Schema markup:
En overset optimering med stor effekt

Når jeg rådgiver virksomheder om SEO, oplever jeg ofte, at schema markup bliver behandlet som en “nice-to-have” snarere end et strategisk værktøj. Men med AI-baserede søgninger – både i Google Search og de nye AI-svar (SGE, Copilot, Perplexity mv.) – er schema markup blevet en katalysator for synlighed, validering og topical authority. Det handler ikke længere kun om klassiske rich snippets: Struktureret data fungerer nu som grundstenen for, hvordan AI-modeller afkoder website-indhold, bygger vidensgrafer og vælger hvilke brands, der bliver citeret eller udvalgt i genererede svar.

Kontekst i AI-søgealgoritmer

De seneste iterationer af Google Search – og især AI-overviews – baserer sig på en langt dybere semantisk analyse af indholdet. Her bliver schema markup det sprog, som hjælper AI med at forstå, hvilke entiteter (personer, organisationer, tjenester) der indgår i tekstuniverset, hvordan svar skal prioriteres, og hvilke domæner der bliver betragtet som autoriteter inden for deres felt.

I praksis læser AI-søgesystemerne ikke kun de synlige tekster; de aflæser også konteksten, forbindelser og strukturer, som schema leverer – især hvis schema-markup er konsistent og afspejler reelt indhold på siden.

Forskellen på at ranke højere vs. blive citeret i AI-svar

Klassisk SEO har altid handlet om rankings. Men i takt med, at flere søgninger fører brugeren direkte til AI-genererede svar eller overviews, opstår et nyt spørgsmål: Hvem bliver synlig – og med hvilken autoritet – i AI’en? Min erfaring er, at stærk schema markup ofte fører til, at sitet bliver brugt som referencekilde eller får direkte citationer i AI-svar (f.eks. “ifølge konvad.dk…”), selv i tilfælde hvor man ikke har position 1 i de traditionelle søgeresultater.

Hvordan struktureret data understøtter AI-synlighed

Schema markup understøtter flere niveauer af synlighed:

• For Google Search: Sikrer eligibility til rich snippets som FAQ, HowTo, organisation, produkt osv.

• For AI-genererede svar: Leverer tydelige signaler om ekspertise, topical authority og datatilhørsforhold, der bruges til at bygge knowledge graphs og determinere troværdige kilder.

Denne dobbeltfunktion betyder, at schema markup ikke blot giver kosmetiske fordele, men decideret afgør, om du bliver set (og citeret) i AI-svaret.

Værdien af et indlejret videns‑lag (knowledge graph)

Den største effekt, jeg har set, kommer ved at bruge schema markup til at strukturere virksomhedens nøgleinformation: Services, eksperter, kontakt-info, samt artikler, der afspejler virksomhedens kernekompetencer. Over tid bliver disse informationer indlejret i Googles og andre AI-systemers knowledge graphs – hvilket styrker brandets validitet, både i search og i genererede AI-svar.

Relevante schema-typer for Google Search og AI-søgninger

Her er en oversigt over de mest anvendte schema-markups, så du nemt kan prioritere de vigtigste for synlighed i både klassiske søgeresultater og AI-sammenhænge:

Forklaring:

• LocalBusiness schema hjælper søgemaskiner og AI med præcist at afkode virksomhedsoplysninger og den geografiske relation, hvilket øger synligheden i AI/voice local search samt i lokale “near me”-resultater.

• Product schema giver AI og Google eksplicit adgang til pris, lagerstatus, reviews, billeder osv., hvilket betyder større sandsynlighed for at blive udtaget i produktrelaterede AI-svar og shopping/featured boxes.

Eksempel fra min rådgivningspraksis: Impact af schema markup

For at konkretisere: For et konsulenthus, der udbød SEO rådgivning, integrerede jeg “Service”- og “Organization”-schema, suppleret med FAQPage struktureret omkring kernespørgsmål. Efter implementeringen kunne jeg gennem Search Console (fanen “Forbedringer” → “Strukturerede data”) måle:

• Markant stigning i antallet af “berettigede” URLs til rich results.

• Øget click-through rate på rådgivningsartikler, især på søgninger relateret til “SEO konsulent” og “SEO rådgiver”.

• Vækst i visninger fra AI genererede overviews (bl.a. set i Bing Copilot og Google SGE’s rapporter), hvor sitet blev navngivet direkte som kilde.

Det demonstrerer, at en målrettet schema‑indsats kan bringe en side i spil både i traditionelle og AI‑drevne søgninger.

Sådan måler du effekten – og hvor finder du data

Effekten af schema markup skal måles systematisk:

• Google Search Console: Her finder jeg ud af, hvilke sider der udløser rich results (Under “Forbedringer”). Ved større ændringer i schema, monitorer jeg især udviklingen i impressions, CTR og antal berettigede klik.

• Rich Results Test / URL Inspection Tool: Validerer, at implementering er korrekt, og at alle tags bliver afkodet.

• AI-overview og cites tracking: Særligt for AI-resultater holder jeg øje med, om domænet nævnes i kildeangivelserne (dette er dog stadig “i beta” i de fleste søgemaskiner, men værktøjer som Bing Chat og Google SGE rapporterer citations i udvalgte tilfælde).

• Før/efter-analyse: Når jeg har lavet større implementeringer, sammenligner jeg typisk impressions, clicks og antallet af sidevisninger med data fra før schema blev opdateret.

Eksempel: Efter at have optimeret FAQPage-schema for en serviceside, så jeg en 21% højere CTR i de følgende måneder, og blev citeret i flere AI-svar om inden for deres niche.

Plugins som Rank Math – begrænsninger og risiko for manglende verificering

Meget schema markup bliver i dag håndteret via populære plugins som Rank Math, Yoast og All in One SEO. For mange kan det være en hurtig løsning – men det medfører en række begrænsninger og potentielle problemer, som ofte undervurderes:

• Risiko for valideringsfejl: Plugins kan let generere fejlagtig eller ufuldstændig schema markup, især hvis man aktiverer flere plugins eller kombinerer dem med tema-funktioner. Det kan skabe dublet-markup, manglende felter eller direkte valideringsfejl – og resultatet er, at Google og AI-motorer helt ignorerer den strukturerede data.

• Begrænsede tilpasningsmuligheder: Standard-plugins dækker kun et udsnit af de schema-typer og felter, der findes i Schema.org. Mulighed for at skræddersy markup med avancerede egenskaber, ekstra entiteter eller brancherelevante attributter er ofte begrænset eller kun tilgængeligt i pluginets pro-versioner.

• Mangelfuld semantic dybde: De fleste plugins fokuserer på populære schema-typer, som Google allerede bruger til rich snippets (fx Article, Product, FAQ), men understøtter ikke den fulde bredde af semantiske eller AI-relevante egenskaber. Det hæmmer evnen til at bygge stærke interne knowledge graphs eller udnytte AI-søgnings sideløbsstrukturer.

• Valideringsansvar: Det er ikke nok at installere et plugin og krydse fingre – alle ændringer skal valideres manuelt med værktøjer som Google Rich Results Test eller Schema.org Validator for at sikre, at dataene bliver afkodet korrekt og faktisk anvendes i både Google og AI’s indeksering.

• Konflikter og skyggefejl: Flere plugins/temaer med indbyggede schema-funktioner kan nemt føre til sammenstød, dobbelt markup eller fejl, som kun opdages via grundig test og systematisk fejlsøgning.

I min praksis har jeg flere gange oplevet, at virksomheder mister deres synlighed i både rich results og AI-svar, fordi et plugin har genereret forkert eller utilstrækkelig markup, som aldrig blev valideret manuelt. Derfor anbefaler jeg at bruge plugins med omtanke, gribe til manuel eller specialbygget markup, hvor det er nødvendigt, og altid efterkontrollere alt schema i Google Search Console og relevante testværktøjer.

Anvendelse og faldgruber

Min erfaring viser, at mere ikke nødvendigvis er bedre. Overimplementering (schema-bloat) kan føre til mudrede signaler eller deciderede fejl – Google har endda periodisk reduceret visningen af eksempelvis FAQ og HowTo markup. Kun implementer schema, der autentisk matcher indholdet. Valider konsekvent med både Google Search Console og fagspecifikke tests.

Derudover skal schema vedligeholdes og opdateres sammen med sitets øvrige indhold; forældet schema kan føre til fejlagtig fortolkning fra AI‑systemerne.

En velimplementeret schema-strategi har effekt langt ud over traditionelle SEO-målinger. Det øger sandsynligheden for at blive brugt og citeret som ekspert i både klassisk søgning og AI-genererede overviews. Jeg anbefaler alle, der vil styrke deres synlighed som “SEO konsulent” eller “SEO rådgiver”, at gøre struktureret data til et centralt værktøj i deres digital strategi – især med udviklingen af AI-drevne søgeoplevelser.

Vil du optimere din organiske synlighed og indflydelse i både klassiske og AI-baserede søgeresultater, kræver det både struktureret data, målrettet faglighed og løbende validering. Jeg har set effekten gentagne gange – og det kan gøre forskellen mellem at være én blandt mange og at blive anerkendt som markedsleder.

Læs mere om mine erfaringer og rådgivningsydelser som SEO konsulent hos konvad.dk.