Graf wiedzy (Knowledge Graph)
Graf wiedzy (Knowledge Graph) to ustrukturyzowana baza danych encji, czyli osób, firm, produktów i miejsc, oraz relacji między nimi, którą Google i inne systemy AI wykorzystują do rozpoznawania konkretnego bytu zamiast luźnego ciągu słów na stronie.
Bycie rozpoznaną encją w grafie zmienia sposób, w jaki systemy traktują markę. Gdy system wie, że dana nazwa odnosi się do konkretnej firmy, z konkretną stroną internetową, założycielem i asortymentem, może z pewnością łączyć nowe wzmianki z tą encją zamiast zgadywać. Graf przechowuje te informacje jako węzły i krawędzie: marka to węzeł, jej założyciel to węzeł, miasto, z którego wysyła zamówienia, to węzeł, a czasowniki między nimi (założona przez, z siedzibą w, produkuje) to krawędzie nadające faktom znaczenie. Ta struktura pozwala marce pojawiać się w panelu wiedzy Google, być odróżnianą od firm o podobnych nazwach i być cytowaną precyzyjnie, gdy silnik generatywny odpowiada na pytanie dotyczące twojej kategorii.
Graf zasila się głównie przez structured data i potwierdzenie z wielu źródeł. Schema Organization na stronie deklaruje, kim jesteś; właściwość sameAs łączy tę deklarację z innymi autoryzowanymi profilami (LinkedIn, Crunchbase, Wikidata, Wikipedia, konta w mediach społecznościowych), co daje grafowi niezależne punkty odniesienia wzajemnie się potwierdzające. Im więcej źródeł potwierdza te same fakty, tym silniejsza i bardziej wiarygodna staje się encja. Schema Product i Review przypisują następnie katalog produktów i opinie klientów do tej samej rozpoznanej encji, dzięki czemu ocena jest odczytywana jako należąca do konkretnego sprzedawcy, a nie unosząca się luźno na niezweryfikowanej stronie.
Wyobraź sobie sklep Shopify sprzedający kosmetyki naturalne pod nazwą Leśna. Istnieje też Leśna meble i Leśna dom wypoczynkowy, więc wyszukiwarka ma trzy kandydatury dla jednej nazwy. Jeśli sklep z kosmetykami opublikuje schema Organization z danymi założyciela, adresem siedziby w Krakowie i linkami sameAs do zweryfikowanego Instagrama, wpisu na Wikidata i wzmianek prasowych, graf może odróżnić kosmetyczną Leśną od pozostałych dwóch i przypisać opinie o produktach do właściwego węzła. Bez tego wzmianki trafiają do błędnych encji, a opinie zdobywane latami nie pomagają nikomu cię znaleźć.
Ma to bezpośrednie znaczenie dla wyszukiwania AI. Silniki takie jak ChatGPT, Perplexity i Google AI Overviews opierają się na rozumieniu encji, by ustalić, której marki dotyczy pytanie, i które fakty mogą powtórzyć bez zastrzeżeń. Marka będąca czystą, potwierdzaną encją jest łatwiejsza do pewnego zacytowania; marka istniejąca tylko jako ciąg tekstu łatwiej daje się pomylić, pominąć lub błędnie przypisać. Czytelność encji staje się cichym warunkiem koniecznym do pojawiania się w odpowiedziach AI.
Uczciwe zastrzeżenie: nie kontrolujesz grafu i nie możesz wymusić wpisu. Schema i sameAs to sygnały, nie polecenia, a Google decyduje, co przetworzyć i komu zaufać. Sprzeczne informacje w różnych profilach mogą osłabić lub opóźnić rozpoznanie, więc spójność jest ważniejsza niż liczba źródeł. Traktuj to jako długą grę o bycie czytelnym i potwierdzonym, a nie przełącznik, który po prostu włączasz.