構造化データはAIのコンテンツ理解に役立たない!?←実験から判明

「役立たない」と「3.2倍効く」が両方とも正しい理由

構造化データをめぐっては、相反する2つの実験結果が知られています。この矛盾を正しく分解できないと、「スキーマを入れたのに引用されない」「入れても無駄だった」という誤った結論に至ります。

「役立たない」という実験は内部知識モードを測っていた可能性が高く、「3.2倍効く」という調査はリアルタイム検索（AI Overview引用）を測っていた。測定対象が違うのです。

2026年5月の決定的な変化 — スキーマは「検証材料」に役割転換した

2026年5月7日、GoogleはFAQリッチリザルトの表示を完全終了しました。見た目の装飾は消えましたが、スキーマの本質的価値はむしろ上がっています。理由は、AIがコンテンツの主張を裏取りする「検証材料」としてスキーマを参照するようになったからです。

• AI Overview / AI Mode は、本文の主張と構造化データの整合を照合して「信頼できる情報か」を判定する
• 検索結果Top10とAI引用元の重なりは約70%から20%未満に低下——順位だけでは引用されない
• 構造化データは、AI引用を取りにいくための数少ない能動的な技術レバーとして残っている

2026年6月補足 — 「効くか」を論じる前に「正しく書けているか」を検証する

構造化データが「役立つ/役立たない」を議論する前提として、そもそも記述が正しく読み取れる状態かを確かめる必要があります。JSON-LDのカンマ抜けや必須プロパティの欠落があれば、AIにもGoogleにも無視され、「効果ゼロ」という誤った結論になってしまうからです。

• リッチリザルトテスト（search.google.com/test/rich-results）— Google固有の解釈で、検索・AI Overviews 向けに認識されるかを確認
• Schema Markup Validator（validator.schema.org）— schema.org 仕様準拠で構文的な正しさを確認
• 両方でエラー0を確認してから「効果があるか」を測るのが正しい順序

検証ツールの詳しい使い分けは 構造化データとLLM：役立つ場合と役立たない場合 にまとめています。「役立たないと思っていたが、実は壊れていただけ」というケースは少なくありません。

構造化データに頼らずAI検索に引用される方法 — 代替施策

「構造化データが効かないなら、何で引用されるのか」。スキーマに依存しないで AI検索（ChatGPT Search / Perplexity / AI Overview）に引用されるための施策は、実は数多くあります。

• 結論の先出し（front-loading）: AIは答えをページ上部に置くコンテンツを好む。ある実データでは LLM引用の44.2%がページ上部30%から取られている。スクロールが必要な答えは引用されにくい
• 抽出しやすい構造: 明快な見出し階層、Q&A形式、明確な結論。AIは段落・表・構造化された回答を抜き出す
• 一次情報・独自データ・精密な事実: Perplexityは検証可能な情報を探す。曖昧な記述より、具体的事実・オリジナルデータが引用されやすい
• 複数ソースでの一貫性（consensus signals）: 業界メディア・レビュー・各所で同じ情報が一貫して現れると、AIが「合意シグナル」で自信を持つ。名称・URL・説明などエンティティの一貫性が鍵
• 被リンク・権威性: プラットフォーム横断の言及・引用が土台

なお、ChatGPTとPerplexityの両方に引用されるドメインはわずか11%、Google AI OverviewsとAI Modeが同一URLを引用するのも13.7%のみ。AIごとに情報源の好みが異なるため、1プラットフォーム最適化ではなく、総合的な権威性と一貫性が必要です。（出典: AI検索最適化に関する各種 2025-2026 調査）

ペトロヴィッチの実験は何を示し、業界はどう受け止めたか

この記事の元になった実験を、改めて正確に整理します。Dan Petrovic（DEJAN）は、同一HTMLを「JSON-LD あり版」と「なし版」の2つのURLに用意し、ChatGPT（GPT-5）のブラウジング機能で取得・分析させました。結果、ブラウジングツールは両ページともプレーンテキストのみを返し、JSON-LDやメタスキーマは抽出されなかった。彼の結論は「スキーマがモデルに届いている証拠は見当たらない」でした。

これに対し、業界の受け止めは賛否に分かれています。

• 賛同寄り: 「スキーマは LLM の学習に使われていない」として拡散された
• 補正・反論: 「一部のAIプラットフォームはスキーマを使い、他は使わない＝設計上の選択である」との指摘。また「AIが隠れたスキーマを直接読まなくても、スキーマは検索スニペットをリッチにし、AIがそのスニペットを消費する＝間接的に効く」との見解
• 構造化データ推進派: 「エンティティをリンクしたスキーマは、AIにブランド理解の文脈を与える」と戦略的価値を主張

論争の本質は「スキーマが直接モデルに届くか」と「間接的・エンティティ確立に効くか」で論点がずれていることにあります。「直接は届かない、だが間接的価値はある」が、2026年時点の妥当な理解です。

なぜトークン化が構造化データ理解を難しくするのか

LLMは、JSON-LD文字列を含むHTMLを、他の散文と同じようにトークン化して処理します。このため一部の論者は「構造化データが明確な知識レイヤーとして扱われず、『統計的スープ』に還元される」と批判します。トークン化によって、階層やキーと値の関係といった構造情報が平坦化されうる、という技術的論点です。

ただし反論もあります。推論モデル・RAG（検索拡張生成）・ナレッジグラフと組み合わせれば、現代のLLMは構造化データを活用できるようになりつつある。推進派は「本当の問題はトークン化ではなくハルシネーションであり、スキーマは機械可読な明示フォーマットで曖昧さを排除する」と主張します。トークン化の弱点を認めつつ、別の価値を強調する立場です。

📌 関連コンテンツ

• 🔧 コウゾウ — 構造化データ生成ツール — JSON-LDを即座に生成
• 🔧 AI対応診断ツール — 構造化データの実装状況を20項目でチェック
• 📰 構造化データとLLM：役立つ場合と役立たない場合
• 📰 AIのための構造化データはどこまで必要か？
• 📝 あなたのサイトを30分で"AI対応"にする — 構造化データ実装を含む5ステップ