Preverili smo trditve, da schema markup AI sistemom pomaga razumeti vsebino, povečuje zaupanje in vpliva na odločitev, katere vire bodo ChatGPT, Gemini oziroma Google AI vključili ali citirali v odgovorih.
Ta analiza je del MLINČKA – Merilca marketinške megle, v katerem preverjamo SEO, GEO in AI trditve ter ugotavljamo, koliko jih dejansko podpirajo razpoložljivi dokazi.
📄 Kaj je trdil preverjani material?
Material je schema markup predstavil kot vse pomembnejši signal za AI sisteme. Posebej je izpostavil Product, Article, FAQ, Review, Author in Organization schema ter trdil, da pravilna implementacija, konsistentnost in kratki neposredni odgovori povečujejo možnost razumevanja, zaupanja oziroma citiranja.
Izpostavljena je bila tudi trditev, da lahko napake oziroma manjkajoča zahtevana polja povzročijo, da schema ni pravilno uporabljena, ter priporočilo rednega preverjanja implementacije.
Vir je anonimiziran. MLINČEK preverja trditve, ne avtorjev.
Schema ima dobro dokumentirano vlogo pri strukturiranju in razumevanju informacij. Trenutno pa ni dovolj dokazov za močnejšo tezo, da je schema sama po sebi splošen AI trust oziroma citation signal.
BREZ MEGLE 🔴 100 %
NAJVEČ MEGLE
11 trditev je vključenih v MMM. Ena dodatna trditev je bila prepoznana kot ponovitev osrednje teze in zato ni bila šteta dvakrat.
Od razumevanja vsebine do AI citata je velik preskok
Google dokumentira uporabo strukturiranih podatkov za boljše razumevanje in klasifikacijo vsebine. Precej manj trdna pa je naslednja stopnja: da že sama prisotnost schema povzroči več zaupanja ali več AI citatov.
Kaj se zgodi, ko trditve preverimo eno po eno?
01 · Schema je pomemben AI signal za razumevanje in zaupanje — 35 %
Kaj drži: strukturirani podatki pomagajo Googlu razumeti in klasificirati vsebino strani.
Kje trditev preseže dokaze: iz tega še ne sledi, da schema predstavlja splošen AI trust signal ali samostojno povečuje verjetnost citiranja.
Zakaj 35 %: prvi del trditve ima dobro podporo, drugi pa je bistveno manj dokazan.
02 · Uporabljajte schema type, ki ustreza dejanski vsebini — 0 %
Pravilna izbira strukturiranih podatkov glede na dejansko vsebino strani je skladna z Googlovimi smernicami.
Zakaj 0 %: priporočilo ne potrebuje domneve o posebnem AI citation učinku, da bi bilo utemeljeno.
03 · Neskladje med schema in vsebino je ignorirano ali kaznovano — 35 %
Google zahteva skladnost strukturiranih podatkov z vsebino in lahko pri kršitvah structured-data pravil omeji upravičenost do posebnih Search prikazov.
Močnejša interpretacija, da AI zaradi takšnega neskladja sistematično kaznuje vir pri citiranju, ni ustrezno dokazana.
04 · Schema najprej implementirajte na pomembnih straneh — 0 %
Gre predvsem za razumno operativno prioritizacijo: če so čas in sredstva omejeni, začnemo tam, kjer je poslovna vrednost največja.
05 · FAQ schema pomaga pridobiti prostor v AI odgovorih — 70 %
Trenutni podatki ne omogočajo dovolj trdnega sklepa, da dodajanje FAQ schema samo po sebi povzroči več AI citatov.
Pomembno je tudi, da je Google maja 2026 FAQ rich result ukinil. To samo po sebi ne dokazuje ničesar o drugih AI sistemih, dodatno pa zmanjšuje smisel enačenja FAQ schema z univerzalnim visibility mehanizmom.
06 · AI preskoči dolge oziroma hedged odgovore — 70 %
Jasni in neposredni odgovori so lahko odlična vsebinska praksa. To pa ni isto kot dokaz, da AI sistemi zaradi dolžine ali previdne formulacije sistematično preskočijo določen odgovor.
07 · Author/Organization schema gradi AI trust in vpliva na citiranje — 70 %
Google priporoča jasne podatke o avtorju in strukturirane podatke uporablja za boljše razumevanje identitete. Iz tega pa ne moremo neposredno sklepati na dokazan AI citation lift.
08 · Konsistentna schema krepi AI trust — 70 %
Konsistentnost podatkov je dobra tehnična praksa. Veriga »več konsistentnosti → več AI zaupanja → več citatov« pa trenutno nima dovolj neposredne empirične podpore.
09 · Schema napake lahko naredijo več škode kot odsotnost schema — 35 %
Napake in kršitve pravil lahko vplivajo na upravičenost do structured-data funkcij. Trditev, da so na splošno slabše od popolne odsotnosti schema, pa je preširoka.
10 · Če manjkajo required fields, schema sploh ni prebrana — 100 %
Manjkajoča zahtevana lastnost lahko pomeni neveljavnost oziroma neupravičenost za določeno funkcijo. To ni enako trditvi, da sistem strukturiranih podatkov sploh ne prebere.
Še več: pri nekaterih vrstah, na primer Googlovem Article markupu, Google trenutno izrecno navaja, da ni zahtevanih properties, temveč priporoča uporabo relevantnih lastnosti.
11 · Schema je treba validirati in po spremembah ponovno preveriti — 0 %
Google sam priporoča preverjanje strukturiranih podatkov z Rich Results Testom in kontrolo implementacije po objavi.
12 · Schema je ongoing trust signal vsakič, ko AI izbira citat — ne šteje v MMM
Trditev je močnejša ponovitev osrednje teze iz trditve #01. Analizirali smo jo, vendar je v skupni MMM nismo šteli še enkrat.
Zakaj: isti koncept bi sicer dobil dvojno težo samo zato, ker je bil v izvirnem materialu ponovljen z močnejšimi besedami.
Ko schema dejansko dodamo, AI citati ne poskočijo
Ahrefs: 1.885 strani + 4.000 kontrolnih strani
Ahrefs je spremljal 1.885 strani, ki so dodale JSON-LD schema, ter jih primerjal s 4.000 kontrolnimi stranmi.
Pri AI Mode je bil učinek +2,4 %, pri ChatGPT +2,2 %; oba rezultata sta bila statistično nerazločljiva od nič. Pri Google AI Overviews je bil relativni rezultat −4,6 %. To ni dokaz, da schema škodi, je pa pomemben protiargument preprosti tezi »dodaj schema → več AI citatov«.
Vir: Ahrefs – We Tracked 1,885 Pages Adding Schema. AI Citations Barely Moved
Fischman: 730 AI citatov, 1.006 strani
Druga raziskava je analizirala 730 citatov iz ChatGPT in Gemini pri 75 komercialnih poizvedbah ter skupaj 1.006 različnih strani. Raziskava je preverjala prav vprašanje, ali schema neodvisno napoveduje verjetnost AI citiranja.
Rezultati ne dajejo dobre podlage za obravnavanje generične prisotnosti schema kot samostojnega AI citation vzvoda.
Slaba razlaga še ne pomeni nujno slabega nasveta
To je najzanimivejši rezultat prvega MLINČKA. Od 11 praktičnih priporočil bi jih deset v neki obliki še vedno izvedli.
🟢 NAREDILI BI · 6
Uporabili ustrezen schema type, poskrbeli za skladnost z vsebino, prioritizirali pomembne strani, odpravljali napake, izpolnili relevantna polja ter implementacijo validirali.
🟡 NAREDILI BI, VENDAR IZ DRUGEGA RAZLOGA · 4
Schema bi uporabljali za strukturiranje in razumevanje informacij, pisali jasne odgovore ter jasno identificirali avtorje in organizacijo. Ne bi pa teh dejanj predstavljali kot dokazano pot do več AI citatov.
⚪ ZAENKRAT NE BI PRIORITIZIRALI · 1
FAQ schema ne bi dodajali predvsem zato, da bi povečali AI citiranje. FAQ vsebina je lahko koristna, vendar je to drugo vprašanje.
Kako se spremeni odločitev?
Schema postaja ključen AI trust signal. Pravilna implementacija pomaga AI sistemom odločati, komu bodo zaupali in koga bodo citirali.
Schema uporabljamo kot dobro tehnično in podatkovno infrastrukturo. Ne predstavljamo pa je kot dokazan samostojen vzvod za AI citiranje.
🧪 OBJAVA BREZ MEGLE
Schema markup ostaja smiseln. Sam po sebi pa ni dokazan AI citation hack.
Structured data iskalnikom pomagajo eksplicitneje razumeti informacije na strani in ostajajo pomemben del tehničnega SEO.
Zato uporabljajte schema type, ki ustreza dejanski vsebini, jasno označite relevantne entitete in podatke ter implementacijo preverjajte.
Pri AI vidnosti pa bodite previdnejši. Trenutni empirični podatki ne kažejo, da bi že samo dodajanje schema povzročilo pomembno povečanje citatov v ChatGPT, Google AI Mode ali drugih generativnih sistemih.
Schema je torej smiselna infrastruktura. Zaenkrat pa je ne bi predstavljali kot dokazano bližnjico do AI citatov.
🔬 Vsi glavni dokazi in raziskave
Google Search Central – structured data Google uporablja za razumevanje in klasificiranje vsebine ter podporo določenim Search prikazom.
Google Search Appearance / Structured Data
Ahrefs, 2026 – 1.885 strani, ki so dodale schema, primerjanih s 4.000 kontrolnimi stranmi; pri ChatGPT in AI Mode ni bil zaznan statistično pomemben pozitiven citation učinek.
Ahrefs schema & AI citations study
Fischman, 2026 – 730 AI citatov, 75 komercialnih poizvedb in 1.006 analiziranih strani; raziskava preverja neodvisno povezavo med schema markupom in AI citiranjem.
Does Schema Markup Predict AI Citation?
Google Article structured data – dokumentacija o uporabi Article markup, avtorjih, priporočljivih lastnostih in validaciji.
⚙️ Kako deluje MLINČEK?
MLINČEK meri razdaljo med močjo trditve in močjo dokazov, ki podpirajo prav takšno formulacijo.
Glavne trditve ocenjujemo z 0, 35, 70 ali 100 % marketinške megle. Kompleksne trditve razbijemo na manjše preverljive dele, vendar ti ne povečujejo teže glavne trditve v skupnem rezultatu.
Ponovitev iste glavne teze ne štejemo dvakrat. Odsotnosti dokazov prav tako ne obravnavamo kot dokaz napačnosti.
Celotna metodologija in drugi primeri so na osrednji strani MLINČKA.
MLINČEK je eden od raziskovalnih formatov SEO-Praktik Laba
Posamezni MLINČKI preverjajo konkretne trditve in materiale. Širši raziskovalni okvir pa predstavlja SEO-Praktik Lab, v katerem z lastnimi eksperimenti, analizami podatkov in preverjanjem trditev raziskujemo, kaj v SEO, GEO in AI dejansko drži in kaj deluje v praksi.
Pri tem je schema markup samo en del širšega vprašanja vidnosti v generativnih iskalnikih. Celoten pristop smo podrobneje predstavili tudi v vodiču o GEO optimizaciji .
Ste naleteli na trditev, ob kateri ste se vprašali: »Ali to dejansko drži?«
Pošljite nam raziskavo, newsletter, članek, video, webinar, objavo ali drugo gradivo. Če je v njem dovolj preverljivih trditev, ga lahko spustimo skozi enega od naslednjih MLINČKOV.
POŠLJITE MATERIAL V MLINČEK →Case ID: MMM-001 · Preverjeno: 25. 9. 2026 · Metodologija: v1.0 · MMM: 44 % · Veljavnih ocenjenih trditev: 11 · Izločenih ponovitev: 1
Rezultat predstavlja stanje javno dostopnih dokazov na dan preverjanja. Ob novih relevantnih dokazih se lahko rezultat spremeni. Prejšnjih meritev ne prepisujemo; nova ocena se zabeleži kot nova meritev.