Роль структурированных данных в ИИ и видимости в AI-поиске

Способ, которым люди находят и потребляют информацию, изменился. Мы, маркетологи, должны думать о видимости во всех AI-платформах, включая Google.

Проблема в том, что у нас нет таких же возможностей контролировать и измерять успех, как с Google и Microsoft, и порой кажется, что мы действуем вслепую.

Ранее в этом году Google, Microsoft и ChatGPT заявили, что структурированные данные помогают большим языковым моделям (LLM) лучше понимать ваш цифровой контент.

Структурированные данные могут дать AI-инструментам тот самый контекст, который им необходим, чтобы определить свое понимание контента через сущности и взаимосвязи. В эту новую эпоху поиска можно смело заявить: контекст, а не контент, — король.

Schema Markup помогает построить уровень данных

Преобразовывая ваш контент в Schema.org и определяя отношения между страницами и сущностями, вы создаете уровень данных для ИИ. Этот слой данных schema markup, или, как я люблю его называть, «граф знаний вашего контента», объясняет машинам, что представляет собой ваш бренд, что он предлагает и как его следует понимать.

Именно этот уровень данных позволяет вашему контенту быть доступным и понятным для растущего числа AI-возможностей, включая:

• AI-сниппеты (AI Overviews) в поиске
• Чат-боты и голосовые ассистенты
• Внутренние AI-системы

Благодаря механизму grounding (обоснования), структурированные данные могут способствовать видимости и обнаружению в Google, ChatGPT, Bing и других AI-платформах. Это также готовит ваши веб-данные к тому, чтобы они были ценны для ускорения ваших внутренних AI-инициатив.

В ту же неделю, когда Google и Microsoft объявили об использовании структурированных данных для своих генеративных AI-решений, Google и OpenAI announced их поддержку Model Context Protocol.

Что такое Model Context Protocol?

В ноябре 2024 года Anthropic представила Model Context Protocol (MCP) — «открытый протокол, который стандартизирует то, как приложения предоставляют контекст LLM», который впоследствии был принят OpenAI и Google DeepMind.

Можно думать о MCP как о USB-C разъеме для AI-приложений и агентов или как об API для ИИ. «MCP предоставляет стандартизированный способ подключения AI-моделей к различным источникам данных и инструментам».

Поскольку мы теперь рассматриваем структурированные данные как стратегический уровень данных, проблема, которую необходимо решить Google и OpenAI, — как эффективно и рентабельно масштабировать свои AI-возможности. Комбинация структурированных данных на вашем сайте и MCP позволит обеспечить точность выводов (inferencing) и возможность масштабирования.

Структурированные данные определяют сущности и отношения

LLM генерируют ответы на основе контента, на котором они обучены или к которому подключены. Хотя они в основном учатся на неструктурированном тексте, их выводы могут быть усилены, когда они основаны на четко определенных сущностях и отношениях, например, через структурированные данные или графы знаний.

Структурированные данные можно использовать как усилитель, который позволяет предприятиям определять ключевые сущности и их взаимосвязи.

При реализации с использованием словаря Schema.org структурированные данные:

• Определяют сущности на странице: люди, продукты, услуги, местоположения и многое другое.
• Устанавливают отношения между этими сущностями.
• Могут уменьшить количество «галлюцинаций» у LLM, когда они основаны на структурированных данных через системы retrieval или графы знаний.

Когда schema markup развернут в масштабе, он строит граф знаний контента — структурированный уровень данных, который связывает сущности вашего бренда по всему сайту и за его пределами.

Недавнее исследование BrightEdge показало, что schema markup улучшает присутствие и восприятие бренда в AI-сниппетах Google, отмечая более высокие показатели цитирования страниц с надежной разметкой.

Структурированные данные как стратегия Enterprise AI

Крупные компании могут изменить свой взгляд на структурированные данные, выйдя за рамки базовых требований для rich-результатов, и начать управлять графом знаний контента.

Согласно опросу Gartner «AI Mandates for the Enterprise Survey 2024», участники называют доступность и качество данных главным препятствием для успешной реализации AI.

Внедряя структурированные данные и разрабатывая надежный граф знаний контента, вы можете способствовать как внешней поисковой эффективности, так и внутреннему AI-развитию.

Масштабируемая стратегия schema markup требует:

1. Определенные отношения между контентом и сущностями: Свойства schema markup связывают весь контент и сущности across the brand. Весь контент страницы связан в контексте.
2. Управление сущностями (Entity Governance): Общие определения и таксономии для команд маркетинга, SEO, контента и продукта.
3. Готовность контента: Обеспечение того, что ваш контент является всесторонним, релевантным, репрезентативным для тем, в которых вы хотите быть известны, и подключен к вашему графу знаний.
4. Техническая возможность: Кросс-функциональные инструменты и процессы для управления schema markup в масштабе и обеспечения точности на тысячах страниц.

Для корпоративных команд структурированные данные — это кросс-функциональная возможность, которая готовит веб-данные к потреблению внутренними AI-приложениями.

Что делать дальше, чтобы подготовить контент для ИИ

Команды предприятий могут согласовать свои контент-стратегии с требованиями ИИ. Вот с чего начать:

1. Проведите аудит ваших текущих структурированных данных, чтобы выявить пробелы в охвате и определить, описывает ли schema markup отношения внутри вашего сайта. Этот контекст критически важен для AI-выводов.
2. Составьте карту ключевых сущностей вашего бренда (продукты, услуги, люди, основные темы) и убедитесь, что они четко определены и последовательно размечены с помощью schema markup across вашему контенту. Это включает в себя определение главной страницы, которая описывает сущность (entity home).
3. Создайте или расширьте ваш граф знаний контента, соединяя связанные сущности и устанавливая отношения, которые могут понять AI-системы.
4. Интегрируйте структурированные данные в бюджет и планирование AI наравне с другими инвестициями в ИИ, и учитывайте, что контент предназначен для AI-сниппетов, чат-ботов или внутренних AI-инициатив.
5. Операционализируйте управление schema markup, разрабатывая повторяемые workflows для создания, проверки и обновления разметки в масштабе.

Предприняв эти шаги, компании могут обеспечить готовность своих данных для ИИ как внутри, так и за пределами предприятия.

Структурированные данные предоставляют машиночитаемый слой

Структурированные данные не гарантируют попадание в AI-сниппеты и не контролируют напрямую то, что большие языковые модели говорят о вашем бренде. LLM по-прежнему в основном обучаются на неструктурированном тексте, а AI-системы учитывают множество сигналов при генерации ответов.

Что действительно предоставляют структурированные данные — так это стратегический, машиночитаемый слой. При использовании для построения графа знаний schema markup определяет сущности и отношения между ними, создавая надежную основу, которую AI-системы могут использовать. Это снижает неоднозначность, укрепляет атрибуцию и упрощает обоснование выводов фактическим контентом, когда структурированные данные являются частью connected системы retrieval или grounding.

Инвестируя в семантическую, крупномасштабную разметку schema markup и согласовывая ее across командами, организации позиционируют себя для максимальной discoverability в AI-результатах.