Schema Markup
Lo schema markup è un vocabolario di dati strutturati di schema.org che aggiungi a una pagina web per etichettarne i contenuti in modo leggibile dalle macchine, indicando ai motori di ricerca e ai sistemi AI il significato esatto di ogni elemento, così da generare rich result e riconoscere la pagina come entità specifica.
Il semplice HTML dice al browser come mostrare il testo, ma non chiarisce se un numero sia un prezzo, una valutazione o un numero di telefono. Lo schema markup colma questa lacuna etichettando i contenuti con tipi e proprietà condivisi, di solito scritti in JSON-LD dentro un tag script nell'head della pagina. Ogni tipo è un vocabolario con proprietà definite: un Product porta un nome, un brand, un'immagine e un blocco offers; un Offer porta un prezzo, una valuta e uno stato di disponibilità; un Review porta un autore, una valutazione e un testo. Il markup affianca la pagina visibile invece di sostituirla, quindi la stessa descrizione prodotto che legge un cliente è descritta anche in una forma che una macchina può leggere senza dover indovinare.
Per un negozio, i tipi che rendono di più sono Product, Offer, Review, AggregateRating, Organization, BreadcrumbList e FAQPage, ognuno dei quali associa una parte della pagina a un significato su cui una macchina può agire. Pensa a un commerciante Shopify che vende un intimo tecnico in lana merino a quarantanove euro con duecentoundici recensioni e una media di 4,6 stelle. Senza markup, un crawler vede un titolo, qualche paragrafo e un grafico a stelle che non sa leggere. Con un blocco Product che annida un Offer (prezzo 49,00, valuta EUR, disponibilità InStock) e un AggregateRating (ratingValue 4,6, reviewCount 211), la pagina dichiara quei dati in modo esplicito e l'annuncio diventa idoneo a mostrare il prezzo e la valutazione a stelle sotto al titolo.
Il ritorno è duplice. Primo, l'idoneità ai rich result: valutazioni a stelle, prezzi e accordion FAQ nell'annuncio di ricerca, che tendono ad attirare più attenzione di un semplice link blu. Secondo, un riconoscimento più chiaro dell'entità, che alimenta sempre di più i motori di risposta AI, i quali riassumono e citano le fonti invece di limitarsi a ordinare dieci link. Quando ChatGPT, Perplexity o Google AI Overviews compongono una risposta su un prodotto, i dati strutturati offrono loro fatti puliti e privi di ambiguità da citare, quindi un prezzo o una valutazione ripresi in una risposta hanno più probabilità di essere i tuoi e di essere corretti. Questo conta soprattutto per le affermazioni specifiche e confrontabili su cui questi sistemi si appoggiano: prezzo, disponibilità e valutazione.
La regola che mette in difficoltà è la corrispondenza con il contenuto visibile: il markup deve descrivere contenuti che l'utente può davvero vedere sulla pagina. Marcare recensioni o valutazioni non presenti, oppure gonfiare i numeri, viola le linee guida di Google e può far scattare un'azione manuale sui dati strutturati che rimuove del tutto i tuoi rich result. La disciplina onesta è aggiungere il vocabolario per riflettere ciò che è già sulla pagina, tenerlo allineato quando prezzi e numero di recensioni cambiano e validarlo con il Rich Results Test prima di pubblicare. Il markup non garantisce un rich result: rende la pagina idonea, e il motore di ricerca decide comunque se mostrarlo.