája vlastnú entitu s autoritatívnymi referenciami, ako sú Wikidata, LinkedIn alebo odvetvové adresáre. Tieto prepojenia pomáhajú strojom jednoznačne určiť identitu a ukotviť ju v grafe entít.

FAQPage: Štruktúruje otázky a odpovede strojovo čitateľne. Prínos je sporný, pretože mnohé AI systémy čítajú viditeľný text aj tak, formát však núti k jasne zodpovedaným otázkam, čo uľahčuje extrakciu pre AI.

Article a Product: Označujú redakčný obsah, resp. ponuky. Schéma Product je základom agentického obchodu, schéma Article podporuje zaradenie odborného obsahu.

Rozhodujúce nie je množstvo typov, ale ich správnosť a konzistentnosť s viditeľným obsahom.

Schéma verzus obsah: čo má skutočný účinok

Kto berie AI viditeľnosť vážne, mal by správne nastaviť priority. Najdôležitejšie vodítko na to poskytuje princetonská štúdia o GEO. Ukazuje, že GEO môže zvýšiť viditeľnosť zdroja v generatívnych odpovediach až o 40 percent, pričom najsilnejšie páky sú obsahové: citovanie zdrojov, pridanie štatistík, zapracovanie citátov a tiež autorita a jazyková zrozumiteľnosť, nie technický markup.

Zhoduje sa to so štúdiami o schéme. Kým schéma v testoch Ahrefs a Otterly ukázala v najlepšom prípade okrajové a rozporuplné účinky, doložený a dobre štruktúrovaný obsah merateľne zvyšuje pravdepodobnosť citovania. Dôsledok pre prax je jednoznačný: najprv obsah, markup ako zosilňovač.

Obe veci však fungujú spolu. Front-loading, teda uvedenie hlavnej myšlienky hneď na začiatku sekcie, uľahčuje extrakciu systémami RAG. Schéma môže tento dobre štruktúrovaný obsah navyše jednoznačne označiť. Kto teda najprv vybuduje jasne argumentovanú stránku podloženú dátami a zdrojmi a potom ju čisto anotuje schémou, využíva obe páky v správnom poradí.

Časté chyby pri schéme pre AI

Zlý alebo nesprávne použitý markup škodí viac, než pomáha. Tieto chyby sa vyskytujú obzvlášť často:

Markup bez opory vo viditeľnom obsahu: Schéma, ktorá uvádza informácie, ktoré na stránke nie sú viditeľné, porušuje pravidlá Googlu a môže viesť k manuálnym opatreniam. Markup a viditeľný text sa musia zhodovať.

Chápať schému ako náhradu obsahu: Štúdie jasne ukazujú, že markup slabý obsah nezachráni. Kto stavia na schéme FAQPage, ale neposkytuje podstatné odpovede, nič nezíska.

Chýbajúce prepojenie entít: Schéma Organization bez odkazov sameAs nechá entitu izolovanú. Bez napojenia na autoritatívne referencie zostáva strojové určenie identity slabé.

Zastarané alebo chybné údaje: Nesprávne ceny, staré otváracie hodiny alebo syntaktické chyby v JSON-LD podkopávajú dôveru a môžu zabrániť zobrazeniu v rich results a AI odpovediach. Schéma potrebuje údržbu.

Zamieňať llms.txt so štruktúrovanými dátami: Niektoré tímy investujú do llms.txt a zanedbávajú schému. Keďže AI crawlery llms.txt do veľkej miery ignorujú, kým štruktúrované dáta sa spracúvajú vo veľkom, je táto priorita postavená naopak.

Meranie a nástroje pre AI viditeľnosť

Bez merania zostáva každá stratégia pre schému špekuláciou. Relevantné sú tri úrovne:

Validácia schémy: Rich Results Test od Googlu a Schema.org Validator overia, či je markup syntakticky správny a či ho Google dokáže spracovať. Je to základná technická kontrola pred každým nasadením.

AI referral návštevnosť v GA4: Návštevy z ChatGPT, Perplexity alebo Copilot sa dajú v GA4 izolovať cez zdroje referral návštevnosti a vlastné skupiny kanálov. Tak je vidieť, koľko návštevnosti a aké konverzie naozaj pochádzajú z AI systémov. Zistenie Visibility Labs o miere konverzie 1,81 percenta pri návštevnosti z ChatGPT ukazuje, že sa toto oddelenie oplatí.

Monitoring zmienok o značke a citácií: Nástroje ako Otterly, Ahrefs Brand Radar a Semrush sledujú, kedy a ako je značka citovaná v AI odpovediach. V kontexte GEO majú zmienky o značke (brand mentions) často väčšiu váhu než klasické spätné odkazy, pretože AI systémy rozpoznávajú a odporúčajú značky ako entity aj bez odkazujúceho zdroja.

Dôležité je zvoliť správnu metriku: efekty schémy sa prejavujú primárne v rich results Googlu a v AI Overviews, nie v citáciách v ChatGPT. Kto meria úspech markupu podľa zmienok v ChatGPT, meria na nesprávnom mieste.

Kontext DACH a ďalšie kroky

Pre rakúsky B2B trh je rozhodujúca miera zrelosti v oblasti AI. Podľa Statistik Austria používalo 20 percent rakúskych firiem s 10 a viac zamestnancami v roku 2024 AI technológie, oproti necelým 11 percentám v predchádzajúcom roku, čo zodpovedá takmer zdvojnásobeniu za jeden rok. Najvyššie je využitie podľa toho istého zisťovania v sektore informácie a komunikácia so 61 percentami. Spomedzi firiem, ktoré AI používajú, ju 65 percent nasadzuje na rozpoznávanie a spracovanie textu a 41 percent na generovanie jazyka. Cieľová skupina v rakúskom B2B teda čoraz viac sama pracuje s jazykovými modelmi, čo zvyšuje význam obsahu čitateľného pre AI.

Z toho vyplýva hlavné odporúčanie pre B2B poskytovateľov: najprv vybuduj doložiteľný, jasne štruktúrovaný obsah so štatistikami, zdrojmi a hlavnými myšlienkami na začiatku. Potom ho konzistentne anotuj pomocou JSON-LD v elemente head, s dôrazom na Organization, Person (prepojenú s článkom cez vlastnosť author) a vlastnosť sameAs, aby bola tvoja entita v grafe jednoznačne ukotvená. Markup validuj pomocou Rich Results Test, udržiavaj ho aktuálny a AI referral návštevnosť meraj oddelene v GA4. Schéma tak nie je prísľubom rastu AI citácií. Je to solídna, dlhodobá infraštruktúra pre ekosystém Googlu a Microsoftu a príprava na agentický web, v ktorom sa strojovo čitateľné dáta stávajú základom podnikania.