Myter om LLM-synlighet: schema, llms.txt och nämnningar

Schema-frågan, långsamt

Schema.org-markup beskriver en sida på ett maskinläsbart sätt. Enkelt. Google har sagt att strukturerad data inte krävs för dess AI-funktioner, även om det fortfarande hjälper till med rika resultat, vilket är en egen bra anledning att lägga till det.

Huruvida det matar modeller direkt är okänt. Ingen utanför leverantörerna vet. Vi skulle testa det på det tråkiga sättet: markera hälften av en uppsättning liknande sidor, lämna hälften tomma, och logga citeringar i åtta veckor.

Praktiker rapporterar blandade erfarenheter, inklusive mycket tystnad efter fullständig markup. Tystnad är data. Begrav den inte under en ny omgång taggar.

Författarbios och 'expert'-kvalifikationer får samma behandling. De hjälper läsare att avgöra om de kan lita på dig, vilket är skäl nog, och ingen studie vi har sett visar att en modell föredrar en sida eftersom en bio fanns.

Färskhet dyker upp varje gång. Sidor med ett aktuellt uppdateringsdatum syns ofta i AI-svar om nyhetsliknande ämnen, och Google har länge använt färskhet för frågor som förtjänar det. Ändå är att bara uppdatera ett datum utan att ändra innehåll en vana vi inte skulle lita på, och Google har sagt att de inte gillar det.

Nämnningar: det billigare valet

Om en modell läser text kan en tydlig beskrivning av ditt varumärke på andra webbplatser vara viktig även utan en länk. Att hitta sådana sidor är vanligt outreach-arbete.

Börja med ditt eget varumärke. Sök på det, ta bort webbplatser som redan länkar, och lista resten. Be sedan om en länk eller en enklare beskrivning. Verktyg som Ahrefs och Semrush har nämnningsvarningar, och vår länkprofilhämtning visar vem som länkar till konkurrenterna du avundas.

En slutlig varning om byråer. Att sälja LLM-synlighetsrevisioner är en ny verksamhetsgren, och vissa rapporter är tunna. Fråga vad som provades, när, och vad som hade ändrat deras slutsats.

Inget av detta gör markup meningslös. Det säger att den påstådda effekten är omättad. Använd en timme, inte en kvart, och behåll din huvudinsats på sidor som människor faktiskt vill läsa.

Vad schema faktiskt gör

Markup har verkliga uppgifter även när AI-frågan är öppen. Det är värt att ha dessa uppgifter i åtanke, så att ett null-resultat på citeringar inte förväxlas med ett null-resultat på allt.

Rika resultat och behörighet

Strukturerad data kan göra en sida behörig för rika resultatfunktioner i klassisk Googlesökning, där markups läses och kontrolleras. Den fördelen är konkret och beror inte på något påstående om AI-svar.

Om du lägger till markup av den anledningen, validera den med ett verktyg för test av rika resultat innan du publicerar. Behandla någon effekt på AI-svar som en bonus du inte har mätt.

Parsing och tydlighet

Markup anger fakta i ett fast format, såsom ett produktnamn, en författare eller ett datum. En parser som läser sidan kan ta dessa fält utan att gissa. Den tydligheten hjälper alla verktyg som arbetar från sidans struktur.

Tydlighet är inte detsamma som citering. En sida kan vara lätt att parsas och aldrig citeras, och en annan kan citeras utan någon markup alls.

Vad det inte visar

Schema är inte en lista över röster som modeller summerar. Vi har sett ingen kontrollerad studie som kopplar markup ensam till en förändring i citeringar, så någon som lovar ett hopp bör visa provmaterialet bakom det.

Tystnad efter att ha lagt till markup är ett normalt utfall av ett test. Avsnittet nedan förklarar varför det kan hända utan att markups är värdelös.

Varför folk ser ingen förändring

LLM-synlighet beror på många saker samtidigt, och en enda förändring sticker sällan ut. Ha det i åtanke innan du dömer ett resultat.

Vevan kan ligga någon annanstans

En sidas chans att citeras beror på dess crawlbart, dess innehåll, dess länkar och frågan i sig. Markup rör en av dessa. När allt annat förblir detsamma kan en markup-endast-förändring vara för liten att se.

Innan du skyldar markups, kontrollera grunderna. Bekräfta att sidan är indexerad, och att dess text syns i HTML snarare än bara efter att ett skript har körts.

Fråge-fan-out skickar människor någon annanstans

Vissa praktiker beskriver fråge-fan-out, där en fråga blir flera undersökningar. Om så är hur en modell samlar källor kan sidan du markerade citeras för en underfråga du aldrig spårade. Det är en anledning till att en enskild prompt-kontroll vilseleder.

Inkludera några underfrågor i din prompt-uppsättning, och registrera vilka sidor som visas för varje.

Mät innan du drar slutsatser

Ett resultat behöver ett prov och en baslinje. Åtta veckor av loggade prompts, uppdelade i två grupper, är en modest test som fortfarande kan vara fel. Skriv dess begränsningar bredvid resultatet.

Publicera även nollorna. Ett test som inte hittade något är fortfarande användbart för nästa person som ställer samma fråga.

Rendering och vad modeller kan läsa

Text är materialet en modell arbetar från, så frågan om vad den kan läsa är värd att testa snarare än att anta.

Innehåll som visas efter ett skript

Vissa innehåll visas bara efter att ett skript har körts. Huruvida en given assistent kan se det innehållet är något du kan testa. Jämför texten en assistent citerar med vad en vanlig HTML-hämtning returnerar.

Om den citerade texten saknas i vanlig HTML beror sidan på rendering. Det är värt att veta innan du lägger till någon markup.

Markup läst som tokens

Vissa praktiker argumenterar att modeller bryter JSON-LD till tokens och förlorar sin struktur, så markups lägger till lite. Argumentet är plausibelt, och såvitt vi vet är det outtestat. Ingen sida har visat det med ett rättvist prov.

Behandla det som en hypotes för ditt eget test, inte som en regel att citera i en klientrapport.

Frågor om markup och AI-svar

Några frågor som dyker upp när folk börjar testa markup på sina egna sidor.

Ska jag ta bort schema om det inte hjälper AI-svar?

Inte på detta bevis. Markup tjänar fortfarande klassiska sökfunktioner och gör en sida tydligare för parsers. Ta bort det bara om det är fel, utdaterat eller vilseledande.

Är en llms.txt-fil värd en timme?

Kanske, som ett billigt experiment. Förslaget dateras från september 2024, och vi har sett ingen stor leverantör bekräfta att den läser filen, så förvänta dig inte ett synligt resultat.

Hjälper författarbios med citeringar?

Ingen studie vi känner till visar det. Bios kan hjälpa läsare att döma en sida, vilket är en skälig anledning att behålla dem, men någon citeringseffekt är outtestad.

Hur många sidor ska ett test inkludera?

Tillräckligt för att de två grupperna kan jämföras utan att en sida dominerar resultatet. Tio till tjugo liknande sidor är ett rimligt start för ett första test, även om rätt antal beror på hur mycket dina prompts varierar.