一份追踪了 1,885 个加了 schema 页面的研究：它没有换来 AI 引用

如果你过去一年听过任何一场 GEO 分享，你见过那张幻灯片：加 JSON-LD，标注 organization 实体，把产品和 FAQ 标出来，AI 引擎就会把你正确归档并开始引用你。它听起来像工程工作，所以感觉比外链建设更可靠，而且对内推销的难度远低于「去 40 个目录写内容」。

Ahrefs 把它测了一遍。结论值得完整读，但核心就一句：加 schema 没有在任何平台上带来引用的显著提升。

这项研究到底测了什么

Ahrefs 追踪了 2025 年 8 月至 2026 年 3 月之间新增 JSON-LD schema 的 1,885 个网页，把它们与 4,000 个对照页面配对，然后测量这些页面在 Google AI Overviews、AI Mode 和 ChatGPT 中的引用变化。

没有任何平台出现有意义的提升。AI Overviews 是唯一一个差异朝反方向走的地方：下降 4.6%，绝对值不大，但相对于配对对照组在统计上显著。在 AI Mode 和 ChatGPT 上，处理组平均略好于对照组，但这个幅度在几千个 URL 的规模上完全可能是噪声。

这是一个阴性结果。而在这个满是笃定论断的领域里，阴性结果是最有用的那类研究。

第二个发现才是真正有意思的

同一周内，Mark Williams-Cook 发布了一个测试，正好解释了原因。他虚构了一家公司——DUCKYEA 的 T 恤业务——然后把公司地址写在编造的、无效的 JSON-LD 里，页面上再没有别的地方提到这个地址。接着他去问 ChatGPT 和 Perplexity：这家公司在哪？

两个助手都找到了地址。

这段 schema 不合法，不对应任何真实实体，也没有正确使用任何被认可的词汇表。但两个模型都读了它，并且用了它——因为这些词就摆在 HTML 里，而且和问题看起来相关。

他的结论是今年关于这件事写得最干净的一句话：模型就是把它在 HTML 里列出的东西捡起来，合不合法不重要。落到实操上则是：schema 是好的，但把基础常识重新包装成一个神奇的 GEO 公式，是坏的。

这说明助手是怎么挑来源的

把两个发现并排放，会浮现出一幅连贯的图景。

结构化数据是页面关于自己做出的一个机器可读声明。助手看起来把它当成文本处理：会读，可能会用，但不给它特权。一个页面声称「我们是这样的一家公司」，仍然只是一个页面在做出声明。它不是交叉印证，因为没有被印证的对照物——这条声明的出处，正是被描述的那一方。

模型要做出超出阅读理解范围的判断时，需要的和搜索引擎二十五年来需要的是同一件事：关于同一个实体、来自没有共同所有者的来源的独立描述。当助手判断某个产品在某个品类里是不是真实的参与者时，「产品自己的网站这么说」是弱证据，「另外三十个网站都这么描述它」是强证据。

这也解释了为什么那份 schema 研究的阴性结果并不是什么丑闻。schema 做了一件有用的事——它帮爬虫消歧你的实体，也能在传统搜索里拿到富结果。它只是不会凭空造出推荐决策所依赖的交叉印证。

那该做什么

替代「schema 驱动 GEO」的东西并不光鲜，但可测量。

用一句一致的话描述你自己，到处都用这句。 选定这句描述，然后在首页、关于页、LinkedIn 资料、行业目录和点评资料里保持一致。自己描述自己时的措辞分歧，是我们见到最常见的自我伤害——五个收录里五个不同标语，意味着五条弱声明，而不是一条被强化的声明。

数你的佐证来源，不是数外链。 单就 AI 可见度而言，有用的数字是：有多少个独立页面在描述你做什么、服务谁。五十条来自博客评论的链接在这里价值低于十五个真实收录，因为模型在判断「你是不是一个合理答案」时，读的正是那些收录。

把基础做对一次，然后往前走。 Organization、Product、真正适用的 FAQPage、正确的 canonical、干净的标题层级。这是两小时的活。除此之外的一切，都不是卡住你的原因。

停止优化答案框，开始优化来源。 合成那一步你影响不了。你能影响的是：当合成那一步去寻找关于你这个品类的证据时，你的名字是否出现在不止一个地方，并且描述彼此吻合。

一个具体的每周测试

拿一个真实买家会问的问题去问 ChatGPT、Perplexity 和 Google AI Mode——不要问你的品牌名，问品类。然后看被引用的是哪些来源。不是看答案，是看来源。

每周跑一次，坚持一个月，记录两件事：你出现的那些域名被引用的频率，以及你的品牌在答案里被提到、但你的域名没被引用出现的频率。第一个数字告诉你引用工作有没有到达模型。第二个数字告诉你，你是不是已经变成「默认答案」——那才是真正被交叉印证过的实体该有的样子。

两个数字都指向行动。没有一个会因为加了 JSON-LD 而变化。

这对目录工作意味着什么

诚实的说法是：这项研究没有发现什么新策略，它移除的是一个干扰项。

过去一年里，很多团队把 AI 可见度的预算花在自己就能实施的标记上，因为它感觉可控。同一时期，真正塑造 AI 答案的工作——在定义你这个品类的那些地方保持存在、并被一致描述——反而投入不足，因为它枯燥、要填表，而且没人会因为做这件事被提拔。

这项研究并没有说「引用不重要」。它说的是那个便宜的技术替代品没用。剩下的就是原来那件工作：人工做，做得差不多好，它就是管用的那件事。

这也让「位置工作」成为真正像输入的那件事：https://backlinksubmit.org 从一份手工筛选的清单里把产品匹配到相关目录和社区、以人工撰写的文案提交，并在控制台里展示提交了哪些平台、各自进度如何。

常见问题

我要把 schema 标记删掉吗？

不用。它仍然帮助传统搜索理解你的实体，而且实施一次之后没有额外成本。只是别再指望它推动 AI 引用。

这对商品 Feeds 也适用吗？

部分不同。OpenAI 说过它从结构化 Feeds 获取购物数据，微软也写过 schema 如何帮助 Copilot。所以 schema 在商业场景里比在一般推荐场景里更重要。最好在你自己的品类里测，而不是从任一结果外推。

AI 可见度最好的单一代理指标是什么？

你的品牌在描述你这个品类的第三方来源中被提到的频率。那是输入，而且和推荐数据不同，它不需要平台配合就能被你看见。

这是在主张买目录收录吗？

这是在主张：你要在足够多的独立地方存在，让你的描述能够重复，而不是只由你一个人撰写。是自己做还是买服务，那是另一个关于时间的问题。