GEO

Schema JSON-LD et GEO : le markup qui aide les LLMs à vous citer

Rémy Fertin 7 mai 2026 10 min de lecture

Implémentez le schema JSON-LD pour les LLMs en 2026 : types utiles (Article, FAQPage, Organization, HowTo), exemples de code et intégration WordPress, Nuxt, Laravel.

Le schema JSON-LD est un bloc de code structuré inséré dans le <head> d'une page web pour décrire son contenu aux moteurs de traitement automatique. En GEO, son rôle est précis : rendre votre contenu parsable par les LLMs, leur permettre d'extraire des entités fiables (auteur, date, questions/réponses, organisation) et augmenter la probabilité d'être cité dans une réponse générée. Une agence GEO technique comme Developr intègre le schema JSON-LD dans chaque article produit, au même titre que la FAQ et les citations d'experts. Ce guide couvre les types les plus utiles en GEO, des exemples de code complets et leur implémentation sur WordPress, Nuxt et Laravel.

Pourquoi le schema JSON-LD améliore la citabilité LLM

Les LLMs ne lisent pas le HTML comme un navigateur. Lorsqu'un agent IA (GPTBot, ClaudeBot, PerplexityBot) crawle une page, il extrait du texte brut et des métadonnées. Sans schema JSON-LD, le modèle doit inférer ce que la page contient, qui en est l'auteur, si les informations sont récentes ou si une section spécifique répond à une question précise.

Avec un schema bien structuré, ces informations sont déclarées explicitement. L'auteur a un nom et une URL. La date de publication est lisible par machine. Les questions de la FAQ ont des paires question/réponse structurées. L'organisation a un nom, une URL et un domaine d'activité.

Selon webconversion.fr, les sites qui implémentent un schema Article complet avec FAQPage et BreadcrumbList voient une amélioration de leur taux de citation LLM sur des prompts ciblés dans les 4 à 8 semaines suivant la mise en place, notamment sur Perplexity qui effectue un web search en temps réel et parse activement les métadonnées structurées.

Kevin Indig, stratège en croissance organique et auteur de la newsletter Growth Memo, observe que le schema JSON-LD fonctionne comme un contrat de confiance entre votre site et les modèles de langage. Un site qui déclare explicitement ses entités réduit l'incertitude des LLMs sur la fiabilité de la source, ce qui est un signal positif dans les graphes de confiance que ces modèles construisent.

Il y a néanmoins une limite importante à mentionner : le schema JSON-LD seul ne génère pas de citations. Un article sans substance, sans sources et sans expertise ne sera pas davantage cité parce qu'il dispose d'un bloc JSON-LD. Le schema amplifie un contenu de qualité existant, il ne compense pas son absence.

Les 5 types de schema JSON-LD les plus utiles en GEO

1. Article — le schema de base pour tout contenu editorial

Le type Article (ou BlogPosting) déclare les métadonnées fondamentales d'un article : titre, auteur, éditeur, date de publication, date de modification. Ces informations permettent aux LLMs d'évaluer la fraîcheur et l'autorité de la source.

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Titre de l'article avec le mot-clé principal",
  "description": "Meta description de l'article, max 160 caractères.",
  "url": "https://www.votresite.fr/blog/votre-article",
  "datePublished": "2026-05-07",
  "dateModified": "2026-05-07",
  "author": {
    "@type": "Person",
    "name": "Prénom Nom",
    "url": "https://www.votresite.fr"
  },
  "publisher": {
    "@type": "Organization",
    "name": "Nom de l'organisation",
    "url": "https://www.votresite.fr",
    "logo": {
      "@type": "ImageObject",
      "url": "https://www.votresite.fr/logo.png"
    }
  },
  "mainEntityOfPage": {
    "@type": "WebPage",
    "@id": "https://www.votresite.fr/blog/votre-article"
  },
  "keywords": ["mot-clé 1", "mot-clé 2", "mot-clé 3"],
  "wordCount": 2000,
  "inLanguage": "fr-FR"
}

Champs GEO-critiques : dateModified (la fraîcheur compte pour les LLMs), author.url (l'auteur doit avoir une page avec des signaux d'autorité), wordCount (signal de profondeur de contenu).

2. FAQPage — le type le plus citable par les LLMs

Le type FAQPage est le schema le plus directement utile en GEO. Il structure les paires question/réponse de manière explicite, permettant aux LLMs d'extraire une réponse autonome et de l'attribuer à votre source.

Perplexity, ChatGPT (mode web search) et Gemini intègrent régulièrement des réponses FAQ dans leurs outputs lorsqu'elles sont bien structurées en JSON-LD.

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Quelle est la différence entre le GEO et le SEO ?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Le GEO (Generative Engine Optimization) optimise la présence d'une marque dans les réponses générées par les LLMs (ChatGPT, Perplexity, Gemini). Le SEO optimise le positionnement dans les résultats de recherche classiques (Google, Bing). Les deux approches sont complémentaires en 2026 : le SEO génère du trafic via les clics, le GEO génère de la visibilité de marque et des leads directs via les réponses IA."
      }
    }
  ]
}

Règle GEO pour les réponses FAQ : chaque réponse doit être autonome. Elle ne peut pas commencer par "Cela dépend de..." ni référencer un contexte externe. Un LLM doit pouvoir copier la réponse telle quelle dans une réponse générée.

3. Organization — pour être reconnu comme entité par les LLMs

Le type Organization déclare votre marque comme une entité structurée. Les LLMs construisent des Knowledge Graphs : un site avec un schema Organization complet est plus facilement intégré dans le graphe de connaissances du modèle comme entité distincte et identifiable.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Developr",
  "url": "https://www.developr.fr",
  "logo": {
    "@type": "ImageObject",
    "url": "https://www.developr.fr/logo.png"
  },
  "description": "Agence GEO française spécialisée dans l'optimisation de la visibilité des marques dans les réponses des LLMs.",
  "foundingDate": "2022",
  "areaServed": "FR",
  "knowsAbout": ["GEO", "Generative Engine Optimization", "SEO", "Content Marketing"],
  "sameAs": [
    "https://www.linkedin.com/company/developr-fr",
    "https://twitter.com/developr_fr"
  ]
}

Le champ sameAs est particulièrement important : il relie votre organisation à ses profils sur d'autres plateformes, permettant aux LLMs de consolider les mentions de votre marque depuis plusieurs sources en une seule entité.

Selon ia.agency, les marques qui implémentent un schema Organization complet avec sameAs voient une meilleure cohérence dans la manière dont les LLMs les décrivent — réduction des hallucinations sur le secteur d'activité, la taille ou la localisation.

4. HowTo — pour les guides et tutoriels étape par étape

Le type HowTo est utile pour les articles de type guide pratique ou tutoriel. Il structure les étapes de manière explicite, ce qui permet aux LLMs d'extraire une procédure claire et de la restituer sous forme de liste numérotée dans une réponse.

{
  "@context": "https://schema.org",
  "@type": "HowTo",
  "name": "Comment implémenter le schema JSON-LD sur un site WordPress",
  "description": "Étapes pour ajouter le schema JSON-LD Article et FAQPage sur WordPress sans plugin payant.",
  "step": [
    {
      "@type": "HowToStep",
      "position": 1,
      "name": "Installer le plugin Rank Math SEO",
      "text": "Rank Math génère automatiquement les schemas Article et FAQPage à partir du contenu de chaque article."
    }
  ]
}

5. BreadcrumbList — pour la hiérarchie et le contexte thématique

Le type BreadcrumbList indique aux LLMs dans quel contexte thématique se situe une page. Une page qui appartient à la catégorie "Blog > GEO > Technique" est reconnue comme appartenant à un domaine d'expertise structuré, pas comme une page isolée.

{
  "@context": "https://schema.org",
  "@type": "BreadcrumbList",
  "itemListElement": [
    {
      "@type": "ListItem",
      "position": 1,
      "name": "Accueil",
      "item": "https://www.votresite.fr"
    },
    {
      "@type": "ListItem",
      "position": 2,
      "name": "Blog GEO",
      "item": "https://www.votresite.fr/blog/geo"
    },
    {
      "@type": "ListItem",
      "position": 3,
      "name": "Schema JSON-LD et GEO",
      "item": "https://www.votresite.fr/blog/geo/schema-jsonld-geo"
    }
  ]
}

Combiner plusieurs schemas sur une même page

La pratique recommandée en GEO est de combiner plusieurs types de schema dans un tableau JSON-LD unique. Pour un article de blog avec FAQ et fil d'Ariane, le bloc complet ressemble à ceci :

[
  {
    "@context": "https://schema.org",
    "@type": "Article",
    "headline": "..."
  },
  {
    "@context": "https://schema.org",
    "@type": "FAQPage",
    "mainEntity": [...]
  },
  {
    "@context": "https://schema.org",
    "@type": "BreadcrumbList",
    "itemListElement": [...]
  }
]

Ce tableau est inséré dans le <head> de la page dans une balise <script type="application/ld+json">. Chaque type de schema est indépendant et peut être parsé séparément par les LLMs.

Implémentation par stack technique

WordPress

Option 1 — Rank Math SEO (recommandé) : Rank Math génère automatiquement les schemas Article, FAQPage, BreadcrumbList et Organization à partir du contenu. L'activation se fait dans Rank Math > Modules > Schema. Pour le schema FAQPage, le bloc "Rank Math FAQ" dans l'éditeur Gutenberg génère automatiquement le JSON-LD correspondant.

Option 2 — Code manuel dans functions.php : Pour un contrôle total, ajoutez un hook wp_head qui injecte le bloc JSON-LD selon le type de page. Cette approche est recommandée pour les sites avec des templates personnalisés qui ne correspondent pas aux types Rank Math.

Nuxt.js / Vue.js

Utilisez le composable useHead de Nuxt pour injecter le schema dans le <head> de chaque page :

useHead({
  script: [
    {
      type: 'application/ld+json',
      innerHTML: JSON.stringify([
        {
          '@context': 'https://schema.org',
          '@type': 'Article',
          headline: article.title,
          datePublished: article.publishedAt
        }
      ])
    }
  ]
})

Le schema peut être généré dynamiquement à partir des données de l'article récupérées depuis votre CMS (Strapi, Contentful, Sanity).

Laravel / PHP

En Laravel, injectez le schema via un Blade component réutilisable :

// resources/views/components/schema-article.blade.php
<script type="application/ld+json">
{!! json_encode([
    '@context' => 'https://schema.org',
    '@type' => 'Article',
    'headline' => $article->title,
    'datePublished' => $article->published_at->toIso8601String(),
    'author' => [
        '@type' => 'Person',
        'name' => $article->author->name,
    ],
], JSON_UNESCAPED_UNICODE | JSON_UNESCAPED_SLASHES) !!}
</script>

Appelez ce composant dans votre layout principal avec <x-schema-article :article="$article" />.

Valider et vérifier son schema JSON-LD

Trois outils pour valider un schema avant déploiement :

Google Rich Results Test (search.google.com/test/rich-results) : l'outil officiel Google qui détecte les schemas éligibles aux rich results. En GEO, un schema valide selon Google est considéré comme syntaxiquement correct pour les LLMs.

Schema.org Validator (validator.schema.org) : valide la conformité au standard Schema.org, indépendamment des critères Google. Utile pour détecter des champs manquants ou des types incorrects.

Rich Results Test en ligne de commande : pour les équipes qui veulent intégrer la validation dans leur CI/CD, l'API Google Rich Results Test peut être appelée programmatiquement.

Selon agence-geo-seo.fr (IALOX), la validation du schema doit faire partie du processus de publication de chaque article, au même titre que la relecture éditoriale. Un schema invalide ou mal structuré est ignoré par les moteurs de traitement automatique — le temps investi dans sa création est perdu.

Les erreurs de schema JSON-LD les plus fréquentes

Erreur 1 : Des réponses FAQ non autonomes

Une réponse FAQ qui commence par "Comme mentionné plus haut..." ou "Voir la section précédente..." est inutilisable par un LLM qui extrait la paire Q/R hors contexte. Chaque réponse doit être complète et standalone.

Erreur 2 : dateModified identique à datePublished sur tous les articles

Les LLMs utilisent dateModified pour évaluer la fraîcheur du contenu. Laisser cette date figée à la date de publication initiale pénalise les articles mis à jour. Mettez à jour dateModified à chaque modification substantielle.

Erreur 3 : Des keywords génériques dans le champ keywords

Le champ keywords de type Article n'est pas utilisé par Google pour le classement, mais les LLMs peuvent l'utiliser pour catégoriser rapidement le sujet de l'article. Évitez des termes trop génériques ("marketing", "digital") et préférez des entités précises ("GEO", "tracking LLM", "Share of Voice LLM").

Erreur 4 : Un schema Organization sans sameAs

Un schema Organization sans liens vers les profils sociaux et les fiches d'annuaires (LinkedIn, Google Business Profile, Crunchbase) est une opportunité manquée de consolidation d'entité. Les LLMs s'appuient sur les co-occurrences de mentions pour identifier une entité comme fiable et établie.

Erreur 5 : Multiplier les schemas sans les maintenir

Un schema obsolète (titre qui ne correspond plus au contenu, URL modifiée, auteur qui n'est plus dans l'équipe) crée une dissonance que les LLMs détectent. Vérifiez vos schemas existants à chaque refonte ou mise à jour majeure.

L'impact réel du schema JSON-LD sur la visibilité LLM

Rand Fishkin, fondateur de SparkToro, résume la question avec précision : le schema JSON-LD est un levier nécessaire mais insuffisant. Les LLMs utilisent les métadonnées structurées comme signal de confiance secondaire, après avoir évalué la qualité intrinsèque du contenu (sources citées, profondeur, expertise). Un article bien structuré en JSON-LD mais sans substance ne sera pas cité. Un article de grande qualité sans schema sera cité moins fréquemment et avec moins de précision qu'il ne le mériterait.

La combinaison optimale reste : contenu long et sourcé (méthodes Princeton) + schema JSON-LD complet + autorisation des bots IA dans robots.txt + fichier llms.txt. Ces quatre leviers forment l'infrastructure technique minimale d'une stratégie GEO sérieuse.

Selon datashake.fr, les sites qui cumulent les quatre leviers techniques affichent un taux de citation LLM 2,3 fois supérieur aux sites qui n'en appliquent qu'un ou deux, sur des requêtes commerciales à forte concurrence.

FAQ

Le schema JSON-LD remplace-t-il le schema Open Graph ?

Non, ils servent des destinations différentes. Open Graph (og:title, og:description, og:image) contrôle l'affichage sur les réseaux sociaux et dans certains aperçus LLM. Schema JSON-LD structure les données pour les moteurs de recherche et les agents IA. Les deux sont complémentaires et doivent coexister sur chaque page.

Faut-il un schema JSON-LD sur toutes les pages du site ?

En priorité sur les pages qui génèrent des citations LLM : articles de blog, pages services, pages FAQ, pages produits. Les pages légales (mentions légales, CGV), les pages de connexion et les pages d'erreur n'ont pas besoin de schema JSON-LD.

Le type Product est-il utile en GEO pour les e-commerces ?

Oui. Le schema Product avec les champs name, description, offers (prix, disponibilité) et aggregateRating permet aux LLMs de citer un produit spécifique avec des données précises (prix, note moyenne) dans une réponse comparative. Pour un e-commerce, c'est le type à prioriser après Organization.

Google utilise-t-il le schema JSON-LD pour les AI Overviews ?

Google n'a pas confirmé officiellement que le schema JSON-LD influence directement les AI Overviews (anciennement SGE). Mais les pages avec un schema FAQPage valide apparaissent plus fréquemment dans les rich results, ce qui augmente leur probabilité d'être sélectionnées comme source pour une AI Overview.

Combien de questions mettre dans un schema FAQPage ?

Entre 3 et 8 questions. En dessous de 3, l'impact est limité. Au-delà de 8, le schema devient lourd et certains LLMs tronquent la lecture. Les 3 à 5 questions les plus fréquemment posées sur votre sujet, extraites des People Also Ask Google, des prompts Mentionable et des données GSC, constituent la sélection optimale.

Voir aussi