Kako strukturirati podatke na sajtu da bi vas AI pretraživači citirali kao autoritet

Najbitnije u tekstu (Key Takeaways):

• AI pretraživači (SearchGPT, Perplexity, Google AI Overviews) konzumiraju web kroz sisteme za ekstrakciju informacija i generisanje uz pomoć pretraživanja (Retrieval-Augmented Generation – RAG), gde vizuelni dizajn sajta nema nikakvu vrednost, dok arhitektura podataka diktira sve.

• Da biste postali verifikovani izvor koji AI citira, morate naučiti kako pravilno strukturirati podatke na sajtu kroz semantičke oznake (Schema.org markup) u JSON-LD formatu, eksplicitno povezujući sopstveni brend sa zvaničnim grafovima znanja (Knowledge Graphs).

• Pisanje sadržaja mora se prilagoditi logici RAG sistema: upotreba semantičkih trojki (Subjekat – Predikat – Objekat), odgovaranje po principu „najvažnije na početku“ (Bottom Line Up Front – BLUF) i kreiranje visoke informacione vrednosti (Information Gain) sprečavaju AI da halucinira ili preskoči vaš izvor.

• Tehnička infrastruktura, uključujući novonastale standarde poput llms.txt datoteka, namensku kontrolu u robots.txt fajlu i mikrosekundnu brzinu isporuke koda, predstavlja ključni preduslov da bi AI botovi uvrstili vaš sajt u svoje indekse u realnom vremenu.

U eri u kojoj milioni korisnika svakog dana postavljaju složena pitanja pametnim sistemima poput ChatGPT-ja, Perplexity-ja ili Google AI Overviews-a, tradicionalni koncept pretraživanja interneta doživeo je tešku tektonsku promenu. Godinama smo usmeravali energiju na to kako da se „dopadnemo“ Google-ovom algebarskom indeksu. Slagali smo ključne reči, pregonili gustinu fraza u tekstovima, kupovali povratne linkove (backlinks) i prilagođavali dizajn tako da privuče ljudsko oko.

Međutim, kada algoritam zasnovan na velikim jezičkim modelima (Large Language Models – LLM) pristupi vašoj web stranici, njega ne zanima koliko vam je lep CSS, kakva vam je paleta boja, niti koliko imate atraktivnih slika u zaglavlju.

AI bot vaš sajt posmatra kao sirovu, često haotičnu gomilu tekstualnih tokena. Ako ti podaci nisu jasni, nedvosmisleni i semantički povezani, sistem ih jednostavno odbacuje ili, još gore, pogrešno interpretira.

Pitanje kako strukturirati podatke na sajtu prestalo je da bude sporedan zadatak za tehničke SEO stručnjake i postalo je centralna tema digitalnog opstanka. U ovom tekstu dubinski analiziramo kako funkcioniše proces RAG ekstrakcije, na koji način semantičke oznake u JSON-LD formatu prenose autoritet i kako izgraditi arhitekturu podataka kojoj veštačka inteligencija mora verovati.

Velika iluzija čistog HTML-a i rađanje sintaksnog rata za AI pažnju

Većina vlasnika sajtova i dalje živi u iluziji da je postavljanje teksta unutar običnih HTML oznaka poput <p>, <h2> ili <div> sasvim dovoljno da bi internet razumeo šta se na stranici nalazi. HTML je primarno stvoren da bi objasnio web pregledaču kako slika treba da izgleda, a ne šta podaci zapravo znače.

Kada čovek pročita rečenicu: „Jabuka je u trećem kvartalu ostvarila rekordnu dobit“, on iz konteksta trenutno shvata da se reč „Jabuka“ odnosi na tehnološkog giganta Apple Inc, a ne na voće. Međutim, kada AI bot skrapuje običan HTML tekst, on mora utrošiti značajne računarske resurse kako bi kroz probabilističke modele pogodio na koji se entitet rečenica odnosi.

Ako u tom procesu postoji bilo kakva doza dvosmislenosti, RAG sistem (Retrieval-Augmented Generation) iz predostrožnosti preskače vaš sajt i kao izvor citira konkurenta čiji su podaci servirani na tacni – potpuno čisti, strukturirani i semantički dokazivi.

U novom digitalnom pejzažu, web sajtovi se natječu na dva potpuno različita fronta:

1. Ljudski interfejs: Vizuelno privlačan, brz, ergonomski i prilagođen čitanju na ekranima.

2. Mašinski interfejs: Semantički besprekoran, strogo tipiziran i strukturiran format podataka pripremljen za trenutnu vektorsku konverziju.

O tome kako su generativni motori pretraživanja u potpunosti promenili tokove saobraćaja na mreži i zašto se nalazimo u eri sa preko 60% pretraga bez ijednog klika (Zero-Click searches), detaljno smo pisali u našoj analizi o SearchGPT vs Perplexity vs Google SGE modelima i prelasku na GEO optimizaciju.

Anatomija AI razumevanja: Od reči do entiteta i semantičkih trojki

Da biste znali kako pravilno strukturirati podatke na sajtu, morate najpre razumeti matematički model po kom veštačka inteligencija „shvata“ svet oko sebe.

AI ne pamti rečenice kao niz slova. On gradi grafove znanja (Knowledge Graphs). U grafu znanja, osnovne jedinice informacije su entiteti (stvarne osobe, organizacije, mesta, proizvodi, koncepti) i relacije koje ih međusobno povezuju.

Ove relacije se unutar baze znanja zapisuju u formi takozvanih semantičkih trojki (Semantic Triplets) po formatu:

Na primer:

Kada AI pretraživač analizira vaš sajt, on pokušava da iz vašeg teksta izvuče što više čisto definisanih trojki. Ako je vaša rečenica previše duga, pun stilskih figura, metafora ili nejasnih zamenica (npr. „Oni su prošle godine napravili istorijski korak u tom sektoru“), AI parser često neće moći sa sigurnošću da utvrdi ko su „oni“, šta je „istorijski korak“, a šta „taj sektor“.

Zbog toga proces strukturiranja podataka počinje već na nivou same sintakse teksta:

• Izbegavajte nejasne zamenice u ključnim definicijama: Umesto „Ovaj alat omogućava…“, uvek napišite „Sistem X omogućava…“.

• Primenjujte BLUF princip (Bottom Line Up Front): Uvek iznesite jasnu, definisanu činjenicu ili odgovor u prvoj rečenici pasusa, a tek u nastavku pružajte detaljna objašnjenja.

• Formatirajte činjenice u jasne strukture: Koristite tabele i liste gde god iznosite komparativne podatke, tehničke specifikacije ili merljive metrike.

Praktična primena Schema.org standarda: Srce semantičkog strukturiranja

Ubedljivo najmoćnije oružje koje nam stoi na raspolaganju za direktnu komunikaciju sa AI botovima jeste Schema.org – univerzalni vokabular semantičkih oznaka kreiran zajedničkom inicijativom vodećih svetskih pretraživača.

Schema.org omogućava da bilo kom delu vašeg koda dodelite precizno značenje kroz JSON-LD (JavaScript Object Notation for Linked Data) format. Za razliku od starijih formata poput Microdata ili RDFa koji su se mešali sa samim HTML kodom, JSON-LD se ubacuje unutar nezavisnog <script type="application/ld+json"> bloka u zaglavlju ili podnožju stranice, ne utičući na vizuelni izgled sajta.

Da biste efikasno uspeli da strukturirate podatke na sajtu, morate implementirati sledeće ključne klase:

1. Klasa Organization (Definisanje vašeg entiteta)

Vaš sajt mora u potpunosti objasniti mašini ko je njegov vlasnik. Korišćenjem svojstva sameAs, vi eksplicitno spajate svoj sajt sa unutrašnjim identifikatorima koje AI već poznaje u globalnim grafovima znanja (kao što su Wikidata, Wikipedia, Crunchbase ili zvanični registri).

2. Klasa TechArticle / Article (Strukturiranje stručnog znanja)

Običan tekstualni članak morati obogatiti podacima o autoru (author), izdavaču (publisher), datumu objave, datumu poslednje izmene, kao i eksplicitno definisati o čemu se u članku radi kroz svojstva about i mentions.

3. Klase FAQPage, Product i HowTo

Omogućavaju direktno izvlačenje konkretnih odgovora, tehničkih koraka i cena u realnom vremenu, čime se AI sistemu eliminise potreba da „pogađa“ uslove poslovanja ili specifikacije proizvoda.

Pogledajmo praktičan primer kompletno strukturiranog JSON-LD bloka za stručni članak na portalu:

{
  "@context": "https://schema.org",
  "@type": "TechArticle",
  "headline": "Kako strukturirati podatke na sajtu da bi vas AI pretraživači citirali kao autoritet",
  "description": "Detaljni vodič kroz primenu Schema.org standarda i JSON-LD formata za AI pretraživače.",
  "inLanguage": "sr-RS",
  "mainEntityOfPage": {
    "@type": "WebPage",
    "@id": "https://www.itnetwork.rs/kako-strukturirati-podatke-na-sajtu-da-bi-vas-ai-pretrazivaci-citirali-kao-autoritet/"
  },
  "author": {
    "@type": "Organization",
    "name": "IT Network",
    "url": "https://www.itnetwork.rs",
    "sameAs": [
      "https://www.linkedin.com/company/itnetwork",
      "https://twitter.com/itnetwork_rs"
    ]
  },
  "publisher": {
    "@type": "Organization",
    "name": "IT Network",
    "logo": {
      "@type": "ImageObject",
      "url": "https://www.itnetwork.rs/logo.png"
    }
  },
  "about": [
    {
      "@type": "Thing",
      "name": "Schema.org",
      "sameAs": "https://en.wikipedia.org/wiki/Schema.org"
    },
    {
      "@type": "Thing",
      "name": "Generative Engine Optimization",
      "sameAs": "https://en.wikipedia.org/wiki/Generative_engine_optimization"
    }
  ],
  "mentions": [
    {
      "@type": "Thing",
      "name": "JSON-LD",
      "sameAs": "https://en.wikipedia.org/wiki/JSON-LD"
    },
    {
      "@type": "Thing",
      "name": "SearchGPT",
      "sameAs": "https://en.wikipedia.org/wiki/ChatGPT"
    }
  ]
}

Kada AI parser pročita ovaj JSON-LD blok, on više ne nagađa. On sa 100% sigurnosti zna ko je objavio tekst, šta je njegova glavna tema (about), koje se sporedne tehnologije pominju (mentions), i koje su zvanične adrese tih entiteta u svetskoj bazi znanja.

Kako RAG arhitektura razbija vaš sajt na parčiće (Chunking strategy)

Da biste razumeli kako pravilno strukturirati podatke na sajtu, moramo napraviti kratak izlet u inženjeriju pozadinskih AI sistema i objasniti koncept pod nazivom RAG (Retrieval-Augmented Generation).

Kada SearchGPT ili Perplexity analiziraju vaš članak, oni ga ne ubacuju u celosti u svoj model. To bi bilo previše skupo i sporo. Umesto toga, oni primenjuju proces pod nazivom Segmentacija (Chunking) – razbijanje vašeg teksta na manje celina (obično od 200 do 500 reči).

Svaki taj segment se zatim pretvara u matematički vektor (Vector Embedding) i smešta u vektorsku bazu podataka. Kada korisnik postavi pitanje, AI pretražuje bazu i izvlači samo onaj jedan ili dva segmenta koji najpreciznije odgovaraju na upit.

Ovo stvara novu inženjersku opasnost: Gubitak konteksta u segmentu (Context Loss).

Ako se vaš ključni zaključak ili tehnički podatak nalazi u segmentu koji nema jasne odrednice (na primer, u tekstu piše samo „Njegova cena iznosi 500 evra“, a ime proizvoda se pominje tri pasusa iznad u drugom segmentu), AI koji je izvukao samo taj sporni segment neće znati na koji se proizvod cena odnosi.

Da biste ovo sprečili, primenite sledeća pravila arhitekture sadržaja:

• Samodovoljnost sekcija (Self-contained H2/H3 blocks): Svaka sekcija ispod naslova drugog ili trećeg nivoa mora funkcionalno delovati kao nezavisan mini-članak. Naslov sekcije mora jasno imenovati entitet o kom se govori.

• Inkluzivni naslovi umesto „kreativnih“ fraza: Zaboravite na novinarske podnaslove poput „Pogled u budućnost“ ili „Šta nas čeka iza ugla“. Umesto toga, napišite: „Budućnost primene Schema.org standarda do 2030. godine“. AI parser će na osnovu samog naslova razumeti kontekst celog segmenta koji sledi ispod njega.

• Ugrađivanje entiteta u definicije: U prvoj rečenici sekcije uvek ponovite pun naziv entiteta o kom pišete.

Ova inženjerska disciplina u potpunosti se poklapa sa širim transformacijama u našoj industriji. O tome kako se menja uloga softverskih stručnjaka pisali smo u članku o senioritetu u doba AI alata i razlici između mlađeg developera i arhitekte.

Novi standardi za izlaganje podataka: Od robots.txt do llms.txt datoteka

Način na koji dozvoljavamo i olakšavamo pristup našim strukturiranim podacima doživeo je potpunu reviziju.

Do nedavno, celokupna kontrola se svodila na robots.txt fajl. Međutim, sa pojavom desetina novih AI botova, situacija se skomplikovala. Morate napraviti jasnu razliku između dve kategorije botova:

1. Scraper botovi za trening modela (Training Scrapers): Npr. GPTBot, CCBot, Anthropic-ai. Ovi botovi prikupljaju podatke kako bi trenirali buduće verzije modela, pri čemu vam ne donose nikakav direktan saobraćaj.

2. Search botovi u realnom vremenu (Search Crawlers): Npr. OAI-SearchBot, PerplexityBot, Google-Extended. Ovi botovi pretražuju internet u sekundi kada korisnik postavi pitanje i direktno plasiraju linkove ka vašem sajtu unutar fusnota.

Blokiranje OAI-SearchBot-a znači da ste svesno odlučili da postanete nevidljivi na ChatGPT Search-u.

Pored prilagođavanja robots.txt fajla, u inženjerskim krugovima se ubrzano usvaja novi otvorni standard: llms.txt datoteka.

Šta je llms.txt?

Slično kao što robots.txt daje instrukcije pretraživačima, a sitemap.xml pruža spisak adresa za indeksiranje, Datoteka llms.txt (postavljena u korenom direktorijumu vašeg sajta, npr. https://yoursite.com/llms.txt) predstavlja čist, MarkDown-formatiran dokument namenjen isključivo velim jezičkim modelima.

Ova datoteka sadrži sažeti pregled vašeg sajta, ključne definicije, hijerarhiju entiteta i direktne linkove ka najvažnijim čistim tekstualnim dokumentima, omogućavajući AI agentima da za par milisekundi shvate čime se vaša organizacija bavi bez potrebe za obradom teškog HTML koda.

Primer strukture jedne llms.txt datoteke:

# IT Network - Tehnološki portal

> IT Network je vodeći nezavisni IT portal u Srbiji specijalizovan za softverski inženjering, oblačnu infrastrukturu (Cloud), sajber bezbednost i vesti iz IT industrije.

## Ključne teme i arhitektura znanja

- [Generative Engine Optimization (GEO)](https://www.itnetwork.rs/searchgpt-vs-perplexity-vs-google-sge-gde-odlazi-web-saobracaj-i-kako-se-prilagoditi/): Analiza novih algoritama pretrage.
- [Cloud Exit u praksi](https://www.itnetwork.rs/zasto-se-sve-vise-kompanija-vraca-sa-clouda-na-sopstvene-servere-cloud-exit/): Vodič kroz repatrijaciju infrastrukture sa clouda na bare-metal.
- [WebAssembly van veba](https://www.itnetwork.rs/webassembly-izvan-veba-buducnost-brze-i-izolovane-mikrosluzbe/): Primena WASI standarda i Component Model-a.

## Zvanični entiteti
- Vlasnik: IT Network d.o.o.
- Glavni urednik: Saša Ristić

Tehnički uslovi infrastrukture: Brzina, API-ji i Cloud Exit efekat

Možete savršeno strukturirati podatke na sajtu, ali ako vaš server kasni sa isporukom tog koda, AI botovi će vas jednostavno zaobići.

AI botovi u realnom vremenu (poput PerplexityBot-a) imaju izuzetno kratak vremenski prozor (timeout) u kom moraju prikupiti podatke sa desetina različitih sajtova kako bi korisniku vratili odgovor u roku od dve do tri sekunde. Ako vašem serveru treba 1.5 sekunda samo da isporuči prvobitni bajt (Time to First Byte – TTFB), AI parser će odustati od vašeg sajta i preći na brži izvor.

Ovde dolazimo do direktne veze između performansi web infrastrukture i AI vidljivosti:

1. Optimizacija mrežnog sloja i prelazak na najnovije protokole: Primena HTTP/3 i QUIC protokola, u kombinaciji sa kvalitetnim CDN-om (Content Delivery Network), drastično skraćuje vreme uspostavljanja veze.

2. Brzina serviranja statičkih i semantičkih datoteka: Korišćenje brze oblačne ili fizičke infrastrukture osigurava da vaši JSON-LD i llms.txt fajlovi budu isporučeni u mikrosekundnom opsegu.

3. Izbegavanje nepotrebne klijentske skripte (Client-Side Rendering): Ako se vaši strukturirani podaci generišu tek nakon što se na klijentu izvrši obimni JavaScript (što je čest slučaj kod loše konfigurisanih React ili Vue aplikacija), AI bot koji ne izvršava JavaScript uopšte neće videti vaše Schema.org oznake! Uvek koristite Server-Side Rendering (SSR) ili statičko generisanje stranica (SSG).

Pitanje izbora prave infrastrukture za maksimalne performanse detaljno smo raščlanili u našim tekstovima o tome zašto se sve više kompanija odlučuje na Cloud Exit u praksi i povratak na fizičke bare-metal servere, kao i u vodiču kroz izbor između Kubernetes-a i Serverless arhitekture.

Takođe, ako razvijate sopstvene visoko-performansne sisteme za brzu isporuku podataka AI agentima, pročitajte našu analizu o kreiranju ultra-brzih mikroslužbi pomoću WebAssembly-ja van veba, kao i uporedni prikaz jezika Rust vs Go za sistemsko programiranje.

Provera ispravnosti: Alati za dijagnostiku semantičkih podataka

Kako možete biti potpuno sigurni da ste uspeli pravilno da strukturirate podatke na sajtu i da u vašem JSON-LD kodu nema sintaksnih grešaka koje blokiraju AI parser?

Neophodno je redovno sprovoditi reviziju pomoću sledećih zvaničnih i otvorenih alata:

• Google Rich Results Test: Primarni alat za proveru da li je vaš JSON-LD kod sintaksno ispravan i da li ga Google prepoznaje bez grešaka.

• Schema Markup Validator: Zvanični validator Schema.org organizacije koji proverava usklađenost sa celokupnim vokabularom, neograničen samo na Google pravila.

• Classy Schema & JSON-LD Playground: Odlični vizuelni alati koji vam omogućavaju da unesete svoj kod i vidite kako izgleda grafički prikaz relacija između vaših entiteta.

• Ručno testiranje kroz LLM komandne linije: Kopirajte izvorni JSON-LD kod vaše stranice u ChatGPT ili Claude i postavite pitanje: „Izvuci sve semantičke trojke iz ovog koda i reci mi da li postoji bilo kakva dvosmislenost u vezi sa autorom ili temom.“ AI će vam u sekundi ukazati na eventualne nelogičnosti u kontekstu.

Matrica optimizacije: Klasični SEO prema semantičkom AI strukturiranju

Da bismo lakše sagledali razlike u pristupu, pripremili smo komparativni pregled radnih zadataka:

Šira slika: Pravni, finansijski i posmatrački aspekti u eri AI-ja

Borba za prisustvo u AI odgovorima ne vodi se samo na polju koda. Ona ima ozbiljne finansijske, pravne i karijerne implikacije.

Ako se vaši strukturirani podaci masovno koriste za generisanje odgovora bez preusmeravanja saobraćaja ka vašem sajtu, moraćete pronaći nove načine za monetizaciju svog autoriteta. Finansijska optimizacija operacija postaje ključna za preživljavanje. O tome kako kontrolisati neplanirane troškove u tehnološkom sektoru pisali smo u našem vodiču kroz FinOps u praksi i smanjenje oblačnih računa za 30%.

Takođe, kada izlažete svoje podatke globalnim AI modelima, morate voditi računa o zaštiti intelektualne svojine i licenciranju koda i autorskih tekstova. Pitanja autorskih prava detaljno smo raščlanili u tekstovima o zaštiti intelektualne svojine i izvornog kôda, kao i u našem pravnom i poreskom vodiču za poslovanje u IT sektoru.

Na kraju, ne zaboravite ni na samu radnu ergonomiju i uslove u kojima gradite ove napredne sisteme. Dugotrajno projektovanje arhitekture podataka i rad sa kompleksnim JSON-LD kodom zahteva vrhunske uslove rada. Saznajte kako da sačuvate zdravlje i fokus u našim vodičima o ergonomiji radnog prostora, izboru OLED vs Mini-LED monitora za rad sa tekstom, kao i upotrebi prenosnih PC dlanovnika kao radnih stanica na putu.

Sve ove transformacije pokazuju da se profil najtraženijih inženjera menja. Kako se domaće tržište prilagođava ovim globalnim trendovima možete analizirati u našem redovnom izveštaju o tržištu IT poslova u Srbiji i profilima koji donose najvišu stabilnost.

Od lepe web stranice do nezaobilaznog izvora u grafu znanja

Transformacija web-a iz prostog skupa tekstualnih dokumenata u gigantsku bazu semantički povezanih entiteta više nije hipoteza – to je realnost u kojoj živimo i radimo.

Sajtotvi koji nastave da ignorišu potrebu da pravilno strukturiraju podatke na sajtu ubrzano postaju nevidljivi za novu generaciju korisnika koji internetu pristupaju kroz AI asistente. Sa druge strane, organizacije koje na vreme usvoje Schema.org standarde, implementiraju čiste JSON-LD strukture, ponude llms.txt datoteke i izgrade jasne semantičke trojke u svom sadržaju, obezbediće sebi status trajnog, nezaobilaznog autoriteta.

AI pretraživači ne žele da nagađaju šta je pisac hteo da kaže. Omogućite im da to pročitaju iz vaše strukture podataka jasno, nedvosmisleno i u mikrosekundi. Vaš digitalni autoritet u eri veštačke inteligencije zavisi isključivo od toga koliko ste spremni da svoje znanje prevedete na jezik koji mašine besprekorno razumeju.

Često postavljana pitanja (FAQ)

1. Šta zapravo znači pojam „strukturirani podaci“ na web sajtu?

Strukturirani podaci predstavljaju standardizovani format (najčešće JSON-LD zasnovan na Schema.org vokabularu) koji se dodaje u kod web stranice kako bi pretraživačima i AI botovima eksplicitno objasnio značenje sadržaja. Umesto da mašina nagađa šta tekst predstavlja, strukturirani podaci joj jasno govore: „Ovo je naziv proizvoda, ovo je ime autora, ovo je cena, a ovo je zvanični profil organizacije.“

2. Da li je dodavanje Schema.org oznaka dovoljno da me ChatGPT ili Perplexity citiraju?

Schema.org oznake su tehnički preduslov, ali nisu jedini uslov. Da bi vas AI citirao kao autoritet, pored pravilno strukturiranih podataka vaš sajt mora nuditi i visoku informacionu vrednost (Information Gain), imati potvrdive podatke o autorstvu (E-E-A-T) i biti spomenut u pozitivnom kontekstu na drugim autoritativnim eksternim izvorima (Wikidata, stručni mediji, forumi).

3. Zašto je JSON-LD bolji format za AI u poređenju sa Microdata formatom?

JSON-LD (JavaScript Object Notation for Linked Data) se postavlja unutar jednog nezavisnog bloka u kodu stranice i ne meša se sa HTML strukturom dizajna. To ga čini neuporedivo lakšim za održavanje, bržim za parsiranje od strane AI botova i otpornim na greške prilikom izmena u vizuelnom dizajnu sajta, za razliku od Microdata oznaka koje se moraju uplitati direktno u HTML tagove.

4. Šta je to llms.txt datoteka i da li moram da je napravim?

Datoteka llms.txt je novi, otvoreni standard koji se postavlja u korenski direktorijum sajta (slično kao robots.txt). Ona sadrži sažet, čisto tekstualni pregled vašeg sajta u MarkDown formatu, namenjen isključivo velim jezičkim modelima. Pravljenje ove datoteke nije zakonska obaveza, ali izuzetno olakšava AI agentima da za par milisekundi shvate čime se vaš sajt bavi i pronađu vaše najvažnije izvore.

5. Da li dodavanje strukturiranih podataka usporava učitavanje sajta?

Ne, ukoliko su pravilno implementirani. JSON-LD blokovi su izuzetno mali tekstualni fajlovi (svega par kilobajta) koji se učitavaju neasinhrono i ne blokiraju renderovanje vizuelnih elemenata stranice. S druge strane, jasna struktura podataka pomaže serveru i CDN-u da efikasnije keširaju i isporučuju ključne podatke prema AI botovima.