Schema.orgとRAG：構造化データがLLM検索を変える理由

Retrieval-Augmented Generation（RAG）は、ほとんどの AI 検索プロダクトを支えています。ユーザーが「200 ドル以下の最高の防水ハイキングブーツは？」と尋ねると、システムはチャンクを取得し、引用付きの回答を合成します。

HTML だけでは不十分な理由

非構造化ページはナビゲーション、プロモーション、仕様が混在します。チャンキングアルゴリズム（固定サイズ、セマンティック、見出しベース）は、商品情報を無関係なセグメントに分割しがちです。Schema.org JSON-LD は予測可能な `<script type="application/ld+json">` ブロック内にあり — 多くのクローラーはこれを高信頼度の構造化根拠としてインデックスします。

事業者が活用できるスキーマタイプ（データセット内の引用影響順）

1. Product + Offer（priceValidUntil、availability） 2. FAQPage（自然言語 Q&A） 3. HowTo（セットアップ、サイズ、お手入れガイド） 4. Review / AggregateRating（真正な場合） 5. BreadcrumbList（カテゴリページのコンテキスト）

アンチパターン

- 表示コンテンツと矛盾するマークアップ（Google と AI システムは不一致をペナルティ） - 偽レビューや AggregateRating の水増し - カテゴリページへの Product スキーマ（代わりに ItemList を使用）

研究メモ

Lewis ら（2020）の RAG フレームワークは、取得品質が生成品質の上限を決めることを示しました。事業者にとって *取得品質* は increasingly *構造化事実の品質* を意味します。Visora はスキーマの有効性、フィールド完全性、HTML-JSON 整合性 — ML の専門知識なしに制御できる 3 変数 — を監査します。