Dane strukturalne (schema.org) — maszynowo czytelne oznaczenia treści — to najczęściej sprzedawany „sekret widoczności w AI” na rynku agencyjnym. Problem: dowody mówią coś innego. Google oficjalnie nie wymaga żadnego markupu dla funkcji AI, a jedyny duży quasi-eksperyment na ten temat nie wykazał wzrostu cytowań po wdrożeniu schema. Ten poradnik porządkuje, co dane strukturalne robią naprawdę, czego nie robią wcale — i co w związku z tym wdrażać. Kontekst całej dyscypliny znajdziesz w naszym przewodniku po GEO (Generative Engine Optimization) — metodzie tworzenia i optymalizacji treści tak, aby były cytowane i wykorzystywane w odpowiedziach generowanych przez AI.
Czy schema jest wymagane, żeby pojawić się w AI Overviews?
Nie — Google stwierdza to wprost w oficjalnej dokumentacji funkcji AI. W dokumencie o AI Overviews (generowanych przez AI podsumowaniach nad wynikami wyszukiwania Google) i AI Mode czytamy: „You don’t need to create new machine readable files, AI text files, or markup to appear in these features” oraz „There’s also no special schema.org structured data that you need to add” (Google Search Central, dokumentacja akt. grudzień 2025). Nie istnieje więc żaden „AI schema”, „GEO markup” ani specjalny plik, który otwiera drzwi do odpowiedzi generatywnych — a każda oferta, która taki produkt sprzedaje, obiecuje coś, czemu producent silnika oficjalnie zaprzecza.
Podobnie wygląda sprawa z najczęściej przywoływanym „dowodem naukowym”. Recenzowany paper GEO (Aggarwal i in., KDD 2024) — źródło słynnego „do 40% widoczności” — nie testował danych strukturalnych w ogóle: badał wyłącznie modyfikacje widocznego tekstu, takie jak cytaty, statystyki i przypisy (arXiv 2311.09735, 2024). Powoływanie się na ten paper jako dowód skuteczności schema markup to nadużycie.
Co mówią badania o wpływie schema na cytowania w AI?
Krótko: korelacja jest wyraźna, dowodu przyczynowości brak — a jedyny duży test kauzalny wyszedł na minus. Cytowanie (w odpowiedzi AI) to wskazanie strony jako źródła w odpowiedzi silnika generatywnego, czyli systemu odpowiadającego wygenerowaną odpowiedzią zamiast listą linków (ChatGPT, Perplexity, Google AI Overviews, Copilot). Oto, co wiemy o związku schema z tymi cytowaniami:
- Korelacja: tak. W analizie 6 mln URL-i strony cytowane przez AI były niemal 3 razy bardziej skłonne mieć JSON-LD niż strony niecytowane — ale autorzy sami interpretują to jako współwystępowanie: schema mają po prostu dobrze utrzymane, autorytatywne serwisy (Ahrefs, 2026).
- Przyczynowość: nie. W quasi-eksperymencie Ahrefs 1 885 stron, które dodały JSON-LD między sierpniem 2025 a marcem 2026, porównano z ~4 000 stron kontrolnych. Wynik: AI Overviews −4,6% cytowań (istotne statystycznie), AI Mode +2,4% i ChatGPT +2,2% (oba nieistotne). Wniosek autorów: „If the only reason you’re adding it is to get more AI citations on pages that are already visible, our data doesn’t support that bet” (Ahrefs, 2026). Zastrzeżenie: próba obejmowała strony już mocno cytowane — badanie nie rozstrzyga efektu dla stron dopiero wchodzących w widoczność.
- Korelacyjne wsparcie z drugiej strony: preprint GEO-16 (audyt 1 702 cytowań z 3 silników odpowiedzi, 1 100 URL-i) wskazał dane strukturalne wśród trzech najsilniejszych korelatów cytowań — ale to badanie obserwacyjne, nierecenzowane i ograniczone do anglojęzycznego B2B SaaS (arXiv 2509.10762, 2025).
- Triki przegrywają z podstawami. Benchmark C-SEO Bench (NeurIPS 2025) przetestował 10 metod „optymalizacji pod LLM” na 16,3 tys. dokumentów: tylko 3 z 54 przypadków dały istotny pozytywny efekt, a autorzy piszą wprost, że klasyczne SEO jest znacząco skuteczniejsze od trików treściowych (arXiv 2506.11097, NeurIPS 2025).
Ten rozkład dowodów — silna korelacja, brak potwierdzonej przyczynowości, negatywny wynik jedynego eksperymentu — to dokładnie ten sam wzorzec, który opisujemy w tekście GEO vs SEO: co naprawdę się zmienia: fundamenty przenoszą się do nowego kanału, magiczne skróty nie.
Skąd wziął się mit, że schema to przepustka do AI?
Mit żyje siłą rozpędu z ery rich results — funkcji, które w międzyczasie Google po kolei wygasił. Przez lata FAQPage i HowTo dawały widoczny, mierzalny efekt w SERP-ach, więc „dodaj schema = zyskaj widoczność” weszło agencjom w krew. Tyle że ta mechanika już nie istnieje:
- Sierpień 2023: Google ogłasza, że FAQ rich results będą pokazywane wyłącznie dla „well-known, authoritative government and health websites”, a HowTo rich results zostają ograniczone do desktopu, a następnie wycofane całkiem (Google Search Central Blog, 2023).
- Maj 2026: FAQ rich results znikają całkowicie — także dla stron rządowych i zdrowotnych. Oficjalny changelog Google z 8 maja 2026: „This feature will no longer appear in Google Search starting May 7, 2026″; w czerwcu 2026 dokumentacja FAQ rich result została usunięta (Google Search Central, changelog 2026).
Jeśli więc ktoś dziś sprzedaje wdrożenie FAQPage „pod rich results” albo „pod cytowania w AI”, sprzedaje funkcję, której nie ma, lub efekt, którego nie potwierdza żaden eksperyment. Ten sam mechanizm hype’u działa przy llms.txt — proponowanym standardzie pliku z mapą treści strony dla systemów AI: według analizy Ahrefs na 137 000 domen 28% z nich publikuje poprawny llms.txt, ale 97% tych plików otrzymało zero żądań w maju 2026, a żaden duży dostawca modeli — ani OpenAI, ani Anthropic, ani Google — nie potwierdził wsparcia (Ahrefs, 2026). Rynek regularnie produkuje „maszynowe pliki-amulety”; dowody regularnie ich nie potwierdzają.
Jak odróżnić realne priorytety techniczne od amuletów na własnej stronie? Dokładnie od tego zaczynamy audyt widoczności w AI — pomiar, gdzie i jak marka pojawia się w odpowiedziach silników generatywnych, zanim wydasz budżet na markup. Szczegóły znajdziesz w ofercie audytu widoczności w AI.
Co dane strukturalne naprawdę robią?
Dane strukturalne to higiena maszynowa: dostarczają maszynom jednoznacznych wskazówek o znaczeniu strony i warunkują konkretne funkcje oparte na danych — nie kupują cytowań. Według dokumentacji Google structured data daje „explicit clues about the meaning of a page” i jest warunkiem konkretnych feature’ów: przepisów (składniki, czas), product snippets (cena, dostępność), ofert pracy, wydarzeń, ocen czy wideo (Google Search Central, dokumentacja akt. 2025). Google przytacza tam własne case studies z ery przed AI — m.in. Rotten Tomatoes +25% CTR na stronach z markupem — jako przykłady działania rich results, nie świeże benchmarki AI.
W warstwie generatywnej schema też ma udokumentowaną, ale skromniejszą rolę — jako kontekst dla modeli, nie bilet do odpowiedzi:
- Google: Ryan Levering, inżynier Google ds. structured data, na Search Central Live Toronto (kwiecień 2026) mówił według relacji z sesji: „Schema is used as context served to models when doing fanouts” — dane strukturalne trafiają do modeli jako kontekst przy zapytaniach fan-out w AI Mode i AI Overviews, bo ich parsowanie jest tańsze niż wielokrotne wnioskowanie z surowego tekstu (relacja z Search Central Live Toronto, 2026).
- Microsoft: Fabrice Canel (Principal Product Manager, Bing) potwierdził na SMX Munich w marcu 2025, że Microsoft używa schema markup, by jego modele językowe (LLM — duże modele językowe, silnik ChatGPT, Gemini, Claude’a i podobnych) w Copilot rozumiały treść (Search Engine Land, 2025). Ma to praktyczne znaczenie, bo grounding Microsoft Copilot — opieranie odpowiedzi na bieżącym indeksie zamiast wyłącznie na wiedzy z treningu — działa przez Bing: w odpowiedziach mogą pojawić się tylko strony zindeksowane przez Bing (Microsoft Learn, dostęp lipiec 2026).
- Niuans zamiast sloganu: John Mueller z Google zapytany, czy schema pomaga LLM-om, odpowiedział: „the short answer is yes, no, and it depends” — dane strukturalne są krytyczne dla funkcji opartych na danych (ceny, wysyłka, dostępność w Shopping), gdzie indziej głównie wzbogacają wyniki (Search Engine Roundtable, 2026).
Dane strukturalne to higiena maszynowa, nie dźwignia cytowań: obniżają maszynom koszt zrozumienia strony i odblokowują funkcje oparte na danych, ale nie kupują miejsca w odpowiedziach AI — o cytowanie konkuruje widoczny tekst, nie markup.
Jakie dane strukturalne wdrażać i jak zrobić to poprawnie?
Wdrażaj wąski zestaw typów schema, które mają udokumentowaną funkcję, i traktuj to jako standard techniczny — z realistycznym oczekiwaniem efektu. Poniższa tabela porządkuje priorytety:
| Typ schema | Kiedy wdrażać | Co realnie daje |
|---|---|---|
| Organization / Person | Zawsze (cały serwis) | Jednoznaczna tożsamość marki i autorów dla maszyn; spójny sygnał encji |
| BlogPosting / Article | Każdy wpis | Jawne daty, autor, abstrakt — tani, jednoznaczny kontekst dla crawlerów i modeli |
| Product, JobPosting, Event, Recipe, VideoObject | Gdy masz taką treść | Warunek konkretnych feature’ów danych w Google (cena, dostępność, terminy) — wg dokumentacji Google (2025) |
| Breadcrumb, WebSite | Zawsze | Czytelna struktura serwisu dla maszyn |
| FAQPage / HowTo | Opcjonalnie, bez oczekiwań | Zero rich results (wycofane 2023–2026); wartość ekstrakcyjną niesie widoczny tekst pytań i kroków, nie markup |
Trzy zasady poprawnego wdrożenia:
- Markup musi zgadzać się z widocznym tekstem. To twardy wymóg Google i jedyna „optymalizacja schema pod AI”, jaką dokument o funkcjach AI wprost wymienia: „Making sure your structured data matches the visible text on the page”. Oznaczanie treści, której użytkownik nie widzi, narusza wytyczne (Google Search Central, 2025).
- JSON-LD w HTML z serwera, nie wstrzykiwany JavaScriptem. Badanie Vercel + MERJ na ruchu produkcyjnym (m.in. 569 mln żądań GPTBot miesięcznie) pokazało, że żaden z głównych crawlerów AI nie renderuje JavaScriptu — boty pobierają pliki JS, ale ich nie wykonują; wyjątkiem jest infrastruktura Googlebota i AppleBot (Vercel, 2024). Schema dodane skryptem po stronie klienta dla większości botów AI nie istnieje — podobnie jak treść.
- Nie kasuj panicznie starego markupu. Google stwierdził przy wygaszaniu FAQ i HowTo, że nieużywane structured data „does not cause problems for Search, but also has no visible effects” — nie trzeba go usuwać (Google Search Central Blog, 2023). Sprzątaj przy okazji, nie w trybie awaryjnym.
Czego nie obiecywać (sobie ani klientom): wzrostu cytowań w AI po samym dodaniu markupu (jedyny eksperyment pokazał −4,6% w AI Overviews i brak istotnych zmian gdzie indziej — Ahrefs, 2026), rich results z FAQPage/HowTo (wycofane), ani efektów „AI schema”, którego Google wprost nie wymaga (Google Search Central, 2025).
FAQ: dane strukturalne a widoczność w AI
Czy trzeba usuwać schema FAQPage po wycofaniu FAQ rich results?
Nie. Google stwierdził wprost, że nieużywane dane strukturalne nie powodują problemów w wyszukiwarce — po prostu nie mają widocznych efektów (Google Search Central Blog, 2023). Usuń je przy najbliższym refactorze szablonów, ale nie ma powodu robić z tego pilnego projektu. Ważniejsze, by widoczny tekst pytań i odpowiedzi pozostał na stronie — to on niesie wartość ekstrakcyjną.
Czy schema pomaga w widoczności w ChatGPT i Copilot?
Dowody są mieszane i zależne od silnika. W eksperymencie Ahrefs (2026) dodanie JSON-LD nie zmieniło istotnie cytowań w ChatGPT (+2,2%, nieistotne statystycznie). Z drugiej strony Microsoft potwierdził w marcu 2025, że używa schema, by modele Copilot rozumiały treść (Search Engine Land, 2025) — a warunkiem widoczności w Copilot jest indeksacja w Bing. Wniosek: schema pomaga maszynom rozumieć stronę, ale nie zastępuje treści wartej zacytowania.
Czy zamiast schema warto wdrożyć llms.txt?
Nie jako dźwignię widoczności. Według Ahrefs (badanie 137 000 domen, 2026) 97% opublikowanych plików llms.txt otrzymało zero żądań w maju 2026, a żaden duży dostawca modeli nie potwierdził wsparcia; od czerwca 2026 dokumentacja Google wprost podaje, że pliki llms.txt nie są potrzebne w Google Search i nie wpływają — ani pozytywnie, ani negatywnie — na widoczność (Ahrefs, 2026). Koszt wdrożenia jest bliski zera, więc plik nie szkodzi — ale nie jest alternatywą dla treści w czystym HTML.
Co zamiast schema realnie zwiększa szanse na cytowanie w AI?
Widoczny, ekstrahowalny tekst i klasyczne fundamenty. Benchmark C-SEO Bench (NeurIPS 2025) wykazał, że triki „optymalizacji pod LLM” działały w 3 z 54 przypadków, a tradycyjne SEO było znacząco skuteczniejsze (arXiv 2506.11097, 2025). Priorytety: treść odpowiadająca na konkretne pytania, jednoznaczne zdania z liczbami i źródłami, czysty HTML dostępny dla botów, indeksacja w Google i Bing.
