Le balisage schema.org aide au référencement classique sur Google. Mais pour être cité par une IA générative, ce qui compte n’est pas le balisage : c’est le texte visible de la page. Un balisage invisible — le JSON-LD placé dans l’en-tête, ou une microdonnée cachée — n’atteint pas les modèles. Ce que l’IA lit, c’est le contenu affiché ; le reste, sa chaîne de traitement l’écarte en route.
Qu’est-ce que le schema.org, et pourquoi tout le monde le recommande ?
Le schema.org est un vocabulaire standardisé qui sert à décrire le contenu d’une page web de façon compréhensible par les machines. Il permet d’indiquer explicitement : ceci est un produit, ceci est un avis, ceci est une question fréquente. Créé en 2011 par les principaux moteurs de recherche, il est devenu un pilier du référencement.
Sur Google, son utilité est réelle et bien documentée : il alimente les résultats enrichis — les étoiles de notation, les blocs de questions-réponses, les fiches produit avec prix. C’est pourquoi la quasi-totalité des guides de référencement le recommandent.
Le problème vient de la transposition automatique de ce conseil au GEO — l’optimisation pour être cité par les IA génératives. On lit partout qu’il faut « ajouter du schema.org pour être cité par ChatGPT ». Cette affirmation mélange deux choses différentes : ce qui aide un moteur de recherche à classer une page, et ce qu’une IA générative lit réellement pour formuler sa réponse. Les deux ne suivent pas le même chemin.
Pourquoi le balisage de l’en-tête n’atteint-il pas les IA ?
Quand un robot d’IA récupère une page, il ne la transmet pas telle quelle au modèle. Il la convertit d’abord en texte simple, souvent au format Markdown, pour ne garder que le contenu pertinent. Cette conversion écarte l’en-tête technique — le <head>, la zone invisible pour le lecteur — ainsi que les scripts et les styles.
Or c’est précisément là que réside le JSON-LD, la forme la plus répandue de schema.org : un bloc de code autonome, le plus souvent placé dans le <head>. Le comportement exact dépend de l’outil de conversion — certains, comme le lecteur de Cloudflare, conservent ce bloc à part —, mais les tests concordent sur un point : lors d’un accès direct à une page, les IA n’exploitent pas ce JSON-LD. Un test mené par searchVIU en 2025 sur ChatGPT, Claude, Perplexity et Gemini montre qu’aucun n’a récupéré une information présente uniquement en JSON-LD ; Claude, en particulier, supprime purement et simplement ce bloc.
La conclusion pratique est nette : une information qui n’existe que dans le JSON-LD de l’en-tête risque de ne jamais parvenir au modèle. Pour Google, ce balisage reste lu sans difficulté ; pour une IA générative, il ne faut pas compter dessus.
Ce qui compte vraiment : visible ou invisible ?
Ici, une idée répandue mérite d’être corrigée. On oppose souvent le JSON-LD (qui « ne marcherait pas ») aux microdonnées (qui « marcheraient »), au motif que les microdonnées s’écrivent dans le corps de la page. La vraie ligne de partage n’est pas là.
Les microdonnées utilisent le même vocabulaire que le JSON-LD, mais sous forme d’attributs ajoutés aux balises HTML. Or la conversion d’une page en texte simple ne conserve aucun attribut HTML : le balisage lui-même — itemscope, itemprop — disparaît, exactement comme le JSON-LD. Ce qui survit, ce n’est pas la microdonnée en tant que telle, c’est le texte visible qu’elle entoure. Le même test searchVIU le confirme : une microdonnée cachée, sans texte affiché, est ignorée au même titre que le JSON-LD ; seule une microdonnée dont le contenu est visible est prise en compte — parce que ce contenu était, de toute façon, dans le texte lu.
La vraie distinction n’est donc pas « JSON-LD contre microdonnées », mais « invisible contre visible ». Une IA lit le texte affiché de la page. Tout ce qui n’y figure pas — un bloc JSON-LD dans l’en-tête, un attribut de balisage caché — a de fortes chances de ne jamais l’atteindre. Le balisage n’apporte un avantage de citabilité que lorsque l’information qu’il décrit est aussi écrite, noir sur blanc, dans le contenu que voit le lecteur.
Que disent les mesures sur l’effet réel du schema en GEO ?
Deux études récentes, menées par des éditeurs d’outils du secteur — à lire avec cette réserve —, vont dans ce sens.
La première, publiée par Writesonic en mars 2026, a injecté des marqueurs uniques à différents endroits d’une page test, puis vérifié lesquels six IA parvenaient à restituer. Selon cette étude, 9 des 11 éléments de métadonnées de l’en-tête obtiennent un score nul — aucune des six IA ne les restitue ; seule la balise de titre survit partiellement, restituée par cinq IA sur six ; en revanche, les données placées dans le corps visible sont restituées par les six. Le partage visible/invisible s’y lit directement.
La seconde, publiée par Ahrefs en mai 2026, a suivi près de 1 900 pages ayant ajouté du schema.org et mesuré l’effet sur leur probabilité d’être citées par les IA. L’étude précise avoir testé le JSON-LD, la forme la plus courante. Son résultat va à rebours de l’intuition : selon Ahrefs, l’effet mesuré est nul, voire légèrement négatif — jusqu’à moins 4,6 % sur les réponses IA de Google. Rien d’étonnant si l’on tient compte de ce qui précède : un balisage qui n’atteint pas le modèle ne peut pas influencer sa décision. La corrélation, elle, existe — les pages citées ont souvent du schema —, mais elle s’explique par la qualité des sites concernés, pas par le balisage : corrélation n’est pas causalité.
La leçon n’est donc pas « le schema.org ne sert à rien », mais « il ne produit pas d’effet de citation par son seul balisage ». Le confondre avec un levier de citabilité conduit à investir dans une couche technique inopérante tout en croyant agir.
En résumé : que faire concrètement ?
Trois principes se dégagent. D’abord, conserver le JSON-LD pour ce à quoi il sert vraiment : le référencement classique et les résultats enrichis de Google. Il n’y a aucune raison de l’abandonner sur ce terrain.
Ensuite, ne rien attendre du JSON-LD pour la citation par les IA génératives. L’affirmation « ajoutez du schema pour être cité par ChatGPT » ne résiste pas aux mesures.
Enfin, faire du contenu visible la priorité. Ce qui compte pour une IA, c’est ce qu’elle lit réellement : un texte clair, structuré avec de vrais titres et de vraies listes, où les faits importants — ce qu’est la marque, ce qu’elle propose, ses caractéristiques — sont écrits en toutes lettres. Un fait que l’on veut voir repris par une IA doit être visible à l’écran, pas caché dans une couche de balisage que sa chaîne de traitement supprime en route.