دقیقه
20 آبان 1405وقتی درباره دیده‌شدن سایت در پاسخ‌های هوش مصنوعی صحبت می‌کنیم، یک تصور رایج این است که افزودن چند قطعه کد Schema می‌تواند سایت را به منبع پاسخ ChatGPT یا Google AI Overviews تبدیل کند. این برداشت بیش از آنکه بر شواهد رسمی تکیه کند، از مخلوط‌کردن سه مفهوم متفاوت به وجود می‌آید: فهم ماشینی محتوای صفحه، واجد شرایط شدن برای نمایش‌های ویژه در جست‌وجو، و انتخاب شدن به‌عنوان منبع در پاسخ تولیدشده توسط هوش مصنوعی.
پاسخ کوتاه این است: Schema Markup ابزاری معتبر برای توصیف دقیق اطلاعات صفحه است و در بعضی قابلیت‌های جست‌وجوی گوگل کاربرد مستند دارد؛ اما نمی‌توان از وجود آن نتیجه گرفت که ChatGPT به سایت استناد می‌کند یا صفحه در AI Overviews نمایش داده می‌شود. برای تصمیم درست باید بدانیم هر سیستم چه چیزی را رسماً پشتیبانی می‌کند، چه چیزی را می‌توان آزمود و کدام ادعا هنوز شواهد کافی ندارد.
Schema Markup چیست و دقیقاً چه کاری انجام می‌دهد؟
Schema Markup یا داده ساختاریافته، روشی استاندارد برای توصیف اطلاعات یک صفحه به شکلی قابل پردازش برای ماشین است. برای نمونه، متن یک مقاله برای انسان عنوان، نام نویسنده و تاریخ دارد؛ داده ساختاریافته می‌تواند مشخص کند کدام مقدار عنوان مقاله است، چه کسی نویسنده است و تاریخ انتشار به چه چیزی اشاره می‌کند. این نشانه‌گذاری محتوای جدیدی ایجاد نمی‌کند، بلکه به توصیف محتوای موجود کمک می‌کند.
واژگان schema.org انواع و ویژگی‌های متعددی برای مقاله، سازمان، محصول، رویداد و سایر موجودیت‌ها تعریف می‌کند. بااین‌حال، پشتیبانی از یک نوع در schema.org به این معنا نیست که گوگل برای آن حتماً نمایش ویژه دارد. برای رفتار گوگل باید مستندات Google Search Central و فهرست قابلیت‌های پشتیبانی‌شده را معیار قرار داد. گوگل معمولاً JSON-LD را برای پیاده‌سازی و نگهداری آسان‌تر توصیه می‌کند؛ Microdata و RDFa نیز از قالب‌های پشتیبانی‌شده‌اند.
برای مثال در یک مقاله تخصصی، داده‌های Article یا BlogPosting می‌توانند عنوان، نویسنده و تاریخ را به‌صورت ساختاریافته توصیف کنند. اما اگر تاریخ یا نویسنده در صفحه با داده ساختاریافته ناسازگار باشد، کد از نظر ظاهری درست هم که باشد کیفیت و اعتبار پیاده‌سازی زیر سؤال می‌رود. هدف نباید پرکردن حداکثری ویژگی‌ها باشد؛ باید اطلاعات دقیق، قابل مشاهده و قابل نگهداری ارائه کنیم.
تفاوت اثر Schema در نتایج عادی گوگل و AI Overviews
گوگل استفاده از داده‌های ساختاریافته را برای کمک به فهم محتوای صفحه و فراهم شدن امکان برخی نتایج غنی توضیح داده است. این «واجد شرایط شدن» با «نمایش قطعی» تفاوت دارد: حتی داده معتبر ممکن است به نمایش ویژه منجر نشود. نوع صفحه، شرایط قابلیت موردنظر، کیفیت داده، سیاست‌های گوگل و نحوه ارائه نتیجه در هر جست‌وجو نقش دارند.
در مقابل، مستندات رسمی گوگل درباره AI Overviews و AI Mode می‌گویند برای حضور در این تجربه‌ها Schema ویژه یا الزامات فنی اضافه‌ای لازم نیست. صفحه باید از نظر جست‌وجوی عادی امکان ایندکس و نمایش قطعه متن داشته باشد و اصول پایه سئو رعایت شوند. گوگل همچنین توصیه می‌کند داده‌های ساختاریافته با متن قابل مشاهده هماهنگ باشند؛ این توصیه با ادعای «Schema موجب حضور در AI Overview می‌شود» یکسان نیست.
بنابراین اگر یک آژانس به مشتری بگوید «با افزودن FAQ Schema در AI Overview دیده می‌شوید»، در حال تبدیل یک امکان فنی به وعده‌ای اثبات‌نشده است. حتی برای نتایج غنی کلاسیک نیز نمایش تضمینی وجود ندارد. علاوه بر این، قابلیت نمایش FAQ rich results در گوگل از مه ۲۰۲۶ کنار گذاشته شده است؛ پس نباید راهنمای قدیمی FAQ را به‌عنوان فرصت قطعی نمایش ویژه معرفی کرد.
درباره ChatGPT چه چیزی می‌دانیم و چه چیزی را نمی‌دانیم؟
ChatGPT و جست‌وجوی گوگل یک محصول واحد با سازوکار انتخاب منبع یکسان نیستند. اینکه گوگل یک نوع داده ساختاریافته را برای نتیجه غنی پشتیبانی می‌کند، به‌خودی‌خود ثابت نمی‌کند ChatGPT همان داده را به‌عنوان عامل رتبه‌بندی یا استناد استفاده می‌کند. تا زمانی که مستندات رسمی یا آزمون قابل اتکایی یک اثر مشخص را نشان ندهند، نسبت دادن افزایش احتمال استناد به یک نوع Schema باید به‌عنوان فرضیه بیان شود، نه واقعیت قطعی.
برای سایتی که می‌خواهد در پاسخ‌های هوش مصنوعی قابل کشف باشد، دسترس‌پذیری صفحات، محتوای قابل فهم و منسجم، اطلاعات واقعی و به‌روز و شفافیت درباره هویت و تخصص نویسنده نقطه شروع منطقی‌تری هستند. این توصیه به معنی تضمین دیده‌شدن نیست. تفاوت میان «قابل دسترسی بودن برای سامانه» و «انتخاب شدن به‌عنوان منبع پاسخ» باید در گزارش به مشتری روشن بماند.
اگر بعد از اصلاح داده ساختاریافته نام سایت در یک پاسخ ChatGPT دیده شد، آن مشاهده به‌تنهایی رابطه علت و معلولی را ثابت نمی‌کند. پاسخ‌ها ممکن است بر اساس سؤال، زمان، منابع در دسترس و عوامل دیگر تغییر کنند. بدون طراحی آزمون و کنترل متغیرها، نمی‌توان نتیجه را به یک تغییر فنی نسبت داد.
برای سایت خدماتی و محتوایی کدام Schemaها ارزش بررسی دارند؟
انتخاب نوع Schema باید از ماهیت واقعی صفحه شروع شود. در سایت آژانس، صفحه معرفی سازمان، صفحه مقاله و صفحه خدمت وظایف متفاوتی دارند. بهتر است به‌جای افزودن یک بسته ثابت به تمام URLها، نوع اصلی هر صفحه و اطلاعاتی را که واقعاً نمایش می‌دهد مشخص کنیم.
برای صفحه معرفی کسب‌وکار، Organization می‌تواند نام و مشخصات معتبر سازمان را توصیف کند. برای مقاله، Article یا BlogPosting ممکن است با عنوان، نویسنده، تاریخ و تصویر مرتبط مناسب باشد. BreadcrumbList نیز در صورت وجود ساختار مسیر قابل دفاع می‌تواند به توصیف سلسله‌مراتب کمک کند. Service در schema.org وجود دارد، اما صرف استفاده از آن به معنی وجود یک rich result اختصاصی و تضمین‌شده در گوگل نیست. برای محصول، رویداد یا ویدئو نیز باید شرایط مستندات ویژه همان قابلیت بررسی شود.
به‌عنوان مثال فرضی، اگر صفحه «طراحی سایت اختصاصی» درباره دامنه خدمت و فرایند همکاری است، اضافه کردن Product همراه با قیمت و امتیاز ساختگی صرفاً برای جلب توجه گوگل تصمیم نادرستی خواهد بود. نوع داده باید با ماهیت و اطلاعات واقعی صفحه سازگار باشد. به همین ترتیب، نباید برای صفحاتی که نظر واقعی مشتری ندارند Review یا AggregateRating ساختگی تولید کرد.
در معماری Headless WordPress، محتوای مقاله ممکن است در وردپرس ذخیره شود اما HTML نهایی و داده ساختاریافته در Next.js تولید شوند. بنابراین پیش از افزودن هر Schema جدید، باید خروجی فعلی فرانت‌اند بررسی شود تا داده تکراری، ناسازگار یا با URL اشتباه ایجاد نشود. این مقاله مجوز تغییر Schema موجود سایت نیست؛ پیاده‌سازی فنی باید جداگانه ارزیابی و تأیید شود.
چطور پیاده‌سازی را اعتبارسنجی و نتیجه را اندازه‌گیری کنیم؟
اول یک فهرست از نوع صفحات، داده‌های موجود و هدف هر نشانه‌گذاری تهیه کنید. سپس نمونه‌ای از URLهای واقعی را انتخاب کنید و بررسی کنید آیا اطلاعات مورد نیاز در صفحه وجود دارند و در زمان انتشار به‌روز می‌مانند. در سایت Headless، فقط مشاهده تنظیمات وردپرس کافی نیست؛ باید مطمئن شد کد نهایی در صفحه‌ای که کاربر و خزنده دریافت می‌کنند حاضر است.
برای انواعی که گوگل از آن‌ها rich result پشتیبانی می‌کند، Rich Results Test ابزار مناسب بررسی شرایط فنی و برخی خطاهاست. برای اعتبارسنجی عمومی واژگان schema.org، Schema Markup Validator کاربرد دارد. این دو ابزار جای یکدیگر را نمی‌گیرند: معتبر بودن یک ساختار در Schema Validator لزوماً به معنای واجد شرایط بودن برای قابلیت خاص گوگل نیست. پس از انتشار نیز URL Inspection و گزارش‌های مرتبط Search Console می‌توانند برای بررسی وضعیت شناسایی داده و مشکلات فنی استفاده شوند.
برای سنجش اثر، ابتدا شاخص موفقیت را مشخص کنید. آیا هدف کاهش خطاهای داده ساختاریافته است؟ واجد شرایط شدن برای یک قابلیت مشخص؟ تغییر نرخ کلیک در جست‌وجوی عادی؟ یا بررسی حضور برند در پاسخ‌های هوش مصنوعی؟ این‌ها یک شاخص واحد نیستند. اگر چند تغییر هم‌زمان در محتوا، لینک‌سازی و Schema انجام شود، نسبت دادن تغییر ترافیک به Schema دشوار خواهد شد.
برای مقایسه پیش و پس، بازه زمانی، نوع صفحه و منابع ورودی را ثابت نگه دارید و تغییرات فصلی و نوسان جست‌وجو را در نظر بگیرید. در ترافیک کم، ممکن است داده برای نتیجه‌گیری آماری کافی نباشد. درباره AI Overviews و ChatGPT، گزارش مشاهدات باید با عبارت‌هایی مانند «در این مجموعه پرسش‌ها و در این بازه مشاهده شد» نوشته شود، نه «افزایش تضمینی نمایش». بدون دسترسی واقعی به Search Console، هیچ عددی برای عملکرد سایت آژانس ادعا نمی‌کنیم.
اشتباهات رایج و یک مسیر تصمیم‌گیری عملی
چند خطای رایج در پروژه‌های Schema عبارت‌اند از انتخاب نوع نامرتبط، ساخت امتیاز یا نظر غیرواقعی، ناسازگاری داده با متن صفحه، تکرار JSON-LD توسط چند افزونه و فرانت‌اند، استفاده از URL اشتباه، و تصور اینکه هر نوع تعریف‌شده در schema.org در گوگل rich result دارد. خطای دیگر آن است که اعتبارسنجی فنی را معادل موفقیت در جست‌وجو یا پاسخ هوش مصنوعی بدانیم.
برای یک سایت خدماتی، مسیر عملی را این‌گونه پیشنهاد می‌کنیم: ابتدا صفحات مهم و هدف هر صفحه را شناسایی کنید؛ سپس داده ساختاریافته موجود را ممیزی کنید؛ نوع‌های مرتبط و واقعاً پشتیبانی‌شده را انتخاب کنید؛ اطلاعات را با محتوای قابل مشاهده تطبیق دهید؛ خروجی نهایی را اعتبارسنجی کنید؛ و پس از انتشار، شاخص‌هایی را که از قبل تعریف شده‌اند دنبال کنید. اگر پیاده‌سازی فعلی سالم است، افزودن Schema بیشتر صرفاً برای افزایش تعداد انواع لزوماً ارزش ندارد.
نتیجه این است که Schema ابزاری برای توصیف منظم داده است، نه کلید مخفی ورود به پاسخ‌های هوش مصنوعی. برای تصمیم حرفه‌ای، باید ارزش فنی و کاربرد مستند آن را از ادعاهای بازاریابی جدا کنیم. برای آشنایی با چارچوب گسترده‌تر، مقاله تفاوت GEO و SEO و راهنمای ساختار محتوا برای درک بهتر هوش مصنوعی مکمل این بحث‌اند.
