Semantic HTML и schema.org: как сделать сайт, который цитируют LLM

AI-поисковики не читают страницы целиком — они извлекают фрагменты. ChatGPT, Perplexity, Google AI Overview и Алиса AI разбивают HTML на смысловые блоки (chunks), оценивают каждый независимо и решают, какой процитировать. Если ваш HTML — каша из <div>-обёрток со стилями, а schema.org отсутствует или не соответствует контенту, нейросеть пройдёт мимо. Даже если страница в топ-3 Яндекса.

Этот гайд — техническая инструкция: какой HTML пишет сайт, который цитируют LLM, какие типы schema.org реально влияют на AI-видимость, и как проверить, что разметка работает. С примерами кода, данными исследований и чек-листом для разработчика.

Почему семантический HTML критичен для AI-поиска

LLM-краулеры (GPTBot, YandexAdditionalBot, PerplexityBot) обрабатывают сырой HTML. Они не исполняют JavaScript, не рендерят CSS, не видят визуальную иерархию. Для них <div class="heading-large">Заголовок</div> — просто текст в контейнере. А <h2>Заголовок</h2> — явный сигнал начала тематического блока.

Практический тест: отключите CSS на странице. Если структура всё ещё понятна — заголовки выглядят как заголовки, списки как списки, таблицы как таблицы — HTML семантичен. Если страница превращается в однородную стену текста — для LLM она именно так и выглядит.

Что извлекает LLM из HTML

LLM разбирает страницу на chunks — смысловые блоки, ограниченные заголовками. Каждый chunk оценивается отдельно: насколько он релевантен запросу, содержит ли конкретику, самодостаточен ли без контекста остальной страницы. Chunk, который попадает в ответ, — это обычно абзац или несколько абзацев между двумя заголовками H2.

Из этого следуют три правила:

1. Заголовки H2/H3 — разделители chunks. Каждый H2 начинает новый тематический блок. Формулировка заголовка определяет, по каким запросам chunk будет релевантен
2. Первое предложение после заголовка — главная мысль. LLM часто берёт именно его как ядро цитаты. Если первое предложение — «Давайте разберёмся», шанс на цитирование стремится к нулю
3. Каждый chunk должен быть самодостаточным. Если chunk содержит «это» или «данный метод» без указания, что именно имеется в виду, — при извлечении из контекста цитата теряет смысл

Правила семантического HTML для AI-цитирования

Заголовки: реальные теги, а не стилизованные div

Используйте <h2> для основных разделов, <h3> для подразделов. Не используйте <h2> для визуального акцента на одном слове — заголовок должен описывать тему блока.

<!-- Правильно -->
<h2>Какие типы schema.org влияют на AI-цитирование</h2>

<!-- Неправильно -->
<div class="section-title">Schema.org</div>
<div style="font-size: 24px; font-weight: bold">Типы</div>

Списки: ul/ol вместо абзацев с буллетами

LLM распознаёт <ul> и <ol> как структурированные данные. Абзацы с символами «•» или «—» в начале строки — нет. Пронумерованные списки (<ol>) цитируются чаще: LLM предпочитает чёткую последовательность.

<!-- Правильно -->
<ol>
  <li>Проведите аудит текущей разметки</li>
  <li>Добавьте schema.org на ключевые страницы</li>
  <li>Проверьте валидность через Rich Results Test</li>
</ol>

<!-- Неправильно -->
<p>• Проведите аудит текущей разметки</p>
<p>• Добавьте schema.org на ключевые страницы</p>

Таблицы: реальные table, а не сетки из div

LLM отлично извлекает данные из <table> с <thead> и <tbody>. Сравнительные таблицы — один из самых цитируемых форматов. CSS Grid или Flexbox, стилизованные под таблицу, для LLM — просто набор div-блоков без связей между ячейками.

<table>
  <thead>
    <tr><th>Параметр</th><th>SSR</th><th>SSG</th></tr>
  </thead>
  <tbody>
    <tr><td>Время до первого байта</td><td>200–500ms</td><td>50–100ms</td></tr>
    <tr><td>Нагрузка на сервер</td><td>Высокая</td><td>Минимальная</td></tr>
  </tbody>
</table>

Цитаты: blockquote для выделения ключевых утверждений

Тег <blockquote> сигнализирует LLM, что внутри — значимое высказывание. Используйте для выделения ключевых выводов, экспертных мнений, результатов исследований. Не используйте для декоративных врезок.

Код: pre/code с экранированием

Блоки кода в <pre><code> — для LLM явный сигнал технического контента. Экранируйте спецсимволы: <, >, &. Незакрытые теги внутри примеров кода ломают парсинг всей страницы.

figure и figcaption: контекст для изображений

LLM не видят изображения, но читают alt-текст и figcaption. Тег <figure> с <figcaption> даёт AI контекст: что изображено, почему это важно. Без figure изображение — невидимый элемент. С figure — часть контента.

<figure>
  <img src="/images/core-web-vitals.webp"
       alt="Результаты Core Web Vitals: LCP 1.2s, CLS 0.05, INP 120ms">
  <figcaption>Core Web Vitals сайта после оптимизации:
  все метрики в зелёной зоне</figcaption>
</figure>

Правило: alt-текст описывает содержание изображения (что видно). Figcaption — объясняет значение (почему это важно). Оба текста должны быть информативными, не декоративными. «Фото сайта» — бесполезно. «Результаты Core Web Vitals после оптимизации: LCP снизился с 4.2s до 1.2s» — цитируемо.

Якорные ссылки внутри страницы

Длинные pillar-гайды выигрывают от внутренних якорей: оглавление со ссылками на конкретные H2. Это помогает не только читателям, но и AI-системам: при формировании ответа LLM может сослаться на конкретный раздел страницы, а не на страницу целиком.

В 1С-Битрикс оглавление можно генерировать автоматически из H2/H3 через свойство TOC_AUTO инфоблока. Якоря в H2 добавляются шаблоном, не нужно прописывать id вручную в теле статьи.

Язык разметки vs. визуальный дизайн

Важно понимать разницу: визуальный дизайн страницы и её HTML-структура — разные вещи. Страница может выглядеть идентично при использовании div-обёрток со стилями и при использовании семантических тегов. Для человека разницы нет. Для LLM — разница принципиальна.

На практике я сталкивалась с ситуациями, когда переделка HTML страницы с div-обёрток на семантические теги (без изменения контента и дизайна) приводила к появлению страницы в нейроответах Алисы AI. Визуально ничего не изменилось. Технически — страница стала «читаемой» для AI.

Явное именование сущностей

Когда LLM извлекает chunk из контекста страницы, местоимения теряют референт. «Он позволяет ускорить загрузку» — кто «он»? Пользователь AI-ответа не видит предыдущий абзац.

Правило: в каждом предложении, которое может быть процитировано, используйте явное имя сущности. Не «Он поддерживает SSR и SSG», а «Astro поддерживает SSR и SSG». Это чуть менее элегантно стилистически, но в разы повышает цитируемость.

Schema.org для AI-поиска: что реально работает

В марте 2025 года Google и Microsoft публично подтвердили, что используют schema.org для AI-функций. Google AI Overviews использует структурированные данные для верификации фактов. Microsoft Copilot использует schema.org для понимания контента. Это превратило schema.org из SEO-тактики для rich snippets в инфраструктуру AI-видимости.

Tier 1: типы, которые прямо влияют на цитирование

FAQPage — формат «вопрос-ответ» совпадает с тем, как AI отдаёт информацию. Исследование Relixir (2025): страницы с FAQPage schema цитируются в AI-ответах в 2,7 раза чаще (41% vs 15%). Ответы в FAQ — 40–60 слов, конкретные, с цифрами.

Article / TechArticle — устанавливает тип контента, авторство, дату. После мартовского обновления Google 2026 AI Mode использует Article schema для верификации: автор, дата публикации, дата обновления.

Person (автор) — подтверждает реального эксперта. Обязательно: name, jobTitle, url. Желательно: sameAs (LinkedIn, профессиональные профили), knowsAbout.

HowTo — для пошаговых инструкций. Структурирует шаги так, что AI извлекает и цитирует точно. Каждый шаг — name + text.

Tier 2: усиливают контекст

Organization — идентифицирует бренд. Ключевое: sameAs со ссылками на соцсети и справочники. AI использует для подтверждения, что организация реальна.

BreadcrumbList — помогает AI понять иерархию сайта и связи между страницами. Показывает, где именно в структуре сайта находится контент.

DefinedTerm — для глоссарных страниц. Формат «термин + определение» идеально подходит для AI-цитирования.

Мартовское обновление Google 2026: что изменилось

Core update в марте 2026 изменил роль schema.org:

• FAQ rich results сократились вдвое — Google ограничил показ FAQ-сниппетов страницами, где FAQ — основной контент. Но AI Mode продолжает активно использовать FAQPage schema для верификации
• Schema как сигнал верификации для AI Mode. Gemini-powered AI Mode использует schema для проверки фактов. Точная разметка повышает вероятность цитирования даже без rich results
• Organization + Person стали приоритетными. Сайты с sameAs-идентификаторами показали рост цитирований в AI Mode

Практический вывод: schema.org — не про «красивые сниппеты». Это про то, как AI идентифицирует и верифицирует контент. Разметка должна точно соответствовать видимому контенту.

Серверный рендеринг: обязательное условие

Всё вышесказанное работает при одном условии: HTML-контент должен быть в ответе сервера при первом запросе. LLM-краулеры не исполняют JavaScript. Если контент загружается через fetch-запросы после рендеринга — краулер видит пустую страницу или skeleton.

SSR vs. SSG vs. CSR: что видит AI-краулер

Подход	Что видит краулер	Пример фреймворков	Подходит для AI?
SSG (Static Site Generation)	Полный HTML с контентом	Astro, Next.js (static export), Hugo	Да
SSR (Server-Side Rendering)	Полный HTML, сгенерированный на лету	Next.js (SSR), Nuxt, 1С-Битрикс	Да
CSR (Client-Side Rendering)	Пустой div + JS-бандл	React SPA, Vue SPA без SSR	Нет
ISR (Incremental Static Regeneration)	Кешированный HTML	Next.js (ISR), Astro (hybrid)	Да

1С-Битрикс рендерит HTML на сервере — это SSR по умолчанию. Весь контент из инфоблоков доступен краулеру при первом запросе. Это одно из преимуществ классических CMS перед SPA-фреймворками в контексте AI-поиска.

Если на сайте есть блоки, которые загружаются через AJAX (например, отзывы, цены с API, динамические фильтры) — этот контент для LLM-краулера невидим. Критически важный контент (цены, характеристики, FAQ) должен быть в серверном HTML.

Как проверить, что видит краулер

Используйте curl для просмотра серверного HTML:

curl -s https://your-site.ru/services/web-dev/ | grep -c "<h2"

Если команда возвращает 0 H2, а на странице в браузере они есть — контент рендерится через JavaScript и невидим для AI-краулеров.

Альтернативный способ: View Source в браузере (Ctrl+U). Если в исходном коде видны заголовки и контент — SSR/SSG работает. Если видны только <div id="root"></div> и скрипты — это CSR, и для AI-поиска это проблема.

Entity Graph: связь между сущностями через schema.org

Продвинутый уровень schema.org — не отдельные блоки разметки, а связный граф сущностей. Когда Organization, Person, Article и WebPage связаны через @id и @graph, AI-система видит не изолированные факты, а контекст: этот автор работает в этой компании, написал эту статью, которая находится в этом разделе сайта.

Пример entity graph для сайта компании

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://melanina.ru/#org",
      "name": "m.ai",
      "url": "https://melanina.ru",
      "sameAs": [
        "https://t.me/melanina_mai",
        "https://vc.ru/u/melanina"
      ]
    },
    {
      "@type": "Person",
      "@id": "https://melanina.ru/#author",
      "name": "Валентина Меланина",
      "jobTitle": "CEO",
      "worksFor": {"@id": "https://melanina.ru/#org"},
      "sameAs": ["https://linkedin.com/in/melanina"]
    },
    {
      "@type": "Article",
      "headline": "Semantic HTML и schema.org",
      "author": {"@id": "https://melanina.ru/#author"},
      "publisher": {"@id": "https://melanina.ru/#org"},
      "datePublished": "2026-04-25"
    }
  ]
}

Ключевое: @id создаёт стабильные идентификаторы сущностей. worksFor связывает автора с организацией. publisher связывает статью с организацией. AI-система, обработав этот граф, понимает: статья написана конкретным экспертом из конкретной компании — это усиливает доверие.

На практике entity graph особенно важен для сайтов, которые хотят формировать AI-авторитет бренда. Разрозненные блоки schema.org — лучше, чем ничего. Связный граф — значительно лучше.

Как связать семантический HTML и schema.org

Семантический HTML и schema.org — два слоя одной системы. HTML определяет структуру контента для LLM-краулера. Schema.org определяет метаданные — кто автор, когда опубликовано, какого типа контент, какие сущности описаны.

Ключевое правило: HTML и schema.org должны рассказывать одну историю. Если в Article schema указан автор «Валентина Меланина», а на странице нет видимого имени автора — это расхождение. AI-системы проверяют consistency между разметкой и контентом.

Пример: экспертная статья

HTML-слой (в теле страницы):

<article>
  <h2>Как schema.org влияет на AI-цитирование</h2>
  <p>Страницы с FAQPage schema цитируются в AI-ответах
  в 2,7 раза чаще, чем без неё. Исследование Relixir
  (2025) проанализировало 50 сайтов и показало:
  41% страниц с FAQ-разметкой попадают в ответы
  ChatGPT, Perplexity и Google AI Overview,
  против 15% без разметки.</p>
</article>

Schema-слой (JSON-LD в head, генерируется шаблоном):

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Semantic HTML и schema.org для AI-поиска",
  "author": {
    "@type": "Person",
    "name": "Валентина Меланина",
    "jobTitle": "CEO m.ai",
    "sameAs": ["https://linkedin.com/in/melanina"]
  },
  "datePublished": "2026-04-25",
  "dateModified": "2026-04-25"
}

Два слоя работают вместе: HTML даёт LLM контент для извлечения, schema.org даёт метаданные для верификации и доверия.

Платформенные различия: что предпочитают разные AI-поисковики

Разные AI-системы по-разному обрабатывают HTML и schema.org. Понимание этих различий помогает расставить приоритеты при оптимизации.

Google AI Overview (Gemini)

Строит ответы на основе собственного поискового индекса. Schema.org подтверждённо используется — Google и Microsoft публично заявили об этом в марте 2025 года. FAQPage, Article и Organization schema обрабатываются при формировании AI-ответов. dateModified — критически важен: AI Overview предпочитает свежий контент.

Алиса AI (YandexGPT)

Работает на базе поисковой выдачи Яндекса. Для попадания в нейроответы нужны позиции в топ-10 обычного поиска. Яндекс оценивает страницы по критериям ЭПОС: Экспертность, Полезность, Оригинальность, Содержательность. Семантический HTML с чёткой структурой напрямую влияет на оценку содержательности. Schema.org используется в рамках общей поисковой индексации Яндекса.

ChatGPT (GPTBot)

Использует собственную систему поиска на базе Bing. Исследование Semrush показало, что 90% страниц, цитируемых ChatGPT, не входят в топ-20 Google по аналогичным запросам. Это значит, что для ChatGPT структура контента может быть важнее, чем классические SEO-позиции. ChatGPT предпочитает нейтральный, авторитетный контент с внешними цитатами.

Perplexity AI

Тянет контент из веба в реальном времени — реагирует на изменения быстрее всех AI-поисковиков. Любит конверсационный формат, практические примеры и опытные ответы. FAQ-структура — особенно эффективна для Perplexity.

Сводная таблица

AI-система	Источник данных	Приоритет schema	Скорость реакции на изменения
Google AI Overview	Индекс Google	Высокий (подтверждён)	Зависит от переиндексации
Алиса AI	Индекс Яндекса	Средний (через общий индекс)	Обновление раз в неделю (SoV)
ChatGPT	Bing + собственный индекс	Не подтверждён, но вероятен	Медленно (циклы обновления)
Perplexity	Веб в реальном времени	Не подтверждён	Быстро (real-time)

Практический вывод: оптимизируйте в первую очередь под Google AI Overview и Алису AI — они используют классический поисковый индекс, а значит, семантический HTML и schema.org дают наибольший эффект. Для ChatGPT и Perplexity семантический HTML критичен, но schema.org — скорее бонус.

Типичные сценарии: schema.org для разных типов страниц

Не все страницы сайта требуют одинаковой schema-разметки. Вот рекомендуемый набор для каждого типа:

Экспертная статья / pillar-гайд

• Article (или TechArticle) — headline, author, datePublished, dateModified, publisher
• Person — для автора с jobTitle, sameAs, knowsAbout
• FAQPage — если есть FAQ-блок
• BreadcrumbList — путь в структуре сайта

Страница услуги

• Service — serviceType, provider, areaServed, offers (с ценой)
• Organization — provider услуги
• FAQPage — обязательно: «сколько стоит», «сколько времени», «что входит»
• AggregateRating — если есть отзывы

How-to туториал

• HowTo — с name, step (массив шагов), estimatedCost, totalTime
• Article — базовый тип
• Person — автор

Глоссарная страница

• DefinedTerm — name, description
• BreadcrumbList — Главная → Глоссарий → Термин

Страница «О компании»

• Organization — name, url, logo, sameAs (массив соцсетей и справочников), foundingDate, founder
• Person — для ключевых сотрудников

Страница «Об авторе»

• Person — name, jobTitle, worksFor, sameAs, knowsAbout, alumniOf
• ProfilePage — mainEntity ссылается на Person

Инструменты для проверки и мониторинга

После внедрения семантического HTML и schema.org используйте следующие инструменты для проверки:

Валидация schema.org

• Google Rich Results Test — проверяет валидность JSON-LD и показывает, какие rich results доступны. Основной инструмент
• Schema.org Validator — проверяет соответствие спецификации. Более строгий, чем Google Rich Results Test
• Google Search Console → Rich Results Report — показывает ошибки и предупреждения по schema.org для проиндексированных страниц

Проверка HTML-семантики

• View Source (Ctrl+U) — базовая проверка: контент в HTML, заголовки реальные, списки семантические
• curl + grep — быстрая проверка серверного HTML: curl -s URL | grep -c "<h2"
• Отключение CSS — Web Developer extension → Disable CSS. Если структура сохранилась — HTML семантичен
• Lighthouse (вкладка Accessibility) — проверяет правильную иерархию заголовков и семантику

Мониторинг AI-видимости

• Яндекс Вебмастер → Видимость сайта в Алисе AI — бесплатный, обновляется раз в неделю
• Ручная проверка — 10–20 целевых запросов в Алисе AI, Google AI Overview, ChatGPT, Perplexity раз в месяц
• Ahrefs AI Index, Profound, Peec AI — платные сервисы для мониторинга западных AI-платформ

Антипаттерны: что убивает AI-цитирование

Антипаттерн	Почему убивает цитирование	Как исправить
div-ы вместо семантических тегов	LLM не видит структуру — для него всё один блок текста	Заменить на h2, h3, ul, ol, table, blockquote
JavaScript-рендеринг контента	LLM-краулеры не исполняют JS — видят пустую страницу	SSR или SSG: контент в HTML при первом ответе сервера
Местоимения в ключевых предложениях	Chunk теряет смысл вне контекста: «Он позволяет…» — кто?	Явное именование: «Astro позволяет…»
Первый абзац — вода	LLM берёт первые предложения как ядро цитаты	Первое предложение = ответ на заголовок
Schema не соответствует контенту	AI-системы проверяют consistency — расхождение снижает доверие	Schema описывает только видимый контент
Нет dateModified	AI предпочитает свежий контент — без даты страница проигрывает	Обновлять dateModified при каждом изменении контента
Стилизованные «списки» из абзацев с буллетами	LLM не распознаёт как структурированные данные	Реальные ul/ol с li

Микроформаты контента: 9 паттернов, которые цитируют LLM

Исследование KIME (апрель 2026) выявило 9 паттернов структуры контента, которые увеличивают частоту цитирования в 2–4 раза. Все они опираются на семантический HTML.

1. Answer-first абзацы

Первое предложение после H2 — прямой ответ на заголовок. Не введение, не контекст, не история вопроса. Ответ. LLM берёт первое предложение как ядро цитаты. Если оно содержит «Давайте разберёмся» или «В последнее время всё чаще» — chunk проигрывает.

Пример: заголовок «Сколько стоит разработка сайта на Astro». Первое предложение: «Разработка корпоративного сайта на Astro стоит от 300 000 руб. и занимает 4–8 недель». Не «Стоимость разработки сайта зависит от многих факторов».

2. Описательные H2/H3

Заголовок — полноценный вопрос или утверждение, совпадающее с поисковым запросом. «Как schema.org влияет на AI-цитирование» — хорошо. «Schema.org» — плохо (неинформативно). «Важная информация» — бесполезно.

3. Самодостаточные секции

Каждый H2-блок должен быть понятен без контекста остальной страницы. LLM извлекает chunk изолированно — если он начинается с «Как мы уже говорили выше» или ссылается на предыдущий раздел без пояснения, — цитата теряет смысл.

4. Абзацы с одной идеей

Один абзац — одна мысль. 2–4 предложения. Длинные абзацы с несколькими идеями LLM парсит хуже: при извлечении часть контекста теряется. Короткие абзацы с чёткими topic sentences — идеальный формат для извлечения.

5. Сравнительные таблицы

LLM отлично извлекает данные из таблиц. Сравнение двух-трёх вариантов в формате table — один из самых цитируемых форматов. Обязательно: реальный <table> с <thead> и <tbody>, а не CSS Grid.

6. Пронумерованные процессы

Списки <ol> с шагами процесса — второй по популярности формат цитирования после таблиц. «5 шагов GEO-оптимизации», «3 этапа аудита» — LLM извлекает весь список целиком или отдельные пункты.

7. Факто-насыщенные предложения

Предложения с конкретными цифрами, датами, именами — предпочтительные единицы для цитирования. «Исследование Princeton (KDD 2024) показало рост видимости до 40%» — факт, который LLM процитирует. «Видимость может значительно увеличиться» — нет.

8. Явное именование сущностей

Повторю: каждое предложение, которое может быть извлечено из контекста, должно содержать явное имя субъекта. «Astro поддерживает SSR и SSG», а не «Он поддерживает SSR и SSG». При извлечении местоимение теряет референт.

9. Чистый семантический HTML

Все предыдущие 8 паттернов работают только если HTML семантичен. div-обёртки с CSS-классами не дают LLM структуры. Реальные h2, ol, table, blockquote — дают.

Частые вопросы от разработчиков

Нужно ли переделывать все страницы сразу?

Нет. Начните с 5–10 самых важных страниц: главные услуги, ключевые гайды, страница «О компании». Замерьте результат через 4–8 недель. Затем масштабируйте на остальные страницы.

Работает ли это для SPA на React/Vue?

Только с SSR. Чистый CSR (Client-Side Rendering) невидим для LLM-краулеров. Если проект на React — используйте Next.js с SSR или SSG. На Vue — Nuxt. Или добавьте prerendering для ключевых страниц.

Как быть с динамическим контентом (цены, наличие)?

Критически важные данные (цены, характеристики, FAQ) должны быть в серверном HTML. Динамические элементы (корзина, онлайн-статус, персонализация) могут загружаться через JS — они не нужны для AI-цитирования.

Влияет ли CSS на AI-видимость?

Нет. LLM-краулеры не обрабатывают CSS. display: none скрывает контент от людей, но не от краулеров. Однако Google может наказать за hidden text — если скрытый контент отличается от видимого. Правило: schema.org и HTML должны описывать только видимый контент.

А что с AMP-страницами?

AMP использует семантический HTML по умолчанию. Если у вас AMP-версии страниц — они уже хорошо структурированы для LLM. Но AMP-проект в значительной степени свёрнут, и инвестировать в него не стоит. Лучше сосредоточиться на обычных HTML-страницах с SSR.

Чек-лист для разработчика

Семантический HTML

1. Все заголовки — реальные h2/h3, не стилизованные div
2. Все списки — ul/ol, не абзацы с символами буллетов
3. Все таблицы — реальные table с thead/tbody, не CSS Grid
4. Контент рендерится на сервере (SSR/SSG), не только через JS
5. Каждый H2-блок самодостаточен — понятен без контекста страницы
6. В ключевых предложениях — явные имена сущностей, не местоимения
7. Первое предложение после H2 — topic sentence с главной мыслью
8. Отключите CSS — структура всё ещё читаема

Schema.org (JSON-LD)

1. Article + Person (автор) + BreadcrumbList — на каждой статье
2. FAQPage — на страницах с FAQ-блоком
3. HowTo — на туториалах с пошаговыми инструкциями
4. Organization с sameAs — на странице компании
5. datePublished и dateModified актуальны и совпадают с видимыми датами
6. Автор в schema совпадает с автором на странице
7. Валидация через Rich Results Test — без ошибок

Проверка

1. Откройте страницу через curl или View Source — весь контент в HTML?
2. Проверьте Rich Results Test — schema валидна?
3. Отключите CSS — структура читаема?
4. Возьмите любой H2-блок изолированно — он понятен без остальной страницы?

Свежесть контента: dateModified как сигнал доверия

AI-системы учитывают свежесть контента. Страница с dateModified: 2024-01-15 проиграет странице с dateModified: 2026-04-25 при прочих равных — AI предполагает, что свежий контент более точен.

Правила работы с датами:

• Обновляйте dateModified при каждом существенном изменении контента. Исправление опечатки — не повод. Обновление цифр, добавление нового раздела, актуализация рекомендаций — повод
• dateModified должен совпадать с видимой датой на странице. Если в schema.org стоит «обновлено 25 апреля 2026», а на странице дата не видна или стоит другая — AI фиксирует расхождение
• Не обновляйте dateModified без реального обновления контента. AI-системы могут сравнивать кеш страницы. Если dateModified изменился, а контент — нет, это обман, и доверие падает
• Добавляйте год в быстро устаревающие факты. «По состоянию на апрель 2026 года» рядом с цифрами и утверждениями, которые могут измениться. Это помогает и AI, и читателю оценить актуальность

В 1С-Битрикс dateModified можно генерировать автоматически из поля TIMESTAMP_X инфоблока — оно обновляется при каждом сохранении элемента.

Практический пример: до и после оптимизации

Разберём реальный пример — страница услуги «Разработка сайтов». Покажу, как семантический HTML и schema.org трансформируют страницу из «невидимой» для AI в «цитируемую».

До оптимизации

<div class="service-page">
  <div class="hero-title">Разработка сайтов</div>
  <div class="hero-text">Мы создаём современные сайты
    с индивидуальным подходом к каждому клиенту.
    Наша команда профессионалов поможет вам
    реализовать проект любой сложности.</div>
  <div class="features">
    <div class="feature">• Уникальный дизайн</div>
    <div class="feature">• Адаптивная вёрстка</div>
    <div class="feature">• SEO-оптимизация</div>
  </div>
</div>

Проблемы: div вместо h2, «мы команда профессионалов» вместо конкретики, буллеты как div-ы, нет цифр, нет FAQ.

После оптимизации

<h2>Сколько стоит разработка сайта на Astro</h2>
<p>Разработка корпоративного сайта на Astro
  занимает 4–8 недель и стоит от 300 000 руб.
  В стоимость входит: прототипирование в Figma,
  адаптивная вёрстка, интеграция с CMS,
  настройка Core Web Vitals до зелёной зоны
  (LCP &lt; 2.5s, CLS &lt; 0.1).</p>

<h3>Что входит в разработку</h3>
<ol>
  <li>Аудит бизнес-задач и аналитика (1 неделя)</li>
  <li>Прототипирование и дизайн в Figma (1–2 нед.)</li>
  <li>Вёрстка и интеграция с CMS (2–3 нед.)</li>
  <li>Тестирование и запуск (1 неделя)</li>
</ol>

Результат: H2 совпадает с поисковым запросом, первое предложение содержит цену и сроки, пронумерованные шаги в ol, конкретные метрики. Любой chunk этой страницы — готовый ответ для AI-поисковика.

Как измерить результат

После внедрения семантического HTML и schema.org измеряйте три уровня:

Rich results (1–4 недели). Google Search Console → отчёт Rich Results. Рост impressions и CTR для страниц с новой разметкой.

AI-цитирование (4–8 недель). Еженедельная проверка 10–20 целевых запросов в AI-поисковиках. Фиксация: цитируется ли сайт, какая страница, какой chunk. Инструмент Яндекса «Видимость в Алисе AI» покажет динамику Share of Voice.

Perplexity реагирует быстрее всех — она тянет контент из веба в реальном времени. ChatGPT обновляется медленнее — зависит от циклов обновления индекса Bing. Google AI Overview — зависит от классического поискового индекса.

По данным практиков, большинство сайтов видят измеримые изменения в AI-цитировании через 30–45 дней после структурных изменений в HTML и schema.org.

Пошаговый план внедрения: от аудита до результата

Неделя 1: аудит текущего состояния

Проверьте 5 самых важных страниц сайта по следующим критериям:

1. Откройте исходный код (Ctrl+U). Весь контент в HTML? Или загружается через JavaScript?
2. Найдите заголовки. Это реальные h2/h3 или стилизованные div-ы?
3. Найдите списки. Это ul/ol или абзацы с символами буллетов?
4. Есть ли таблицы? Реальные table или CSS Grid?
5. Проверьте schema.org через Google Rich Results Test. Есть ли ошибки?
6. Есть ли FAQPage schema на страницах с FAQ-блоками?
7. Указан ли автор в schema.org? Совпадает ли с видимым автором на странице?
8. Актуальна ли dateModified?

Зафиксируйте результат. Для каждой страницы составьте список задач.

Неделя 2: исправление HTML

Начните с технической основы — замена div-обёрток на семантические теги. Это самая простая часть, но с максимальным эффектом. В 1С-Битрикс шаблоны компонентов обычно уже используют семантический HTML. Проверьте шаблон вашей темы — возможно, проблема не в CMS, а в кастомном шаблоне.

Для каждой страницы:

• Замените стилизованные заголовки на h2/h3
• Замените текстовые буллеты на ul/ol
• Замените CSS-сетки, используемые как таблицы, на реальные table
• Добавьте figure/figcaption к ключевым изображениям
• Перепишите первое предложение каждого H2-блока как прямой ответ на заголовок
• Замените местоимения на явные имена сущностей в ключевых предложениях

Неделя 3: внедрение schema.org

Добавьте JSON-LD разметку. Приоритет:

1. Organization — на все страницы (через шаблон сайта)
2. Person — для авторов экспертного контента (через шаблон статей)
3. Article — на все статьи и гайды (через шаблон)
4. FAQPage — на страницы с FAQ (через компонент FAQ)
5. BreadcrumbList — на все страницы (через навигационный компонент)

В 1С-Битрикс schema.org удобно генерировать через шаблон компонента — JSON-LD формируется на основе данных из инфоблока и выводится в head страницы. Не нужно прописывать разметку вручную в каждой статье.

Неделя 4: контентная оптимизация

После технической подготовки — работа с контентом:

• Добавьте FAQ-блоки на страницы услуг (5–8 вопросов)
• Перепишите лиды (первые абзацы) — они должны быть самодостаточными ответами
• Добавьте сравнительные таблицы, где это уместно
• Убедитесь, что каждый H2-блок самодостаточен
• Добавьте цифры и ссылки на источники

Неделя 5–8: измерение результата

Через 4 недели после внедрения начните измерять:

• Rich Results Test — все ли schema валидны?
• Google Search Console — Rich Results Report, рост impressions
• Яндекс Вебмастер — «Видимость в Алисе AI», динамика SoV
• Ручная проверка 10–20 запросов в AI-поисковиках

По данным практиков, первые измеримые результаты в AI-цитировании появляются через 30–45 дней. Perplexity реагирует быстрее (real-time crawling), ChatGPT — медленнее (зависит от обновления индекса Bing), Google AI Overview — в рамках обычного цикла переиндексации.

Почему это работает: механика AI-поиска

Генеративный поисковик работает по архитектуре RAG (Retrieval-Augmented Generation): сначала поисковая система находит релевантные страницы (retrieval), затем LLM генерирует ответ на основе найденных источников (generation).

На этапе retrieval критичны классические SEO-факторы: релевантность, авторитетность, ссылочная масса. На этапе generation критичны факторы, которые мы обсуждаем в этом гайде: структура HTML, schema.org, самодостаточность chunks, конкретика контента.

Страница может пройти этап retrieval (попасть в топ-10 поиска), но не пройти этап generation (не быть процитированной). Это происходит, когда контент есть, но LLM не может его извлечь — потому что HTML неструктурирован, первые предложения — вода, таблицы — стилизованные div-ы.

Семантический HTML и schema.org решают именно этот gap: превращают страницу из «найденной, но непроцитированной» в «найденную и процитированную».

По данным исследования Princeton (KDD 2024), правильная структура повышает видимость в генеративных ответах до 40%. А для малых сайтов эффект ещё выше — до 115% для метода Cite Sources. Это делает семантический HTML и schema.org одной из самых доступных и эффективных стратегий AI-оптимизации: затраты на внедрение минимальны, а результат — измеримый рост цитирования в нейроответах.