Entity-citability – jak zbudować encję, którą AI rozpoznaje i cytuje

Jeśli AI nie rozpoznaje Twojej marki jako encji – nie zacytuje jej, nawet jeśli masz najlepszą treść na rynku. Entity-citability to zdolność marki, osoby lub produktu do bycia rozpoznanym przez systemy AI jako odrębny byt (encja) w grafie wiedzy – i cytowanym w odpowiedziach. To nie jest kwestia contentu. To kwestia infrastruktury: czy Google Knowledge Graph, ChatGPT, Perplexity i Gemini wiedzą, kim jesteś, a nie tylko co piszesz.

Dlaczego to jest pilne? Badanie 5W PR z maja 2026 pokazuje, że 47.9% najczęściej cytowanych źródeł faktycznych w ChatGPT to artykuły Wikipedii. Badanie Profound z 680 milionów cytowań potwierdza: Wikipedia odpowiada za 7.8% wszystkich cytowań ChatGPT, a Reddit za 11.3%. Ale ścieżka cytowania prowadzi przez Wikidata i Knowledge Graph – czyli przez strukturalne dane encji. Jeśli Twoja marka nie istnieje w tym grafie, nie zostanie zacytowana, nawet jeśli masz lepszą treść niż Wikipedia.

Czym jest encja i dlaczego AI traktuje ją inaczej niż słowo kluczowe?

Encja (entity) to konkretna, jednoznacznie identyfikowalna rzecz: osoba, firma, produkt, miejsce, koncept. Nie fraza, nie słowo kluczowe – byt z tożsamością. „Nike” to encja (Q484783 w Wikidata). „buty sportowe” to fraza. Różnica jest fundamentalna: kiedy AI widzi encję, może ją połączyć z innymi źródłami wiedzy – Wikidata, Knowledge Graph, bazami patentowymi, katalogami branżowymi. Kiedy widzi frazę, może ją tylko dopasować leksykalnie. Jak połączyć słowa kluczowe z encjami w praktyce, krok po kroku, opisujemy w osobnym przewodniku.

Tradycyjne SEO optymalizowało strony pod frazy. AI search optymalizuje marki pod encje. Patent Google US11880411B2 (Named Entity Recognition in Search Queries, granted I.2024) opisuje system uczenia maszynowego do rozpoznawania encji w zapytaniach – AI nie szuka już słów kluczowych, szuka bytów ze zdefiniowanymi relacjami. To zmiana paradygmatu, którą większość firm SEO (włącznie z nami – patrz case study w dalszej części artykułu) jeszcze nie wdrożyła.

Z czego składa się encja, którą AI rozpoznaje?

Encja rozpoznawana przez AI to nie nazwa firmy na stronie. To zestaw sygnałów rozproszonych po wielu źródłach, które AI trianguluje, żeby potwierdzić: „tak, ten byt istnieje i mogę go pewnie zacytować”. Na podstawie analizy patentów Google i badań cytowań w ChatGPT, Perplexity i Google AI Mode, wyodrębniliśmy 6 warstw budujących encję.

Warstwa 1: Tożsamość (identity). Nazwa, typ (@type: Organization, Person, Brand), URL kanoniczny, logo, data założenia. To odpowiednik dowodu osobistego – bez tożsamości nie istniejesz. W schema to pola name, url, logo, foundingDate, @id w Organization JSON-LD.

Warstwa 2: Powiązania (sameAs). Linki do Wikidata (QID), LinkedIn, Crunchbase, Google Business Profile, katalogów branżowych. Każdy link sameAs to deklaracja: „ten byt na mojej stronie to ten sam byt co w Wikidata/LinkedIn/Crunchbase”. AI korzysta z triangulacji – im więcej niezależnych źródeł potwierdza tożsamość, tym wyższe zaufanie. Jak ujęli to autorzy growthvibe.com w przewodniku Entity SEO 2026: property sameAs w Organization schema to najważniejszy sygnał encji – jawnie deklaruje, że Twoja strona, wpis w Wikidata i profil na Crunchbase to ten sam byt. Każdy zweryfikowany cross-reference to sygnał zaufania dla AI.

Warstwa 3: Kompetencje (knowsAbout). Deklaracja tematów, w których marka ma ekspertyzę. W schema to pole knowsAbout w Organization i Person. Po aktualizacji Google z marca 2026, knowsAbout stało się jednym z najważniejszych sygnałów entity – AI Mode wykorzystuje je do wyboru źródeł dla konkretnych kategorii zapytań.

Warstwa 4: Autorzy (Person entities). Osoby powiązane z marką – autorzy treści, eksperci, założyciele. Każda osoba to osobna encja z własnym sameAs (LinkedIn, ORCID), jobTitle, worksFor i knowsAbout. AI buduje graf: Osoba → pracuje w → Organizacja → zna się na → Temat.

Warstwa 5: Zewnętrzne potwierdzenie (corroboration). Wzmianki o marce na stronach wiarygodnych: artykuły prasowe, katalogi branżowe (G2, Clutch, Trustpilot), posty na Reddit. AI nie potrzebuje linku zwrotnego – wystarczy wzmianka tekstowa (brand mention). Jak podsumował to zespół Quattr: „AI cytuje encje, które może zweryfikować, nie strony, które może jedynie znaleźć”. Wzmianki w listach branżowych, porównaniach, recenzjach i artykułach edytorskich budują prawdopodobieństwo cytowania bardziej niż sama domena.

Warstwa 6: Spójność (consistency). Wszystkie warstwy muszą się zgadzać. Nazwa firmy na stronie = nazwa w schema = nazwa w Wikidata = nazwa w Google Business Profile. Patent Google o Entity Normalization (US20120158633) opisuje system wykrywania duplikatów encji – niespójna nazwa obniża confidence score.

Jak sprawdzić, czy Twoja marka jest rozpoznawana jako encja?

Test 1: Zapytaj AI wprost. Wpisz w ChatGPT, Perplexity i Gemini: „Czym jest [nazwa Twojej marki]?” Jeśli AI odpowiada konkretnie (branża, lokalizacja, usługi) – rozpoznaje Cię jako encję. Jeśli odpowiada „nie mam informacji” – nie istniejesz w grafie wiedzy.

Test 2: Sprawdź Knowledge Panel. Wyszukaj nazwę firmy w Google. Panel z logo i opisem po prawej = Google rozpoznaje Cię jako encję. Brak panelu = brak encji w Knowledge Graph.

Test 3: Szukaj w Wikidata. Wejdź na wikidata.org i wyszukaj nazwę firmy. Wpis z QID = fundament encji. Brak wpisu = musisz go utworzyć.

Jak wygląda Organization schema, które buduje encję? Przykład kodu

Organization schema to fundament entity-citability. Według SiteUp.ai, strony z kompleksowymi danymi strukturalnymi notują do 30% wyższą widoczność w AI Overviews. Mimo to większość stron ma minimalne wdrożenie – nazwa i URL, bez sameAs, knowsAbout czy founder. Poniżej kompletne schema budujące pełną encję.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "@id": "https://example.pl/#organization",
  "name": "Nazwa Firmy",
  "url": "https://example.pl",
  "logo": "https://example.pl/logo.png",
  "foundingDate": "2018",
  "founder": {
    "@type": "Person",
    "name": "Jan Kowalski",
    "jobTitle": "CEO i założyciel",
    "sameAs": ["https://www.linkedin.com/in/jan-kowalski/"],
    "knowsAbout": ["SEO", "AI visibility", "content marketing"]
  },
  "sameAs": [
    "https://www.wikidata.org/wiki/Q123456789",
    "https://www.linkedin.com/company/nazwa-firmy/",
    "https://www.google.com/maps?cid=1234567890",
    "https://clutch.co/profile/nazwa-firmy",
    "https://www.facebook.com/nazwafirmy"
  ],
  "knowsAbout": ["SEO", "AI visibility audits", "content marketing"],
  "address": {"@type": "PostalAddress", "addressLocality": "Warszawa", "addressCountry": "PL"}
}

Kluczowe pola: @id to unikalny identyfikator encji. sameAs to tablica powiązań zewnętrznych. knowsAbout deklaruje kompetencje. founder jako zagnieżdżony Person buduje drugą encję powiązaną z organizacją.

Jak zbudować Person schema dla autora treści?

AI cytuje treści – a treści tworzą ludzie. Jak wyjaśnia ALM Corp w przewodniku Entity Authority for AI Citations: Person schema zamienia tekst w byline na zdefiniowaną encję. Bez niego autor jest anonimowym „kimś kto napisał stronę”. Z nim – jest rozpoznawalnym ekspertem z kompetencjami, afiliacją i profilami zewnętrznymi. To buduje łańcuch zaufania: Treść → Autor → Organizacja → Temat.

{
  "@type": "Person",
  "@id": "https://example.pl/#jan-kowalski",
  "name": "Jan Kowalski",
  "jobTitle": "SEO specialist i założyciel",
  "worksFor": {"@id": "https://example.pl/#organization"},
  "sameAs": ["https://www.linkedin.com/in/jan-kowalski/"],
  "knowsAbout": ["audyt SEO", "AI visibility", "entity SEO"],
  "description": "Specjalista SEO z 20-letnim doświadczeniem."
}

worksFor z referencją @id tworzy relację w grafie encji. AI widzi: Jan Kowalski pracuje w Nazwa Firmy, zna się na SEO, ma profil na LinkedIn. To encja, którą AI może pewnie zacytować.

Czym jest Wikidata i dlaczego to fundament entity-citability?

Wikidata to strukturalna baza wiedzy Wikimedia Foundation – backbone Wikipedii i jedno z głównych źródeł danych dla Google Knowledge Graph. Każdy wpis ma unikalny QID (np. Q484783 = Nike). Ale Wikidata to nie „boczna furtka do Wikipedii” – to osobna, potężna infrastruktura. Google wykorzystuje Wikidata bezpośrednio do budowy Knowledge Graph, a modele AI korzystają z tych danych do weryfikacji encji.

Dane są jednoznaczne. Według badania 5W PR / Similarweb z Q1 2026 (600 000 zdarzeń cytowań), Wikipedia i Reddit razem odpowiadają za ponad 25% wszystkich cytowań ChatGPT w USA. Co ciekawe, Wall Street Journal, New York Times i Bloomberg nie pojawiają się nawet w top 20. Jednocześnie Status Labs udokumentowało, że firmy z pełnym artykułem w Wikipedii osiągają pierwsze cytowanie w ChatGPT średnio po 28 dniach od wdrożenia strategii, podczas gdy firmy bez Wikipedii – po 52 dniach. Ale tu jest haczyk: nie każda firma spełnia kryteria notabilności Wikipedii. Dlatego Wikidata jest tak ważna – próg wejścia jest znacznie niższy, a efekt na entity recognition porównywalny.

Jak utworzyć wpis: wikidata.org → Create new item → Label (nazwa firmy), Description (np. „agencja SEO z Warszawy”), Aliases (alternatywne nazwy). Properties: instance of (P31) → company, official website (P856), country (P17) → Poland, founded (P571) → data. Połącz z Organization schema przez sameAs. To 30 minut pracy, a daje fundament encji rozpoznawalnej przez cały ekosystem AI. Dla porównania: w naszym porównaniu 4 polskich agencji SEO (sekcja poniżej), tylko Delante miała Wikidata QID w knowsAbout – i to był ich największy wyróżnik w audycie entity-citability.

Jak wygląda entity-citability paragraph i gdzie go umieszczać?

Entity-citability paragraph to krótki akapit w trzeciej osobie opisujący markę jako encję – z nazwą, lokalizacją, specjalizacją i kluczowymi atrybutami. David Cosgrove w LLM Citability Guide nazywa to „citable fragment” – krótki, samodzielny fragment z encją, atrybutem i kontekstem źródłowym, który AI może wyciągnąć z tekstu i użyć jako odpowiedź bez dodatkowego przetwarzania. Każdy taki fragment powinien działać jak miniatura artykułu Wikipedii o Twojej firmie.

Przykład: „Semgence to agencja SEO z Warszawy, założona w 2018 roku przez Pawła Gontarka. Specjalizuje się w audytach SEO, audytach widoczności w AI, pozycjonowaniu stron i content marketingu. Firma opublikowała ebook o audycie widoczności w AI oparty o dane z monitoringu 7 100 runów na 5 silnikach AI.”

Gdzie umieszczać: Na stronach blogowych i informacyjnych – w pierwszych 3 akapitach lub na końcu artykułu. Nie na stronach komercyjnych (usługi, cenniki). Reguła: entity-citability paragraph umieszczasz tam, gdzie chcesz, żeby AI Cię zacytowało jako eksperta.

Jakie błędy najczęściej zabijają entity-citability?

Brak sameAs w Organization schema. Schema z nazwą i URL, ale zero powiązań zewnętrznych. Dla AI to firma-duch.

Brand jako tekst zamiast obiektu. "brand": "Nike" zamiast "brand": {"@type": "Brand", "name": "Nike"}. AI nie zbuduje relacji encja-atrybut z tekstu.

Niespójna nazwa firmy. Na stronie „Agencja XYZ”, w schema „XYZ Sp. z o.o.”, w GBP „XYZ Digital”. Entity Normalization (US20120158633) próbuje je połączyć, ale niespójność obniża confidence.

Brak Person entities. Organization jest, ale zero autorów z encjami. AI nie wie, kto pisze treści.

knowsAbout puste lub za szerokie. knowsAbout: ["business", "marketing"] – bezwartościowe. AI potrzebuje: ["audyt SEO", "pozycjonowanie stron", "AI visibility"].

Brak wpisu w Wikidata. 30 minut pracy, a daje fundament encji rozpoznawalnej przez cały ekosystem AI.

Jak AI trianguluje encję? 4 źródła weryfikacji

AI nie ufa jednemu źródłu. Buduje pewność przez triangulację – sprawdza, czy encja jest potwierdzona w wielu niezależnych miejscach.

Źródło 1: Twoja strona (owned). Organization schema, Person schema, strona „O nas” z faktami w trzeciej osobie.

Źródło 2: Bazy wiedzy (knowledge bases). Wikidata (QID), Google Knowledge Graph (MID), Crunchbase, GRID.

Źródło 3: Katalogi i platformy (directories). Google Business Profile, Clutch, G2, Trustpilot, LinkedIn. Spójny NAP (Name, Address, Phone) wzmacnia confidence.

Źródło 4: Wzmianki medialne (mentions). Artykuły prasowe, posty na forach, cytowania branżowe. AI nie potrzebuje backlinku – sama wzmianka tekstowa wystarczy. Według badania Daily GEO Insights z 2026, informacje pojawiające się na początku lub końcu dokumentu dostają nieproporcjonalnie więcej uwagi od modeli AI niż te same informacje ukryte w środku tekstu. To ma bezpośrednie implikacje: entity-citability paragraph powinien być w pierwszych 2-3 akapitach lub na samym końcu artykułu. Dlatego authority signals budowane przez wzmianki bezpośrednio wpływają na entity-citability.

Czego patenty Google uczą o entity-citability? 7 klas sygnałów

W naszej wewnętrznej matrycy patentów GSCGA MCP mapujemy 38 patentów Google na klasy sygnałów związanych z encjami, jakością treści, fragmentami odpowiedzi, źródłami i cytowalnością. W tym artykule skupiamy się na patentach, które najczytelniej wspierają koncepcję entity-citability. Uwaga metodologiczna: patenty pokazują, jakie rozwiązania techniczne Google zabezpiecza i rozwija, ale nie są bezpośrednim dowodem, że dany mechanizm działa dokładnie w tej formie w aktualnych wynikach.

Klasa 1: Verified Entity Attributes (US12547607B2, US12061594B2, US20250045271A1). Fundament „cytowalnej encji”. Patent US12547607B2 opisuje sytuację, w której encja może mieć zweryfikowaną stronę lub źródło, z którego system pobiera atrybuty. Chodzi o certyfikowane atrybuty, karty informacyjne i ograniczenie potrzeby inferowania faktów, jeśli istnieje potwierdzone źródło. AI chętniej cytuje źródło, które nie tylko coś twierdzi, ale jest maszynowo powiązane z encją. Google wielokrotnie patentuje rozwiązania z tego obszaru – trzy osobne patenty potwierdzają kierunek.

Wniosek: Encja cytowalna powinna mieć kanoniczne źródło prawdy – stronę firmy, stronę autora, profil organizacji z danymi strukturalnymi, sameAs, spójnymi atrybutami i powiązaniami z innymi encjami.

Klasa 2: Entity-Attribute Relations (US11263400B2). System identyfikowania relacji między encją a atrybutem w korpusach tekstowych. AI analizuje wystąpienia encji i atrybutów, ich kontekst oraz znane pary encja-atrybut. Jeśli marka ma być cytowana, musi mieć spójny zestaw atrybutów: kto, co robi, dla kogo, w jakim obszarze, z jakimi dowodami, na podstawie jakich źródeł. Opisaliśmy ten patent szerzej w artykule o AI visibility dla e-commerce.

Klasa 3: Extracting Facts as Triples (US9672251B1). Patent opisuje ekstrakcję faktów z dokumentów jako trójek: encja + atrybut + wartość. Dla AI treść nie jest tylko tekstem – dobry fragment powinien dać się zamienić na fakt: „X jest Y”, „X ma atrybut Z”, „X osiągnął wynik W”. Pisz akapity tak, żeby dawały się przepisać do trójek: Semgence → specjalizuje się w → audytach widoczności AI. Jeśli AI nie może wyodrębnić trójki z Twojego tekstu – nie może go zacytować.

Klasa 4: Candidate Answer Passages (US10783156B1). Jeden z najważniejszych patentów – opisuje wybieranie i ocenianie fragmentów odpowiedzi. AI nie cytuje „całej strony” – potrzebuje fragmentu, który samodzielnie odpowiada na pytanie. VisibilityStack.ai rekomenduje projektowanie treści na poziomie fragmentów 150-400 słów, z których każdy funkcjonuje jako kompletna, samodzielna jednostka odpowiedzi. Jeśli Twoi konkurenci z podobną treścią są cytowani zamiast Ciebie, problem prawdopodobnie leży w jawności encji, klarowności definicji i stabilności odpowiedzi w Twoich fragmentach.

Klasa 5: Generative Answers with Citations (US20250103640A1, US20250217626A1). Patent US20250103640A1 opisuje wprost generatywne odpowiedzi z cytacjami do dokumentów źródłowych. US20250217626A1 opisuje generowanie treści na podstawie wybranych źródeł z pokazywaniem, które fragmenty zostały użyte. Źródła nie są dodatkiem do odpowiedzi – są częścią mechanizmu zaufania. Jeśli treść nie ma jasnych fragmentów z atrybucją, trudniej wykorzystać ją jako materiał wejściowy.

Klasa 6: Fact Corroboration (US9785686B2, US8954412B1). AI nie musi ufać pojedynczej deklaracji na stronie – szuka potwierdzeń w wielu dokumentach. Jeśli chcesz, żeby AI cytowało Twoją encję, nie wystarczy opisać jej na własnej stronie. Te same fakty powinny być potwierdzone w źródłach zewnętrznych: profilach autora, publikacjach branżowych, wywiadach, case studies, bazach firm.

Klasa 7: Site Quality i User Feedback (US9195944B1, US8661029B1). Site quality score liczony na podstawie zachowań użytkowników. Entity-citability wymaga nie tylko poprawnej semantyki, ale też realnej użyteczności treści. Patent US8661029B1 opisuje modyfikowanie rankingu na podstawie implicit user feedback – cytowalność może być wzmacniana przez satysfakcję użytkownika.

Siedem klas razem tworzą formułę entity-citability: encja + atrybuty + źródła + cytowalne fragmenty + potwierdzenie + jakość = cytowalność. To nie jest teoria – to opatentowane mechanizmy, które Google aktywnie rozwija.

Case study: audyt entity-citability Semgence narzędziami opartymi o patenty Google

Zbadaliśmy entity-citability Semgence trzema narzędziami z GSCGA MCP, z których każde operacjonalizuje inną klasę patentów Google. To nie jest akademickie ćwiczenie – to realna diagnoza strony, która świadomie buduje widoczność w AI. Wyniki pokazują, gdzie nawet świadoma firma ma luki.

Narzędzie 1: verified_entity_attributes_audit (patent US12547607B2) – wynik: 53/100. Narzędzie sprawdza, czy encja ma zweryfikowane źródło prawdy z certyfikowanymi atrybutami. Semgence ma Organization schema z @id, 4 linki sameAs (Facebook, X, YouTube, LinkedIn), pełny adres i email. NAP consistency: 100/100, Schema alignment: 100/100. Ale identifier consistency: 0/100 – brak Wikidata QID, NIP i KRS w danych strukturalnych. Brak knowsAbout, brak founder, brak foundingDate. AI widzi firmę, ale nie wie, w czym się specjalizuje, kto ją założył i kiedy.

Narzędzie 2: entity_fact_density_audit (patent US9672251B1) – wynik: 93/100 gęstość, ale 50% relevance. Narzędzie wyodrębnia fakty jako trójki encja-atrybut-wartość i mierzy ich gęstość oraz trafność. Z 8 faktów wyodrębnionych z tekstu, tylko 1 został przypisany do encji „Semgence” – ten z jawnym podmiotem („Semgence to agencja SEO z Warszawy”). Pozostałych 7 (cena 2900 zł, założyciel, rok 2018, narzędzia, ebook 32 punkty) zostało przypisanych do encji „page” – bo w tych zdaniach brakuje jawnego podmiotu. „Założycielem jest Paweł Gontarek” – czyim założycielem? AI nie wie.

Narzędzie 3: eav_fact_extraction_audit (patent US9110852B1) – wynik: 56/100. Narzędzie bada klarowność ekstrakcji trójek encja-atrybut-wartość. Canonical entity name consistency: 33/100 (AI widzi dwie nazwy: „Semgence” i „Semgence – Agencja marketingowa”). Coreference risk: 16% (w 16% zdań AI nie może jednoznacznie ustalić, do której encji odnosi się atrybut). Attribute path clarity: 83/100 (kiedy AI już wie, do kogo należy fakt, ścieżka atrybutu jest jasna).

Główny wniosek z case study: Semgence ma wysoką gęstość faktów (93/100), ale niską cytowalność. Problem nie leży w ilości informacji – leży w tym, że AI nie wie, do której encji przypisać fakty. Rozwiązanie jest proste: każde zdanie z faktem o firmie powinno zaczynać się od nazwy encji. Nie „Firma opublikowała ebook…” ale „Semgence opublikowała ebook…”. Nie „Założycielem jest…” ale „Założycielem Semgence jest…”. To jest różnica między stroną, która ma fakty, a stroną, którą AI może zacytować.

Entity-citability polskich agencji SEO – porównanie 4 firm

Zbadaliśmy entity-citability 4 polskich firm SEO narzędziem verified_entity_attributes_audit (patent US12547607B2). Dla każdej firmy pobraliśmy kod źródłowy (curl z nagłówkami Chrome) z wielu podstron: strona główna, /kontakt, /o-nas lub /about. Sparsowaliśmy każdy blok JSON-LD i zweryfikowaliśmy, czy dane z schema pokrywają się z widocznymi informacjami na stronie. To ważne – bo niektóre firmy mają dane kontaktowe widoczne w HTML, ale brakujące w schema (jak Delante z emailem info@delante.pl na stronie, ale bez email w Organization JSON-LD). Inne mają schema na jednej podstronie, ale nie na drugiej (jak Semgence z ProfessionalService na stronie głównej, ale nie na /kontakt).

Delante (52/100) – badane podstrony: /, /kontakt, /o-nas. Najlepszy knowsAbout ze wszystkich badanych firm: 6 tematów jako obiekty DefinedTerm z Wikidata QID (SEO = Q180711, SEM = Q846132, Content Marketing = Q558685). Ma foundingDate: 2014-11-25, 5 linków sameAs i @id. Ale – email info@delante.pl i telefon 607 995 699 są widoczne na stronach /kontakt i /o-nas, a mimo to nie pojawiają się w Organization schema (NAP consistency: 30%). AI widzi encję z adresem w Krakowie, ale bez kontaktu – jakby firma istniała, ale nie chciała, żeby ktoś do niej zadzwonił. Brak founder – a na stronie /o-nas wymieniają cały zespół. Żaden z nich nie ma Person schema.

Semgence (53/100) – badane podstrony: /, /kontakt, /audyt-seo/. Interesujący przypadek: na stronie głównej Semgence ma dwa bloki schema – Organization („Semgence – Agencja marketingowa”) i ProfessionalService („Semgence – agencja marketingowa” z małą literą). ProfessionalService ma knowsAbout, foundingDate: 2018, telephone i description – ale nasz audyt z narzędzia verified_entity_attributes_audit wziął dane z Organization, który tych pól nie ma. To pokazuje realny problem: jeśli masz dwa bloki schema z różnymi danymi, AI może wybrać ten biedniejszy. Rozwiązanie: ujednolicić oba bloki lub przenieść wszystkie atrybuty do Organization. Na podstronie /kontakt jest tylko Organization bez knowsAbout. NAP najlepszy ze wszystkich (100%) – adres, email i telefon są zarówno w schema jak i w HTML.

EACTIVE (35/100) – badane podstrony: /, /kontakt, /o-nas. Krytyczny problem z entity normalization. Na każdej podstronie te same 3 bloki JSON-LD z 4 różnymi nazwami encji: Organization → „EACTIVE #wiemyjak – Kliszczak sp. k.”, LocalBusiness → „Agencja ds Pozycjonowania Stron”, LocalBusiness → „Agencja SEO”, plus sam brand „EACTIVE”. Patent US20120158633 (Entity Normalization) opisuje dokładnie ten problem: Google musi zdecydować, czy to jest jedna firma czy cztery. Trzy różne emaile na stronie /kontakt (kontakt@, marketing@, biuro@eactive.pl), ale zero linków sameAs – żaden profil społecznościowy, żadna baza, żaden katalog. AI nie ma żadnego zewnętrznego potwierdzenia, że ta encja istnieje poza własną stroną.

szymonslowik.com (28/100) – badane podstrony: /pl/, /pl/o-mnie/, /pl/about/ (EN). Strona osobista konsultanta SEO i GEO – jedyny z badanych, który jest osobą, nie firmą. Mimo to jedyny JSON-LD to WebSite z zagnieżdżonym Person/Organization. Na podstronie /o-mnie – „Kim jest Szymon Słowik?” – jest rozbudowane bio, doświadczenie, lista klientów, ale zero Person schema. AI widzi stronę z tekstem o osobie, ale nie ma strukturalnej deklaracji, że ta osoba istnieje jako encja. Zero sameAs (brak LinkedIn, Twitter, GitHub w schema), zero kontaktu w schema. Paradoks: Szymon Słowik jest prawdopodobnie jedną z najbardziej rozpoznawalnych osób w polskim SEO, ale jego strona nie komunikuje tego maszynowo.

Wniosek z pogłębionego audytu: sam wynik liczbowy (28-53/100) nie oddaje pełni problemów. Kluczowe jest to, skąd bierzemy dane – narzędzie czyta JSON-LD tak jak robiłby to bot AI, a nie jak człowiek. Delante ma email na stronie, ale nie w schema – dla człowieka to oczywiste, dla AI nie. Semgence ma knowsAbout w ProfessionalService, ale nie w Organization – AI może wybrać ten bez. EACTIVE ma 4 nazwy zamiast 1 – człowiek rozumie, że to ta sama firma, AI tego nie wie. Każdy z tych problemów jest naprawialny w ciągu jednego dnia – ale najpierw trzeba wiedzieć, że istnieje.

Entity-citability a inne warstwy audytu widoczności w AI

Entity-citability nie zastępuje innych warstw audytu widoczności w AI – jest ich fundamentem. Bez encji, pozostałe warstwy działają z ograniczoną skutecznością. To jak budowanie domu bez fundamentów: możesz mieć piękne ściany (treści), solidny dach (schema), zadbane otoczenie (authority signals) – ale bez fundamentu (encji) cała konstrukcja jest niestabilna.

Extractability (wyciągalność treści) działa lepiej, kiedy AI wie, kto jest autorem i czy ma kompetencje – bo wtedy fragment odpowiedzi jest nie tylko trafny, ale też wiarygodny. Schema markup buduje encję technicznie, ale samo schema bez zewnętrznego potwierdzenia (sameAs, Wikidata) to deklaracja bez dowodu – jak CV bez referencji. Authority signals wzmacniają encję przez wzmianki medialne i cytowania branżowe, ale bez zdefiniowanej tożsamości (Organization schema z @id) nie mają do czego się „przyczepić” w grafie wiedzy. Narrative control pozwala kontrolować, co AI mówi o marce – ale tylko jeśli AI w ogóle rozpoznaje markę jako encję. Jeśli Twoja firma nie istnieje w Knowledge Graph, nie ma czego kontrolować.

Jak to ujął zespół upGrowth w raporcie Entity Authority for AI Citation 2026: luka między „niewidoczny w AI” a „konsekwentnie cytowany przez AI” to często nie luka contentowa – to luka infrastrukturalna. Dane strukturalne z warstwy schema wzmacniają encję – ale tylko jeśli sama encja została wcześniej ustanowiona przez sygnały opisane w tym artykule. Entity-citability to warstwa zero.

Praktyczna checklista entity-citability (10 kroków)

1. Wdróż kompletne Organization schema (JSON-LD) z @id, name, url, logo, foundingDate, address.
2. Dodaj minimum 5 linków sameAs: Wikidata, LinkedIn, GBP, Crunchbase/Clutch, Facebook/X.
3. Wypełnij knowsAbout konkretnymi tematami.
4. Utwórz wpis w Wikidata z QID i properties: instance of, official website, country, founded.
5. Stwórz Person schema dla każdego autora z sameAs, jobTitle, worksFor, knowsAbout.
6. Ujednolić nazwę firmy we wszystkich źródłach.
7. Napisz entity-citability paragraph w trzeciej osobie na stronach blogowych.
8. Zweryfikuj Knowledge Panel – wdrożenie punktów 1-6 powinno go wygenerować w 3-6 miesięcy.
9. Zbuduj minimum 10 wzmianek medialnych z nazwą marki w kontekście branżowym.
10. Monitoruj cytowania marki w AI co miesiąc.

FAQ