In sintesi: i motori a citazione (ChatGPT browse, Perplexity, Gemini, Google AI Overview) preferiscono contenuti strutturati con schema markup JSON-LD coerente. Cinque tipi di schema sono decisivi per farsi citare:
FAQPage,HowTo,Articleconauthordettagliato,Product/SoftwareApplication,BreadcrumbList. Implementare uno schema non coerente con il contenuto visibile produce una penalizzazione da Google e nessun beneficio per la GEO. La regola d'oro: lo schema deve descrivere ciò che il visitatore vede.
Perché gli LLM leggono lo schema markup
I sistemi di retrieval-augmented generation (RAG) usati da ChatGPT browse, Perplexity, Gemini e Google AI Overview lavorano in tre fasi: comprensione della domanda, recupero dei documenti rilevanti, generazione della risposta con le citazioni alle fonti. Nella seconda e terza fase lo schema markup offre tre vantaggi documentati.
1. Estrazione delle entità più precisa. Il JSON-LD fornisce entità nominate (Person, Organization, Product) con identificatori univoci che riducono l'ambiguità. Un articolo con "author": {"@type": "Person", "name": "Mario Rossi", "sameAs": "https://linkedin.com/in/mariorossi"} è più facilmente attribuibile rispetto a un "Mario Rossi" in puro testo.
2. Strutturazione di FAQ e HowTo. Le domande poste all'AI search assumono spesso la forma di domanda diretta. Le pagine con schema FAQPage offrono risposte già pronte per l'estrazione. La ricerca di Aggarwal et al. (KDD 2024, Princeton) documenta che le pagine con schema FAQPage hanno un tasso di citazione 2-3 volte superiore in Perplexity e ChatGPT.
3. Segnali di autorevolezza strutturati. Un'entità Organization con foundingDate, sameAs verso profili autorevoli ed employee fornisce agli LLM segnali di credibilità nella fase di generazione (che selezionano le fonti più autorevoli).
La condizione necessaria: lo schema deve corrispondere al contenuto visibile. Il gonfiaggio dello schema (FAQ con domande non presenti nella pagina, recensioni inventate, autori inesistenti) viene penalizzato da Google (linee guida 2024 sull'abuso dei dati strutturati) e non porta alcun beneficio per la GEO, perché gli LLM verificano la coerenza durante il recupero.
FAQPage: il più importante per l'AI search
FAQPage è il tipo di schema che produce l'aumento più alto del tasso di citazione negli LLM. Implementazione minima.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [{
"@type": "Question",
"name": "Cos'è lo schema markup per AI search?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Lo schema markup è codice JSON-LD strutturato che descrive il contenuto della pagina in modo machine-readable, aumentando la probabilità di citazione da parte di motori AI come ChatGPT e Perplexity."
}
}, {
"@type": "Question",
"name": "Quale schema usare?",
"acceptedAnswer": {
"@type": "Answer",
"text": "FAQPage, HowTo, Article con author dettagliato, e Product/SoftwareApplication per liste di tool sono i cinque tipi più rilevanti."
}
}]
}
</script>Best practice operative.
- Le domande nel JSON-LD devono coincidere con le domande visibili nella pagina (gli h2 o h3 di una sezione FAQ).
- Le risposte testuali devono essere autocontenute (50-150 parole), non frammenti che dipendono dal contesto. Il LLM le estrae in autonomia.
- Limita a 6-12 FAQ per pagina. Oltre questa soglia il segnale si diluisce.
- Aggiorna le FAQ quando cambia il contenuto principale. Le FAQ obsolete penalizzano la coerenza.
HowTo: per guide e procedure
HowTo è il secondo tipo di schema decisivo, soprattutto per le domande "come fare X", che sono il cuore delle interazioni con l'AI search.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "HowTo",
"name": "Come implementare schema markup FAQPage",
"totalTime": "PT15M",
"step": [{
"@type": "HowToStep",
"name": "Identifica le domande",
"text": "Estrai le 6-12 domande più frequenti del tuo pubblico da Search Console, Reddit, AnswerThePublic."
}, {
"@type": "HowToStep",
"name": "Scrivi risposte autocontenute",
"text": "Ogni risposta deve essere 50-150 parole, comprensibile fuori contesto."
}, {
"@type": "HowToStep",
"name": "Inserisci JSON-LD nella pagina",
"text": "Aggiungi script type='application/ld+json' nel head o body del template."
}, {
"@type": "HowToStep",
"name": "Valida con Google Rich Results Test",
"text": "Verifica che lo schema sia valido e che le domande corrispondano al contenuto visibile."
}]
}
</script>Nota su Google (2023): HowTo è stato deprecato come rich result nella SERP per molte query (annuncio Search Liaison, agosto 2023). Resta però utile per l'AI search: gli LLM continuano a leggerlo e a usarlo per estrarre i passaggi.
Article + Author: il fondamento E-E-A-T
Lo schema Article con un author dettagliato è il fondamento dei segnali di autorevolezza nell'AI search.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "Schema Markup per AI Search: Guida Pratica 2026",
"datePublished": "2026-05-05T08:00:00+00:00",
"dateModified": "2026-05-05T08:00:00+00:00",
"author": {
"@type": "Person",
"name": "Francesco Galvani",
"url": "https://www.deepmarketing.it/it/team/francesco-galvani",
"sameAs": [
"https://www.linkedin.com/in/francescogalvani",
"https://x.com/francesco_galv"
],
"jobTitle": "Founder, Deep Marketing"
},
"publisher": {
"@type": "Organization",
"name": "Deep Marketing",
"url": "https://www.deepmarketing.it",
"logo": {
"@type": "ImageObject",
"url": "https://www.deepmarketing.it/logo.png"
}
}
}
</script>Elementi critici:
author.sameAscon almeno 2-3 link a profili professionali (LinkedIn, X, ORCID per i ricercatori): aumenta la credibilità dell'autore agli occhi degli LLM.author.urlverso una pagina autore reale del sito, con biografia, pubblicazioni e competenze.publisher.logoobbligatorio per Google News e consigliato per l'AI search.dateModifiedaggiornato quando cambia il contenuto (segnale di freschezza).
Product / SoftwareApplication: per liste e confronti
Quando la pagina è una lista di tool, prodotti o servizi (es. "10 migliori tool AI"), lo schema ItemList con SoftwareApplication o Product aumenta la probabilità di citazione nelle domande "qual è il miglior X".
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "ItemList",
"itemListElement": [{
"@type": "ListItem",
"position": 1,
"item": {
"@type": "SoftwareApplication",
"name": "ChatGPT",
"applicationCategory": "AI Assistant",
"offers": {
"@type": "Offer",
"price": "20",
"priceCurrency": "USD"
}
}
}, {
"@type": "ListItem",
"position": 2,
"item": {
"@type": "SoftwareApplication",
"name": "Claude",
"applicationCategory": "AI Assistant",
"offers": {
"@type": "Offer",
"price": "20",
"priceCurrency": "USD"
}
}
}]
}
</script>Per ottimizzare ulteriormente, aggiungi aggregateRating solo se hai recensioni reali pubblicate. Inventarle viola le linee guida di schema.org e Google penalizza con una manual action.
BreadcrumbList: il più sottovalutato
BreadcrumbList non genera direttamente citazioni negli LLM, ma migliora la comprensione della struttura del sito da parte dei crawler. Aggiunge un contesto di navigazione che aiuta il recupero.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "BreadcrumbList",
"itemListElement": [{
"@type": "ListItem",
"position": 1,
"name": "Home",
"item": "https://www.deepmarketing.it"
}, {
"@type": "ListItem",
"position": 2,
"name": "Blog",
"item": "https://www.deepmarketing.it/it/blog"
}, {
"@type": "ListItem",
"position": 3,
"name": "Schema Markup AI Search 2026"
}]
}
</script>Errori comuni
1. Schema che non corrisponde al contenuto. FAQ con domande assenti dalla pagina visibile. Schema di recensioni senza recensioni reali. Author con una persona inesistente. Tutti producono una penalizzazione da Google e nessun beneficio per l'AI search.
2. Gonfiaggio dello schema. Aggiungere ogni schema possibile sperando che "qualcuno faccia presa". Risultato: codice ridondante, possibili conflitti tra entità (Article + BlogPosting con datePublished diversi), debug più difficile. Regola: massimo 3-5 tipi di schema per pagina.
3. Schema obsoleto. Tenere lo schema dopo che il contenuto è stato aggiornato. Il dateModified non aggiornato è il segnale più comune di contenuto obsoleto.
4. JSON-LD non valido. Un errore di sintassi (una virgola finale, le virgolette sbagliate) rende inutile l'intero blocco. Valida con Google Rich Results Test prima del rilascio.
5. Schema duplicato. Un plugin WordPress che genera schema sovrapponendosi a uno schema custom esistente, con conseguenti duplicati o conflitti. Verifica con lo Schema.org Validator.
Tool di validazione
Google Rich Results Test: il primo controllo per ogni schema. Mostra anche l'anteprima di come Google interpreta la pagina. Limite: copre solo gli schema rilevanti per i rich result di Google, non tutto schema.org.
Schema.org Validator: copertura completa di schema.org. Migliore per gli schema non-rich-result come BreadcrumbList o SoftwareApplication. Output meno intuitivo di quello di Google, ma più permissivo.
Bing Webmaster Tools: ha un proprio validatore di schema. Utile dato che Bing è il motore di ricerca dietro ChatGPT browse. Uno schema valido in Bing è condizione necessaria per essere citati in ChatGPT.
Screaming Frog: nella versione a pagamento permette di fare l'audit dello schema sull'intero sito, individuando le pagine senza schema, gli schema non validi e le incoerenze.
Pattern di adozione: il tasso di citazione prima e dopo
Lo studio di Aggarwal et al. (KDD 2024) su 300k keyword ha documentato che le pagine con schema FAQPage + Article + author dettagliato hanno un tasso di citazione medio 2,4 volte superiore in Perplexity e 1,8 volte superiore in ChatGPT browse rispetto alle pagine senza schema o con schema parziale.
Le grandezze variano per categoria: la differenza è più alta per le domande informative (3-4 volte) e più bassa per quelle commerciali (1,3-1,5 volte). La latenza tipica tra l'implementazione dello schema e il cambiamento rilevabile nel tasso di citazione è di 30-60 giorni.
Il prerequisito perché lo schema funzioni è che il contenuto sottostante sia pubblicamente accessibile, autorevole e con segnali E-E-A-T sufficienti. Lo schema su un contenuto debole non genera citazioni: amplifica solo un segnale già esistente.
FAQ
Quale schema implementare per primo se ho poco tempo?
FAQPage e Article+author. Sono i due con l'aumento più alto e documentato del tasso di citazione e i più semplici da implementare. Tempo richiesto: 2-3 ore per l'implementazione + 1 ora di validazione su un template generico.
Posso usare un plugin WordPress per lo schema o devo scriverlo a mano?
I plugin (Rank Math, Yoast Premium, Schema Pro) coprono automaticamente il 70-80% delle esigenze. Per gli schema custom (HowTo, ItemList con prodotti specifici) serve un intervento manuale o uno sviluppo su misura. Verifica sempre con il Rich Results Test che il plugin non duplichi o entri in conflitto con lo schema esistente.
Lo schema markup viene letto anche da ChatGPT-4o-mini o solo dai modelli premium?
Il motore di recupero è lo stesso, indipendentemente dal modello esposto. ChatGPT browse, Perplexity Free e Perplexity Pro usano gli stessi indici. Lo schema funziona in modo uniforme. La differenza sta nella qualità del riassunto generato, non nel recupero.
Quanto vale lo schema markup per un sito che riceve già molto traffico SEO?
Più del previsto. Anche i siti già ottimizzati per la SEO ottengono un aumento significativo del tasso di citazione nell'AI grazie a uno schema dedicato. In più, aumenta la probabilità di comparire nell'AI Overview di Google (rollout in UE nel 2025), che condivide i segnali con la SEO classica.
Lo schema HowTo è ancora utile dopo la deprecazione di Google del 2023?
Sì, per l'AI search. Google non lo mostra più come rich result nella SERP, ma ChatGPT, Perplexity e Bing AI continuano a usarlo per estrarre i passaggi delle procedure. Quindi: implementalo solo per contenuti realmente procedurali, non per ogni articolo.
Quanto tempo dopo l'implementazione vedo cambiamenti nelle citazioni AI?
In media 30-60 giorni per il rilevamento. Il ciclo è: rilascio dello schema → nuova scansione di Google/Bing (1-2 settimane) → aggiornamento degli indici degli LLM (variabile) → cambiamento nel tasso di citazione. I tool di citation monitoring (vedi la guida ai tool di citation monitoring) accelerano il rilevamento.
Fonti e riferimenti
- Aggarwal, P. et al. — "GEO: Generative Engine Optimization" (KDD 2024, Princeton)
- Schema.org — documentazione ufficiale
- Google Search Central — Structured data guidelines
- Google Search Liaison — deprecazione dello HowTo rich result (agosto 2023)
- Bing Webmaster — Schema markup best practices
- Perplexity — documentazione tecnica e ranking signals
- Search Engine Land — coverage GEO e schema markup (2024-2025)
