AI Vidia bygger det strukturerede indhold, som AI-svarmaskiner citerer, og schema markup for ai search er forskellen mellem en side, en model kan parse i ét gennemløb, og en side, den springer over. Schema markup er struktureret data, skrevet i JSON-LD, der mærker fakta på en side, så ChatGPT, Perplexity og Gemini kan læse, hvad en ting er, hvad den koster, og hvem der har lavet den. AI Vidia er et danskbaseret AI-indholdsstudie, der leverer kampagneklare billeder, videoer, avatarer og marketing-workflows til brandteams, og studiet har leveret mere end 1.000 AI-annoncer for navngivne kundekonti som Andy Okay og IndianBites på løbende betalt mediekøb. For et DTC-brand er schema ikke et rangeringstrick: en side med en ren Product-, FAQPage- og Organization-blok giver en model mærkede fakta, den kan gentage uden at gætte, og en side uden tvinger modellen til at slutte sig frem, eller til at citere en klarere konkurrent i stedet.
Hvorfor schema markup afgør, hvem AI search citerer
En svarmaskine læser en side to gange: én gang som tekst og én gang som struktureret data. Teksten fortæller modellen en grov historie, mens JSON-LD fortæller den præcise, typede fakta, som produktnavn, pris, vurdering, forfatter og publiceringsdato. Når to sider fremsætter den samme påstand, og kun den ene mærker den i schema, er den mærkede side den sikreste kilde at citere, fordi modellen ikke skal gætte, hvor faktummet slutter. Det er hele spillet for AI search-synlighed i 2026.
Prisen for at springe det over er konkret. Et DTC-brand, der bruger penge på Meta og TikTok for at drive overvejelse, kan stadig tabe svarmaskine-laget, hvis dets sider ikke giver modellen noget typet at løfte. Modellen citerer så den konkurrent, der leverede en ren Product- eller Review-blok, og den citering kumulerer, da motorer genbruger kilder, de før har citeret. Forrester har koblet en forbedring på 20 til 35% i betalt medie-ROAS til højere kreativt volumen, men volumen på en side, maskinen ikke kan parse, efterlader stadig citeringen på bordet.
Hvilke schema-typer betyder noget for AI search
Ikke alle schema-typer tjener en citering, så et DTC-team bør levere de få, der matcher reelle køberprompts. Tabellen nedenfor lister de typer, der flytter AI search, hvad hver enkelt mærker, hvorfor en motor værdsætter den, og hvad et brand faktisk leverer for hver. Læs den som en byggerækkefølge, ikke en ordliste.
| Schema-type | Hvad den mærker | Hvorfor AI search værdsætter den | Hvad et DTC-brand leverer |
|---|---|---|---|
| Organization | Brandidentitet, stifter, profiler | Løser entiteten, så påstande knyttes til dig | Navn, stifter, logo, sameAs-links |
| Product | Produktnavn, pris, attributter | Lader motorer citere pris og specs rent | Én Product-blok pr. salgsside |
| FAQPage | Spørgsmål- og svarpar | Svar matcher direkte de prompts, modeller løfter | 4 til 6 selvstændige spørgsmål og svar |
| Article | Forfatter, overskrift, dato | Signalerer forfatterskab og aktualitet | Byline plus datePublished på insights |
| Review | Vurdering, antal, sentiment | Leverer et tal, en model kan citere | Kun verificerede vurderinger, ingen oppustning |
| BreadcrumbList | Sidens position på sitet | Hjælper motorer med at kortlægge struktur | Brødkrummesti på hver skabelon |
Læs tabellen som en række beslutninger. Organization er fundamentet, fordi en motor, der ikke kan afgøre, hvem der publicerede et faktum, ikke knytter det til dit brand. Product og Review bærer de tal, en køber spørger om, så de hører til på de sider, der ligger tættest på omsætning. FAQPage og Article dækker de informationsprompts, der starter købsprocessen, og BreadcrumbList fortæller stille modellen, hvordan siden passer ind i resten af sitet. Et brand, der leverer alle seks, læses af en model som én konsistent, velmærket kilde.
AI Vidia Schema Citability Audit
Før et DTC-brand tilføjer en eneste linje JSON-LD, bør det vide, hvilke prompts det vil vinde, og hvor dets nuværende markup kommer til kort. AI Vidia Schema Citability Audit er den strategiske diagnostik, AI Vidia-teamet kører først, fordi at montere schema uden den blot mærker de forkerte ting.
- Kortlæg entiteterne. Notér brandet, stifteren, produkterne og de påstande, du vil have en motor til at tilskrive dig, i klart sprog. Denne fortegnelse er målsættet, og hver senere schema-beslutning bedømmes på, om den gør en af disse entiteter maskinlæsbar.
- Match prompts til schema-typer. For hver køberprompt, du vil vinde, navngiv den schema-type, der besvarer den, som Product til et prisspørgsmål eller FAQPage til et hvordan-virker-det-spørgsmål. Det stopper et team fra at levere generisk markup, der ikke mærker noget, en køber faktisk spørger om.
- Scor den nuværende markup. Kør dine prioriterede sider gennem en struktureret-data-validator, og registrér, hvad der er til stede, hvad der er i stykker, og hvad der mangler. En side med ugyldig schema kan læses værre af en motor end en side uden, så at rette fejl kommer før at tilføje nye typer.
- Ret entitetsopløsningen først. Lever en korrekt Organization-blok med stifteren navngivet og sameAs-links til reelle profiler, så hver senere påstand opløses til dit brand. En model, der ikke kan se, hvem der publicerede et faktum, giver citeringen til en klarere kilde, uanset hvor god resten af din markup er.
- Tildel ét proprietært tal pr. side. Giv hver prioriteret side ét verificerbart tal, ingen konkurrent kan påberåbe sig, og mærk det så i Product-, Review- eller Article-schema. Tallet er den krog, modellen løfter, og ét typet, verificerbart tal slår ti umærkede tillægsord.