NIEmagiczna schema. Dane strukturalne a Twoja strona w AI Overviews

Czy dane strukturalne pomagają pojawić się w AI Overviews?

Nie, przynajmniej nie bezpośrednio. Google pisze wprost w dokumentacji: „dane strukturalne nie są wymagane w generatywnym wyszukiwaniu i nie ma specjalnego znacznika schema.org, który trzeba dodać”. Ahrefs prześledził 1885 stron, które dodały JSON-LD między sierpniem 2025 a marcem 2026, i porównał je z 4000 stron kontrolnych. W AI Overviews cytowania spadły o 4,6%, w Trybie AI wzrosły o 2,4%, a w ChatGPT o 2,2%, przy czym dwa ostatnie wyniki autorzy opisują jako nieodróżnialne od zera.

Najważniejsze w skrócie

• Dane strukturalne to opis strony w formacie, który maszyna czyta bez zgadywania, a nie sygnał rankingowy.
• Google mówi wprost, że pod generatywne wyszukiwanie nie trzeba dodawać żadnego specjalnego znacznika.
• W teście na 1885 stronach dodanie JSON-LD nie podniosło liczby cytowań w AI.
• Modele w testach wyciągały treść z widocznego HTML, a nie ze znacznika JSON-LD.
• Źródłem odpowiedzi jest indeks wyszukiwarki, więc strona niezindeksowana nie trafi do odpowiedzi niezależnie od znaczników.
• „Dane strukturalne” w informatyce i „dane strukturalne” w SEO to dwa różne pojęcia, a mieszanie ich jest źródłem większości mitów o schemie.
• Pew Research: przy odpowiedzi AI w wynik organiczny klika 8% wizyt, bez niej 15%.
• E-E-A-T opisuje, czego modele szukają w treści, i nie ma dla niego żadnego znacznika schema.org.
• Dane strukturalne nadal mają sens, tylko z innego powodu: wyniki rozszerzone i karty produktów.

Krąży prosty przekaz: dodaj schemę, to AI zacznie Cię cytować. Brzmi jak przełącznik i właśnie dlatego dobrze się słucha. Podobnie sprzedaje się plik llms.txt, o którym pisałam osobno.

Poniżej to, co o tym mówi dokumentacja Google i jedyny test z podaną próbą, jaki udało mi się znaleźć. Oraz to, do czego dane strukturalne faktycznie służą, bo służą do czegoś konkretnego.

Co to są dane strukturalne?

To standardowy format opisu strony, który klasyfikuje jej treść. Google definiuje je jako „standardowy format podawania informacji o stronie i klasyfikowania jej treści”. W praktyce to blok kodu w formacie JSON-LD. Piszesz w nim maszynie wprost: to jest produkt, to jest jego cena, to jest autor artykułu, to jest data aktualizacji.

Człowiek czyta stronę i sam się domyśla, że „299 zł” to cena, a nie numer katalogowy. Maszyna tego nie wie, dopóki jej nie powiesz.

Dane strukturalne nie mają nic wspólnego z doborem fraz. To nie miejsce na upychanie słów kluczowych i nie da się przez nie przepchnąć frazy, której nie ma w treści. Znacznik opisuje typ obiektu, a frazy kluczowe pracują tam, gdzie pracowały zawsze, czyli w nagłówkach i w tekście.

Google dopuszcza trzy formaty: JSON-LD, mikrodane i RDFa. Rekomenduje ten, który najłatwiej utrzymać, i dodaje, że w większości przypadków jest to JSON-LD. Blok wkleja się w sekcji head albo w body.

Po stronie Google te opisy wpadają do Knowledge Graph, czyli bazy powiązanych obiektów: firm, osób, produktów, miejsc. Stąd wrażenie, że schema „uczy” wyszukiwarkę. Uczy, ale tego, czym jest dany obiekt, a nie tego, że ma być wyżej.

Jest jedna zasada, o której łatwo zapomnieć przy wdrożeniu. Google pisze: „nie twórz pustych stron tylko po to, żeby pomieścić dane strukturalne, i nie dodawaj danych strukturalnych o informacjach, które nie są widoczne dla użytkownika”. Opis ma opisywać to, co jest na stronie, a nie dokładać rzeczy, których tam nie ma.

W praktyce oznacza to, że większość witryn internetowych potrzebuje pięciu typów znaczników i niczego więcej. Lista jest niżej.

Dane strukturalne w bazach danych a dane strukturalne w SEO

To dwa różne pojęcia o tej samej nazwie. W informatyce dane strukturalne to uporządkowane informacje o ściśle określonym formacie, trzymane w tabelach i polach, na których pracują programy i modele uczenia maszynowego. W SEO dane strukturalne to znacznik schema.org dopisany do strony. Przenoszenie wniosków z pierwszego znaczenia na drugie jest źródłem większości mitów o schemie i AI.

Zacznę od tego pierwszego znaczenia, bo w kontekście AI jest ważniejsze, niż się wydaje.

Dane strukturalne w sensie informatycznym wymagają sztywnego schematu i precyzyjnego wpisania wartości w pola. Imię idzie do kolumny z imieniem, cena do kolumny z ceną, data w ustalonym formacie. Takie dane są łatwe do przeszukiwania i analizy przy użyciu tradycyjnych programów komputerowych, bo komputer nie musi niczego interpretować. Po drugiej stronie są dane nieustrukturyzowane: maile, nagrania, zdjęcia, posty, zwykły tekst na stronie.

Na obu typach AI pracuje, tylko inaczej. Sztuczna inteligencja analizuje nieustrukturyzowany tekst i wyodrębnia z niego dane strukturalne, na przykład budując z artykułów listę firm, osób i powiązań między nimi. W drugą stronę uporządkowane tabele są materiałem do treningu klasycznych modeli uczenia maszynowego i dostarczają uporządkowanego materiału do uczenia maszynowego tam, gdzie liczy się powtarzalność. Modele predykcyjne wykorzystują dane strukturalne do oceny ryzyka kredytowego, bo tam odpowiedź musi być wyliczalna, a nie opisowa.

Stąd zdania, które krążą w materiałach o AI i są prawdziwe w swoim kontekście:

• Dane strukturalne służą do budowania grafów wiedzy, czyli map powiązanych obiektów.
• Dzięki danym strukturalnym AI lepiej rozumie relacje między informacjami, bo relacja jest wpisana wprost, a nie domyślana z tekstu.
• Dane strukturalne są paliwem do nauki modeli i wspierają redukcję halucynacji, bo model ma z czym porównać odpowiedź.
• Dzięki danym strukturalnym system automatycznie generuje odpowiedzi w języku naturalnym, na przykład w asystencie podłączonym do bazy produktów.
• AI przekształca zapytania użytkowników w odpowiednie zapytania do baz danych, czyli tłumaczy pytanie z czatu na zapytanie SQL.
• Modele językowe wymagają precyzyjnych danych do wykonania konkretnych zadań, a dane strukturalne pomagają w klasyfikacji i segmentacji informacji.

Każde z tych zdań dotyczy systemów, które mają dostęp do bazy. Wyszukiwarka takiego dostępu do Twojej bazy nie ma. Dostaje stronę i blok JSON-LD w kodzie.

Dlatego zdanie „dane strukturalne w standardzie Schema.org ułatwiają interpretację treści przez systemy AI” brzmi rozsądnie i jednocześnie nie zostało potwierdzone pomiarem po stronie wyszukiwania. Łatwiejsza interpretacja nie przekłada się na cytowanie, co pokazał test opisany niżej.

Jest jeden wyjątek, w którym porządek w danych faktycznie przyspiesza pracę systemu. Informacje o produktach, cenach i recenzjach podane wprost, w tekście i w feedzie, przyspieszają indeksowanie i zmniejszają liczbę rzeczy, których maszyna musi się domyślać. To jest argument za porządkiem na karcie produktu, nie za kolejnym znacznikiem.

Skąd AI bierze dane?

Z indeksu wyszukiwarki, nie z osobnej bazy i nie ze znaczników. AI Overviews i Tryb AI korzystają z tego samego indeksu Google, co zwykłe wyniki, a model dokłada do tego warstwę generowania odpowiedzi. Google pisze, że żeby pokazać się w funkcjach generatywnych, strona musi być zindeksowana i mieć prawo wyświetlić się w wynikach wyszukiwania z opisem. To cały warunek wejścia.

Mechanizm da się opisać w czterech krokach, bez metafor.

1. Wyszukiwarka zbiera strony. Googlebot pobiera treść, przetwarza ją i zapisuje w indeksie.
2. Po wpisaniu danego zapytania system szuka pasujących dokumentów. Tu nic się nie zmieniło względem klasycznego wyszukiwania.
3. Model czyta wybrane fragmenty i składa z nich tekst. Odpowiedź powstaje z kilku lub kilkunastu stron, nie z jednej.
4. Pod spodem albo z boku pojawiają się linki do źródeł. To one dają ruch.

Dwie rzeczy w tym mechanizmie są praktycznie ważne.

Pierwsza: modele językowe, które składają odpowiedź, nie mają aktualnej wiedzy same z siebie. Treść trafia do nich w momencie zapytania, czyli w czasie rzeczywistym pobierana z indeksu. Dlatego systemy Google mogą cytować wpis dodany tydzień temu, a model bez wyszukiwania nie będzie o nim wiedział.

Druga: Google składa odpowiedź z różnych źródeł i porównuje je między sobą. Jeśli Twoja strona mówi coś, czego nie potwierdza żaden inny serwis, trudniej jej zostać uznaną za wiarygodne źródło. To nie jest kara, to konsekwencja tego, jak działa dobieranie fragmentów.

Przy prostych zapytaniach Google AI sięga po jedną lub dwie strony. Złożone pytania, typu „jaki piec do 40 metrów i ile kosztuje montaż”, system rozbija na części i dla każdej szuka osobno. Dłuższe zapytania użytkownika dzielą się więc na kilka mniejszych, zanim model zacznie składać tekst. Im bardziej konkretne pytania zadaje użytkownik, tym większa szansa, że mniejszy serwis z precyzyjną odpowiedzią przebije duży portal z ogólnikiem.

Z intencji użytkownika wynika też, czy odpowiedź generatywna w ogóle się pojawi. Google rzadziej pokazuje ją przy zapytaniach nawigacyjnych i przy nazwach marek, a częściej przy pytaniach otwartych.

Jak powstały AI Overviews i czym różnią się od Trybu AI?

Krótka historia, bo pomaga zrozumieć, skąd biorą się mity o schemie.

Sztuczną inteligencję do wyników wyszukiwania Google wpuścił etapami. W maju 2023 uruchomił eksperyment w Labs pod nazwą Search Generative Experience. Nie było to dostępne dla wszystkich i nie było produktem. Rok później, 14 maja 2024, Google zdecydowało o wyjściu z eksperymentu i w USA pojawiło się Google AI Overviews jako stała część wyszukiwarki. 28 października 2024 Google rozszerzył funkcję na ponad sto krajów i terytoriów, w sześciu językach, i podał liczbę ponad miliarda użytkowników miesięcznie. Polskiego w tej szóstce nie było, podobnie jak Unii Europejskiej. Do Polski wprowadzenie AI Overviews przyszło dopiero 25 marca 2025, razem z ośmioma innymi krajami europejskimi. Dlatego liczba „ponad sto krajów od października 2024” jest prawdziwa i jednocześnie nie dotyczy polskich wyników. Tryb AI, po angielsku AI Mode, działa u nas od 8 października 2025.

Różnica jest prosta. Pojedyncze Google AI Overview to blok nad wynikami, który odpowiada na jedno zapytanie. Tryb AI to osobna zakładka, w której prowadzisz rozmowę i zadajesz pytania uzupełniające.

W polskich tekstach o tej funkcji krążą trzy tłumaczenia: „podsumowania AI”, „przeglądy AI” i po prostu AI Overviews. Google w polskim interfejsie używa określenia „omówienia AI”. Nazewnictwo nie ma znaczenia technicznego, więc kiedy ktoś przysyła raport o skuteczności przeglądów AI, chodzi o tę samą funkcję. Na temat AI Overviews krąży przy tym więcej opinii niż danych, a jakość odpowiedzi AI zmienia się z miesiąca na miesiąc.

I rzecz, która w dyskusjach ginie: AI Overviews generują tekst na podstawie stron z indeksu, a w odpowiedziach generowanych przez model nie ma niczego, czego nie byłoby wcześniej w jakimś dokumencie. Model przepisuje i skraca. Nie wymyśla źródła.

Jak AI Overviews wpłynęło na ruch organiczny?

Spadkiem kliknięć przy zapytaniach, przy których blok się pojawia. Pew Research przeanalizował 68 879 wyszukiwań 900 dorosłych Amerykanów w marcu 2025. Kiedy odpowiedź AI była na stronie, w wynik organiczny kliknęło 8% wizyt. Bez niej 15%. W źródło wewnątrz odpowiedzi kliknął 1% wizyt. Amsive na próbie 700 tysięcy fraz z dziesięciu witryn podaje średni spadek CTR o 15,49%.

To jedyny obszar, w którym mamy kilka badań z podanymi próbami, więc rozłożę je po kolei, zamiast powtarzać jedną średnią.

Badanie	Próba	Wynik
Pew Research, marzec 2025	900 dorosłych, 68 879 wyszukiwań, 12 593 z odpowiedzią AI, USA	kliknięcia w wynik: 8% wobec 15%
Amsive	700 tys. fraz, 10 witryn, 5 branż	średni CTR niżej o 15,49%
Ahrefs	300 tys. fraz, marzec 2024 do marca 2025	CTR na pozycji pierwszej niżej o 34,5%
Datos, 2024	panel clickstream, USA	60,45% wyszukiwań bez żadnego kliknięcia
Similarweb, styczeń do kwietnia 2026	panel clickstream przeglądarkowy, USA	68,01% wyszukiwań bez kliknięcia
Semrush, listopad 2025 do kwietnia 2026	ponad 600 tys. fraz, USA, 10 branż	wyniki z intencją komercyjną i odpowiedzią AI: wzrost o 71%

Z tego da się wyciągnąć trzy wnioski i jedno zastrzeżenie.

Pierwszy: spadek nie jest równy dla wszystkich fraz. Amsive rozbija średnią i obraz się zmienia. Przy frazach niebrandowych strata rośnie do 19,98%, poniżej trzeciej pozycji do 27,04%, a przy frazach, które wcześniej miały wyróżniony fragment, do 37,04%. Przy frazach brandowych CTR urósł o 18,68%. Jeśli ktoś żyje z ruchu na własną nazwę, może nie zobaczyć problemu w ogóle.

Drugi: zero-click search to nie nowość z 2024 roku. W 2024 bez kliknięcia kończyło się 60,45% wyszukiwań, w 2026 już 68,01%. Odpowiedzi generatywne przyspieszyły trend, który zaczął się przy panelach wiedzy i wyróżnionych fragmentach.

Trzeci: blok wchodzi tam, gdzie wcześniej go nie było. Semrush pokazuje, że przy intencji komercyjnej wyników z odpowiedzią AI jest o 71% więcej niż rok wcześniej, a przy transakcyjnej o 5% mniej. Finanse urosły o 231%. Czyli funkcja przesuwa się w stronę zapytań, które do niedawna uznawano za bezpieczne.

Zastrzeżenie: wszystkie te dane dotyczą rynku amerykańskiego i mówią o rozkładzie, nie o Twojej domenie. Polskiego badania na ten temat nie ma.

Co to zmienia w celach SEO

Wprowadzenie AIO zmienia cel z pozyskiwania kliknięć na zdobycie cytowania. To brzmi jak slogan, więc rozbiorę to na coś mierzalnego.

Dawny cel: pozycja i kliknięcie. Nowy cel: być wśród źródeł pod odpowiedzią, a przy zapytaniach, które kliknięcia nadal dają, trzymać pozycję w pierwszej trójce, bo właśnie tam strata jest najmniejsza.

W praktyce robię to tak: rozdzielam frazy na te, które mają blok AI, i te bez niego. Pierwsze dostają treść pisaną pod wyciąganie fragmentów i są rozliczane obecnością w źródłach. Drugie są rozliczane po staremu, kliknięciami i konwersją. Wrzucenie obu grup do jednego raportu daje wykres, z którego nic nie wynika.

Co mówi Google o danych strukturalnych i AI?

Tu nie ma miejsca na interpretację, bo zdanie jest jednoznaczne. W przewodniku o optymalizacji pod funkcje generatywne Google pisze: „dane strukturalne nie są wymagane w generatywnym wyszukiwaniu i nie ma specjalnego znacznika schema.org, który trzeba dodać”.

Dalej dokumentacja wyjaśnia, co faktycznie decyduje o tym, czy strona może trafić do odpowiedzi: „żeby kwalifikować się do wyświetlenia w funkcjach generatywnych w wyszukiwarce Google, strona musi być zindeksowana i kwalifikować się do wyświetlenia w wynikach wyszukiwania z opisem”. I osobno: „nie ma dodatkowych wymagań technicznych”.

Czyli warunek wejścia jest ten sam, co od lat. Indeks i możliwość pokazania opisu. Nic ponad to.

Pytanie o dane strukturalne a AI Overviews wraca na każdym spotkaniu, więc powtórzę inaczej: w kontekście AI Overviews schema nie jest przepustką. Jest opisem. Przepustką jest indeksacja.

Co pokazał test na 1885 stronach?

Jedyne badanie z podaną próbą, jakie znalazłam, zrobił Ahrefs. Metodologia w skrócie:

Element	Wartość
Strony, które dodały JSON-LD	1885
Strony kontrolne	4000
Okres	sierpień 2025 do marca 2026
Okno pomiaru	30 dni przed i 30 dni po dodaniu
Mierzone systemy	AI Overviews, Tryb AI, ChatGPT
Typy znaczników	Article, FAQ, Product, HowTo, Organization, liczone razem

Wyniki:

• AI Overviews: spadek o 4,6%, statystycznie istotny
• Tryb AI: wzrost o 2,4%, nieodróżnialny od zera
• ChatGPT: wzrost o 2,2%, nieodróżnialny od zera

Autorzy sami podają zastrzeżenia i są one ważniejsze niż sam wynik. Badane strony były już przed dodaniem znacznika na wyraźnej ścieżce spadkowej, razem z grupą kontrolną. Próba objęła strony już mocno cytowane przez AI, więc nie wiadomo, jak to wygląda u stron, których AI nie cytuje w ogóle. I trzecie: strony, które dodają JSON-LD, zwykle zmieniają przy okazji inne rzeczy.

Czytam to tak: dodanie schemy nie zrobiło nic widocznego. Nie jest to dowód, że szkodzi, i nie jest to dowód, że nie działa nigdy. Jest to brak efektu tam, gdzie efekt bywa obiecywany.

Dlaczego modele nie czytają JSON-LD?

Bo w testach po prostu tego nie robią. W eksperymencie przywołanym przez Ahrefs sprawdzano, czy systemy AI wyciągają JSON-LD przy pobieraniu strony. Żaden nie wyciągał. Wszystkie pobierały wyłącznie widoczny HTML.

To ma sens, kiedy się nad tym chwilę pomyśli. Model generuje odpowiedź z tekstu, który ma zacytować. Blok JSON-LD nie jest tekstem do zacytowania, tylko etykietą dla indeksu.

Stąd bierze się praktyczny wniosek, który powtarzam klientom: jeśli parametr jest tylko w danych strukturalnych, a nie ma go w treści, to dla modelu go nie ma.

Do czego w takim razie służą dane strukturalne?

Do rzeczy, które da się zobaczyć i policzyć.

Wyniki rozszerzone w wyszukiwarce. Gwiazdki ocen, ceny, dostępność, przepisy, wydarzenia, oferty pracy. Google zastrzega, że sam znacznik niczego nie gwarantuje: żeby strona kwalifikowała się do rozszerzonego wyglądu, musi zawierać wszystkie wymagane właściwości. Ale bez znacznika nie ma szans w ogóle. To jest też jedyne miejsce, gdzie schema realnie rusza współczynnik klikalności, bo zmienia to, jak wynik wygląda.

Widoczność produktów. Google pisze wprost, że korzystanie z Merchant Center i Profilu Firmy pomaga produktom i usługom pokazywać się w odpowiedziach AI i w zwykłych wynikach Google. Dla sklepu oznacza to, że droga do AI prowadzi przez feed i przez Google Business Profile, a nie przez kolejny znacznik na stronie.

Jednoznaczność encji. Organization z nazwą, adresem i profilami w sameAs mówi wyszukiwarce, która firma o tej nazwie to Ty. To jest ważne, kiedy nazwa jest popularna.

Porządek we własnym serwisie. Autor, data aktualizacji, typ treści. To się przydaje przy audycie i przy migracji, niezależnie od AI.

W e-commerce działa przy tym prosta kolejność: najpierw pełny tekst opisu produktu z parametrami, potem Product i Offer, nigdy odwrotnie. FAQ schema pod kartą produktu bez widocznych pytań na stronie to złamanie wytycznych, a nie optymalizacja.

Co w takim razie działa w AI Search?

Nudne rzeczy, które były skuteczne, zanim ktokolwiek powiedział AI Search. Rozpisałam je szerzej we wpisie o tym, jak mała firma trafia do odpowiedzi AI obok dużych platform.

Treść musi być zindeksowana i mieć prawo do opisu w wynikach. Musi być widoczna w HTML, nie w obrazku ani w pliku do pobrania. Musi odpowiadać na pytanie w pierwszym zdaniu, bo modele wycinają fragmenty, a nie całe strony.

Optymalizacja treści pod ten mechanizm sprowadza się do czterech rzeczy:

• Nagłówek w formie pytania, pod nim pełna odpowiedź. Pisz tak, żeby pierwsze zdanie dało się wyciąć i żeby dalej miało sens. To jest cała sztuczka z udzielaniem konkretnej odpowiedzi.
• Zwięzłe akapity. Dwa, trzy zdania. Ściana tekstu nie daje modelowi niczego, co dałoby się zacytować bez przycinania.
• Listy punktowane przy wyliczeniach, tabele przy porównaniach. Model wyciąga z nich czysto.
• Konkret zamiast przymiotników. Liczba, data, nazwa, zakres. Przy pisaniu treści informacyjnych to jest różnica między cytowaniem a pominięciem.

Dobierając tematy, patrz na zapytania, nie na frazy ogólne. Przy zapytaniach informacyjnych odpowiedzi generatywne pojawiają się najczęściej, więc właśnie tam ma sens pisanie pod wyciąganie fragmentów. Przy frazach transakcyjnych pracują kategorie i karty produktu.

Praktycznie: wyciągnij z Search Console listę fraz informacyjnych, na które strona już się wyświetla, i dopisz do każdej sekcję z odpowiedzią. To jest tańsze niż pisanie nowych tekstów pod kątem AI Overviews i szybciej widać efekt. Jeśli chcesz, żeby AI Overviews pojawiały się z Twoją domeną, zacznij od pytań, na które już jesteś w okolicach pierwszej strony.

Osobna sprawa to obowiązek oznaczania treści tworzonych modelem, który opisałam przy AI Act w marketingu. Z widocznością w wyszukiwarce nie ma wspólnego mechanizmu, ale dotyczy tych samych tekstów.

Google dokłada do tego jedno zdanie o oryginalności: „nie powielaj tego, co inni w internecie już powiedzieli, albo co łatwo wygenerować modelem”. To samo zdanie uderza w content marketing w wersji najtańszej, czyli w przepisywanie cudzych tekstów modelem. Taka treść nie ma czym się wyróżnić, kiedy Google porównuje źródła między sobą.

Pytania użytkowników zbieraj z trzech miejsc: raportu wyszukiwanych haseł, rozmów sprzedażowych i sekcji „Podobne pytania” w wyszukiwarce. Konkretne zapytania użytkowników brzmią inaczej niż to, co wymyśli zespół marketingu na warsztacie.

Osobna sprawa to dowody. Podpisany autor, data aktualizacji, własne liczby, case studies z podanym zakresem i cytowane źródła. Modeli AI nie przekonuje deklaracja eksperckości, przekonuje konkret, który da się przepisać do odpowiedzi. Rozwinięcie tego wątku, razem ze skrótem E-A-T i jego nowszą wersją, jest w rozdziale o E-E-A-T niżej.

Na końcu linkowanie wewnętrzne. Jeśli tekst z odpowiedzią stoi w serwisie bez żadnego linku, Googlebot dotrze do niego później, a czasem wcale. To najtańsza rzecz na tej liście.

E-E-A-T a cytowania w AI Overviews

E-E-A-T to skrót z wytycznych Google dla osób oceniających jakość wyników i składa się z czterech filarów: doświadczenia, ekspertyzy, autorytetu i wiarygodności. Google ocenia je po rzeczach sprawdzalnych na stronie, głównie po profilu autora, po linkach do źródeł i po reputacji serwisu. Nie jest to czynnik rankingowy ani pole do wpisania w schemę, a mimo to opisuje dobrze, czego modele szukają w treści, którą mają zacytować.

Rozwinięcie czterech filarów, bo każdy sprowadza się do czegoś, co da się na stronie zrobić.

• Doświadczenie (Experience). Czy autor sam to robił. Zrzut z panelu, własna liczba, opis tego, co wyszło inaczej niż w teorii. To litera dodana w 2022 i w tekstach o narzędziach waży najwięcej.
• Ekspertyza (Expertise). Czy autor zna temat. Podpis, stanowisko, strona autora, inne jego teksty w tym samym obszarze.
• Autorytet (Authoritativeness). Czy serwis jest w tym temacie punktem odniesienia. Cytowania z zewnątrz, wzmianki, spójny obszar tematyczny, a nie blog o wszystkim.
• Wiarygodność (Trustworthiness). Czy da się sprawdzić, kto to napisał i skąd pochodzą liczby. Dane kontaktowe, data aktualizacji, linki do źródeł zamiast odesłań w stylu „jak pokazują badania”.

Przy tematach YMYL, czyli „your money or your life”, te cztery filary ważą najwięcej. YMYL to zdrowie, finanse, prawo, bezpieczeństwo i decyzje, które mogą komuś zaszkodzić. Google traktuje je ostrożniej i to widać w odpowiedziach generatywnych: przy pytaniach medycznych i finansowych cytowane są częściej serwisy instytucjonalne niż blogi, a przy części zapytań blok nie pojawia się wcale.

Wysokie E-E-A-T zwiększa szanse na cytowanie w AI Overviews, ale mechanizm jest pośredni. Model nie liczy Ci punktów za autorytet. Model wybiera fragmenty ze stron, które wyszukiwarka wcześniej uznała za dobre odpowiedzi, a sygnały opisane przez E-E-A-T pomagają trafić do tej grupy. Senuto podaje, że 49,28% cytowań w AI Overviews pochodzi ze stron z pierwszej dziesiątki wyników, co dobrze pokazuje, gdzie ten mechanizm się domyka.

I rzecz, którą trzeba powiedzieć wprost, bo rynek sprzedaje inaczej: nie ma znacznika schema.org dla E-E-A-T. author i Person z sameAs opisują, kto napisał tekst, i to jest użyteczne przy ujednoznacznianiu autora. Nie jest to jednak ocena jakości, tylko etykieta.

Jak zmierzyć, czy AI Overviews wpływa na Twój ruch?

Uczciwa odpowiedź: częściowo i z opóźnieniem. Nie ma dziś panelu, który pokaże pełny wpływ AI Overviews na jedną domenę.

Co da się zrobić dzisiaj:

Raport Generatywna AI w Google Search Console. Ogłoszony 3 czerwca 2026, w Polsce od drugiej połowy czerwca, dane od 18 maja 2026. Ścieżka: Skuteczność, potem Wyniki wyszukiwania, potem Generatywna AI. Pokazuje wyłącznie wyświetlenia, w podziale na strony, kraje, urządzenia i daty. Bez kliknięć, bez CTR, bez pozycji i bez zapytań. To mało, ale to pierwsze dane od Google na ten temat.

Porównanie wyświetleń i kliknięć w czasie. Jeśli na stronie wyników wyszukiwania pojawia się odpowiedź generatywna, typowy obraz w Search Console to stabilne wyświetlenia i spadające kliknięcia. Rozdziel to na zapytania informacyjne i transakcyjne, bo przy tych drugich tradycyjne wyniki wyszukiwania trzymają się zwykle lepiej.

Ręczne sprawdzenie w wyszukiwarce. Weź dwadzieścia najważniejszych zapytań i sprawdź, które pokazują blok AI Overviews w Google i czy Twoja domena jest wśród źródeł wyników AI. Nudne, ale jedyne, co daje odpowiedź na pytanie „czy mnie tam widać”. W przypadku polskich wyników wyszukiwania blok nie wychodzi na każde zapytanie i nie wychodzi za każdym razem.

Narzędzia rynkowe. Część mierzy udział marki w odpowiedziach modeli i nazywa to AI share of voice. Traktuj te liczby jako kierunek, nie jako pomiar, bo każde narzędzie pyta modele w inny sposób i na innej próbce.

Czego z tego nie wyczytasz: ile osób przeczytało odpowiedź i nie kliknęło. Blok pojawia się na samej górze wyników wyszukiwania, więc zabiera uwagę, zanim użytkownik zobaczy pierwszy wynik. Skala spadku kliknięć w klasycznych wynikach Google jest opisana w rozdziale o wpływie na ruch, razem z próbami. Pamiętaj przy tym, że wszystkie te badania opisują rynek amerykański.

Jedna rzecz, która zmienia obraz na plus: odpowiedź generatywna zwykle kończy się kilkoma linkami, a nie dziesięcioma. Widełki „od sześciu do czternastu linków” pojawiają się bez podanej próby, więc traktuję je jako obserwację, nie jako dane. Kto się w tych listy linków mieści, dostaje więcej uwagi niż na pozycji czwartej w klasycznym wyniku. Wpływ AI na ruch nie jest więc jednostronnie ujemny, tylko bardziej skoncentrowany.

Które typy wdrożyć i w jakiej kolejności?

Skoro schema nie jest dźwignią do AI, nie znaczy, że ma jej nie być. Znaczy, że ma być zrobiona raz, poprawnie, i zapomniana.

1. Organization na całej witrynie, z nazwą, adresem, logo i profilami w sameAs.
2. Article na wpisach blogowych, z autorem i datą aktualizacji.
3. Product i Offer na kartach produktu, z ceną, walutą i dostępnością zgodną ze stanem sklepu.
4. BreadcrumbList na całej witrynie.
5. FAQPage tylko tam, gdzie pytania i odpowiedzi są widoczne w treści.

Dalej nie ma po co iść, dopóki te pięć nie działa bez błędów.

Jak sprawdzić, co masz dziś na stronie?

Dwa narzędzia, oba darmowe i oba od Google.

Test wyników z elementami rozszerzonymi sprawdza pojedynczy adres i pokazuje, co wykryło i gdzie są błędy. Dobry do wdrożenia i do szybkiego sprawdzenia konkurencji.

Raporty stanu wyników z elementami rozszerzonymi w Search Console pokazują całą witrynę i wyłapują to, czego test pojedynczego adresu nie wyłapie. Google ostrzega, że znaczniki potrafią się zepsuć po wdrożeniu, przez szablon albo przez sposób serwowania strony. To nie jest rzecz do sprawdzenia raz.

Jedna uwaga praktyczna: sprawdź, czy wtyczka SEO nie wypuszcza już znacznika Article, zanim dołożysz własny. Dwa znaczniki tego samego typu na jednej stronie to nie błąd krytyczny, ale bałagan, który potem trudno rozplątać.

Czego w tych danych nie ma

• Test Ahrefsa objął strony już mocno cytowane przez AI. Nie wiadomo, co się dzieje ze stronami, których AI nie cytuje wcale, a to jest sytuacja większości małych serwisów.
• Wszystkie typy znaczników liczono razem. Autorzy sami piszą, że możliwe, iż niektóre działają lepiej niż inne.
• Spadek w AI Overviews o 4,6% nie oznacza, że schema szkodzi. Grupa kontrolna spadała w tym samym czasie.
• Nie ma polskiego badania na ten temat. Nie ma go też dla większości tez o AI Search.
• Liczba „strony ze schemą są 2,8 razy częściej cytowane” pojawia się w materiałach bez podanej próby i bez źródła, które dałoby się wskazać. Nie używam jej i odradzam używanie w ofertach.
• Tak samo traktuję trzy inne liczby, które wracają w briefach i zestawieniach: „64% domen zanotowało spadek ruchu organicznego po wprowadzeniu AI Overviews”, „strony cytowane w AI Overviews dostają średnio 3,2 razy więcej kliknięć” i „AI Overviews pojawiają się w 29,9% zapytań”. Żadnej z nich nie udało mi się dopiąć do badania z opisaną próbą. Udział zapytań z blokiem podaję więc za Pew Research, czyli 18% wyszukiwań w badanym panelu w marcu 2025, z zastrzeżeniem, że to USA i jeden miesiąc.
• Rozbieżność między badaniami jest sama w sobie informacją. Pew liczy wizyty w panelu użytkowników, Amsive i Ahrefs liczą frazy w narzędziach, a Semrush liczy wyniki wyszukiwania. To są trzy różne rzeczy i nie składają się w jedną liczbę.

Najczęstsze pytania

Czy schema markup wpływa na pozycje w Google?

Nie bezpośrednio. Dane strukturalne nie są czynnikiem rankingowym. Wpływają na to, jak wynik wygląda w wyszukiwarce, czyli na elementy rozszerzone, a te mogą podnieść klikalność. Google zastrzega, że sam znacznik nie gwarantuje rozszerzonego wyglądu, bo trzeba spełnić wszystkie wymagane właściwości danego typu.

Czy trzeba dodawać dane strukturalne pod AI Overviews?

Nie. Google pisze w dokumentacji, że dane strukturalne nie są wymagane w generatywnym wyszukiwaniu i że nie ma specjalnego znacznika, który trzeba dodać. Warunek wejścia to indeksacja i możliwość wyświetlenia z opisem w zwykłych wynikach.

Czy FAQPage nadal ma sens?

Ma, ale z innego powodu niż dwa lata temu. Sekcja z pytaniami i odpowiedziami widoczna w treści daje modelowi gotowe fragmenty do zacytowania. Sam znacznik FAQPage dokłada do tego opis dla maszyny. Pytania muszą być widoczne na stronie, inaczej znacznik łamie wytyczne Google.

Jaki format wybrać: JSON-LD czy mikrodane?

JSON-LD. Google pisze, że wszystkie trzy formaty są dla niego równie dobre i że w większości przypadków najłatwiejszy w utrzymaniu jest JSON-LD. Siedzi w jednym bloku, nie miesza się z układem strony i nie psuje się przy zmianie szablonu.

Jak sprawdzić, czy dane strukturalne działają?

Test wyników z elementami rozszerzonymi dla pojedynczego adresu i raporty stanu w Search Console dla całej witryny. Oba są darmowe. Sprawdź ponownie po każdej większej zmianie szablonu, bo znaczniki potrafią zniknąć razem z aktualizacją motywu.

Czy da się wypisać z AI Overviews?

Nie, zostając w zwykłych wynikach. Google kontroluje podgląd tymi samymi znacznikami, co opisy w wynikach: nosnippet, data-nosnippet, max-snippet i noindex. Każdy z nich psuje też klasyczny wynik, więc wypisanie się z odpowiedzi generatywnej oznacza pogorszenie zwykłej widoczności.

Z naszego doświadczenia. Serwis, który prowadzimy, zebrał 95 tys. wyświetleń w funkcjach opartych na generatywnej AI przez trzy miesiące, od 30 czerwca do 29 września 2026, według raportu Generatywna AI w Search Console. W kodzie tego serwisu stoją tylko podstawowe typy danych strukturalnych: Organization, WebSite, WebPage i BreadcrumbList. Nie ma ani jednego Article, FAQPage czy HowTo, czyli tych, które w poradnikach uchodzą za przepustkę do odpowiedzi AI. Widoczność wzięła się skądinąd.

Chcesz wiedzieć, czy Twoja strona jest cytowana w odpowiedziach AI, zamiast zgadywać? Sprawdzamy to na konkretnych zapytaniach z Twojej branży i mówimy wprost, co wymaga poprawy, a co jest już w porządku. Napisz na hello@nienajlepsza.agency, a w odpowiedzi dostaniesz zakres i termin, nie prezentację o tym, jak ważna jest sztuczna inteligencja.

Źródła

1. Google Search Central, „Przewodnik po optymalizacji pod funkcje generatywne w wyszukiwarce Google”. Cytat o braku wymagania danych strukturalnych. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
2. Google Search Central, „Funkcje AI a Twoja witryna”. Warunki kwalifikacji, brak dodatkowych wymagań technicznych, kontrola podglądu przez nosnippet, data-nosnippet, max-snippet i noindex. https://developers.google.com/search/docs/appearance/ai-features
3. Google Search Central, „Wprowadzenie do działania znaczników danych strukturalnych”. Definicja, formaty, zasada widoczności treści, narzędzia do testowania. https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data
4. Google Search Central, „Ogólne wytyczne dotyczące danych strukturalnych”. https://developers.google.com/search/docs/appearance/structured-data/sd-policies
5. Google Search Central, raport „Generatywna AI” w Search Console. Ogłoszenie z 3 czerwca 2026, dane od 18 maja 2026, wyłącznie wyświetlenia. https://developers.google.com/search/blog
6. Ahrefs, „We Tracked 1,885 Pages Adding Schema. AI Citations Barely Moved.” Próba: 1885 stron, które dodały JSON-LD między sierpniem 2025 a marcem 2026, wobec 4000 stron kontrolnych, okna 30 dni przed i po. https://ahrefs.com/blog/schema-ai-citations/
7. Adobe, „AI traffic grows but retail sites lag in AI search visibility”, 2026. Ponad bilion wizyt na amerykańskich stronach handlowych plus badanie na ponad 5000 respondentów. https://business.adobe.com/blog/ai-traffic-surge-retail-sites-not-machine-readable
8. Pew Research Center, badanie zachowań użytkowników na stronie wyników z odpowiedzią generatywną, 2025. Próba i metodologia w raporcie. https://www.pewresearch.org
9. Pew Research Center, „Google users are less likely to click on links when an AI summary appears in the results”, 22 lipca 2025. Próba: 900 dorosłych Amerykanów z panelu KnowledgePanel Digital, 68 879 wyszukiwań, z czego 12 593 z odpowiedzią AI, marzec 2025. https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
10. Amsive, badanie wpływu AI Overviews na CTR. Próba: ponad 700 tys. fraz z 10 witryn w 5 branżach. Omówienie i liczby: Search Engine Land. https://searchengineland.com/google-ai-overviews-hurt-click-through-rates-454428
11. Ahrefs, spadek CTR na pozycji pierwszej przy obecności AI Overviews. Próba: 300 tys. fraz, porównanie marzec 2024 do marzec 2025. https://searchengineland.com/google-ai-overviews-hurt-click-through-rates-454428
12. SparkToro, „In 2026, less than one third of Google searches still send a click”. Panel clickstream Similarweb, USA, styczeń do kwietnia 2026, dane bez aplikacji mobilnej Google. Liczba za 2024 z panelu Datos. https://sparktoro.com/blog/in-2026-less-than-one-third-of-google-searches-still-send-a-click/
13. Semrush, „AI Overviews are expanding across commercial intent search”. Próba: ponad 600 tys. fraz z bazy desktopowej USA, 10 branż, listopad 2025 do kwietnia 2026. https://www.semrush.com/blog/ai-overviews-commercial-search-study/
14. Google, „AI Overviews in Google Search expanding to more than 100 countries”, 28 października 2024. Ponad sto krajów i terytoriów, sześć języków, ponad miliard użytkowników miesięcznie. https://blog.google/products-and-platforms/products/search/ai-overviews-search-october-2024/
15. Google Search Central, „Creating helpful, reliable, people-first content”. Opis sygnałów E-E-A-T i zastrzeżenie o roli wytycznych dla osób oceniających jakość. https://developers.google.com/search/docs/fundamentals/creating-helpful-content
16. Senuto, udział stron z pierwszej dziesiątki w cytowaniach AI Overviews (49,28%).
17. Google, oś czasu funkcji: eksperyment Search Generative Experience w Labs (maj 2023), start AI Overviews w USA (14 maja 2024), Polska (25 marca 2025), Tryb AI w Polsce (8 października 2025).

Tekst napisany przy udziale modelu językowego. Dane, liczby i wnioski pochodzą z kont reklamowych klientów oraz z badań podanych w źródłach. Zostały sprawdzone ręcznie przed publikacją.