Najważniejsze wnioski w pigułce
Skala zjawiska
- Google Lens obsługiwał niemal 20 miliardów wyszukiwań wizualnych miesięcznie (dane z października 2024) — wzrost z 12 miliardów miesięcznie raportowanych na I/O 2023.
- Na Google I/O w maju 2025 Sundar Pichai poinformował o wzroście Lens o 65% rok do roku i ponad 100 miliardach wyszukiwań wizualnych w skali roku.
- 20% zapytań w Lens ma charakter zakupowy, a dopasowanie odbywa się do Shopping Graph liczącego ponad 45 miliardów ofert produktowych.
- Amazon odnotował 70-procentowy wzrost wyszukiwań wizualnych rok do roku (październik 2024) i uruchomił Amazon Lens Live we wrześniu 2025.
Erozja ruchu z zapytań tekstowych
- Według analizy SparkToro i Datos 58,5% amerykańskich wyszukiwań w Google zakończyło się bez kliknięcia w 2024 roku.
- Aktualizacja z 2026 roku podnosi ten wskaźnik do 68% — do otwartego internetu trafia około 276 z 1000 wyszukiwań, wobec 374 dwa lata wcześniej.
Zmiana pokoleniowa
- W badaniu ponad 1000 amerykańskich konsumentów pokolenie Z odkrywa produkty na Instagramie (30,4%) i TikToku (23,2%) częściej niż w Google (18,8%).
Dwa niezależne kanały optymalizacji
- Kanał pikseli: osadzenia wektorowe (embeddings), detekcja obiektów, OCR — wygrywasz go jakością fotografii.
- Kanał tekstowy: atrybuty alt, podpisy, dane strukturalne, feedy produktowe — wygrywasz go dyscypliną w znacznikach i treści.
- Zaniedbanie jednego z nich oznacza utratę połowy dostępnej widoczności.
Obraz przestał być dodatkiem — stał się zapytaniem
Przez większość historii wyszukiwarek zdjęcie było czymś, co się publikowało. Leżało na stronie, uatrakcyjniało ją, a jeśli ktoś był sumienny — dostawało atrybut alt i na tym kończyła się jego rola. Zapytanie, czyli to, co faktycznie inicjowało wyszukiwanie, zawsze miało postać tekstu.
Ta relacja się odwróciła. Dziś obraz sam bywa zapytaniem. Klient kieruje aparat na fotel, okulary przeciwsłoneczne albo pudełko z figurkami — i wyszukiwanie startuje od pikseli. Nikt nie wpisuje ani jednego słowa. A gdy już je wpisuje, system odpowiadający coraz częściej czyta zdjęcia bezpośrednio, zamiast opierać się wyłącznie na tekście, którym je otoczono.
To zmienia sens optymalizacji obrazów. Nie jest ona już kosmetycznym wykończeniem strony, która i tak dobrze rankuje. Stała się jednym z sygnałów decydujących o tym, czy strona w ogóle trafi do zbioru kandydatów do wyświetlenia.
Dwa dylematy, które rozwiązuje wyszukiwanie wizualne
Amazon sformułował najczystszą odpowiedź na pytanie, po co ktokolwiek miałby szukać za pomocą zdjęcia. Wyszukiwanie wizualne obsługuje kupujących, którzy mierzą się z jednym z dwóch problemów: „nie wiem, czego chcę, ale rozpoznam to, gdy zobaczę” albo „wiem, czego chcę, ale nie wiem, jak się to nazywa”.
Pierwszy to problem odkrywania. Nikt, kto przegląda katalog z aranżacjami salonów, nie ma listy zakupów — ma nastrój i czeka na bodziec. Marketing rozumiał to od zawsze; iPhone sprzedawał się ludziom, którzy przed jego zobaczeniem wcale nie szukali drogiego telefonu do przeglądania sieci w 2G.
Drugi to problem słownictwa i jest znacznie powszechniejszy, niż przyznaje większość zespołów e-commerce. Spróbuj kupić w sklepie budowlanym śrubę: łeb walcowy, stożkowy, płaski? Do drewna, do betonu, do mocowań? Większość z nas rozwiązuje to, przynosząc śrubę w dłoni i mówiąc: „poproszę pudełko takich”. Aparat jest właśnie tą wyciągniętą dłonią. Pozwala kupującemu pominąć etap, na którym musiałby znać twoje nazewnictwo, zanim znajdzie twój produkt.
Dlatego wyszukiwanie wizualne rośnie najszybciej dokładnie w tych kategoriach, w których nazywanie rzeczy jest trudne: meble, moda, rośliny, części zamienne i kolekcjonerskie drobiazgi. Oba dylematy istniały dekadę temu — zmieniło się to, że narzędzia dogoniły potrzebę, a wraz z nimi przyszła skala.
Liczby, które przesądzają sprawę
Skala jest już nie do zignorowania. Google raportował w październiku 2024 roku blisko 20 miliardów wyszukiwań wizualnych miesięcznie w Lens, z czego jedna piąta dotyczyła zakupów i była dopasowywana do ponad 45 miliardów ofert w Shopping Graph. Rok wcześniej, na I/O 2023, mowa była o 12 miliardach miesięcznie. W maju 2025 Sundar Pichai podał wzrost o 65% rok do roku i ponad 100 miliardów wyszukiwań wizualnych w bieżącym roku.
To nie jest zjawisko ograniczone do Google. Amazon zgłosił 70-procentowy wzrost wyszukiwań wizualnych na świecie i uruchomił Amazon Lens Live — skanowanie kamerą w czasie rzeczywistym z przewijalną karuzelą produktów, wpiętą w asystenta zakupowego. Aparat siedzi wewnątrz paska wyszukiwania na najczęściej odwiedzanej stronie głównej na świecie; użytkownik nie musi go szukać, dostaje go przy każdym zapytaniu.
Zestaw to z tym, co dzieje się z zapytaniem tekstowym. Analiza SparkToro i Datos wykazała, że 58,5% amerykańskich wyszukiwań w Google zakończyło się w 2024 roku bez kliknięcia, a aktualizacja z 2026 roku podnosi ten odsetek do 68%. Do otwartego internetu trafia dziś około 276 z każdego tysiąca wyszukiwań, wobec 374 dwa lata wcześniej. Wniosek strategiczny jest nieprzyjemny, ale klarowny: kanał tekstowy dostarcza coraz mniej kliknięć coraz mniejszej liczbie witryn, a kanał wizualny rośnie i przychodzi z gotową intencją zakupową — osoba fotografująca przedmiot jest znacznie niżej w lejku niż ktoś wpisujący nazwę kategorii.
Warto dołożyć jeszcze jedno przesunięcie. W badaniu ponad tysiąca amerykańskich konsumentów pokolenie Z odkrywa produkty na Instagramie (30,4%) i TikToku (23,2%) częściej niż w Google (18,8%). W starszych grupach Google wciąż prowadzi z dużym zapasem, ale najmłodsi kupujący znormalizowali już sposób szukania, który zaczyna się od obrazu w feedzie — i dokładnie tę potrzebę obsługują Lens, Pinterest oraz wizualna siatka wyników w AI Mode.
Koniec argumentu o „łatwej okazji”
Przez lata SEO obrazów sprzedawano argumentem z zaniedbania: nikt się tym nie zajmuje, więc leżą tu tanie wygrane. Ten argument stracił ważność z dwóch powodów. Po pierwsze, przestał być prawdziwy — wdrożenie danych strukturalnych w e-commerce jest dziś powszechne, a plakietki produktowe w wynikach graficznych stały się normą, nie ciekawostką. Po drugie i ważniejsze, zmieniła się natura stawki.
Kiedy obrazy stanowiły kanał dodatkowy, ich ignorowanie kosztowało trochę ruchu przyrostowego. Dziś systemy konsumujące twoje zdjęcia to te same systemy, które decydują, czy człowiek w ogóle zobaczy twoją stronę. Odpowiedź w AI Mode, która rozstrzyga pytanie zakupowe w obrębie strony wyników, korzysta z danych produktowych i zdjęć. Zdjęcie zrobione w Lens, które zwraca sześciu konkurentów i nie zwraca ciebie, nie odebrało ci pozycji — usunęło cię ze zbioru rozważanych opcji, zanim jakakolwiek strona się załadowała. A zautomatyzowany proces zakupowy czytający feed produktowy nie „zobaczy” pięknej fotografii pozbawionej wymaganych pól.
Argument nie dotyczy więc już potencjalnego zysku, lecz kwalifikowalności. Obrazy są dziś częścią tego, w jaki sposób maszyny ustalają, czym jest twój produkt, a wszystko dalej — pobranie do zbioru wyników, dopasowanie, cytowanie, zakup — zależy od poprawności tej identyfikacji.
Dwa kanały, które psują się niezależnie
Jeśli jedna myśl ma przetrwać zderzenie z realnym dniem pracy, niech będzie to ta: istnieją dwa kanały i zawodzą osobno.
Kanał pikseli to wszystko, co system wydobywa z samego obrazu: osadzenia wektorowe (embeddings), wykryte obiekty i tekst odzyskany przez OCR. To jego uruchamia aparat w telefonie kupującego i żadne metadane w nim nie uczestniczą. Wygrywa się go fotografią — ostrą, dobrze doświetloną, z czystym oddzieleniem produktu od tła, uczciwie skompresowaną i z czytelnie nadrukowanym opisem na opakowaniu. Kompresja ma znaczenie, bo artefakty są szumem w sygnale, na którym opiera się system rozpoznawania. Tekst wyrenderowany w pikselach to tekst, który maszyna potrafi odczytać.
Kanał tekstowy to wszystko, czym obraz otaczasz: atrybuty alt, podpisy, dane strukturalne, feedy produktowe i treść wokół zdjęcia. Na nim opierają się indeksowanie i pobieranie wyników; to on zamienia obrazek w kartę produktu z ceną. Wygrywa się go dyscypliną w znacznikach i treści. Feedy mają znaczenie, ponieważ każda powierzchnia robiąca zakupy w imieniu użytkownika sięga najpierw po ustrukturyzowane dane produktowe, a dopiero potem po stronę.
Optymalizacja jednego kanału przy zaniedbaniu drugiego daje dokładnie połowę dostępnej widoczności. Nieskazitelny atrybut alt przy ciemnym, zagraconym zdjęciu przegrywa z aparatem. Piękna sesja studyjna z pustym altem i bez znaczników Product pojawi się jako obrazek, a nie jako rzecz do kupienia. Nie da się z góry przewidzieć, który kanał uruchomi dany klient — dlatego strategią nie jest wybór, lecz pokrycie obu. Jest to wykonalne finansowo, bo oba rzadko ze sobą kolidują i często opierają się na tej samej pracy u podstaw.
Co się zestarzeje, a co przetrwa
Warto wiedzieć, które elementy tej układanki wymagają regularnej weryfikacji. Mechanika rozpoznawania jest trwała: osadzenia wektorowe, detekcja obiektów, OCR oraz łączenie wyszukiwania wizualnego, obiektowego i opartego na adnotacjach to architektura wspólna dla wszystkich platform. Modele będą się poprawiać, ale struktura nie zmieni się szybko. Trwałe są też wymagania wobec fotografii — lepsze systemy rozpoznawania nagradzają dokładnie te same cechy zdjęć, tylko podnoszą sufit tego, co dobra fotografia może osiągnąć.
Zmieniać się będą interfejsy, i to szybko. Układ wyników, zakładki filtrów czy siatka w AI Mode to zrzuty ekranu z konkretnego momentu — Google wdrożył zakładkę Obrazy w listopadzie 2025, a we wrześniu 2025 nazwał mechanizm rozgałęziania zapytań wizualnych. Dryfować będą również specyfikacje: minimalny rozmiar 500 × 500 pikseli w Merchant Center wchodzi w życie w styczniu 2027, a typy danych strukturalnych są systematycznie wycofywane od 2023 roku. Przed wdrożeniem na skalę zawsze weryfikuj tabele wymagań z aktualną dokumentacją.
Największą zmianę w praktyce przyniesie prawdopodobnie poprawa pomiaru. Gdy Search Console zacznie raportować wyświetlenia na powierzchniach AI lub odsłony pochodzące z Lens, argumenty opierające się dziś na samej kwalifikowalności zaczną opierać się na liczbach.
Podsumowanie
Wpisanie zapytania zawsze było krokiem nienaturalnym — aktem tłumaczenia tego, co zobaczone lub wyobrażone, na ciąg słów akceptowalny dla maszyny. Wyszukiwanie wizualne to tłumaczenie usuwa: oko wskazuje, a wyszukiwanie się zaczyna. Zadaniem marki jest być obecną dokładnie w tym momencie — gdy ktoś widzi rzecz, której pragnie, zanim pozna jej nazwę, i sięga po aparat zamiast po klawiaturę.
Źródło: Advanced Web Ranking, „Guide to Images & Visual Search”, Gianluca Fiorelli — advancedwebranking.com/seo/images-and-visual-search-guide
