Schema.orgRéférencement LLMDonnées structurées

Schema.org & LLM : ce que ChatGPT et Perplexity lisent vraiment

Quelles données structurées schema.org sont lues par ChatGPT, Perplexity, Gemini en 2026, lesquelles sont ignorées, et comment les exploiter pour être cité.

Par Anthony Custodio 15 septembre 2026 10 min de lecture

Réponse courte. En 2026, les principaux LLM connectés au web (ChatGPT search, Perplexity, Gemini) lisent les données structurées schema.org pour identifier auteur, organisation, dates, FAQ et données factuelles, mais leur utilisation diffère de Google. Les types qui font la différence : Article, FAQPage, HowTo, Person, Organization, Product, BreadcrumbList. Le format JSON-LD est universellement supporté ; microdata et RDFa fonctionnent encore mais sont en retrait. Au-delà des balises, ce qui compte le plus pour les LLM, c’est la cohérence entre HTML lisible et schema (les modèles vérifient que ça raconte la même histoire) et la présence de signaux vérifiables (auteurs identifiables, dates de modification, sources citées).

Ce que les LLM “voient” sur une page web en 2026

Trois moteurs IA dominent la recherche connectée :

ChatGPT search (OpenAI, lancé fin 2024) : utilise Bing comme socle d’index, avec un layer de re-ranking propre. Lit les données structurées via Bing.

Perplexity (lancé 2022, croissance forte 2024-2026) : index propre + agrégation de plusieurs moteurs. Privilégie la transparence des sources.

Gemini / AI Overviews (Google) : utilise l’index Google et donc tout l’écosystème de structured data Search Central.

Les trois moteurs utilisent une combinaison de :

HTML rendu (ils visitent ou simulent une visite de la page).
Données structurées (JSON-LD principalement, microdata en backup).
Métadonnées (title, meta description, OpenGraph).
Signaux d’autorité externe (mentions, backlinks, présence dans des datasets connus comme Wikipedia / Wikidata).

Aucun des trois ne se contente du schema seul. Mais l’absence de schema dégrade systématiquement la facilité avec laquelle ils peuvent extraire et citer.

Les types de schema qui comptent vraiment en 2026

Voilà ceux que nous voyons fonctionner en pratique sur les sites de nos clients, classés par retour observé.

Article (et ses sous-types : NewsArticle, BlogPosting, TechArticle)

Indispensable pour tout contenu éditorial. Champs critiques :

headline (titre)
description
author (avec sous-objet Person ou Organization complet, pas juste un nom string)
datePublished et dateModified
publisher (avec logo, sameAs)
mainEntityOfPage

Pourquoi c’est important : c’est ce qui permet aux LLM d’attribuer correctement la source (auteur + organisation + date), critère explicite chez Perplexity et ChatGPT search.

FAQPage

Très efficace pour entrer dans les AI Overviews et réponses LLM directes. Structure simple : une liste de Question avec leur acceptedAnswer. Les réponses-paragraphes courts (40-80 mots) sont les plus repris.

Limite : Google a réduit l’éligibilité au rich result FAQ depuis 2023 (réservé aux sites gouvernementaux et de santé reconnus pour les rich snippets visuels). Mais le schema reste lu pour les AI Overviews et les LLM, même sans rich snippet visible.

HowTo

Excellent pour les guides pratiques et les tutoriels. Structure étape par étape avec step, image, tool, supply. Très utilisé par Perplexity pour structurer ses réponses.

Person

Sous-utilisé alors qu’essentiel pour l’E-E-A-T. Sur la page auteur de votre site et inline dans Article > author, fournir :

name, jobTitle, worksFor
url (page bio sur votre site)
sameAs (LinkedIn, Twitter/X, profil GitHub, ORCID si pertinent)
description courte

Cela construit une “fiche identité” vérifiable que les LLM peuvent corréler avec d’autres mentions sur le web.

Organization

Indispensable pour la fiche d’identité de votre marque. À placer une fois sur la home (ou dans le footer global) :

name, legalName, url
logo (URL d’image absolue)
sameAs (réseaux sociaux, Wikipedia, Wikidata, profils pro)
address, telephone, email
founder, foundingDate si pertinent

Combiné avec une page Wikidata bien remplie sur votre marque, c’est un signal fort pour la cohérence cross-plateforme des LLM.

Product

Critique pour l’e-commerce et les requêtes commerciales. Champs : name, description, image, brand, offers (avec price, priceCurrency, availability), aggregateRating, review.

Les LLM utilisent ces données pour répondre à des requêtes “meilleur X”, “comparatif Y”, “où acheter Z”. Sans schema Product, votre fiche est invisible dans ces réponses.

BreadcrumbList

Utile pour le contexte hiérarchique. Aide les LLM à comprendre la structure du site et la position d’une page dans cette structure. Pas spectaculaire mais standard.

LocalBusiness (et sous-types)

Voir notre article sur le SEO local : pour les commerces et services à zone géographique, c’est fondamental.

Les types qui ne servent presque à rien en 2026

Pour ne pas vous faire perdre de temps :

Event sans rich result éligible : peu lu par les LLM.
Recipe : reste utile pour Google rich snippets, ignoré par la plupart des LLM en réponse.
VideoObject : utile pour YouTube et Google Discover, marginal pour les LLM.
JobPosting : circuit séparé (Google Jobs), peu pertinent hors contexte recrutement.
CreativeWork générique : trop abstrait, préférez un sous-type plus spécifique.

Le critère #1 que beaucoup ratent : la cohérence

Les LLM sont entraînés à détecter les incohérences entre HTML visible et données structurées. Si votre schema dit que l’auteur est “Marie Dupont, expert SEO chez Revelior” mais que la page affiche “Article par John” sans biographie, le modèle va privilégier le HTML visible et dévaluer le signal du schema.

Trois règles pratiques :

Ce qui est dans le schema doit être lisible dans la page. Auteur, date, prix, note moyenne : tout doit apparaître visuellement, pas seulement en méta.
Pas de “schema gonflé”. Un produit qui prétend aggregateRating: 5 en schema mais sans review réelles affichées est détecté et déclassé.
Les dates dateModified doivent être réelles. Mettre à jour la date sans toucher au contenu pour faire croire à de la fraîcheur est un pattern détecté par Google et par les LLM.

Comment poser et vérifier son schema en 2026

Format : JSON-LD obligatoirement, dans un <script type="application/ld+json"> placé dans le <head> ou en fin de <body>. Microdata et RDFa fonctionnent encore mais sont en retrait dans les outils.

Outils de validation :

Rich Results Test (Google) : pour vérifier l’éligibilité aux rich snippets et la validité globale.
Schema Markup Validator (schema.org) : pour valider la structure pure schema.org sans le filtre “rich result Google”.
Bing URL Inspection : Bing ayant son propre rendu, vérifier aussi de ce côté pour ChatGPT search.

Outils de génération :

Plugins WordPress : Yoast, Rank Math, Schema Pro (le markup automatique est suffisant pour 80 % des cas).
Pour des cas custom (Astro, Next.js, sites custom) : générer le JSON-LD côté build, intégré au layout.

Test pratique : prenez une de vos pages, ouvrez le source, copiez le JSON-LD dans le validator. Si rouge, corrigez. Si vert mais incomplet, enrichissez. Faites-le sur les 10-20 pages les plus importantes en priorité.

Ce qui marche en pratique sur nos sites clients

Sur les sites où on a poussé une couverture schema cohérente (Article + Person + Organization + FAQPage + BreadcrumbList) avec un HTML visible aligné, on constate :

Citations LLM en hausse sur les requêtes informationnelles (mesuré via tests manuels mensuels et trackers Authoritas / Semrush AI Overviews).
Rich snippets Google quand éligibles (FAQ ne marche plus pour la plupart, mais Article et Breadcrumb apparaissent souvent).
Recherche directe par marque plus fiable : Google et les LLM identifient mieux qui vous êtes.

À l’inverse, sur les sites sans schema ou avec schema incohérent, la citation LLM est aléatoire : vous pouvez avoir le meilleur contenu de la SERP et ne pas être repris parce que le modèle ne sait pas comment vous attribuer.

FAQ Schema.org & LLM 2026

Schema.org est-il un facteur de ranking direct ?

Non. Google et Bing l’ont confirmé à plusieurs reprises : schema n’est pas un facteur de ranking en soi. Mais il influence l’éligibilité aux rich results, la compréhension par les LLM, et indirectement le CTR. La vraie question n’est pas “est-ce un facteur de ranking” mais “le coût d’opportunité de ne pas l’utiliser”.

Faut-il privilégier JSON-LD ou microdata ?

JSON-LD sans hésiter en 2026. Recommandation officielle Google depuis longtemps, plus simple à maintenir (pas de pollution du HTML), supporté par tous les LLM connectés. Microdata reste fonctionnel mais en désuétude.

Combien de schemas peut-on cumuler sur une page ?

Autant que pertinent. Une page produit peut typiquement avoir : Product, Organization (publisher), BreadcrumbList, et éventuellement un FAQ ou des Reviews imbriqués. La règle : chaque schema doit représenter quelque chose de réellement présent sur la page. Pas de schema “fantôme”.

Le schema invalidé par le validator pénalise-t-il le site ?

Pas directement, mais il peut être ignoré par Google et les LLM. Un schema avec erreurs critiques (manque un champ obligatoire) est traité comme inexistant. Un schema avec warnings (champ recommandé manquant) est lu mais incomplet. Toujours viser zéro erreur, warnings tolérés selon le contexte.

Wikipedia et Wikidata aident-ils vraiment ?

Énormément, surtout pour les LLM. Une fiche Wikipedia (si éligible) ou Wikidata bien remplie sur votre marque ou votre nom propre devient une source de vérité que les modèles consultent. Si vous êtes éligible (notoriété suffisante, sources fiables), c’est un effort à fort ROI long terme.

Combien de temps pour voir l’effet d’un schema ajouté ?

Le temps que Google et Bing re-crawlent et indexent les pages : 1-4 semaines pour les pages déjà connues, plus pour les nouvelles. Côté LLM, le délai est variable selon les cycles d’update de leurs datasets. Comptez 2-3 mois pour voir un effet stable sur les citations.

En résumé

Schema.org en 2026 n’est pas une tactique magique, c’est une discipline d’hygiène : poser correctement Article, Person, Organization, FAQPage et leurs équivalents là où c’est pertinent, en JSON-LD, en cohérence stricte avec le HTML visible. C’est ce qui permet aux LLM de comprendre qui vous êtes, ce que vous publiez, et avec quelle autorité. Sans cet effort, vous laissez les modèles deviner, et leur taux d’erreur est plus élevé que vous ne le pensez.

Si vous voulez auditer la couverture schema de votre site, c’est dans nos audits : présence et validité des schemas critiques, alignement HTML/JSON-LD, opportunités de structure pour gagner en visibilité LLM.