Le schéma n'est pas un levier de citation, c'est une infrastructure d'entité

Le schéma est l'un des sujets qui fait le plus débat dans la communauté SEO et GEO. Les questions qui concernent son impact sur les citations et les mentions sont nombreuses et beaucoup affirment que ce levier n'a aucun impact direct confirmé.

Dans notre analyse des facteurs de citation de Cyrus Shepard, nous avions justement placé le schéma aux côtés du llms.txt avec une pondération assez faible par rapport à de nombreux autres critères.

Les études de cas se sont également multipliées sur ce sujet et la principale vient d'Ahrefs et plus précisément de Louise Linehan et Xibeijia Guan, qui ont réalisé un test sur 1 885 pages comparées à 4 000 pages témoins.

Les résultats sont assez parlants, une hausse de 2,4 % sur AI Mode et de 2,2 % sur ChatGPT, une progression résiduelle que l'on n'attribue pas au schéma directement. La conclusion portée par ces chiffres est que les schémas n'impactent pas le taux de citation sur les moteurs IA.
Malgré tout, cette analyse ne suit pas les tendances révélées par un premier volet qui portait sur 6 millions d'URL, et où le schéma était présent trois fois plus souvent sur les pages citées que sur les autres (53 %).

La réponse à cette question ne se situe pas où on la cherche en premier, elle est davantage dans le travail sur l'entité qui est effectué en amont de la réponse générée par l'IA, ce qui alimente entre autres la mémoire des modèles.

Il faut voir cela comme un code de référence, semblable à ceux que nous utilisons sur les produits afin de les identifier. Ce processus ne cherche pas à booster les ventes directement, il reste cependant un point de repère essentiel pour distinguer une entité et ce qu'elle est.

Ce que l'étude a mesuré, et ce qu'elle n'a pas mesuré

Avant d'approfondir sur le sujet, nous allons revenir sur l'étude d'Ahrefs et les aspects sur lesquels elle doit être remise en question.

Sur le principe, l'étude est correcte, mais trois limites en ressortent :

• Les pages testées recevaient déjà des citations avant même l'intégration de données structurées. L'étude ne dit donc pas ce qu'il en est des pages non découvertes ou jamais citées.
• 30 jours est une période trop restreinte pour une prise en compte efficace des balises schéma dans un graphe de connaissances. Nous avions vu dans un article précédent que c'est un des processus les plus longs et les plus difficiles à maîtriser.
• Cette étude mélange plusieurs types de schémas qui n'ont pas le même rôle. Le balisage Organization présente une entité alors que le balisage Article décrit un contenu.

Un dernier point est que le code JSON-LD n'est pas extrait par les robots IA directement au moment de la récupération. La prise en compte n'est donc pas immédiate.

Tout cela ne veut pas dire pour autant que ce balisage ne sert à rien. Il faut le voir autrement, avec un impact à plus long terme plutôt qu'un impact instantané quand on l'intègre.

Les trois vies du schéma

Suganthan Mohanadasan a proposé un cadre qui permet de confirmer cette idée et Gianluca Fiorelli en a proposé ensuite un prolongement. On parle ici de 3 moments où le schéma entre en jeu.

En voici un schéma visuel de représentation :

1re vie : au moment de l'indexation

Le premier moment est essentiel à comprendre dans son mécanisme. Il commence par Googlebot qui extrait le JSON-LD des pages et construit les entités qui y sont représentées. Cette information sert ensuite à alimenter les graphes de connaissances que l'on retrouve sur Google. Chaque balisage schéma, quel que soit son type, joue ici un rôle plus ou moins important selon la nature de l'entité.

Fabrice Canel, chez Microsoft, a affirmé lors du SMX Munich, en mars 2025, que le balisage aide les modèles à comprendre le contenu. Le graphe de connaissances exploite ces balisages pour confirmer certaines informations, et celles qui sont ambiguës peuvent ainsi disparaître du graphe.

Jason Barnard avait observé ce phénomène grâce à son capteur opéré par Kalicube. En juin 2025, il avait relevé une baisse importante du nombre d'entités, 6,26 % en une semaine, soit plus de trois milliards, et la coupe visait des entités de nature ambiguë.

Mais ce qu'il faut bien comprendre c'est que tout ce processus ne s'arrête pas aux graphes de connaissances. Selon Suganthan, ces schémas sont ensuite distribués aux propres modèles de Google au moment du fan-out.

Pour les assistants ne fonctionnant pas sur cet index, aucune documentation ne confirme leur accès à ces données. On en déduit qu'ils récupèrent ces données issues du travail préalable fait sur les entités sans un accès direct aux schémas.

2e vie : le pré-entraînement, l'effet le moins démontrable

Le code JSON-LD n'est pas directement utilisé à la phase de pré-entraînement des modèles. C'est l'ensemble des graphes de connaissances et des fiches d'entités, dont celles de Wikidata, qui alimente cette connaissance des modèles. Plus une entité est forte, plus elle est représentée.

Tout ce qu'un modèle sait de votre marque et qu'il a stocké dans sa mémoire dépend de la force de celle-ci en tant qu'entité. Le balisage schéma a indirectement alimenté cette entité, et c'est dans ce sens qu'il joue un rôle sur la visibilité d'une marque.

3e vie : le moment de la réponse, là où le balisage ne pèse pas

C'est cette troisième étape qui vient nuancer l'étude Ahrefs. L'assistant IA ne lit pas le JSON-LD en temps réel, ce qui rend l'impact de ce dernier nul sur la réponse générée.

Ahrefs a donc porté sa mesure au moment où le schéma n'a plus d'impact sur la visibilité. La conclusion de l'étude est donc largement discutable.

Ce qui fait vraiment citer une page

On a vu que le balisage n'a aucun impact au moment de la récupération. Je ne reviens pas sur ce processus de récupération que je présente en détail dans mon article L'AI Search, deux mécanismes.

Deux éléments ressortent à cette étape : les citations se font généralement dans le corps du texte, et les titres comme les métadonnées influencent la récupération.

Un passage citation ready comme je le montre dans ce schéma ci-dessous montre que le passage doit respecter plusieurs conditions :

• Expliciter le nom de l'entité et éviter toute forme d'ambiguïté
• Formuler de manière déclarative
• Appuyer les informations sur des éléments concrets (chiffres, dates, autres entités)

Enfin, la place de tous ces éléments dans une page est le dernier critère essentiel. Tout ce qui se situe au milieu d'un contenu se retrouve davantage noyé dans le reste des informations.

Toutes ces techniques qui enrichissent les entités du graphe de connaissance ont un point commun : le contenu, et non les données structurées.

Des données structurées au langage structuré

On comprend de ce travail fait au niveau de la récupération, et entre autres sur l'optimisation des passages, que le renforcement des entités ne dépend pas uniquement du balisage de données structurées.

Ajouter une structure au langage afin que les entités y soient explicitement reconnaissable par le texte et non uniquement par le balisage. Un contenu qui nomme explicitement ses entités et alimente ce qu'elles représentent peut se faire sans aucune balise.

Une phrase peut jouer le rôle du balisage sous quatre conditions :

• Elle nomme explicitement ses entités sans l'usage de pronoms
• Elle désigne les relations entre ces entités
• Elle préserve les conditions qui les limitent
• Elle se comprend sans le reste du contenu (autosuffisance du passage)

En résumé, on a trois éléments systématiques, à savoir un sujet, une relation et un objet.

Cette logique du langage structuré pourrait être une réponse à ce qui compte réellement au-delà du balisage et des graphes de connaissances construits par Google.

Cette logique implique donc surtout une méthode d'écriture qui est faite pour les IA qui cherchent des passages courts, des entités reconnaissables et des points d'ancrage qui peuvent alimenter leur connaissance.

Tout ce travail peut être fait sans le balisage.

Une langue précise, pas une langue dégradée

Écrire et optimiser pour un modèle de langage ne doit pas consister uniquement en une simplification. Le contenu doit rester dense et spécifique.

Ce qui fonctionne pour la machine est ce qui fonctionne aussi pour l'humain, à savoir une phrase qui conserve tout son sens même sortie de son contexte. Une phrase que l'on peut extraire et réutiliser sans le reste.

Ce point d'analyse nous rapproche d'une conclusion sur ce débat du rôle du balisage schéma sur la citation en AI Search. Chaque entité nommée dans un texte alimente les machines qui lisent du texte.

L'optimisation par le balisage qui révèle ses limites en AI Search reprend du sens dans cette approche qui s'oriente davantage sur le format que les LLM savent réellement lire, à savoir le contenu.

Que faire de votre JSON-LD

Nous venons de voir l'approche par le langage structuré mais cela ne retire pas pour autant le rôle du balisage qui reste un support pris en compte par Google.

Je vous propose plusieurs usages à avoir sur le balisage pour bien comprendre comment l'optimiser.

• Proposer des identifiants stables (@id) qui servent de point de référence
• Relier les entités entre elles par des champs spécifiques (sameAs, about ou mention)
• L'information doit aussi être disponible dans le contenu, le balisage confirme le contenu

Ce qu'il est important de retenir, c'est que le balisage ne doit être utilisé que pour confirmer ce que la page dit déjà. Une information ne doit jamais être exclusive au schéma, au risque que celle-ci soit manquée.

L'effort du balisage se justifie aussi selon la force de l'entité travaillée. Une marque de forte renommée et connue dans tout un pays n'a pas besoin du schéma pour mieux alimenter le graphe. Les ressources du web apporteront davantage.

Une marque jeune ou un auteur peu référencé a en revanche besoin de maximiser les signaux d'identification et de se montrer comme entité. C'est là que le balisage peut appuyer un manque où le contenu seul sera plus limité.

Le cas du commerce : quand la règle s'inverse

Une règle d'exception vaut néanmoins sur ce sujet et elle concerne le e-commerce et plus spécifiquement l'optimisation des flux pour les agents qui achètent sur le web au nom de l'utilisateur.

C'est dans ce cas bien spécifique que le format JSON-LD reprend une importance clé et devient un canal par lequel les informations sur vos produits circulent.

On parle bien des informations que l'agent doit prendre en compte pour acheter pour le compte d'un utilisateur. Une erreur d'information en commerce agentique peut entraîner un abandon de panier. Le rôle des données structurées est ici de fournir la bonne information qui sert de référence à l'agent qui achète.

Je n'approfondis pas ce sujet davantage : je le développe dans mon article sur le commerce agentique, qui détaille le fonctionnement des protocoles UCP et ACP.

Le schéma n'est pas mort, vous lui demandiez la mauvaise chose

Les différents débats sur le schéma avaient donc bien raison de remettre en question son rôle comme facteur de citations. Ce qu'ils ne disaient pas, en revanche, c'est que le schéma n'est pas un critère à prendre indépendamment du reste.

Il représente surtout un appui à ce que le contenu propose déjà. Optimiser ce balisage mieux que le contenu lui-même est une erreur de priorisation.

Le schéma est un complément d'information qui aide à enrichir une donnée normalement déjà disponible dans le contenu. Il aide également les marques de faible notoriété cherchant à se faire connaître.

Le schéma est donc un complément, globalement peu coûteux en développement, qui peut permettre de renforcer la compréhension d'une entité si le contenu ne l'a pas bien fait.

À noter également le cas du commerce agentique qui fait règle d'exception sur cette pratique et qui amplifie son rôle. Le rôle du schéma est donc aussi une question qui dépend des leviers qu'on actionne.