Schema markup för LLM-citations: svensk guide 2026

Vilka 5 schemas driver LLM-citation 2026?

Efter 100+ Alice Labs produktionsimplementationer och LLM query harvester Q1-Q2 2025 har vi konvergerat på en 5-schema stack som täcker citation-behovet i ChatGPT, Copilot, Perplexity, Claude och Gemini:

1. Article. Alltid. Root-schema för publicerat innehåll. Fält headline, author (Person med sameAs till LinkedIn och Wikidata), publishDate, dateModified, mainEntityOfPage, image.
2. FAQPage. När faqs[] är non-empty. Direkt-citation-källa för Perplexity, Google AI Overviews och ChatGPT featured-svar.
3. ItemList. Alla listicles. Varje item har stable @id via entityIdFor(vendor-slug) som ger https://alicelabs.ai/entity/vendor-slug. Cross-article entity-resolution.
4. HowTo. När artikeln har numrerade steg med tid och verktyg (som denna guide). HowToStep-array med name och text per steg.
5. BreadcrumbList. Alltid. Home → Insights → Cluster → Article. Bygger site-hierarki som Google, Bing och Perplexity använder för context.

Läs den bredare LLMO-kontexten i vår pillar LLMO-optimering för svenska företag och entity graph-arkitekturen i Entity graph för svenska företag.

Article-schema: kod-mönster för svenska publikationer

Sammanfattat

Article-schema är root för publicerat innehåll. Obligatoriska fält 2026: @type Article, headline (matchar h1), author som Person med sameAs till LinkedIn och Wikidata, publishDate, dateModified (kritisk för freshness), mainEntityOfPage, image. Utökade fält: articleSection, wordCount, inLanguage sv-SE, publisher som Organization med sameAs. Alice Labs referens i buildSchemas.ts.

Article-schema är root-schema för allt publicerat innehåll. Alice Labs standardmall per artikel (kompakt exempel):

Källa: Schema.org Article specification 2026, cross-checked mot Alice Labs buildSchemas.ts.

Kritisk regel: dateModified måste uppdateras vid varje edit och vid varje 13-veckors refresh. LLM:er (särskilt Perplexity och Google AI Overviews) nedprioriterar stale content för tidskänsliga frågor.

FAQPage-schema: direkt-citation-källa för Perplexity och AI Overviews

Sammanfattat

FAQPage-schema emit:as när faqs[] är non-empty. Struktur: @type FAQPage, mainEntity som array av Question-objekt, varje med acceptedAnswer som Answer-objekt. Perplexity och Google AI Overviews använder FAQPage som direkt citation-källa: svaret hämtas ordagrant, källan attribueras. Minimum 8 items rekommenderat. Formulera question med exakt GSC long-tail-fras, answer 40-100 ord med numrerade fakta.

FAQPage-schema är Alice Labs enskilt starkaste driver av Perplexity- och AI-Overviews-citation. Struktur:

• @type: FAQPage som root-nod.
• mainEntity som array av Question-objekt.
• Per Question: @type: Question, name med exakt GSC-long-tail-fras (t ex "Vad är entity graph för svenska företag?").
• Per Question: acceptedAnswer som @type: Answer medtext-fält, 40-100 ord med numrerade fakta och attribuerad statistik.

Praktiska rekommendationer 2026. Minimum 8 items per artikel, gärna 10-15 för pillar. Question formuleras som exakt GSC long-tail-fras: LLM:er matchar user-query mot Question.name. Answer börjar med direkt svar (första meningen är self-contained featured-snippet), följt av 1-3 kompletterande meningar med attribuerad statistik.

Alice Labs implementation genererar FAQPage automatiskt från faqs-arrayen i NextGenArticleConfig, ingen manuell JSON-LD behövs.

ItemList med per-item stable @id: cross-article entity-resolution

Sammanfattat

ItemList emit:as för alla listicles med per-item stable @id via entityIdFor(slug) som ger https://alicelabs.ai/entity/{slug}. Samma vendor får samma @id över varje artikel: LLM:et kan slå samman referenser till en enda entitet över hela sajten. Utan per-item stable @id ser LLM:et olika listor som olika entiteter. Validerat av tools/schema_audit.py --strict.

Per-item stable @id är den enskilt viktigaste ItemList-featuren för LLMO 2026. Alice Labs standard-mönster:

1. Varje item i ItemList får @type: ListItem, position(1-indexed), name, url, och kritiskt: @idvia entityIdFor(vendor-slug).
2. entityIdFor(vendor-slug) returnerar https://alicelabs.ai/entity/vendor-slug.
3. Samma vendor får samma @id över varje artikel. Exempel: LangGraph får https://alicelabs.ai/entity/langgraph både i "Best AI Agent Frameworks" och i "LangGraph vs CrewAI".
4. LLM:et bygger en cross-article entity-graf: "LangGraph refereras i 12 Alice Labs artiklar med konsistent @id, hög confidence."

Utan per-item stable @id ser LLM:et olika listor som olika entiteter. En vendor som refereras i 12 artiklar utan stable @id räknas som 12 separata entiteter, vilket splittrar authority-signalen.

Alice Labs validerar via python tools/schema_audit.py --strict --format markdown som fångar @id-drift, tomma URL:er och saknade fält.

HowTo och BreadcrumbList: steg-guides och navigation

Sammanfattat

HowTo emit:as när artikeln har numrerade steg med tid och verktyg. Fält @type HowTo, name, totalTime, estimatedCost, supply, tool, step som array av HowToStep. BreadcrumbList emit:as alltid: Home → Insights → Cluster → Article. Alice Labs standard-hierarki 4 nivåer med position 1-indexed. Bygger site-context som Google, Bing och Perplexity använder för retrieval.

HowTo-schema emit:as när artikeln har numrerade steg med tid och verktyg. Denna guide (Schema markup för LLM-citations) är ett HowTo-exempel. Fält:

• @type: HowTo, name, description.
• totalTime i ISO 8601 duration (t ex PT2W för 2 veckor).
• estimatedCost med amount och currencyCode (SEK för svensk enterprise).
• supply och tool-arrayer.
• step som array av HowToStep med name och text per steg.

BreadcrumbList-schema emit:as alltid för navigation. Alice Labs standard-hierarki 4 nivåer:

1. Position 1: Home (alicelabs.ai)
2. Position 2: Insights (alicelabs.ai/sv/insights)
3. Position 3: Cluster (ai-seo-llmo)
4. Position 4: Article (denna sidan)

BreadcrumbList bygger site-hierarki som Google, Bing och Perplexity använder för context under retrieval. Utan BreadcrumbList ser LLM:et sidan som isolerad från klustret.

Speakable och DefinedTerm: voice-svar och glossary-authority

Sammanfattat

Speakable-schema (auto-genererat från quickAnswer och sectionAnswer) krävs för voice-svar i Google Assistant, Alexa och LLM:er med voice-mode. Struktur: @type Article med speakable-array pekande på CSS-selectorer eller xpath. DefinedTerm-schema för glossary-artiklar och egna domän-termer (t ex Alice Labs AI Search Console) med sameAs till Wikidata där relevant. Bygger definitional authority.

Speakable-schema är auto-genererat av Alice Labs buildSchemas.ts från quickAnswer och varje sectionAnswer. Fält:

• @type: Article med speakable-array.
• Varje speakable-nod har @type: SpeakableSpecification ochcssSelector som pekar mot data-speakable-attributet på DOM-noden.
• quickAnswer och sectionAnswer i NextGenArticleConfig märks automatiskt med data-speakable, ingen manuell CSS-selector behövs.

Krävs för voice-svar i Google Assistant, Alexa och för LLM:er som gör voice-mode (ChatGPT voice, Perplexity voice). Speakable-content ska vara self-contained och läsbar som text-to-speech.

DefinedTerm-schema emit:as för glossary-artiklar och egna domän-termer. Fält:

• @type: DefinedTerm, name, description,inDefinedTermSet pekande mot glossary-hub.
• sameAs till Wikidata där relevant (t ex sameAs Q11660 för "artificiell intelligens").
• För egna termer utan Wikidata (t ex "Alice Labs AI Search Console"): definera i egen DefinedTermSet på sajten och länka via sameAs till egen definitionssida.

DefinedTerm bygger definitional authority: LLM:er lär sig att Alice Labs är den kanoniska definitionskällan för egna metod-termer.

Varför aldrig self-serving aggregateRating i egen JSON-LD

Sammanfattat

Google structured data policy 2019 (tightened mars 2026) förbjuder self-serving aggregateRating där sajten själv asserterar rating på sitt eget varumärke, produkt eller tjänst. Konsekvens: rich results avpubliceras, manuell åtgärd möjlig, LLM-citation kan påverkas negativt. Emit ratings endast från externt attribuerade widgets (Trustpilot, G2, Clutch, Capterra) med Review.author = widget-organisationen.

Self-serving aggregateRating är en av de vanligaste JSON-LD-misstagen i nordisk enterprise 2026. Alice Labs har audit:erat 100+ sajter och funnit att ca 40 procent har self-serving aggregateRating i minst en schema-nod.

Google policy (2019, tightened mars 2026). Sajter får inte self-assertera aggregateRating på sitt eget varumärke, produkt eller tjänst. Konsekvenser vid brott:

1. Rich results (stjärnor i SERP) avpubliceras för hela sajten under kategorin.
2. Sidan kan flaggas för manuell åtgärd (Manual Action) i Google Search Console.
3. LLM-citation kan påverkas negativt: Perplexity och GPT-5 nedvärderar tydligt self-serving ratings i retrieval.

Vad är tillåtet. Emit ratings endast från externt attribuerade widgets (Trustpilot, G2, Clutch, Capterra) med Review.author = widget-organisationen. Exempel: Review-nod medauthor.@type: Organization, author.name: Trustpilot,author.url: https://trustpilot.com/review/alicelabs.ai.

Läs bredare governance-implikationer i vår sibling LLMO-optimering för svenska företag plus entity graph-guiden Entity graph för svenska företag.

Validation-verktyg: Google Rich Results Test, Schema.org Validator, schema_audit.py

Sammanfattat

Alice Labs standardvalidering per artikel: (1) Google Rich Results Test för rich-features (FAQPage, HowTo, Article), (2) Schema.org Validator för strikt spec-överensstämmelse, (3) tools/schema_audit.py --strict för @id-drift, tomma sameAs, saknad dateModified och per-item @id via entityIdFor. Kör alla tre före publish och kvartalsvis vid refresh. Alice Labs kör som CI-check.

Tre validation-verktyg täcker olika lager av schema-kvalitet. Alice Labs kör alla tre som CI-check före varje publish:

1. Google Rich Results Test. search.google.com/test/rich-results. Verifierar att FAQPage, HowTo, Article och andra rich-features är korrekt formaterade och kvalificerar för Google rich results.
2. Schema.org Validator. validator.schema.org. Strikt validering mot Schema.org spec. Fångar felstavade fält, felaktiga typer och deprecated properties.
3. Alice Labs tools/schema_audit.py --strict. python tools/schema_audit.py --strict --format markdown --out data/reports/schema_audit_2026-09-20.md. Fångar Alice Labs-specifika regler: @id-drift (per-item @id inkonsistent mellan artiklar), tomma sameAs, saknad dateModified, per-item @id ej via entityIdFor.

Kvartalsvis kör vi hela sajten genom alla tre verktygen och rapporterar i data/reports/schema_audit_YYYY-MM-DD.md. Det tar 30-60 minuter för 300 artiklar.

För mer om structural features utöver schema, se Content-strukturer för LLM-parsing och Passage-optimering för LLM. För svensk brand-specifik markup, se Structured data för svenska brands.