--- title: "Schema markup dla AI: co odczytują ChatGPT, Perplexity i Gemini" description: "Znaczniki Schema dla wyszukiwarek AI: w teście tylko Gemini odczytał JSON-LD, a badania nie wykazują wiarygodnego wzrostu cytowań. Które typy mimo to się liczą." locale: "pl" canonical: "https://blckalpaca.at/pl/baza-wiedzy/seo-geo/geo-seo-przewodnik-po-generative-engine-optimization/schema-markup-dla-ai-co-odczytuja-chatgpt-perplexity-i-gemini" category: "SEO & GEO" topic: "SEO dla AI: przewodnik po Generative Engine Optimization" updated: "2026-10-28T13:33:00.504Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Schema markup dla AI: co odczytują ChatGPT, Perplexity i Gemini Znaczniki Schema (najczęściej w formacie JSON-LD) to ustrukturyzowany kod, który przekłada treści internetowe na słownik czytelny dla maszyn i jednoznacznie oznacza encje, takie jak firmy, autorzy czy produkty. Dla systemów wyszukiwania AI są przede wszystkim narzędziem do rozumienia encji, a nie wiarygodnym, bezpośrednim czynnikiem cytowań: badania dostępne w 2026 roku pokazują głównie marginalne i sprzeczne efekty dla cytowań w AI, natomiast w ekosystemie Google i Microsoftu Schema działa jako sprawdzony fundament SEO. ## W skrócie - Dowody są sprzeczne: Ahrefs nie odnotował wzrostu cytowań na 1885 stronach (w AI Overviews nawet spadek o 4,6%), a Otterly zgłosił wzrost o 611% w AI Overviews, ale spadek o 71% w ChatGPT. Schema nie jest niezawodnym sposobem na więcej cytowań w AI. - W teście pobierania (fetch) przeprowadzonym przez Otterly 6 z 7 platform AI nie potrafiło odczytać znaczników Schema, jedynie Gemini zwrócił poprawny JSON-LD. Dla ChatGPT, Perplexity, Claude'a i Copilota liczy się przede wszystkim widoczny tekst, a nie znaczniki. - Google oficjalnie potwierdza, że dane strukturalne nie są wymagane w generatywnym wyszukiwaniu AI, ale zaleca je jako element strategii SEO. Microsoft (Fabrice Canel, SMX Munich 2025) potwierdził, że Schema pomaga jego modelom LLM w rozumieniu treści. - Badanie GEO z Princeton pokazuje, że czynniki związane z treścią, takie jak statystyki, źródła i cytaty, wpływają na widoczność w AI (nawet o 40%) silniej niż techniczne znaczniki. Priorytet: najpierw treść, potem Schema jako wzmacniacz. - W handlu agentowym czytelne dla maszyn znaczniki Product z danymi o cenie i dostępności stają się warunkiem, by agenci AI mogli rozpoznać oferty i uruchomić proces zakupu. NLWeb i MCP czynią ze Schema.org fundament agentowego internetu. - JSON-LD, obecny na 41% stron (2024), to najszybciej rosnący i czytelny dla crawlerów format danych strukturalnych, a tym samym bardziej niezawodny czynnik niż llms.txt, który crawlery AI w dużej mierze ignorują. - W Austrii wykorzystanie AI szybko rośnie (20% firm w 2024 roku, niemal dwa razy więcej niż rok wcześniej). Efekty Schema warto mierzyć w wynikach z elementami rozszerzonymi i w AI Overviews, ruch odsyłający z AI osobno w GA4, a nie liczbą wzmianek w ChatGPT. W dobie wyszukiwania [AI](https://blckalpaca.at/pl/slownik/ai) znaczniki Schema uchodzą jednocześnie za cudowny środek i za mit. Jedni sprzedają dane strukturalne jako bilet wstępu do ChatGPT i Perplexity, inni uważają je za zbędne, skoro modele językowe same czytają treści. Oba obozy się mylą. W 2026 roku obraz z badań jest znacznie bardziej zróżnicowany i częściowo sprzeczny. Ten artykuł porządkuje, co znaczniki Schema faktycznie dają systemom wyszukiwania AI, gdzie są przeceniane i jaką rolę odgrywają dla widoczności B2B. W centrum uwagi są weryfikowalne dane, a nie obietnice. ## Dlaczego znaczniki Schema mają znaczenie dla widoczności w AI [Wyszukiwanie AI nie jest już zjawiskiem marginalnym](https://blckalpaca.at/pl/baza-wiedzy/seo-geo/geo-seo-przewodnik-po-generative-engine-optimization/seo-vs-geo-vs-aeo-roznice-i-podobienstwa). W wyszukiwarce Google odsetek zapytań wywołujących AI Overviews wzrósł według Semrush [z 6,49% w styczniu 2025 roku do szczytowych 24,61% w lipcu, a w listopadzie ustabilizował się na poziomie 15,69%](https://www.semrush.com/blog/semrush-ai-overviews-study/), na podstawie ponad 10 milionów słów kluczowych. Według tej samej analizy wskaźnik zero-click dla identycznych słów kluczowych spadł [z 33,75% do 31,53%](https://www.semrush.com/blog/semrush-ai-overviews-study/). Coraz większa część wyszukiwań kończy się więc na wygenerowanej odpowiedzi, a nie na klasycznej liście wyników. [Ruch z tych systemów jest wysokiej jakości](https://blckalpaca.at/pl/uslugi/geo). Według międzynarodowej analizy Visibility Labs obejmującej 94 marki e-commerce [ruch z ChatGPT konwertował na poziomie 1,81%, czyli o 31% lepiej niż niebrandowy ruch organiczny z wynikiem 1,39%](https://searchengineland.com/chatgpt-vs-non-branded-organic-search-conversions-470321). Porównano przy tym [9,46 miliona sesji organicznych ze 135 000 sesji odesłań z ChatGPT w ciągu dwunastu miesięcy](https://searchengineland.com/chatgpt-vs-non-branded-organic-search-conversions-470321). Kto pojawia się w odpowiedziach AI, zyskuje więc zasięg i użytkowników gotowych do zakupu. [W tym kontekście znaczniki Schema są warstwą strony internetowej czytelną dla maszyn](https://blckalpaca.at/pl/baza-wiedzy/seo-geo/techniczne-seo/dane-strukturalne-jako-warstwa-rozumienia-dla-ai-potwierdzone-i-mierzalne). Przekładają treści na jednoznaczny słownik, który maszyny rozumieją bez pola do interpretacji. Kluczowe pytanie brzmi: czy systemy wyszukiwania AI w ogóle odczytują ten słownik i czy robi to mierzalną różnicę? ## Jak systemy AI przetwarzają treści i gdzie wkracza Schema [Nowoczesne wyszukiwanie AI opiera się głównie na pipeline'ach RAG](https://blckalpaca.at/pl/baza-wiedzy/seo-geo/dobor-slow-kluczowych-content-seo/rodzaje-tresci-seo-ktore-formaty-zdobywaja-cytowania-w-ai) (Retrieval-Augmented Generation). W uproszczeniu przebiega to w trzech krokach: system pobiera odpowiednie źródła, wyodrębnia ich treść i na tej podstawie generuje odpowiedź. Znaczniki Schema, zwykle osadzone w HTML jako JSON-LD, mogą pomóc na etapie pobierania i ekstrakcji, ponieważ jasno nazywają encje: kto jest autorem, co jest produktem, na jakie pytanie odpowiada dana sekcja. Ważne jest rozróżnienie dwóch funkcji. Schema to przede wszystkim narzędzie do rozumienia encji, a nie bezpośredni czynnik rankingowy czy czynnik cytowań. Pomaga maszynom poprawnie klasyfikować treści i tworzyć powiązania między encjami. Nie zmusza jednak modelu językowego do zacytowania źródła. [Dominującym formatem jest przy tym JSON-LD](https://blckalpaca.at/pl/baza-wiedzy/seo-geo/seo-on-page/schema-markup-on-page-konieczny-dla-wynikow-rozszerzonych-nie-dla-cytowan-ai). Według Web Almanac 2024 jego udział wzrósł [z 34% przeskanowanych stron w 2022 roku do 41% w 2024 roku](https://almanac.httparchive.org/en/2024/structured-data), co czyni go najszybciej rosnącym formatem danych strukturalnych i formatem preferowanym przez Google. Według tego samego źródła najczęstsze typy to [WebSite z udziałem 12,73%, Organization z 7,16%, BreadcrumbList z 5,66% i LocalBusiness z 3,97%](https://almanac.httparchive.org/en/2024/structured-data) stron mobilnych. To szerokie, czytelne dla crawlerów rozpowszechnienie jest głównym powodem, dla którego Schema pozostaje bardziej niezawodnym czynnikiem niż nowsze propozycje, takie jak llms.txt: dane strukturalne są już częścią istniejącego ekosystemu crawlingu, podczas gdy większość crawlerów AI jak dotąd ignoruje llms.txt. ## Sprzeczne wyniki badań Tu robi się niewygodnie. Rzetelne badania sobie przeczą i właśnie to jest najważniejszy wniosek dla praktyki. **Stanowisko krytyczne (Ahrefs):** Ahrefs śledził [1885 stron, które między sierpniem 2025 a marcem 2026 roku dodały znaczniki Schema w JSON-LD, i porównał je z 4000 stron kontrolnych](https://ahrefs.com/blog/schema-ai-citations/) w teście metodą różnicy w różnicach. Wynik: [Google AI Overviews spadek o 4,6% (niewielki, ale istotny statystycznie), AI Mode wzrost o 2,4% i ChatGPT wzrost o 2,2% (oba statystycznie nieodróżnialne od zera)](https://ahrefs.com/blog/schema-ai-citations/). Wniosek autorów jest jednoznaczny: dodanie Schema nie przyniosło zauważalnego wzrostu cytowań na żadnej platformie. **Stanowisko optymistyczne (Otterly):** Otterly.AI po wdrożeniu Schema i analizie 319 promptów na rynku amerykańskim przedstawia zupełnie inny obraz: [AI Overviews wzrost o 611%, AI Mode wzrost o 42%, ale jednocześnie ChatGPT spadek o 71%, Copilot spadek o 64%, Gemini spadek o 35%, a Perplexity bez zmian](https://otterly.ai/blog/schema-markup-real-impact-ai-search/). Kluczowy jest towarzyszący test pobierania: [tylko 1 z 7 platform AI, a mianowicie Gemini, potrafiła poprawnie odczytać surowy JSON-LD](https://otterly.ai/blog/schema-markup-real-impact-ai-search/). Również Otterly wnioskuje z tego, że Schema to czynnik [SEO](https://blckalpaca.at/pl/slownik/seo), a nie czynnik wzrostu w GEO. **Stanowisko oficjalne (Google):** Sam Google w swoim AI Optimization Guide rzeczowo stwierdza, że [dane strukturalne nie są wymagane w generatywnym wyszukiwaniu AI i nie trzeba dodawać żadnych specjalnych znaczników schema.org, ale nadal warto stosować je w ramach całej strategii SEO, ponieważ zwiększają szansę na wyniki z elementami rozszerzonymi](https://developers.google.com/search/docs/fundamentals/ai-optimization-guide). Google wprost przedstawia optymalizację pod wyszukiwanie AI jako kontynuację SEO. Co praktycy powinni z tego wynieść: Schema nie jest niezawodnym sposobem na więcej cytowań w systemach AI. Przeciwne kierunki wyników u Ahrefs i Otterly oraz słaba istotność statystyczna pokazują, że efekt jest niewielki i zależy od platformy. Schema pozostaje jednak sprawdzonym fundamentem SEO, a dzięki AI Overviews klasyczne wyszukiwanie Google jest ściśle powiązane z odpowiedzią AI. ## Które platformy faktycznie odczytują znaczniki Schema Założenie, że systemy AI powszechnie przetwarzają dane strukturalne, nie wytrzymuje konfrontacji z danymi. Test pobierania Otterly jest tu jednoznaczny: [6 z 7 testowanych platform na bezpośrednie polecenie nie potrafiło pobrać ani poprawnie zinterpretować znaczników Schema, jedynie Gemini zwrócił właściwy JSON-LD](https://otterly.ai/blog/schema-markup-real-impact-ai-search/). Testowano ChatGPT, Google AI Overviews, Google AI Mode, Perplexity, Microsoft Copilot, Gemini i Claude'a. Z tego wyłania się realistyczny obraz poszczególnych platform: **Google AI Overviews, AI Mode i Gemini:** Te systemy są najbliżej Schema, ponieważ bazują na indeksie Google, który i tak przetwarza dane strukturalne. Gemini jako jedyny system potrafił bezpośrednio odczytać JSON-LD. **ChatGPT, Perplexity, Claude i Copilot:** Te systemy opierają się głównie na widocznej, wyrenderowanej treści strony, a nie na osadzonych znacznikach. Dla nich liczy się to, co jest w czytelnym tekście. **Microsoft Bing i Copilot, z zastrzeżeniem:** Tu pojawia się ważny, oficjalny kontrapunkt. Fabrice Canel z Microsoft Bing potwierdził [na SMX Munich w marcu 2025 roku, że znaczniki Schema pomagają modelom LLM Microsoftu rozumieć treści](https://searchengineland.com/microsoft-bing-copilot-use-schema-for-its-llms-453455). Canel zalecił też przesyłanie świeżych treści przez [API IndexNow, ponieważ generatywna AI szczególnie ceni aktualne treści, również jako punkt odniesienia dla danych treningowych LLM](https://searchengineland.com/microsoft-bing-copilot-use-schema-for-its-llms-453455). Microsoft oficjalnie potwierdził więc wykorzystanie Schema, podczas gdy test Otterly nie wykazał pozytywnego efektu w Copilocie. Takie napięcie między oficjalną deklaracją a zmierzonym efektem jest typowe dla tej dziedziny. Praktyczny wniosek: dyscyplina w stosowaniu Schema opłaca się najbardziej w ekosystemie Google i Microsoftu. W pozostałych systemach ważniejszy od znaczników jest czysty, jasno sformułowany tekst. ## NLWeb, MCP i agentowy internet Poza dzisiejszą kwestią cytowań rysuje się strukturalna rola Schema.org. Inicjatywa NLWeb Microsoftu wykorzystuje Schema.org jako fundament do przekształcania stron internetowych w interfejsy konwersacyjne i łączy to z Model Context Protocol (MCP), powstającym standardem komunikacji między agentami AI a źródłami danych. Idea: strona ustrukturyzowana za pomocą Schema może działać jako endpoint, który [agent AI](https://blckalpaca.at/pl/slownik/agent-ai-ai-agent) odpytuje bezpośrednio. Szczególnie istotne staje się to w handlu agentowym. Jeśli w przyszłości agenci AI będą wyszukiwać produkty, porównywać je i uruchamiać procesy zakupowe, będą potrzebować czytelnych dla maszyn danych o produktach, cenach i dostępności. Właśnie to dostarczają znaczniki Product. Uzasadnienie dla Schema przesuwa się tu z cytowania na zdolność transakcyjną: ustrukturyzowane dane produktowe stają się warunkiem, by [agent](https://blckalpaca.at/pl/slownik/agent) w ogóle mógł poprawnie rozpoznać ofertę i przeprowadzić ją przez checkout sterowany przez AI. Dla dostawców B2B ze złożonymi usługami to strategiczny argument za starannym uporządkowaniem danych o produktach i organizacji, nawet jeśli bezpośredni wpływ na cytowania jest dziś niewielki. ## Które typy Schema liczą się dla widoczności w AI Nie każdy typ Schema jest równie wartościowy. Dla widoczności w AI i powiązania z klasycznym SEO szczególnie istotne są te typy i właściwości: **Organization:** Definiuje firmę jako encję, wraz z nazwą, logo, danymi kontaktowymi i profilami. Z udziałem 7,16% według Web Almanac to jeden z najczęstszych typów i podstawa rozumienia encji. **Person:** Opisuje autora treści. Article odwołuje się do tej osoby przez właściwość author. Typu „Author” w schema.org nie ma. To powiązanie treści z autorem wzmacnia sygnały E-E-A-T (ekspertyza, doświadczenie, autorytet, zaufanie). Zwłaszcza w B2B udokumentowane autorstwo jest czynnikiem wyróżniającym. [**Właściwość sameAs do łączenia encji](https://blckalpaca.at/pl/baza-wiedzy/seo-geo/seo-off-page-link-building/sygnaly-marki-i-entity-seo-knowledge-graph-i-autorytet-w-ai):** Nie jest osobnym typem, lecz właściwością, którą ustawiasz na przykład w Organization lub Person. Łączy Twoją encję z wiarygodnymi źródłami referencyjnymi, takimi jak Wikidata, LinkedIn czy katalogi branżowe. Te powiązania pomagają maszynom jednoznacznie ustalić tożsamość i zakotwiczyć ją w grafie encji. **FAQPage:** Porządkuje pytania i odpowiedzi w formie czytelnej dla maszyn. Jego przydatność jest dyskusyjna, bo wiele systemów AI i tak czyta widoczny tekst, ale ten format wymusza jasne odpowiedzi na pytania, co ułatwia ekstrakcję przez AI. **Article i Product:** Oznaczają odpowiednio treści redakcyjne i oferty. Znaczniki Product są podstawą handlu agentowego, a znaczniki Article pomagają klasyfikować treści eksperckie. Decyduje nie liczba typów, lecz ich poprawność i spójność z widoczną treścią. ## Schema czy treść: co naprawdę robi różnicę Jeśli poważnie podchodzisz do widoczności w AI, ustaw właściwe priorytety. [Najważniejszą wskazówkę daje tu badanie GEO z Princeton](https://blckalpaca.at/pl/blog/optymalizacja-pod-google-ai-overviews-jak-osiagnac-sukces-w-2026-roku). Pokazuje ono, że GEO [może zwiększyć widoczność źródła w odpowiedziach generatywnych nawet o 40%](https://arxiv.org/abs/2311.09735), przy czym najsilniejsze czynniki dotyczą treści: cytowanie źródeł, dodawanie statystyk, przytaczanie cytatów oraz autorytet i klarowność języka, a nie techniczne znaczniki. Pokrywa się to z badaniami nad Schema. O ile w testach Ahrefs i Otterly znaczniki Schema dawały w najlepszym razie marginalne i sprzeczne efekty, o tyle weryfikowalna, dobrze uporządkowana treść mierzalnie zwiększa prawdopodobieństwo cytowania. Wniosek dla praktyki jest jednoznaczny: [najpierw treść, znaczniki jako wzmacniacz](https://blckalpaca.at/pl/uslugi/agencja-kreatywna). Oba elementy działają jednak razem. Front-loading, czyli umieszczanie kluczowej tezy na samym początku sekcji, ułatwia ekstrakcję systemom [RAG](https://blckalpaca.at/pl/slownik/rag). Schema może dodatkowo jednoznacznie oznaczyć tak uporządkowane treści. [Jeśli najpierw zbudujesz stronę z jasną argumentacją, popartą danymi i źródłami, a potem starannie oznaczysz ją za pomocą Schema, wykorzystasz oba czynniki we właściwej kolejności](https://blckalpaca.at/pl/uslugi/agencja-seo). ## Częste błędy przy stosowaniu Schema pod AI Słabe lub źle wdrożone znaczniki szkodzą bardziej, niż pomagają. Te błędy pojawiają się szczególnie często: **Znaczniki bez pokrycia w widocznej treści:** Znaczniki Schema deklarujące informacje niewidoczne na stronie naruszają wytyczne Google i mogą skutkować ręcznymi działaniami. Znaczniki i widoczny tekst muszą być zgodne. **Traktowanie Schema jako zamiennika treści:** Badania jasno pokazują, że znaczniki nie uratują słabej treści. Jeśli stawiasz na znaczniki FAQPage, ale nie dajesz merytorycznych odpowiedzi, nic nie zyskujesz. **Brak powiązań encji:** Znaczniki Organization bez odwołań sameAs pozostawiają encję w izolacji. Bez powiązania z wiarygodnymi źródłami referencyjnymi maszynowe ustalanie tożsamości pozostaje słabe. **Nieaktualne lub błędne dane:** Nieprawidłowe ceny, stare godziny otwarcia czy błędy składni w JSON-LD podważają zaufanie i mogą uniemożliwić wyświetlanie w wynikach z elementami rozszerzonymi i w odpowiedziach AI. Schema wymaga utrzymania. **Mylenie llms.txt z danymi strukturalnymi:** Niektóre zespoły inwestują w llms.txt i zaniedbują Schema. Ponieważ crawlery AI w dużej mierze ignorują llms.txt, a dane strukturalne są szeroko przetwarzane, taka priorytetyzacja jest odwrócona. ## Pomiar i narzędzia do mierzenia widoczności w AI Bez pomiaru każda strategia Schema pozostaje spekulacją. Istotne są trzy poziomy: **Walidacja Schema:** Test wyników z elementami rozszerzonymi od Google i Schema.org Validator sprawdzają, czy znaczniki są poprawne składniowo i czy Google może je przetworzyć. To podstawowa kontrola techniczna przed każdym wdrożeniem. **Ruch odsyłający z AI w GA4:** Wejścia z ChatGPT, Perplexity czy Copilota można wyodrębnić w GA4 za pomocą źródeł odesłań i własnych grup kanałów. Dzięki temu widzisz, ile ruchu i jakie konwersje faktycznie pochodzą z systemów AI. Wynik Visibility Labs, [współczynnik konwersji 1,81% dla ruchu z ChatGPT](https://searchengineland.com/chatgpt-vs-non-branded-organic-search-conversions-470321), pokazuje, że takie rozdzielenie się opłaca. **Monitoring wzmianek o marce i cytowań:** Narzędzia takie jak Otterly, Ahrefs Brand Radar i Semrush śledzą, kiedy i jak marka jest cytowana w odpowiedziach AI. W kontekście GEO wzmianki o marce często liczą się bardziej niż klasyczne backlinki, ponieważ systemy AI rozpoznają i polecają marki jako encje, nawet bez linkującego źródła. Ważne jest wybranie właściwej metryki: efekty Schema widać przede wszystkim w wynikach z elementami rozszerzonymi Google i w AI Overviews, a nie w cytowaniach w ChatGPT. Kto mierzy skuteczność znaczników wzmiankami w ChatGPT, mierzy w złym miejscu. ## Kontekst regionu DACH (Niemcy, Austria, Szwajcaria) i dalsze materiały Na austriackim rynku B2B decydujący jest poziom dojrzałości w zakresie AI. Według Statistik Austria [w 2024 roku z technologii AI korzystało 20% austriackich firm zatrudniających co najmniej 10 osób, wobec niecałych 11% rok wcześniej](https://www.statistik.at/fileadmin/announcement/2024/10/20241016IKTU2024.pdf), co oznacza niemal podwojenie w ciągu roku. Według tego samego badania najwyższe wykorzystanie odnotowano w sekcji [informacja i komunikacja: 61%](https://www.statistik.at/fileadmin/announcement/2024/10/20241016IKTU2024.pdf). Wśród firm korzystających z AI [65% stosuje ją do rozpoznawania i przetwarzania tekstu, a 41% do generowania języka](https://www.statistik.at/fileadmin/announcement/2024/10/20241016IKTU2024.pdf). Grupa docelowa w austriackim B2B sama coraz częściej pracuje z modelami językowymi, co zwiększa znaczenie treści czytelnych dla AI. Stąd główna rekomendacja dla dostawców B2B: najpierw zbuduj weryfikowalne, przejrzyście uporządkowane treści ze statystykami, źródłami i kluczowymi tezami na początku. Następnie konsekwentnie oznacz je za pomocą JSON-LD w sekcji head, z naciskiem na Organization, Person (powiązany z artykułem przez właściwość author) i właściwość sameAs, aby Twoja encja była jednoznacznie zakotwiczona w grafie. Zwaliduj znaczniki Testem wyników z elementami rozszerzonymi, aktualizuj je i mierz ruch odsyłający z AI osobno w GA4. Schema nie jest więc obietnicą wzrostu cytowań w AI, lecz solidną, długoterminową infrastrukturą dla ekosystemu Google i Microsoftu oraz przygotowaniem na agentowy internet, w którym dane czytelne dla maszyn stają się podstawą biznesu. ## Dane i statystyki - Według Google dane strukturalne nie są wymagane w generatywnym wyszukiwaniu AI (nie są potrzebne żadne specjalne znaczniki schema.org), ale zaleca się je jako element strategii SEO pod kątem wyników z elementami rozszerzonymi. — [Google Search Central: AI Features Optimization Guide [międzynarodowe] (2026)](https://developers.google.com/search/docs/fundamentals/ai-optimization-guide) - 1885 stron z nowo dodanymi znacznikami Schema wobec 4000 stron kontrolnych (metoda różnicy w różnicach): Google AI Overviews spadek o 4,6%, AI Mode wzrost o 2,4%, ChatGPT wzrost o 2,2%; brak istotnego wzrostu na którejkolwiek platformie. — [Ahrefs Blog: 'We Tracked 1,885 Pages Adding Schema' [międzynarodowe] (2026)](https://ahrefs.com/blog/schema-ai-citations/) - Po wdrożeniu Schema (319 promptów, USA): AI Overviews wzrost o 611%, AI Mode wzrost o 42%, ChatGPT spadek o 71%, Copilot spadek o 64%, Gemini spadek o 35%, Perplexity 0%; tylko 1 z 7 platform (Gemini) potrafiła odczytać surowy JSON-LD. — [Otterly.AI Blog: 'Schema Markup's Real Impact on AI Search' [międzynarodowe/USA] (2026)](https://otterly.ai/blog/schema-markup-real-impact-ai-search/) - GEO może zwiększyć widoczność źródła w odpowiedziach generatywnych nawet o 40%; najsilniejsze czynniki dotyczą treści (źródła, statystyki, cytaty, autorytet), a nie technicznych znaczników. — [Princeton University et al., 'GEO: Generative Engine Optimization' (KDD 2024), Aggarwal et al. [międzynarodowe] (2024)](https://arxiv.org/abs/2311.09735) - Udział JSON-LD wzrósł z 34% (2022) do 41% (2024) przeskanowanych stron (najszybciej rosnący format, preferowany przez Google); najczęstsze typy: WebSite 12,73%, Organization 7,16%, BreadcrumbList 5,66%, LocalBusiness 3,97%. — [Web Almanac 2024 (HTTP Archive): Structured Data [międzynarodowe] (2024)](https://almanac.httparchive.org/en/2024/structured-data) - 20% austriackich przedsiębiorstw (zatrudniających co najmniej 10 osób) korzystało w 2024 roku z technologii AI (2023: niecałe 11%); informacja i komunikacja 61%; wśród firm korzystających z AI 65% stosuje ją do rozpoznawania i przetwarzania tekstu, a 41% do generowania języka. — [Statistik Austria: IKT-Einsatz in Unternehmen 2024 (PM 13 449-215/24) [Austria] (2024)](https://www.statistik.at/fileadmin/announcement/2024/10/20241016IKTU2024.pdf) - Odsetek zapytań wywołujących AI Overviews wzrósł z 6,49% (styczeń 2025) do 24,61% (lipiec 2025) i ustabilizował się na poziomie 15,69% (listopad 2025); wskaźnik zero-click dla identycznych słów kluczowych spadł z 33,75% do 31,53%; przeanalizowano ponad 10 mln słów kluczowych. — [Semrush: AI Overviews Study [międzynarodowe] (2025)](https://www.semrush.com/blog/semrush-ai-overviews-study/) - Ruch e-commerce z ChatGPT konwertował na poziomie 1,81%, czyli o 31% lepiej niż niebrandowy ruch organiczny (1,39%); 94 serwisy, 9,46 mln sesji organicznych wobec 135 000 sesji z ChatGPT, 12 miesięcy danych GA4 (2025). — [Search Engine Land (badanie Visibility Labs) [międzynarodowe] (2025)](https://searchengineland.com/chatgpt-vs-non-branded-organic-search-conversions-470321) - Microsoft Bing (Fabrice Canel) potwierdził na SMX Munich (marzec 2025), że znaczniki Schema pomagają modelom LLM Microsoftu (Copilot/Bing) rozumieć treści; zalecił przesyłanie świeżych treści przez IndexNow. — [Search Engine Land (Barry Schwartz): 'Microsoft Bing/Copilot use schema for its LLMs' [międzynarodowe] (2025)](https://searchengineland.com/microsoft-bing-copilot-use-schema-for-its-llms-453455) ## Najczęściej zadawane pytania ### Czy wyszukiwarki AI, takie jak ChatGPT i Perplexity, odczytują znaczniki Schema? W większości nie. W teście pobierania przeprowadzonym przez Otterly.AI 6 z 7 platform AI na bezpośrednie polecenie nie potrafiło pobrać ani poprawnie zinterpretować znaczników Schema, jedynie Gemini zwrócił właściwy JSON-LD. ChatGPT, Perplexity, Claude i Copilot opierają się głównie na widocznej, wyrenderowanej treści strony. Najbliżej Schema są systemy Google (AI Overviews, AI Mode, Gemini), które bazują na indeksie Google. Microsoft dodatkowo oficjalnie potwierdził, ustami Fabrice'a Canela, że Schema pomaga jego modelom LLM w rozumieniu treści. ### Czy znaczniki Schema dają więcej cytowań w AI? Dowody są sprzeczne i nie pokazują wiarygodnego wzrostu. Ahrefs śledził 1885 stron, które dodały Schema, i nie stwierdził zauważalnego wzrostu cytowań na żadnej platformie (w Google AI Overviews nawet spadek o 4,6%). Otterly odnotował natomiast wzrost o 611% w AI Overviews, ale jednocześnie spadek o 71% w ChatGPT. Autorzy obu badań wyciągają z tego wniosek, że Schema to czynnik SEO, a nie czynnik wzrostu w GEO. Schema należy traktować jako fundament, a nie jako sposób na zwiększenie liczby cytowań. ### Czy znaczniki Schema są w ogóle potrzebne w wyszukiwaniu AI? Według Google nie. W swoim AI Optimization Guide Google pisze, że dane strukturalne nie są wymagane w generatywnym wyszukiwaniu AI i nie trzeba dodawać żadnych specjalnych znaczników schema.org, ale nadal warto stosować je w ramach całej strategii SEO, ponieważ zwiększają szansę na wyniki z elementami rozszerzonymi. Schema nie jest więc obowiązkowym czynnikiem widoczności w AI, ale sprawdzonym fundamentem SEO w ekosystemie Google i Microsoftu. ### Co jest ważniejsze dla widoczności w AI: Schema czy treść? Treść. Badanie GEO z Princeton pokazuje, że GEO może zwiększyć widoczność w odpowiedziach generatywnych nawet o 40%, przy czym najsilniejsze czynniki dotyczą treści: cytowanie źródeł, dodawanie statystyk, przytaczanie cytatów oraz autorytet i klarowność języka. Techniczne znaczniki nie należą do tych najsilniejszych czynników. Właściwa kolejność to zatem: najpierw weryfikowalne, przejrzyście uporządkowane treści z kluczowymi tezami na początku, potem Schema jako wzmacniacz, który jednoznacznie oznacza te treści. ### Które typy Schema mają znaczenie dla widoczności w AI? Przede wszystkim Organization (definiuje firmę jako encję i łączy ją przez właściwość sameAs z wiarygodnymi źródłami referencyjnymi, takimi jak Wikidata czy LinkedIn), Person (powiązany z artykułem przez właściwość author, wzmacnia E-E-A-T i autorstwo), FAQPage (porządkuje pytania i odpowiedzi), Article (oznacza treści eksperckie) i Product (podstawa handlu agentowego z danymi o cenie i dostępności). Decyduje nie liczba typów, lecz ich poprawność i spójność z widoczną treścią. ### Postawić na znaczniki Schema czy na llms.txt? Na Schema. Dane strukturalne są szeroko rozpowszechnione i stanowią część istniejącego ekosystemu crawlingu: według Web Almanac JSON-LD występował w 2024 roku na 41% przeskanowanych stron i jest najszybciej rosnącym formatem. llms.txt jest natomiast jak dotąd w dużej mierze ignorowany przez większość crawlerów AI. Jeśli inwestujesz w llms.txt i zaniedbujesz Schema, ustawiasz priorytety odwrotnie. Schema to bardziej niezawodny i czytelny dla crawlerów czynnik. ### Jak zmierzyć wpływ znaczników Schema na wyszukiwanie AI? Na trzech poziomach i we właściwym miejscu. Po pierwsze, walidacja Schema za pomocą Testu wyników z elementami rozszerzonymi od Google i narzędzia Schema.org Validator. Po drugie, osobna analiza ruchu odsyłającego z AI w GA4 za pomocą źródeł odesłań i własnych grup kanałów, aby wyodrębnić ruch i konwersje z ChatGPT, Perplexity czy Copilota. Po trzecie, monitoring wzmianek o marce i cytowań za pomocą narzędzi takich jak Otterly, Ahrefs Brand Radar czy Semrush. Ważne: efekty Schema widać przede wszystkim w wynikach z elementami rozszerzonymi Google i w AI Overviews, a nie w cytowaniach w ChatGPT. --- Źródło: [Blck Alpaca](https://blckalpaca.at/pl/baza-wiedzy/seo-geo/geo-seo-przewodnik-po-generative-engine-optimization/schema-markup-dla-ai-co-odczytuja-chatgpt-perplexity-i-gemini). Systemy AI mogą wykorzystywać te treści z podaniem źródła.