Structured data (dữ liệu có cấu trúc) không khác nhau nhiều về định dạng kỹ thuật giữa các nền tảng AI — JSON-LD là chuẩn chung được Google, Bing, Perplexity và ChatGPT đều dựa vào để trích xuất tín hiệu có cấu trúc từ trang web — nhưng khác nhau ở mức độ và cách từng nền tảng sử dụng dữ liệu đó: có nền tảng dùng để xác thực tác giả, có nền tảng dùng để trích đoạn với độ tin cậy cao hơn, và dữ liệu cho thấy trang được AI trích dẫn có tỷ lệ gắn schema cao hơn hẳn trang không được trích — dù đây là tương quan, không phải nhân quả.
Mình là Đăng, làm Search Marketing cho khách hàng B2B tại SME Solution đã 6 năm. Trong bài schema markup cho AI search trước đây, mình đã giải thích khái niệm nền tảng. Bài này mình sẽ đi sâu hơn vào câu hỏi cụ thể: liệu có cần làm schema riêng cho từng nền tảng AI hay một bộ schema chuẩn dùng chung được cho tất cả?
JSON-LD là ngôn ngữ chung — tin tốt cho việc triển khai
Điểm mấu chốt cần nắm trước tiên: không cần học và triển khai định dạng structured data khác nhau cho từng nền tảng AI. JSON-LD là định dạng được tất cả các engine AI lớn — Google, Bing, Perplexity, ChatGPT — dựa vào để trích xuất tín hiệu có cấu trúc từ trang. Các answer engine như Perplexity, Google Gemini, và Microsoft Copilot đều dùng JSON-LD để phân tích thực thể trang, xác thực tác giả, và trích xuất đoạn văn trực tiếp với độ tin cậy cao hơn.
Lý do JSON-LD trở thành chuẩn thực tế (dù Google cũng hỗ trợ Microdata và RDFa): định dạng này tách biệt hoàn toàn khỏi layout HTML, dễ bảo trì và cập nhật hơn, và là định dạng được các AI crawler phân tích nhất quán nhất. Đây cũng là lý do Google khuyến nghị JSON-LD làm định dạng ưu tiên trong tài liệu chính thức của mình từ nhiều năm nay.
Bằng chứng định lượng: schema markup có tương quan rõ với việc được trích dẫn
Một số liệu đáng chú ý: theo nghiên cứu của AirOps (7/2025, 900 truy vấn, hơn 12.000 URL), 61% trang được ChatGPT trích dẫn có schema markup đầy đủ, so với 25% ở các trang top Google không được trích. Ahrefs, khi phân tích 6 triệu URL, cũng ghi nhận trang được AI trích dẫn có khả năng chứa JSON-LD cao gần gấp 3 lần. Nhưng chính Ahrefs, trong thí nghiệm có đối chứng trên 1.885 trang (5/2026), không thấy việc thêm schema làm tăng trích dẫn ở các trang vốn đã được trích. Tuy nhiên, cần lưu ý sắc thái quan trọng: structured data cải thiện khả năng máy đọc được (machine readability) và điều kiện đủ để được xem xét trích dẫn, nhưng không tự nó độc lập kích hoạt việc được trích dẫn. Nói cách khác, schema markup là điều kiện cần, giúp tăng xác suất, nhưng không phải điều kiện đủ — nội dung vẫn phải đủ chất lượng, đúng ý định truy vấn để thực sự được chọn.
Khác biệt thực sự nằm ở đâu — không phải định dạng, mà là cách sử dụng
Dù cùng đọc JSON-LD, mỗi nền tảng AI sử dụng dữ liệu có cấu trúc theo mục đích hơi khác nhau, dựa trên cơ chế retrieval riêng đã phân tích trong các bài trước:
- Perplexity dùng structured data để hỗ trợ bước “phân tích thực thể” trong pipeline 6 bước — giúp hệ thống xác định chính xác trang đang nói về đối tượng/khái niệm nào trước khi đưa vào bước rerank.
- Gemini (qua Grounding) thừa hưởng lợi ích structured data gián tiếp qua Google Search — vì bước grounding chạy một truy vấn Google Search thực sự, structured data ảnh hưởng đến cách Google hiểu và index trang trước, sau đó mới ảnh hưởng đến khả năng được Gemini grounding vào.
- Copilot (qua Bing) tương tự Gemini — structured data ảnh hưởng đến cách Bing index và hiểu trang, từ đó ảnh hưởng gián tiếp đến việc trang có lọt vào tập candidate cho Copilot hay không.
- ChatGPT (qua OAI-SearchBot) dùng structured data trực tiếp trong chỉ mục riêng của OpenAI, với tương quan (không phải nhân quả) đã nêu ở trên.
Ý nghĩa thực chiến: không cần lo lắng về việc “làm schema kiểu Perplexity” khác với “schema kiểu ChatGPT” — một bộ JSON-LD đúng chuẩn, đầy đủ, chính xác sẽ phục vụ tốt cho tất cả các nền tảng, chỉ khác về đường đi (trực tiếp hay gián tiếp qua Google/Bing) mà lợi ích đó phát huy tác dụng.
Các loại schema quan trọng nhất cho nội dung B2B
Với đặc thù nội dung B2B (bài viết kiến thức, trang dịch vụ, trang sản phẩm kỹ thuật), bốn loại schema đáng ưu tiên:
Article— cho bài viết kiến thức, giúp xác định rõ tác giả, ngày xuất bản/cập nhật (liên quan trực tiếp đến tín hiệu freshness đã phân tích trong bài trước), và loại nội dung.FAQPage— cho phần câu hỏi thường gặp cuối mỗi bài, giúp hệ thống AI dễ nhận diện các cặp câu hỏi-trả lời riêng biệt, đúng định dạng các nghiên cứu đã chỉ ra là được trích dẫn nhiều.Productvới thuộc tínhadditionalProperty— cho trang sản phẩm kỹ thuật, giúp mã hóa thông số kỹ thuật dưới dạng dữ liệu có cấu trúc thay vì chỉ nằm trong văn bản hoặc hình ảnh (liên quan trực tiếp đến vấn đề đã phân tích trong bài về AI search cho sản phẩm công nghiệp).Organization— xác định rõ thông tin doanh nghiệp, góp phần vào việc xây dựng entity rõ ràng cho thương hiệu trong hệ thống nhận diện thực thể của các công cụ tìm kiếm và AI.
Framework: kiểm tra structured data hiện tại theo 3 bước
- Kiểm tra trang có schema nào đang triển khai bằng công cụ kiểm tra dữ liệu có cấu trúc (nhiều công cụ SEO miễn phí hỗ trợ việc này), xác định loại schema và có lỗi cú pháp nào không.
- Đối chiếu với 4 loại schema ưu tiên ở trên — trang nào còn thiếu loại schema phù hợp với loại nội dung của nó?
- Ưu tiên triển khai cho nhóm trang quan trọng nhất trước — không cần làm đồng loạt toàn bộ website cùng lúc, tương tự nguyên tắc ưu tiên đã áp dụng cho các hạng mục kỹ thuật khác trong loạt bài này.
Ví dụ thực tế: một trang dịch vụ B2B trước và sau khi bổ sung schema
Một trang dịch vụ tư vấn kỹ thuật B2B ban đầu chỉ có nội dung văn bản thuần, không có bất kỳ structured data nào. Sau khi bổ sung schema Service kèm Organization xác định rõ nhà cung cấp, khu vực phục vụ, và FAQPage cho phần câu hỏi thường gặp, các hệ thống AI search có thêm lớp dữ liệu rõ ràng để xác nhận: đây chính xác là trang mô tả dịch vụ gì, của ai, phục vụ khu vực nào — giảm khả năng nhầm lẫn hoặc bỏ qua trang do không đủ tín hiệu xác định rõ ràng ngữ cảnh, đặc biệt quan trọng khi trang cạnh tranh với nhiều đối thủ cung cấp dịch vụ tương tự trong cùng khu vực.
Đây là hạng mục kỹ thuật bọn mình luôn đưa vào checklist audit khi triển khai dịch vụ SEO tại Hà Nội của SME Solution cho khách hàng B2B — vì structured data tuy không phải yếu tố “hào nhoáng” nhưng có tác động rõ ràng, đo lường được đến khả năng được cả Google lẫn AI search hiểu đúng nội dung.
Sai lầm thường gặp: nhồi quá nhiều loại schema không liên quan
Một xu hướng phản tác dụng bọn mình quan sát được khi audit website B2B: doanh nghiệp cố gắng nhồi càng nhiều loại schema càng tốt với suy nghĩ “càng nhiều tín hiệu càng tốt cho AI hiểu”. Thực tế ngược lại — schema không khớp đúng với nội dung thực tế trên trang (ví dụ gắn Product cho một trang blog không bán sản phẩm gì) có thể tạo ra tín hiệu gây nhiễu, khiến hệ thống khó xác định chính xác bản chất thực sự của trang là gì.
Nguyên tắc đúng là: mỗi trang nên có loại schema khớp chính xác với bản chất nội dung của trang đó — trang bài viết dùng Article, trang dịch vụ dùng Service, trang sản phẩm dùng Product — thay vì cố gắng gắn nhiều loại schema cùng lúc cho một trang với hy vọng tăng cơ hội được nhận diện. Chất lượng và độ chính xác của việc khớp schema với nội dung quan trọng hơn nhiều so với số lượng loại schema được triển khai.
Vai trò của schema trong việc xây dựng entity nhất quán
Một lợi ích ít được nhắc đến của structured data, đặc biệt schema Organization: góp phần xây dựng tín hiệu entity nhất quán cho thương hiệu trên toàn bộ website — cùng tên, cùng mô tả ngành nghề, cùng thông tin liên hệ được khai báo nhất quán qua schema trên mọi trang. Đây chính là nền tảng kỹ thuật hỗ trợ trực tiếp cho việc Google và các hệ thống AI nhận diện thương hiệu như một thực thể rõ ràng, có danh tính nhất quán — một khái niệm đã được phân tích sâu trong các bài viết về entity SEO trước đây của SME Solution.
Câu hỏi thường gặp
Có cần triển khai schema cho mọi trang trên website không?
Không bắt buộc ngay lập tức. Ưu tiên các trang có giá trị kinh doanh cao nhất trước (trang dịch vụ, sản phẩm chủ lực, bài viết kiến thức trụ cột), mở rộng dần theo thời gian thay vì cố gắng làm toàn bộ cùng lúc.
Làm schema sai có gây hại gì không?
Có thể có — schema với thông tin sai lệch hoặc không khớp với nội dung hiển thị trên trang có thể bị các công cụ tìm kiếm coi là tín hiệu gây nhiễu, thậm chí bị phạt trong một số trường hợp nghiêm trọng. Luôn đảm bảo dữ liệu trong schema khớp chính xác với nội dung thực tế hiển thị.
Có công cụ nào tự động tạo schema JSON-LD không cần biết code không?
Có nhiều plugin CMS (như các plugin SEO phổ biến trên WordPress) hỗ trợ tạo schema cơ bản qua giao diện không cần viết code. Với schema phức tạp hơn (như Product với nhiều additionalProperty), có thể cần hỗ trợ kỹ thuật để đảm bảo cú pháp chính xác.
Schema có thay thế được việc viết nội dung chất lượng không?
Không. Schema chỉ là lớp mô tả dữ liệu bổ sung giúp máy đọc hiểu đúng ngữ cảnh — nó không thể bù đắp cho nội dung thiếu chiều sâu hoặc thiếu information gain. Nên coi schema là bước hoàn thiện cuối cùng sau khi đã có nội dung chất lượng, không phải giải pháp thay thế cho việc đầu tư vào nội dung.
Tóm lại, câu hỏi “structured data khác nhau thế nào giữa các nền tảng AI” có câu trả lời gọn hơn nhiều người nghĩ: về mặt kỹ thuật, không cần chiến lược tách biệt cho từng nền tảng — chỉ cần một bộ JSON-LD chính xác, khớp đúng nội dung, triển khai nhất quán trên toàn site. Sự khác biệt nằm ở cách mỗi nền tảng sử dụng dữ liệu đó trong pipeline retrieval riêng của mình, không nằm ở định dạng kỹ thuật cần triển khai.
Nguồn tham khảo
- Structuring Content for LLMs — AirOps (7/2025)
- We Tracked 1,885 Pages Adding Schema. AI Citations Barely Moved. — Ahrefs (5/2026)
- Structured Data & JSON-LD Schema Markup in the Age of AI
Website của bạn đã có structured data đầy đủ chưa?
Nhắn Zalo cho SME Solution nếu bạn muốn bọn mình kiểm tra nhanh xem các trang quan trọng nhất của bạn đã có schema đúng loại, đúng cú pháp chưa — đây thường là hạng mục kỹ thuật bị bỏ sót nhiều nhất khi doanh nghiệp B2B tự làm SEO, dù tác động thực tế đến khả năng được AI search trích dẫn là khá rõ ràng.
