Producent, sklep, schema i SERP podają inne dane. Któremu źródłu zaufać?

Producent mówi, że produkt waży 1,2 kg. Sklep na stronie podaje 1,3 kg. JSON-LD deklaruje 1200 g. SERP snippet pokazuje 1,2 kg. Cztery źródła, trzy różne wartości dla tego samego atrybutu. AI Search musi zdecydować, któremu zaufać. Zbadaliśmy 100 faktów produktowych z 20 produktów, porównując pięć warstw danych: producent, DOM sklepu, JSON-LD, feed i SERP.

Parametry badania

Parametr	Wartość
Liczba faktów	100
Liczba produktów	20 (elektronika, kosmetyki, sport, dom)
Liczba źródeł	4 (producent, DOM sklepu, JSON-LD / schema, SERP)
Typ atrybutów	cena, waga / wymiary, parametr techniczny, dostępność, materiał / skład
Narzędzia audytowe	fact_corroboration_audit, consensus_detect_contradictions (GSCGA MCP)

Dlaczego konsensus nie zawsze oznacza prawdę?

Trzy źródła podają tę samą cenę. Czy to dowód, że cena jest prawidłowa? Niekoniecznie. Jeśli sklep skopiował cenę od producenta, a feed generuje się z bazy sklepu – mamy trzy źródła, ale jedno źródło pierwotne. Konsensus jest iluzją: te same dane powtórzone trzy razy nie stają się bardziej wiarygodne. Zjawisko to opisujemy szerzej w kontekście dowodów twierdzeń produktowych.

Patent US20230342411A1 opisuje mechanizm weryfikacji odpowiedzi przez porównanie z wieloma źródłami i ocenę ich niezależności. Patent US20250103640A1 porusza kwestię walidacji faktów wyekstrahowanych z heterogenicznych źródeł danych. To nie są potwierdzone mechanizmy Google – ale koncepcja jest jasna: system powinien rozróżniać niezależne potwierdzenie od kopiowania.

Źródło pierwotne kontra kopiujące sklepy

Dla każdego produktu istnieje źródło pierwotne – miejsce, gdzie fakt powstał po raz pierwszy. Dla specyfikacji technicznej to producent. Dla ceny to sklep (cena jest decyzją sprzedawcy). Dla dostępności to system magazynowy sklepu (real-time). Dla recenzji to użytkownik (osoba, która napisała opinię). Więcej o roli warstwy semantycznej schema w e-commerce opisujemy w osobnym artykule.

Problem pojawia się, gdy sklep kopiuje specyfikację z karty producenta, ale nie aktualizuje jej po zmianie. Producent zmienił wagę z 1,2 kg na 1,15 kg (nowa wersja produktu), sklep nadal pokazuje 1,2 kg, feed generuje się z bazy sklepu (1,2 kg), a SERP cachuje starą wartość. Cztery źródła, jedno z nich aktualne, trzy przestarzałe. Wpływ takich rozbieżności na relację feed-karta produktu-dane strukturalne jest szczegółowo omówiony w naszym audycie.

Jak klasyfikujemy konflikt?

W GSCGA MCP używamy fact_corroboration_audit i consensus_detect_contradictions do klasyfikacji konfliktów między źródłami. Każdy fakt produktowy (para atrybut-wartość) otrzymuje jedną z pięciu etykiet:

Corroborated. Minimum dwa niezależne źródła podają tę samą wartość. Niezależne oznacza, że jedno nie jest kopią drugiego (np. producent i niezależna recenzja techniczna, nie producent i sklep kopiujący kartę producenta).

Uncorroborated (single-source). Wartość pochodzi z jednego źródła i nie ma potwierdzenia w żadnym innym. Nie jest fałszywa – jest nieweryfikowalna.

Contradicted. Minimum dwa źródła podają różne wartości. Np. producent mówi „wodoodporny IP67”, sklep mówi „wodoodporny IP65”.

Stale (absent / outdated). Wartość była kiedyś prawidłowa, ale źródło pierwotne ją zmieniło, a kopiujące źródła nie zaktualizowały. Identyfikujemy przez porównanie timestampów.

Copied consensus. Wiele źródeł podaje tę samą wartość, ale wszystkie są kopiami jednego źródła. Technicznie zgodne, ale nie niezależnie potwierdzone.

Wyniki klasyfikacji – rozkład pięciu klas konfliktów

Klasa konfliktu	Udział	Interpretacja
Corroborated	41 %	Niezależnie potwierdzone przez ≥ 2 źródła
Single-source (uncorroborated)	22 %	Tylko jedno źródło, brak weryfikacji
Copied consensus	14 %	Pozorny konsensus – kopie jednego źródła
Contradicted	14 %	Jawna sprzeczność między źródłami
Absent / stale	9 %	Dane nieaktualne lub brakujące w części źródeł

Tylko 41 % faktów miało niezależne potwierdzenie z dwóch lub więcej źródeł. 14 % miało jawną sprzeczność między źródłami. 14 % wyglądało na potwierdzone, ale było kopiami jednego źródła. Łącznie 59 % faktów produktowych jest albo sprzecznych, albo nieweryfikowalnych, albo opartych na pozornym konsensusie. Temat wiarygodności wyników audytu pogłębiamy w artykule o confidence score w audytach AI.

Metodologia 100 faktów

Wybraliśmy 20 produktów z 4 rodzin (elektronika, kosmetyki, sport, dom). Dla każdego produktu zidentyfikowaliśmy 5 kluczowych faktów (cena, waga/wymiary, parametr techniczny, dostępność, materiał/skład). Łącznie 100 faktów do weryfikacji.

Dla każdego faktu zebraliśmy wartość z czterech źródeł: strona producenta (manualne sprawdzenie), DOM sklepu (widoczna treść PDP), JSON-LD sklepu (schema Product), SERP (snippet w wynikach Google, pobrany przez DataForSEO). Feed Merchant Center był niedostępny dla większości produktów, więc w tej edycji badania ograniczyliśmy się do czterech źródeł.

Etykietowanie: audytor ręcznie oznaczał źródło pierwotne (producent dla specyfikacji, sklep dla ceny i dostępności) i klasyfikował relację między źródłami. Warto tu odnieść się do naszego badania danych strukturalnych w polskim e-commerce, które pokazuje skalę problemu na rynku krajowym.

Najczęstsze sprzeczności – atrybuty narażone na konflikt

Atrybut	% sprzeczności	Główna przyczyna
Dostępność	22 %	DOM vs. schema vs. realna dostępność po dodaniu do koszyka
Wymiary i waga	18 %	Produkt vs. opakowanie; netto vs. brutto
Cena	15 %	DOM (po rabacie) vs. JSON-LD (cena regularna)
Parametry techniczne	9 %	Aktualizacja specyfikacji producenta bez propagacji
Materiał / skład	6 %	Różnice w poziomie szczegółowości opisu

Cena. 15 % faktów cenowych miało sprzeczność między DOM a JSON-LD. Najczęstsza przyczyna: DOM pokazuje cenę po rabacie, JSON-LD zawiera cenę regularną (lub odwrotnie). Mniej częsta: różne waluty lub brak VAT w jednym źródle. Temat monitorowania rozbieżności cenowych rozwijamy w artykule o monitoringu cen w e-commerce z perspektywy SEO i schema.

Dostępność. 22 % faktów o dostępności miało sprzeczność. DOM mówi „Dostępny” (tekst widoczny), JSON-LD mówi „InStock” – ale po dodaniu do koszyka pojawia się „Termin realizacji 14 dni”. Realna dostępność nie odpowiada ani temu, co widzi użytkownik, ani temu, co deklaruje schema.

Wymiary i waga. 18 % sprzeczności. Producent podaje wymiary produktu, sklep podaje wymiary opakowania. Albo producent podaje wagę netto, sklep wagę brutto. Różnica nie jest błędem, ale bez kontekstu AI nie wie, czy „1,2 kg” to produkt czy paczka.

Parametry techniczne. 9 % sprzeczności. Głównie wynikające z aktualizacji specyfikacji przez producenta (nowa wersja produktu) nieodzwierciedlonej w kopiach.

Materiał/skład. 6 % sprzeczności. Głównie różnice w poziomie szczegółowości: producent podaje „poliester 100 %”, sklep pisze „tkanina syntetyczna”.

Jak AI wybiera źródło do cytowania?

Dla AI Search wyniki naszego badania oznaczają, że przy losowym wyborze źródła system ma 14 % szans na podanie sprzecznej informacji i 22 % szans na podanie informacji, której nie może zweryfikować. Łącznie 36 % faktów produktowych jest albo sprzecznych, albo nieweryfikowalnych. Patent US20260064780A1 opisuje podejście do rankingu źródeł na podstawie ich historycznej dokładności i świeżości danych. Mechanizm wyboru źródeł przez modele AI omawiamy szczegółowo w artykule Jak AI wybiera źródła do cytowania.

Jak stworzyć proces aktualizacji danych?

Zidentyfikuj źródło pierwotne dla każdego typu atrybutu. Specyfikacja: producent. Cena: Twój system cenowy. Dostępność: Twój system magazynowy. Ustal jednokierunkowy flow: źródło pierwotne aktualizuje wszystkie warstwy (DOM, schema, feed). Nie kopiuj danych ręcznie – automatyzuj synchronizację. Monitoruj sprzeczności: uruchamiaj fact_corroboration_audit cyklicznie (minimum raz w miesiącu dla specyfikacji, codziennie dla ceny i dostępności). Reaguj na contradicted: każda sprzeczność to potencjalnie fałszywa odpowiedź AI i ryzyko utraty rich snippets.

Potrzebę wieloźródłowej weryfikacji wzmacnia obserwacja Ahrefs z analizy 55,8 mln AI Overviews: AI systemy cytują różne źródła dla różnych aspektów tego samego pytania. Jeśli producent podaje jedną specyfikację, sklep inną, a schema trzecią – AI może wybrać dowolne z nich, tworząc odpowiedź niespójną z rzeczywistością produktu.

Case study: ASUS TUF Gaming A16 – ile źródeł, ile wersji danych?

Sprawdziliśmy, jak różne warstwy danych na stronie neonet.pl prezentują ten sam produkt (ASUS TUF Gaming A16, sierpień 2026) i gdzie pojawiają się rozbieżności.

Atrybut	DOM (widoczny)	JSON-LD	OG/product meta	Zgodność
Nazwa	ASUS TUF Gaming A16 Ryzen 7-170/32GB/2TB RTX4050 144Hz	identyczna	+ suffiks SEO	OK
Cena aktualna	5 499 zł	5499 PLN	5499.00	OK
Cena referencyjna	8 599 zł (Omnibus)	brak	8599.00	Częściowa
GTIN/EAN	brak	brak	brak	Brak danych
Ocena/recenzje	sekcja #Opinie	brak	brak	Rozbieżność
Dostępność	„Sprawdź dostępność”	InStock	brak	Niejednoznaczna
SKU	kod: 1518513	sku: 1518513	retailer_part_no: 1518513	OK

Trzy rozbieżności krytyczne dla AI: (1) cena referencyjna istnieje tylko w DOM i meta tagach, ale nie w JSON-LD – system AI czytający wyłącznie schema nie wie o promocji; (2) opinie istnieją w DOM, ale nie w schema – AI nie może zweryfikować jakości produktu; (3) dostępność w DOM brzmi warunkowo („Sprawdź dostępność w sklepach”), ale schema deklaruje InStock – to potencjalna sprzeczność, bo produkt może być dostępny online, ale nie w sklepach stacjonarnych.

Perspektywa wieloźródłowa: system AI weryfikujący dane z neonet.pl musiałby sprawdzić cenę u producenta (ASUS), w porównywarce (Ceneo) i w konkurencyjnych sklepach. Nasze dane z Ahrefs pokazują, że euro.com.pl i mediaexpert.pl mają wielokrotnie więcej cytowań AI niż neonet.pl – być może dlatego, że ich warstwa danych strukturalnych jest kompletniejsza, co ułatwia AI cross-walidację. Sklep z brakującymi polami w schema zmusza AI do inferowania danych z DOM, co zwiększa ryzyko halucynacji.

Case study cross-industry: rozbieżności między silnikami AI w 4 branżach

Wieloźródłowy fact-check w elektronice ujawnił rozbieżności między DOM, schema a danymi crawlerów. Ale w kontekście AI retrieval istnieje jeszcze jeden wymiar fact-checku: rozbieżności między samymi silnikami AI. Przeanalizowaliśmy profil cytowań 6 sklepów z 4 branż. Dane z Ahrefs AI Responses Count (szacunkowy snapshot, sierpień 2026).

Sklep	ChatGPT / Perplexity	Copilot / ChatGPT	Grok / ChatGPT	Dominujący silnik
rossmann.pl	0,42	0,38	0,29	ChatGPT
hebe.pl	0,56	0,87	0,91	ChatGPT (ale rowny profil)
ccc.eu	1,19	0,42	0,69	Perplexity
zooplus.pl	0,52	0,27	0,25	ChatGPT
agata.pl	0,61	0,00	0,04	ChatGPT (niskie wolumeny)
eobuwie.pl	–	–	–	brak danych (zero)

Anomalia CCC w Perplexity. ccc.eu jest jedynym analizowanym sklepem, gdzie Perplexity cytuje częściej niż ChatGPT (2 825 vs 2 370, ratio 1,19). W każdym innym serwisie ChatGPT dominuje. To sugeruje, że Perplexity ma inne preferencje co do typów stron – prawdopodobnie faworyzuje strony kategorii e-commerce z listami produktów, które dominują w CCC. Regularne sprawdzanie, co AI widzi na Twoich stronach, umożliwia audyt widoczności w AI.

Hebe.pl: najbardziej zrównoważony profil. hebe.pl ma wyjątkowo wyrównane proporcje: Copilot/ChatGPT = 0,87, Grok/ChatGPT = 0,91. To oznacza, że treści hebe są cytowane niemal równomiernie przez wszystkie silniki – co jest rzadkością. Większość serwisów (rossmann, zooplus) ma silną dominację ChatGPT z 2-4x mniejszymi cytowaniami w innych silnikach.

Implikacja dla fact-checku: jeśli budujesz wieloźródłowy system weryfikacji danych e-commerce (cena, dostępność, specyfikacja), musisz uwzględnić, że każdy silnik AI cytuje inny podzbiór stron tego samego sklepu. ChatGPT cytuje rossmann.pl 12 476 razy, ale Grok tylko 3 653 – to nie ten sam obraz serwisu. Fact-check „co AI mówi o moim produkcie?” musi odpytać minimum 3-4 silniki, bo każdy z nich ma inny „okno obserwacyjne” na Twój serwis.

Źródła i narzędzia

Audyt fact-check danych produktowych przeprowadziliśmy z użyciem narzędzi GSCGA MCP: fact_corroboration_audit (klasyfikacja zgodności faktów między źródłami), consensus_detect_contradictions (wykrywanie sprzeczności i copied consensus), consensus_score_passages (ocena siły konsensusu na poziomie pasażu). Dane SERP pobrano przez DataForSEO SERP API. Dane schema walidowano za pomocą Rich Results Test i Schema Markup Validator. Źródła patentowe: Google Patents (US20230342411A1, US20250103640A1, US20260064780A1).

Kontekst rynkowy: w czerwcu 2025 Google wycofał rich results dla ClaimReview – znacznik fact-check nie generuje już wyróżnień w SERP. Poynter odnotował, że organizacje fact-checkingowe (m.in. Full Fact) krytykują tę decyzję. Jednak Google tłumaczy to „upraszczaniem wyników wyszukiwania”. W praktyce oznacza to, że weryfikacja wieloźródłowa staje się jeszcze ważniejsza – skoro Google nie wyświetla już oznaczeń fact-check, to sam sklep musi zapewnić spójność danych produktowych.

Zastrzeżenie dotyczące patentów

Patenty przywołane w tym artykule – US20230342411A1 (weryfikacja odpowiedzi przez porównanie z wieloma źródłami), US20250103640A1 (walidacja faktów z heterogenicznych źródeł) oraz US20260064780A1 (ranking źródeł na podstawie historycznej dokładności) – opisują mechanizmy weryfikacji faktów, identyfikacji źródła pierwotnego i oceny niezależności potwierdzenia. Sam fakt istnienia patentu nie stanowi dowodu na to, że dany mechanizm jest obecnie aktywnie wykorzystywany w wyszukiwarce Google ani w systemach AI Search. Patenty analizowane są tutaj wyłącznie jako źródło koncepcyjne i rama interpretacyjna dla obserwowanych zachowań systemów.