Najważniejsze wnioski w pigułce
Schema a cytowania w AI
- Dodanie faktu w JSON-LD podniosło odsetek cytowań strony z 70% do 95%. Dodanie tego samego faktu jako zwykłego zdania dało dokładnie taki sam wynik.
- Wzrost wynika z wyszukiwania (retrievalu), a nie z „mocy” schema. Więcej słów pasujących do pytania oznacza, że strona częściej trafia do kontekstu modelu.
- Strony z FAQPage były cytowane częściej, bo ten typ znaczników powtarza pytanie słowo w słowo.
Fetchery i aplikacje konsumenckie
- Narzędzia ChatGPT i Claude, które czytają stronę na żywo, wycinają JSON-LD. Na pytania o fakty zapisane wyłącznie w schema modele odpowiedziały w 0% przypadków.
- Fetcher Google przekazuje JSON-LD dalej, więc Gemini Flash odpowiedział w 92%, a Gemini Pro w 100% przypadków.
- Aplikacja Gemini w ogóle nie otworzyła testowanych stron.
Błędne i sprzeczne znaczniki
- Tylko Claude wyraźnie dyskontował uszkodzony markup: korzystał z faktu w 96% przypadków przy poprawnym JSON-LD i w 56% przy błędnym.
- Gdy treść strony i schema mówią co innego, duże modele ufają treści. Wyjątkiem był Gemini Pro na stronach FAQPage, który 8 razy na 20 wybrał nieaktualną odpowiedź ze schema.
Co z tego wynika w praktyce
- Fakt, który AI ma wykorzystać, musi być w widocznym tekście strony.
- Dane strukturalne nadal warto wdrażać, ale muszą być poprawne i zgodne z treścią.
Skąd wziął się ten eksperyment
Punktem wyjścia była głośna dyskusja wokół testu Marka Williamsa-Cooka. Stworzył on stronę fikcyjnej firmy odzieżowej „DUCKYEA” i umieścił jej adres wyłącznie w wymyślonym bloku JSON-LD, z nieistniejącym @context i zmyślonym @type. ChatGPT i Perplexity podały ten adres, więc Williams-Cook uznał, że systemy AI traktują schema jak każdy inny tekst, a nie jak dane strukturalne w ścisłym znaczeniu. Sam podkreślał, że pierwszy podobny test przeprowadził Richard Barrett.
Krytyka pojawiła się szybko. Część branży zwracała uwagę, że jedna strona i jedno uruchomienie bez grupy kontrolnej niczego nie dowodzą. Olivier de Segonzac z RESONEO przypomniał swoje badanie crawlerów, z którego wynikało, że fetchery ChatGPT, Claude i Gemini nie wyciągają JSON-LD z tagów script, i dodał, że nie udało mu się powtórzyć wyniku z ChatGPT. Z kolei badanie Jake’a Hundleya na 29 stronach lokalnych firm pokazało, że schema nie poprawiło pozycji w wyszukiwarce, ale przesunęło firmy o około trzy miejsca wyżej w ChatGPT.
Problem polegał na tym, że wszyscy opierali się albo na pojedynczych zrzutach ekranu, albo na badaniach całych serwisów, w których nie da się oddzielić wpływu modelu od crawlera, indeksu i innych zmian na stronie. Autor serwisu SERPTWERKER postanowił więc przeprowadzić kontrolowany test. Jeśli dopiero zaczynasz przygodę z danymi strukturalnymi, warto najpierw przeczytać, czym jest JSON-LD i jak działa .
Jak wyglądał test
Każda strona testowa opisywała fikcyjną firmę i zawierała jeden fakt, o który użytkownik mógłby zapytać: cenę, parametr produktu, adres, autora lub datę publikacji. Firmy były zmyślone, więc poprawna odpowiedź mogła pochodzić wyłącznie z testowej strony. Każdy fakt występował w kilku wersjach: tylko w treści, w treści z dodatkowym JSON-LD, w treści z dodatkowym zdaniem o długości zbliżonej do bloku JSON-LD, wyłącznie w schema (poprawnym i celowo uszkodzonym) oraz w wersji, w której treść i schema sobie przeczą.
Kluczowa była wersja kontrolna z dodatkowym zdaniem, której brakowało w oryginalnym eksperymencie. Jeśli schema ma jakąś szczególną moc, powinno wygrać z prozą. Jeśli to po prostu więcej słów, wyniki powinny być takie same. Każdą wersję przygotowano w dwóch typach znaczników, Article i FAQPage, co dało łącznie 60 stron testowych.
Test sprawdzał trzy etapy drogi od schema do odpowiedzi AI. Pierwszy to sam model: sześć modeli, w tym Claude Sonnet 5 , GPT-5.5, Gemini Flash, Gemini Pro oraz lokalne Gemma 3 12B i Phi-4 14B, dostało strony razem z JSON-LD, co dało 21 600 prób. Drugi to fetcher, czyli narzędzie, którym model sam pobiera stronę: 1644 odczyty na żywo przez API i 90 zapytań w aplikacjach konsumenckich. Trzeci etap, czyli indeksowanie i cytowania w wyszukiwarkach AI, nie doszedł do skutku, bo zablokowało go indeksowanie Google.
Schema działa jak zwykły tekst, ale modele różnie traktują błędy
Na stronach z faktem tylko w treści modele cytowały właściwą stronę w 70% przypadków. Dodanie JSON-LD podniosło ten wynik do 95%, ale dodanie tego samego faktu zwykłym zdaniem również dało 95%. Statystycznie to remis: iloraz szans 0,98 (95% przedział ufności 0,76–1,27, p = 0,90), a na pięciu z sześciu modeli różnica wyniosła dokładnie zero. Mechanizm jest prosty - powtórzenie faktu daje wyszukiwarce więcej pasujących słów, więc strona częściej trafia do kontekstu, a gdy już tam jest, prawie zawsze zostaje zacytowana.
Ciekawie wypadło porównanie typów znaczników. Strony z FAQPage były cytowane wyraźnie częściej niż Article (iloraz szans 5,47), mimo identycznej treści. Powód nie leży jednak w samym schema, tylko w tym, że FAQPage powtarza pytanie dosłownie, np. „What is the registered office address of…”, co daje dokładne dopasowanie do zapytania. To dobra wskazówka także dla treści widocznej: sformułowania zbieżne z pytaniami użytkowników pomagają, o czym piszemy szerzej przy okazji dostosowywania treści do direct answer w Google .
Różnice między modelami ujawniły się dopiero przy uszkodzonym markupie. GPT-5.5, oba modele Gemini i dwa małe modele lokalne korzystały z faktu zapisanego tylko w schema zawsze, niezależnie od poprawności kodu. Claude wykorzystał go w 96% przypadków przy poprawnym JSON-LD, ale tylko w 56% przy błędnym. Rozmiar modelu tego nie tłumaczy, bo Gemini Pro sprawdzał znaczniki nie bardziej niż Gemini Flash, więc wygląda to na różnicę w podejściu poszczególnych dostawców.
W teście sprzeczności duże modele zachowały się rozsądnie. Gdy treść podawała jedną wartość, a JSON-LD inną, fałszywą, modele hostowane wybierały treść w 88–94% przypadków, a wartość ze schema najwyżej w 7%. Małe modele lokalne sięgały po fałszywą wartość ze schema mniej więcej w 40% prób. Wniosek: GPT-5.5 i Gemini nie pozwolą, by błędne schema nadpisało widoczny tekst, ale gdy nic mu nie przeczy, przyjmują znaczniki bez weryfikacji.
Fetchery ChatGPT i Claude wycinają JSON-LD
Najważniejszy wynik dotyczy etapu, o którym w dyskusji mówiło się najmniej. W pierwszych testach to autor budował kontekst, więc JSON-LD zawsze docierał do modelu. W praktyce jednak model sam pobiera stronę swoim narzędziem i to od niego zależy, co zobaczy. Fetchery otworzyły właściwy adres w 1640 z 1644 prób, a fakty zapisane w treści modele podawały w 100% przypadków. Na pytania, na które strona nie odpowiadała, żaden model nie zmyślił wartości w 234 próbach, więc wyniki zerowe nie są przypadkowe.
Na stronach z faktem wyłącznie w JSON-LD Claude z narzędziem web fetch odpowiedział poprawnie 0 razy na 100. Narzędzie Anthropic zwraca pobrany dokument i w żadnej z 280 stron z JSON-LD znaczników już nie było - strona wraca jako markdown bez zawartości skryptów. GPT-5.5 z web search również odpowiedział 0 razy na 100 i deklarował, że na żadnej stronie nie widzi danych strukturalnych. Gemini Flash z URL context odpowiedział 92 razy na 100, a Gemini Pro 89 razy na 89, cytując nawet zmyślone @type z uszkodzonych stron. Warto przy tym pamiętać, że Google także zmienia sposób przetwarzania danych strukturalnych, o czym pisaliśmy w tekście o nowym parsowaniu JSON-LD w jednym przejściu .
Aplikacje konsumenckie zachowały się tak samo jak API. ChatGPT otworzył każdą z 15 stron, podał wszystkie fakty z treści, nie podał żadnego z 10 faktów zapisanych tylko w schema i na żadnej stronie nie wykrył danych strukturalnych. Claude.ai dał identyczne wyniki, mimo że domyślnie korzystał z innego modelu niż w API - skoro JSON-LD w ogóle nie dociera, model nie ma znaczenia. Aplikacja Gemini nie otworzyła żadnej strony i we wszystkich 30 odpowiedziach informowała, że strony nie da się pobrać, przechodząc zamiast tego do wyszukiwania w sieci.
Jedyną poważniejszą wpadkę zaliczył Gemini Pro czytający strony FAQPage przez fetcher Google. W wersji ze sprzecznością między treścią a schema wybrał nieaktualną odpowiedź ze znaczników 8 razy na 20. To pokazuje, że tam, gdzie JSON-LD trafia do modelu, nieaktualne schema może realnie zaszkodzić. Więcej o tym, jak systemy AI dobierają źródła, przeczytasz w naszym artykule o tym, jak ChatGPT wybiera źródła .
Co zrobić z danymi strukturalnymi na swojej stronie
Pierwsza zasada wynika wprost z testu: każdy fakt, który ma trafić do odpowiedzi AI, musi być zapisany w widocznym tekście strony. Cena, adres, parametry produktu, autor czy data publikacji umieszczone wyłącznie w JSON-LD są niewidoczne dla ChatGPT i Claude czytających stronę na żywo. To argument za solidnym SEO on-page , w którym najważniejsze informacje są wyraźnie podane w treści, a nie ukryte w kodzie.
Nie oznacza to, że schema można porzucić. Dane strukturalne nadal pełnią swoją rolę w klasycznej wyszukiwarce, a fetcher Google przekazuje je modelom Gemini wprost. Właśnie dlatego muszą być poprawne i zgodne z treścią - nieaktualna cena czy stara odpowiedź w FAQPage może zostać podana użytkownikowi jako fakt. W praktyce zalecamy traktować schema jako uzupełnienie treści, nie jej zastępstwo, i regularnie sprawdzać spójność znaczników z tym, co widzi użytkownik.
Warto też wykorzystać wniosek dotyczący FAQPage w samej treści. Skoro przewaga tych stron wynikała z dosłownego dopasowania do pytań, sekcje FAQ napisane językiem użytkowników zwiększają szansę na trafienie do kontekstu modelu, niezależnie od tego, czy fetcher odczyta znaczniki. Autor badania sam zaznacza, że nie udało mu się sprawdzić etapu indeksowania, więc wpływ schema na cytowania w wyszukiwarkach AI pozostaje otwartym pytaniem.
Podsumowanie
Na poziomie modelu schema to po prostu tekst, a jego przewaga nad zwykłym zdaniem wynosi zero. ChatGPT i Claude podczas odczytu na żywo w ogóle nie widzą JSON-LD, natomiast Gemini czyta go bez większej weryfikacji, także gdy jest błędny lub nieaktualny. Najbezpieczniejsza strategia to kluczowe informacje w widocznej treści i poprawne, spójne z nią dane strukturalne.
