Štruktúrované dáta ako vrstva porozumenia AI

Štruktúrované dáta dostali v rokoch 2025 a 2026 novú úlohu. Dlho platili hlavne za nástroj na rich results, teda na hodnotenia hviezdičkami, rozbaľovacie FAQ alebo karty receptov vo vyhľadávaní Google. Dnes Microsoft oficiálne potvrdzuje, že ten istý markup pomáha aj jeho generatívnym systémom porozumieť obsahu. Google potvrdzuje výhodu vo vyhľadávaní. Tento článok vysvetľuje, čo sú štruktúrované dáta technicky, prečo sa stali vrstvou porozumenia pre AI systémy, čo z toho je preukázané a čo nie, a ako ich B2B firmy v regióne DACH čisto a merateľne nasadia v modernej architektúre Next.js. Dôraz je na overených tvrdeniach, nie na špekuláciách.

Prečo sú štruktúrované dáta relevantné ako vrstva porozumenia pre AI

Štruktúrované dáta sú strojovo čitateľné doplnkové informácie, ktorými web oznamuje, čo jeho obsah znamená. Namiesto toho, aby sa telefónne číslo zobrazilo len ako text, markup stroju výslovne povie: toto je telefónne číslo, toto je cena produktu, toto je organizácia s touto adresou. Táto vrstva významu bola pre vyhľadávače užitočná vždy. Nové je, že generatívne AI systémy môžu tú istú vrstvu využiť na spoľahlivejšiu extrakciu entít a faktov.

Je to dôležité, pretože sa mení správanie pri vyhľadávaní. V Nemecku podľa reprezentatívneho prieskumu Bitkom aspoň príležitostne používa generatívnu AI 67 % ľudí od 16 rokov, oproti 40 % v lete 2024 (údaje pre Nemecko, Bitkom 2025). Medzi používanými službami vedú ChatGPT so 43 %, Microsoft Copilot s 39 % a Google Gemini s 28 %.

Celosvetovo spoločnosť OpenAI oznámila pre ChatGPT 800 miliónov týždenne aktívnych používateľov v októbri 2025 (medzinárodný údaj, OpenAI). V Rakúsku je digitálny dosah dosť vysoký na to, aby sa táto zmena prejavila naplno: 8,69 milióna používateľov internetu pri penetrácii 95,3 % na začiatku roka 2025 (údaje pre Rakúsko, DataReportal). Kto sa chce v týchto systémoch objaviť ako zdroj, musí svoj obsah poskytovať tak, aby ho stroje vedeli spoľahlivo interpretovať. Presne to robia štruktúrované dáta.

Hneď na začiatku je dôležité poctivo vymedziť, čo je potvrdené a čo nie. Že štruktúrované dáta pomáhajú generatívnym systémom, oficiálne potvrdil Microsoft. Google potvrdzuje výhodu vo vyhľadávaní, výslovne však netvrdí, že markup priamo napája generatívne odpovede. Priamy, kauzálny vplyv na viditeľnosť v ChatGPT alebo Perplexity naopak nezávislé recenzované štúdie nepreukázali. Tento článok tieto úrovne dôsledne oddeľuje.

Čo sú štruktúrované dáta technicky a prečo je JSON-LD odporúčaný formát

Štruktúrované dáta stoja na spoločnom slovníku a na výstupnom formáte. Slovníkom je vo väčšine prípadov Schema.org, komunitne spravovaná zbierka typov a vlastností. Ako formát Google odporúča JSON-LD.

• Slovník Schema.org: Schema.org definuje typy ako Organization, Product alebo Article a ich vlastnosti ako name, price alebo author. Slovník určuje, aké pojmy existujú a ako spolu súvisia. Je tak referenčným slovníkom, o ktorý sa opierajú vyhľadávače a čoraz viac aj AI systémy.
• JSON-LD ako syntax: JSON-LD (JavaScript Object Notation for Linked Data) je skriptový blok v HTML, ktorý doručuje markup ako objekt JSON. Kľúčové polia sú @context, ktoré odkazuje na slovník (spravidla na schema.org), a @type, ktoré určuje typ entity. Výhoda: markup je zoskupený v jednom bloku a oddelený od viditeľného HTML, čo uľahčuje údržbu a validáciu.
• Microdata a RDFa: Oba staršie formáty vplietajú markup priamo do HTML tagov viditeľného obsahu. To je náchylnejšie na chyby a ťažšie sa to udržiava.

JSON-LD je technicky pohodlnejší a je to formát, ktorý odporúča Google. Podľa Web Almanac 2024 od HTTP Archive bol JSON-LD prítomný na 41 % stránok, oproti 34 % v roku 2022, a je tak najrýchlejšie rastúcim z troch formátov (medzinárodné dáta z crawlovania, HTTP Archive). Najčastejší však zostáva RDFa s viac ako 60 % stránok, najmä na starších CMS platformách. V rámci JSON-LD sú niektoré typy veľmi rozšírené, iné zriedkavé.

V tom istom súbore dát vedie schéma WebSite s 12,73 % mobilných stránok, nasleduje Organization so 7,16 %, BreadcrumbList s 5,66 % a LocalBusiness s 3,97 %, kým schéma Product sa vyskytuje len na 0,77 % stránok (medzinárodné dáta z crawlovania, mobil, HTTP Archive 2024). Pre B2B weby z toho plynie jasné ponaučenie: základné typy sú štandard, špecifickejší markup je však dosť zriedkavý na to, aby priniesol náskok.

Vrstva porozumenia pre AI: čo je oficiálne potvrdené a čo nie

Jadrom témy je otázka, či a ako AI systémy využívajú štruktúrované dáta. Presnosť je tu rozhodujúca, pretože treba rozlišovať medzi oficiálnym potvrdením, vyjadrením s výhradami a nepodloženou domnienkou.

Najjednoznačnejším zdrojom je Microsoft. Na konferencii SMX Mníchov v marci 2025 Fabrice Canel, Principal Product Manager v Microsoft Bing, potvrdil, že schema markup pomáha LLM od Microsoftu porozumieť obsahu (Search Engine Land, citovaný Fabrice Canel, Microsoft Bing). Microsoft doplnil, že generatívne systémy si osobitne cenia čerstvý obsah, okrem iného na porovnanie so svojimi tréningovými dátami. Toto vyhlásenie sa priamo týka Copilota a indexu Bingu. Či platí aj pre ChatGPT Search, je otvorená otázka: OpenAI uvádza ako zdroj vyhľadávacie služby tretích strán, nezverejňuje však, aký podiel na tom má Bing.

Google formuluje opatrnejšie. Tím Google Search v apríli 2025 uviedol, že štruktúrované dáta prinášajú výhodu vo výsledkoch vyhľadávania (Search Engine Land). Vo svojej príručke k AI Overviews a AI Mode z 21. mája 2025 Google píše, že štruktúrované dáta poskytujú strojovo čitateľné informácie, ktoré jeho systémy zohľadňujú. Že markup priamo napája generatívne odpovede, však Google výslovne netvrdí. Pre čisto generatívne systémy ako ChatGPT alebo Perplexity zatiaľ neexistuje porovnateľne jasné oficiálne potvrdenie, že schema markup spracúvajú ako samostatný signál.

Výsledkom je trojstupňový stav dôkazov:

• Oficiálne potvrdené: Microsoft Bing využíva schému pre svoje LLM (Copilot), stav k SMX Mníchov, marec 2025.
• Potvrdené s výhradami: Google hovorí, že štruktúrované dáta prinášajú výhodu vo vyhľadávaní (apríl 2025) a jeho systémy ich zohľadňujú (máj 2025). Že markup priamo napája generatívne odpovede, Google netvrdí.
• Nepotvrdené: Samostatný, kauzálny efekt schémy na ChatGPT alebo Perplexity nie je oficiálne potvrdený a nepreukázali ho ani recenzované štúdie.

Toto rozlíšenie je najdôležitejším posolstvom článku. Štruktúrované dáta sú opodstatnené opatrenie, ktoré dvaja veľkí poskytovatelia čiastočne oficiálne podporili. Nie sú zaručenou pákou s preukázaným kauzálnym účinkom v každom AI rozhraní.

NLWeb a agentický web: Schema.org sa stáva rozhraním pre agentov

Jeden konkrétny vývoj ukazuje, ako tesne štruktúrované dáta a AI zrastajú. Microsoft 19. mája 2025 predstavil projekt NLWeb. Spája existujúci markup s jazykovými modelmi do rozhrania v prirodzenom jazyku. Podľa Microsoftu NLWeb využíva pološtruktúrované formáty ako Schema.org a RSS, ktoré weby aj tak zverejňujú, a spája ich s nástrojmi na báze LLM do rozhraní v prirodzenom jazyku pre ľudí aj AI agentov (Microsoft Source, máj 2025).

Rozhodujúci je most k agentickému webu. Podľa Microsoftu je každá inštancia NLWeb zároveň serverom Model Context Protocol (MCP), vďaka čomu môžu weby urobiť svoj obsah vyhľadateľným a dostupným pre agentov a ďalších účastníkov ekosystému MCP (Microsoft Source, máj 2025). MCP je štandard, cez ktorý AI agenti komunikujú s externými zdrojmi dát a nástrojmi. NLWeb vyvinul R. V. Guha, ktorý prišiel do Microsoftu a platí za tvorcu rozšírených webových štandardov RSS, RDF a Schema.org. To, že za Schema.org aj NLWeb stojí ten istý človek, podčiarkuje smer: slovník, ktorý weby už roky robí strojovo čitateľnými, sa stáva dátovým základom pre agentov.

Pre dátové modelovanie webov z toho vyplýva strategický posun. Kto svoj obsah čisto a úplne anotuje cez Schema.org, vytvára zároveň základ na to, aby AI agenti mohli obsah štruktúrovane dopytovať. Markup sa tak mení z čisto SEO detailu na súčasť dátovej architektúry.

ChatGPT Shopping a agentický obchod: špecifikácia feedu sa stretáva so schémou

Ďalšou oblasťou, v ktorej štruktúrované dáta získavajú na význame, je agentický obchod. S nástupom ChatGPT do dopytov súvisiacich s produktmi vznikajú nové požiadavky na produktové dáta. Dôležité je tu pojmové rozlíšenie, pretože ide o dva rôzne mechanizmy.

• Schema.org/Product na stránke: Je to klasický produktový markup vložený do HTML. Strojovo čitateľne opisuje názov, cenu, dostupnosť a ďalšie vlastnosti priamo na produktovej stránke. Zostáva základom pre organickú viditeľnosť aj pre crawlery, ktoré stránku navštívia.
• Špecifikácia produktového feedu: Popri tom existujú štruktúrované produktové feedy, cez ktoré obchodníci poskytujú svoje dáta priamo a v jednom balíku, namiesto toho, aby ich mali len na jednotlivých stránkach. Takéto feedy majú vlastné povinné a odporúčané polia a umožňujú časté aktualizácie, napríklad cien a skladových zásob.

Oba mechanizmy sa dopĺňajú. Schéma na stránke zabezpečuje konzistenciu a crawlovateľnosť, feed aktuálnosť a hromadné odovzdanie dát. Pre B2B dodávateľov s produktovým katalógom to znamená: produktové dáta by mali byť na oboch miestach konzistentné a úplné. Konkrétne povinné polia a frekvencie aktualizácií závisia od špecifikácie daného poskytovateľa a rýchlo sa menia, preto ich vždy over v oficiálnej dokumentácii. Všeobecne platné čísla k tomu v spoľahlivej, citovateľnej podobe zatiaľ neexistujú a nemali by sa preberať z druhej ruky.

Ktoré typy schém sú relevantné a ktoré Google stiahol

Nie každý typ schémy má rovnakú hodnotu a oblasť sa stále mení. Google v posledných rokoch obmedzil alebo zrušil viacero typov rich results, najviditeľnejšie FAQ rich results, ktoré sa zobrazujú už len pre niekoľko autoritatívnych zdrojov. Dôležité je rozlíšenie: to, že Google stiahne rich result, ešte neznamená, že príslušný markup stratí hodnotu pre strojové porozumenie. Stratí len zaručené vizuálne zobrazenie v klasickom vyhľadávaní.

Pre viditeľnosť v AI sú obzvlášť relevantné typy, ktoré jasne opisujú entity a štruktúru obsahu:

• Organization: Opisuje firmu ako entitu s názvom, logom, adresou a prepojeniami. Je základom na rozpoznanie ako samostatnej entity a patrí na každý web.
• Article: Označuje redakčný obsah s autorom, dátumom a nadpisom. Pomáha systémom priradiť obsah, zdroj a aktuálnosť.
• Product: Opisuje produkty s cenou, dostupnosťou a vlastnosťami. Je základom pre odpovede súvisiace s produktmi a pre nákupné scenáre (e-commerce).
• BreadcrumbList: Zobrazuje navigačnú hierarchiu a pomáha zaradiť stránku do celkového kontextu webu.
• FAQPage a HowTo: Štruktúrujú otázky a návody krok za krokom. Hoci Google ich rich results v klasickom vyhľadávaní obmedzil, štruktúrovaná forma zostáva jasným signálom pre extrakciu obsahu, ktorý priamo odpovedá na otázku.

Ponaučenie: typy schém vyberaj podľa strojového porozumenia, nie iba podľa aktuálneho zobrazenia rich results. To môže Google kedykoľvek zmeniť, hodnota správne opísaného obsahu zostáva.

Implementácia v SEO architektúre Next.js

Na moderných B2B weboch postavených na Next.js sa dajú štruktúrované dáta nasadiť čisto a udržiavateľne. Rozhodujúce je, aby sa markup renderoval na strane servera a presne zodpovedal viditeľnému obsahu.

• Renderovanie JSON-LD na strane servera: Markup patrí do úvodného HTML vyrenderovaného na serveri, nie až do JavaScriptu, ktorý sa dodatočne načíta na strane klienta. Tak ho spoľahlivo uvidia všetky crawlery, aj tie, ktoré JavaScript nespúšťajú vôbec alebo len obmedzene. V Next.js sa JSON-LD dá vypísať priamo pri renderovaní stránky alebo layoutu.
• Dynamické generovanie schémy pre každú trasu (route): Namiesto statických blokov by sa markup mal generovať z tých istých zdrojov dát ako viditeľný obsah, napríklad z CMS alebo z produktovej databázy. Markup a obsah tak zostanú automaticky synchronizované a každá trasa dostane vhodnú schému.
• Zabezpečenie konzistencie markupu a viditeľného obsahu: Každý údaj označený v markupe musí byť na stránke aj viditeľný. Markup s obsahom, ktorý používateľ nevidí, porušuje pravidlá vyhľadávačov proti spamu.
• Validácia ukotvená v CI: Kontroly schémy patria do pipeline pre continuous integration (CI), aby sa chybný alebo neúplný markup odhalil pred nasadením, a nie až v ostrej prevádzke. Kvalita tak zostane stabilná naprieč mnohými trasami aj v čase.

Táto architektúra zaručí, že štruktúrované dáta nevznikajú ako dodatočný doplnok, ale ako neoddeliteľná, otestovaná súčasť každej stránky.

Poskytovanie dát a správa AI crawlerov

Štruktúrované dáta zaúčinkujú, len ak príslušné systémy stránky aj crawlujú a udržiavajú aktuálne. Tu prichádza na rad riadenie crawlovania a rýchla aktualizácia.

• Vedomá konfigurácia robots.txt: Cez robots.txt riadiš, ktoré crawlery dostanú prístup, vrátane botov špecifických pre AI. Kto chce byť viditeľný v AI systémoch, musí príslušné crawlery povoliť, a nie ich plošne blokovať. Je to strategické rozhodnutie medzi dosahom a kontrolou.
• IndexNow pre rýchle aktualizácie: Cez IndexNow môžeš zúčastnené vyhľadávače vrátane Bingu aktívne informovať o zmenách a nemusíš čakať na ďalšie crawlovanie. Pre Copilot to má priamy význam, pretože Microsoft zdôrazňuje, že jeho generatívne systémy si cenia čerstvý obsah.
• Nepodceňuj index Bingu: Podľa Bitkom 39 % ľudí v Nemecku používa Microsoft Copilot, len o málo menej ako ChatGPT so 43 %. Práve pre Bing a Copilot Microsoft potvrdil, že schema markup pomáha.

Treba pritom zohľadniť ekonomiku AI crawlovania. Podľa analýzy Cloudflare bol v júli 2025 pomer crawlov k návštevníkom privedeným späť pri Anthropic 38 065,7 ku 1, pri OpenAI 1 091,4 ku 1 a pri Google 5,4 ku 1 (medzinárodné dáta, Cloudflare). Tá istá analýza ukazuje, že približne 80 % AI crawlovania slúži na tréning, oproti 18 % na vyhľadávanie a 2 % na akcie používateľov (medzinárodné dáta, Cloudflare). Táto asymetria medzi intenzívnym crawlovaním a malým počtom privedených návštev je dôvodom vedome riadiť efektivitu crawlovania a prístupové práva, namiesto toho, aby každý bot pracoval bez obmedzení.

GDPR a súhlas pri nasadzovaní štruktúrovaných dát

V regióne DACH patrí ochrana údajov nevyhnutne do úvahy. Štruktúrované dáta sú v zásade bezproblémové, pokiaľ len strojovo čitateľne sprístupňujú informácie, ktoré sú aj tak verejné a vecné, napríklad názov firmy, adresu, produktové dáta alebo metadáta článkov. Tieto údaje sa zverejňujú zámerne a spravidla neobsahujú osobné údaje tretích strán, ktoré si vyžadujú ochranu.

Opatrnosť je potrebná pri osobných údajoch. Ak napríklad označíš fyzickú osobu menom, fotografiou alebo kontaktnými údajmi, platia bežné požiadavky GDPR na právny základ a obmedzenie účelu. Markup navyše takéto údaje šíri v strojovo čitateľnej podobe, takže sa dajú ľahšie ďalej využiť, čo treba pri zvažovaní zohľadniť.

Dôležité je oddeliť markup od mechaniky súhlasu. Samotný JSON-LD nenastavuje cookies a nie je to tracking. Preto nepatrí za bariéru súhlasu a môže sa doručovať nezávisle od súhlasu, pretože je neoddeliteľnou súčasťou obsahu. Pri AI crawleroch zostáva riadenie otázkou prístupových práv cez robots.txt, nie súhlasu používateľa. Osobné polia by sa aj tak mali označovať striedmo a len s jasným právnym základom.

Časté chyby a zabezpečenie kvality

Väčšina problémov so štruktúrovanými dátami nevzniká pre chýbajúci markup, ale pre chybný alebo neúplný. Tieto chyby sa vyskytujú obzvlášť často.

• Chýbajúce povinné vlastnosti: Ak typu chýbajú povinné polia, markup môže stratiť účinok a možný rich result odpadne. Pri každom type skontroluj, ktoré vlastnosti sú povinné a ktoré odporúčané, a vyplň ich úplne.
• Markup bez viditeľného náprotivku: Označovať obsah, ktorý na stránke nie je viditeľný, porušuje pravidlá vyhľadávačov proti spamu a môže viesť k zníženiu hodnotenia. Markup a viditeľný obsah sa musia zhodovať.
• Udržiavanie zastaraných alebo stiahnutých typov: Vytvárať markup pre rich results, ktoré Google už nezobrazuje, viaže úsilie bez protihodnoty v klasickom vyhľadávaní. Pravidelne kontroluj, ktoré typy sú ešte podporované, a podľa toho nastav priority.
• Nekonzistentnosť medzi zdrojmi: Ak markup na stránke, feed a viditeľný obsah uvádzajú rozdielne údaje, napríklad odlišné ceny, vznikajú problémy s dôveryhodnosťou. Všetky zdroje musia čerpať z tej istej dátovej základne.
• Markup raz nastaviť a zabudnúť: Schema.org, požiadavky poskytovateľov aj podporované rich results sa menia. Bez priebežnej údržby markup zastará a stratí účinok. Pravidelná kontrola patrí k prevádzke.

Najúčinnejšou poistkou je automatizovaná, opakovaná validácia, doplnená výberovými manuálnymi kontrolami najdôležitejších typov stránok.

Merateľnosť a dôkazy pre GEO: ako overiť účinok

Ústredná otázka znie, ako sa účinok štruktúrovaných dát vôbec dá preukázať. Pomáha rozlišovať medzi technickou validáciou, klasickým meraním vo vyhľadávaní a viditeľnosťou v AI.

• Technická validácia: Pomocou Rich Results Testu a podobných validátorov overíš, či je markup syntakticky správny, obsahuje všetky povinné polia a prichádza do úvahy pre rich result. Je to základný predpoklad, o skutočnom účinku však ešte nič nehovorí.
• Klasické meranie vo vyhľadávaní: Google Search Console ukazuje, ktoré typy štruktúrovaných dát rozpoznala, či obsahujú chyby a ako sa vyvíjajú zobrazenia a kliknutia dotknutých stránok. Je to najspoľahlivejší zdroj dát o účinku v klasickom vyhľadávaní.
• Sledovanie citácií v AI: Na meranie viditeľnosti v odpovediach AI môžeš sledovať zmienky a citácie v systémoch ako ChatGPT alebo Perplexity. Toto meranie je ešte mladé, metódy sú menej štandardizované a čistú kauzálnu väzbu na schema markup je ťažké stanoviť.

K obsahovej optimalizácii na viditeľnosť v AI existujú prvé vedecké zistenia, týkajú sa však úpravy textu, nie schema markupu. Výskumná skupina okolo Princeton University predstavila na konferencii KDD 2024 metódu Generative Engine Optimization a ukázala, že GEO môže zvýšiť viditeľnosť v generatívnych odpovediach až o 40 % (medzinárodná štúdia, Princeton et al., KDD 2024). Najúčinnejšie bolo pridanie zdrojov, citátov a štatistík, ktoré môžu zvýšiť viditeľnosť zdroja o viac ako 40 %.

V reálnom vyhodnotení na Perplexity.ai dosiahli silné metódy zlepšenie až o 37 % v jednej z dvoch metrík, merané na benchmarku z 10 000 dopytov a deviatich optimalizačných metód. Tieto zistenia sa týkajú spôsobu, akým je obsah napísaný, teda podložených textov so zdrojmi a číslami. Sú silným argumentom pre obsah bohatý na fakty, nie však dôkazom kauzálneho účinku schema markupu. Práve táto medzera je poctivým protiargumentom: o priamom vplyve štruktúrovaných dát na viditeľnosť v AI zatiaľ neexistujú recenzované štúdie.

Ďalšie kroky a záver

Štruktúrované dáta sa z nástroja určeného len na rich results vyvinuli na vrstvu porozumenia, ktorá môže generatívnym systémom pomôcť zachytiť obsah a entity. Microsoft oficiálne potvrdil ich využitie pre svoje LLM, Google s výhradami potvrdil výhodu štruktúrovaných dát vo vyhľadávaní a NLWeb ukazuje, ako sa Schema.org stáva dátovým základom pre AI agentov. Zároveň platí poctivé obmedzenie: priamy, kauzálny vplyv na čisto generatívne systémy ako ChatGPT alebo Perplexity recenzované štúdie nepreukázali.

Pre B2B firmy v regióne DACH z toho vyplýva pragmatický postup. Štruktúrované dáta sú opodstatnené, technicky zvládnuteľné opatrenie s jasným prínosom vo vyhľadávaní a s predpokladaným prínosom pre AI systémy, bez prehnaných sľubov. Rozumné ďalšie kroky sú audit existujúcich typov schém pomocou Rich Results Testu, renderovanie úplného a konzistentného JSON-LD na strane servera v architektúre Next.js, ukotvenie validácie v CI a vedomá správa AI crawlerov cez robots.txt a IndexNow. Štruktúrované dáta sa tak stanú spoľahlivým, merateľným stavebným kameňom technickej viditeľnosti, nie len nádejou.