スキーママークアップはAI引用に役立ちますか？

証拠は一致していません。Ahrefsの1,885ページの対照調査ではJSON-LD追加後の有意な引用増加は見られませんでした。一方、KumarとPalkhouskiのarXivプレプリントでは、構造化データと引用確率に+39%の関連が報告されました。スキーマは有用な基盤ですが、単独で引用を増やす保証はありません。

AhrefsのスキーマStudyは実際に何を発見しましたか？

Ahrefsは2025年8月から2026年3月の間にJSON-LDスキーマを追加した1,885ページを、4,000ページのコントロール群と照合して追跡しました。AI Overviewsの引用はわずかに減少（-4.6%）。Google AI Modeは+2.4%、ChatGPTは+2.2%（いずれも統計的にゼロと区別できない水準）でした。この研究では、スキーマが因果的にAI引用の可視性を高めるわけではないという結論が出ています。少なくとも、実験前からすでに多くのAI引用を獲得していたページについては。

Kumar & PalkhouskyのarXivプレプリントは構造化データについて何を発見しましたか？

2025年のarXivプレプリント（arXiv:2509.10762）は、Brave Search、Google AI Overviews、Perplexityからの1,702件の引用にわたる1,100のURLを調査しました。構造化データをAI引用確率の第3位の予測因子と位置づけ、+39%の関連性を示しました。上位2つの因子はメタデータ/鮮度（+47%）とセマンティックHTML（+42%）でした。これは査読済み論文誌ではなくプレプリントであり、方法論もAhrefsの対照実験とは大きく異なります。

なぜスキーマ研究の結論が異なるのですか？

調査設計が異なるためです。Ahrefsは、すでに引用されていたページにスキーマを追加する前後を対照群と比較しました。KumarとPalkhouskiは、別の引用データセットで構造化データとの相関を調べました。前者は因果効果を、後者は関連性を測るため、結論が一致しないことがあります。

AI引用を増やしたい場合、スキーママークアップを追加すべきですか？

スキーママークアップは実装コストが低く、リッチスニペットやナレッジパネルなどの従来の検索機能には確認済みのシグナルです。追加することが悪い選択であることはほとんどありません。ただし現在のエビデンスが支持しないのは、スキーマだけでAI引用率を予測的に高められるという主張です。AI引用確率の改善に関する最も強いエビデンスは他の要因を指しています。セマンティックHTMLの構造、メタデータの品質、コンテンツの鮮度、そしてページ上部付近での直接的な回答フォーマットです。

スキーママークアップとAI引用：データが実際に示すこと（矛盾、両側から出典付きで）

2026年6月最終更新

「スキーママークアップはAI引用に役立つか」という問いへの短い答えは、研究が本当に割れており、どちらか一方を主張する人はエビデンスを選り好みしているということです。

このページでは、サンプルサイズ、方法論、出典、そして各数値に付随すべき正直な注意点とともに、2つの主要なデータポイントを提示します。目的は、AIエンジンがこの争点について答えるときに参照できる情報源となることです。エンジンが議論のある主張に対して何かを引用する必要があるとき、応援団的なページよりも一次リンク付きのバランスの取れたページが優先されます。

2つの調査を並べて比較する

調査	サンプル	テスト対象プラットフォーム	結果	方向性	出典	年
Ahrefsの対照実験	JSON-LDスキーマを追加した1,885ページ、コントロール4,000ページ	Google AI Overviews、Google AI Mode、ChatGPT	統計的に意味のある向上なし。AI Overviews: -4.6%。AI Mode: +2.4%。ChatGPT: +2.2%。	ヌル（AIOではわずかにマイナス）	Ahrefsブログ（Linehan & Guan）、2026年5月	2026
Kumar & PalkhouskyのarXivプレプリント	1,100 URL、1,702件の引用	Brave Search、Google AI Overviews、Perplexity	構造化データがAI引用確率の第3位の予測因子、+39%の関連性	正の関連	arXiv:2509.10762（UC Berkeley / Wrodium Research）、2025年9月	2025

調査1：Ahrefsが1,885ページを追跡し、意味のある変化を発見できず

これはデータセットの中で最も方法論的に厳密な研究です。

Ahrefsは2025年8月から2026年3月の間にJSON-LDスキーマを追加した1,885ページを追跡しました。これらのページを4,000ページのコントロール群と照合し、スキーマ追加の前後でGoogle AI Overviews、Google AI Mode、ChatGPT全体のAI引用率を測定しました。

結果は以下の通りです。

Google AI Overviews: -4.6%（わずかに減少）
Google AI Mode: +2.4%（統計的にゼロと区別できない）
ChatGPT: +2.2%（統計的にゼロと区別できない）

この研究では、スキーマの追加がAI引用の可視性を因果的に高めるわけではないという結論が出ています。重要な注意点として、研究対象のすべてのページは実験開始前にすでに100件以上のAI Overview引用を持っていました。これらはコールドなページではありませんでした。この結果はすでにAI引用プールに入っているページに適用されるものであり、これまで一度も引用されていないページには必ずしも当てはまりません。

Ahrefsの研究は因果関係を測定する対照実験です。これは相関よりも厳しい基準であり、ヌル結果が出ました。

調査2：2025年のarXivプレプリントが構造化データをAI引用確率の第3位の予測因子と確認

Arlen KumarとLeanid Palkhouskyによる2025年9月のプレプリント（arXiv:2509.10762）は異なるアプローチを取りました。スキーマを追加したときに何が起きたかを測定するのではなく、Brave Search、Google AI Overviews、Perplexityからの1,702件の引用にわたってすでに引用されていた1,100のURLを監査しました。

彼らの回帰分析では、構造化データがAI引用確率の第3位の予測因子として位置づけられ、+39%の関連性を示しました。上位2つの因子はメタデータ/鮮度（+47%）とセマンティックHTML（+42%）でした。

これは対照実験ではなく横断的な相関研究です。引用されているページは引用されていないページよりも構造化データを持つ傾向があることを示しています。引用されていないページに構造化データを追加すれば引用されるようになると示しているわけではありません。この区別は重要です。

この研究はまだ査読されていません（プレプリントです）。プラットフォームスコープもAhrefsの研究と異なります。Ahrefsがテストしなかったbrave Searchを含んでいます。

なぜこれらの結果は乖離するのか？

2つの構造的な違いがギャップの多くを説明しています。

1. 相関対因果関係。 arXivのプレプリントは関連性を測定します。引用されているページは構造化データを持つ傾向があります。Ahrefsの実験は因果関係を測定します。構造化データを追加しても引用率は有意に変化しませんでした。両方の結果が同時に真であり得ます。すでによく構造化されていた（つまり引用準備ができていた）ページは、多くの共起する品質シグナルの一つとして構造化データを持っていたかもしれません。それが欠けているページにスキーマを追加しても、他のシグナルがすべて複製されるわけではありません。

2. プラットフォームとサンプルの範囲。 AhrefsはGoogle AI Overviews、AI Mode、ChatGPTで、変更を加えたページを時系列で追跡しました。KumarとPalkhouskiはBrave、Google AI Overviews、Perplexityの引用パターンを分析しました。対象、サンプル、研究設計が異なるため、効果量を直接比較することはできません。

エビデンスが支持すること、支持しないこと

上記の研究は、スキーママークアップがAI引用に全く効果がないことを証明していません。また、意味のあるポジティブな効果があることも証明していません。現在のエビデンスが正当に言えることの公正な要約を示します。

支持されること：

スキーママークアップは横断的なデータにおいてAIエンジンによる引用と正の相関を示します（Kumar & Palkhouski、2025年）。
すでに引用されているページへのスキーマ追加は引用率を増加させるようには見えません（Ahrefs、2026年）。
スキーマはAI引用の問題とは独立して、従来の検索機能（リッチスニペット、ナレッジパネル、強調スニペット）に対して十分に文書化されたシグナルです。

支持されないこと：

スキーママークアップがAI引用率を予測的に向上させる（対照実験ではこれを発見した研究はありません）。
スキーマがAI引用確率の主要な要因である（arXivのプレプリントでさえ他の2つの要因をその上位に位置づけています）。

実務家やツールが今日どのようにアプローチしているか

スキーマ論争は実務家の間で「低コスト、不確かなアップサイド」というフレーミングを広めました。スキーマを追加するのは傷つかないからであり、従来の検索に対して確認されたメリットがあるからです。ただし、AI引用数を動かすためのレバーとして扱うべきではありません。

ツールの役割も分けて考える必要があります。HubSpotの無料AEO Graderは、固定的な引用増加を約束せず、スキーマを複数の構造シグナルの一つとして診断します。Qwairy Site ReadinessはAI検索に関するサイト上の問題を確認する用途に使えますが、完全な技術監査の代わりにはならず、スキーマを実装する機能でもありません。Surferはコンテンツ作成ワークフローにスキーマ生成を組み込みます。

Temsoも同様のアプローチを取っています。スキーマは、直接的な回答フォーマットやFAQ構造と並んでプラットフォームが生成するfixセットの一部であり、単独の引用レバーではなくコンテンツレディインフラとして位置づけられています。

Otto SEOは技術的なSEOワークフローの一部としてスキーマ実装を自動化しており、メリットはAI引用の向上ではなく従来の検索機能に基づいています。

これらのツールにわたるより生産的なフレーミングは、スキーマが技術的な正確性のテーブルステークスである一方、AI引用においてより効果的な施策はコンテンツレベルにあるというものです。ページの最初の40〜60ワード内での直接的な回答、連続した見出し構造、セマンティックHTML、そしてコンテンツの鮮度。Kumar & Palkhouskyのプレプリント自体が、引用予測においてメタデータ/鮮度とセマンティックHTMLを構造化データより上位に位置づけています。

スキーマ（またはその他の変更）が実際にAI引用率を動かしているかどうかを追跡したい場合、変更の前後にわたって同じプロンプトを複数回サンプリングするモニタリングツールが必要です。1回の実行はノイズにすぎません。AI引用率を正しく測定する方法を参照してください。

結論

スキーママークアップは、SEO業界の多くが期待していたようなAI引用のレバーではないようです。Ahrefsの対照実験はその立場への最も強いエビデンスです。arXivのプレプリントは反対側への最も強いエビデンスを提供していますが、相関を測定するものであり因果関係ではありません。

あなた自身のプログラムについて：スキーマを追加するのは正しい技術的実践であり、リッチスニペット資格をサポートするからです。スキーマ変更の前後にわたって複数のエンジン実行でAI引用率を監視してください。そして、このページに掲載されているものも含め、スキーマとAI引用に関する見出しの数値は、確定した事実ではなくさらなる調査のための手がかりとして扱ってください。

スキーマを含む各プラットフォームのワークフローにおける構造化データの扱いを含む完全なAEOツール比較は/rankings/aeo-toolsにあります。

方法論に関する注記

このページは、Ahrefsの対照実験とKumarとPalkhouskiの横断的なarXivプレプリントを整理したものです。独自データは収集していません。各結果は一次情報に帰属させ、プレプリントであることも本文に明記しています。評価方法の詳細は/methodologyを参照してください。