Otevřený slovník pojmů pro strukturovaná data, který pomáhá strojům porozumět obsahu webu.

Proč používat JSON-LD?

Je oddělený od HTML, snadno se generuje a udržuje, minimalizuje chyby a zvyšuje flexibilitu.

Schema.org: Standard pro strukturovaná data na webu

Schema.org jako základní standard strukturovaných dat

Schema.org je otevřený slovník pojmů spravovaný komunitou, který umožňuje webovým stránkám popisovat obsah způsobem srozumitelným pro stroje. Strukturovaná data podle Schema.org tvoří most mezi webovou stránkou a vyhledávacími nebo konverzačními systémy – od klasických vyhledávačů přes odpověďové enginy (AEO), až po AI asistenty a LLM modely. Správné značení zvyšuje pochopitelnost (machine readability), zlepšuje vyhledatelnost (discoverability) a podporuje důvěryhodnost (credibility) obsahu.

Proč jsou strukturovaná data klíčová pro moderní SEO, AIO a AEO

Viditelnost a rozšířené výsledky: zpřístupnění údajů o produktech, událostech či článcích umožňuje bohaté zobrazení (rich results) a vyšší míru prokliků.
Kontext pro LLM a AI asistenty: explicitní entity (osoby, organizace, produkty, místa) snižují nejednoznačnost a usnadňují generování přesných odpovědí.
Napojení na znalostní grafy: konzistentní entity a identifikátory (sameAs, identifier) pomáhají propojovat váš obsah s grafy (např. Knowledge Graph) a profily v ekosystému webu.
Škálovatelná analytika a automatizace: jednotná struktura dat zlepšuje interní vyhledávání, doporučovací systémy i merchandising.

Model entit a vztahů: jak Schema.org popisuje svět

Schema.org pracuje s typy (např. Organization, Product, Article) a vlastnostmi (např. name, description, brand, offers). Vztahy mezi typy (např. článek publikovaný organizací, produkt nabízený obchodem) se zapisují vnořenými objekty. Klíčové je udržovat konzistenci napříč stránkami a stabilní identifikátory entit (URI, IRI, URL, externí profily přes sameAs).

Formáty implementace: JSON-LD, Microdata a RDFa

JSON-LD: doporučený přístup. Data jsou vložena v <script type="application/ld+json"> a nezasahují do HTML struktury. Jednoduché na generování, verzování a testování.
Microdata: atributy přímo v HTML ( itemscope, itemtype, itemprop ). Náročnější na údržbu, ale použitelné při menších projektech.
RDFa: univerzálnější přístup pro sémantický web; flexibilní, ale komplexnější.

Od „klasického“ SEO k AEO/AIO: co se mění

Tradiční SEO se soustředilo na indexaci a ranking. AEO (Answer Engine Optimization) a AIO (AI Optimization) rozšiřují cíl o správnou odpověď doručenou napříč kanály: SERP, hlasoví asistenti, chatboti, LLM nástroje. Kvalitní strukturovaná data snižují riziko halucinací, zvyšují přesnost sumarizací a pomáhají systémům pochopit autoritu i aktuálnost obsahu.

Praktické typy Schema.org pro většinu webů

WebSite + Sitelinks Search Box (WebSite, SearchAction)
Organization/LocalBusiness (firemní identita, kontakty, sameAs)
BreadcrumbList (navigační kontext)
Article/NewsArticle/BlogPosting (autor, data, mainEntityOfPage)
Product + Offer + AggregateRating (katalogy, e-commerce)
FAQPage a HowTo (odpovědi a postupy pro AEO/AIO)
Event, JobPosting, Course, SoftwareApplication, VideoObject, ImageObject

Příklad: identita organizace (E-E-A-T signály)

Udržujte konzistentní názvy, adresy, IČO/ID, profily sociálních sítí a publikujte autory s odborným profilem. Pomáhá to i LLM a agentům spolehlivě mapovat zdroj.

Příklad: produkt s nabídkou a hodnocením

Oddělte vlastnosti produktu od obchodních podmínek (nabídky). Uveďte měřitelné údaje (cena, měna, skladem).

Příklad: FAQ a HowTo pro odpověďové enginy

FAQ a HowTo napájí AEO/AIO i asistenty. Odpovědi musí být pravdivé, stručné, aktualizované a odpovídat obsahu na stránce.

Implementační zásady pro robustní AIO/AEO strategii

Mapování entit: vytvořte katalog entit (produkty, autoři, pobočky). Každé entitě přiřaďte stabilní identifikátor a sameAs odkazy.
Jednoznačnost a úplnost: vyplňte klíčové vlastnosti (název, popis, URL, obrázky, data, ceny, jednotky). Nepoužívejte vágní nebo protichůdné údaje.
Synchronizace s obsahem: údaje ve schématu musí korespondovat s viditelným obsahem na stránce (konzistence je podmínkou pro důvěru a způsobilost k bohatým výsledkům).
Modularita a dědičnost: použijte znovupoužitelné šablony pro typy; oddělte společné části (např. Organization) a vkládejte je jako odkazy (@id).
Internacionalizace: jazykové mutace rozlišujte URL, inLanguage a vazby mezi alternativami (alternateName, isPartOf).
Obrázky a kvalita médií: používejte dostatečná rozlišení, správný poměr stran a stabilní URL.

Validační a monitorovací postupy

Automatizované testy: CI/CD krok, který kontroluje JSON-LD schémata (syntakticky i sémanticky), např. schéma šablon přes JSON Schema.
Rich Results způsobilost: pravidelně ověřujte vybrané typy, které mohou generovat rozšířené výsledky, a opravujte varování.
Logování změn: při aktualizacích produktů/nabídek logujte změněná pole (cena, skladem) a doplňujte časové razítka.
Monitoring konzistence: kontrolujte shodu mezi viditelným obsahem a strukturovanými daty (např. snapshoty DOM vs. JSON-LD).

Propojení s datovou vrstvou a CMS

Nejspolehlivější implementace vychází ze zdrojových systémů (CMS, PIM, CRM). Zajistěte datovou vrstvu s jednoznačnými poli, ze které generujete JSON-LD šablony. Minimalizujte ruční zásahy, aby byla data konzistentní a auditovatelná.

Práce s entitami, identifikátory a `sameAs`

Každá klíčová entita by měla mít stabilní @id (kanonickou URI v rámci vašeho webu) a seznam sameAs na externí autoritativní profily (Wikidata, oficiální sociální profily, obchodní rejstříky). Ulehčuje to sladění entit ve znalostních grafech a pro LLM zkracuje cestu k verifikovatelným faktům.

Pokročilé témata: verze, rozšíření a „pending“

Schema.org průběžně rozšiřuje slovník. Pro experimentální vlastnosti existuje pending sekce. Při produkčním nasazení upřednostňujte stabilní typy a vlastnosti; experimenty držte pod kontrolou (feature flagy) a měřte přínos.

Nejčastější chyby a anti-patterny

Nepravdivé nebo zavádějící údaje: poškozují důvěryhodnost a mohou vést k penalizaci.
Nekonzistentní URL a data: způsobují problémy se synchronizací a indexací.
Duplicitní entity bez identifikátorů: komplikují párování v grafech a vedou k fragmentaci signálů.
Prázdné placeholdery a generické popisy: snižují kvalitu a způsobilost k bohatým výsledkům.
Nadměrné nebo nesouvisející značení: držte se relevantních typů; „více“ neznamená „lépe“.

Kontext pro ChatGPT/LLM optimalizaci

LLM modely extrahují fakta a vztahy i z nestrukturovaného textu, ale strukturovaná data jim usnadňují disambiguaci a verifikaci. Klíčové je:

Entity-centric obsah: každá stránka by měla mít jasné „hlavní entity“ (mainEntity, mainEntityOfPage).
Autorství a zdroj: pro odborné témata deklarujte autory (Person) a vydavatele (Organization).
Aktualizace: udržujte datePublished, dateModified, availabilityStarts/availabilityEnds, aby AI systémy uměly posoudit čerstvost.

Proces zavedení: od auditů po škálování

Audit: identifikujte obsahové typy a entity, které přinesou nejvyšší přínos (produkty, články, místní provozovny, FAQ).
Šablony: navrhněte JSON-LD šablony s povinnými a doporučenými vlastnostmi pro každý typ.
CI/CD a testování: validujte při buildu, kontrolujte změny polí a automaticky nasazujte pouze úspěšné verze.
Monitoring: vyhodnocujte dopad na CTR, zobrazení, viditelnost bohatých výsledků a kvalitu odpovědí AI asistentů.
Iterace: na základě dat rozšiřujte pokrytí typů a zlepšujte kvalitu polí (např. přesnější vlastnosti, více sameAs).

Shrnutí a doporučené „best practices“

Preferujte JSON-LD; udržujte silnou vazbu na reálný obsah a aktuální údaje.
Modelujte entity a jejich vztahy; používejte stabilní @id a sameAs.
Validujte, monitorujte a verzujte; integrujte do CI/CD.
Zaměřte se na typy s nejvyšším přínosem pro SEO, AEO a AIO (Organization, Product, Article, FAQPage, HowTo, LocalBusiness, BreadcrumbList).
Dbejte na kvalitu médií, přesnost měření a transparentnost autorství.