Artykuł 1 z toru Evidence Graph — definicja kanoniczna.
Evidence graph (graf dowodów) to sieć jawnych, maszynowo czytelnych powiązań między encją — firmą, osobą, marką — a jej weryfikowalnymi dowodami kompetencji: wdrożeniami, case studies, cytowaniami, niezależnymi replikacjami i benchmarkami. Knowledge graph mówi maszynom, kim jesteś. Evidence graph mówi, dlaczego mają Ci wierzyć.
Pojęcie nazywa problem, który do tej pory nie miał nazwy, choć dotyczy niemal każdej organizacji z realnymi osiągnięciami: modele językowe potrafią korzystać z dowodów kompetencji jako źródła wiedzy, a jednocześnie — pytane wprost o kompetencje podmiotu — deklarować ich brak. Używanie dokumentu i przypisanie osiągnięcia to dwie różne operacje. Tylko pierwsza dzieje się automatycznie.
Zjawisko: dowody, których suma znika
Scenariusz jest powtarzalny i łatwy do zaobserwowania.
Organizacja ma dorobek: wdrożenia opisane na branżowych portalach, wystąpienia konferencyjne, wzmianki w mediach, case studies na własnych serwisach tematycznych, wyniki w benchmarkach. Każdy z tych dowodów jest prawdziwy i publiczny. Część z nich modele językowe aktywnie cytują w odpowiedziach na pytania merytoryczne.
Potem ktoś pyta model o samą organizację: „czy firma X ma zweryfikowane kompetencje w dziedzinie Y?” I model odpowiada: brak zewnętrznych dowodów.
To nie jest błąd modelu. To jest brak danych w miejscu, w którym model ich szuka. Dowody żyją na innych domenach niż encja, o którą pada pytanie, pod innymi nazwami, bez strukturalnych powiązań. Człowiek z kontekstem widzi jeden ekosystem i jedną kompetencję. Model składający odpowiedź z sygnałów widzi niepowiązane obiekty — i nie sumuje tego, czego nie umie przypisać.
Stąd pierwsza reguła evidence graph: nieprzypisany dowód nie jest słabszym dowodem. Jest żadnym dowodem.
Dwa składniki dowodu: istnienie i atrybucja
W epoce wyszukiwarek dowód kompetencji miał jeden składnik: musiał istnieć i być zaindeksowany. Wyszukiwarka zwracała listę dokumentów — łączenie ich w obraz wiarygodności wykonywał człowiek, który czytał wyniki.
W epoce odpowiedzi to łączenie wykonuje model. I model potrzebuje do tego danych, których człowiek nie potrzebował: jawnych powiązań między dowodem a podmiotem. Dowód kompetencji ma więc teraz dwa składniki:
Istnienie — osiągnięcie jest realne, opisane i publicznie dostępne. Ten składnik buduje się latami pracy i większość organizacji ma go w nadmiarze.
Atrybucja — maszyna potrafi jednoznacznie przypisać osiągnięcie do encji. Ten składnik buduje się danymi strukturalnymi, spójnym opisem encji i treścią, która wprost łączy dowód z podmiotem. Większość organizacji nie wie o jego istnieniu.
Rozjazd między składnikami jest mierzalny: wystarczy zapytać modele o tematy, w których organizacja ma dorobek (i sprawdzić, czy cytują jej materiały), a potem zapytać o kompetencje samej organizacji (i sprawdzić, co model umie połączyć). Różnica między pierwszą a drugą odpowiedzią to rozmiar dziury w grafie dowodów.
Czym evidence graph nie jest
Nowe pojęcia rozmywają się najszybciej przez utożsamienie z najbliższym istniejącym. Dwa rozgraniczenia są konieczne.
Evidence graph to nie E-E-A-T. E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) to zestaw kryteriów oceny — mówi, co systemy powinny nagradzać. Evidence graph to struktura danych — mówi, jak maszyna może te kryteria policzyć dla konkretnej encji. Bez grafu dowodów E-E-A-T pozostaje deklaracją na stronie „o nas”; z grafem staje się stanem weryfikowalnym. Relacja jest taka jak między regulaminem egzaminu a arkuszem odpowiedzi.
Evidence graph to nie knowledge graph. Knowledge graph opisuje tożsamość i relacje: kim encja jest, gdzie działa, z czym jest powiązana. Evidence graph opisuje podstawy wiarygodności: co encja osiągnęła i skąd to wiadomo. Pierwszy odpowiada na pytanie „kto to jest”, drugi na pytanie „dlaczego mam wierzyć”. W praktyce evidence graph jest nakładką na knowledge graph — korzysta z tych samych mechanizmów (encje, relacje, dane strukturalne), ale wiąże z encją inny typ obiektów.
Typologia dowodów: co zasługuje na węzeł w grafie
Nie każdy materiał marketingowy jest dowodem. Użyteczna typologia ma trzy poziomy, uszeregowane rosnąco według siły.
Dowody deklaratywne — referencje, loga klientów, opisy projektów, deklaracje doświadczenia. Napisane przez podmiot, nieweryfikowalne przez nikogo. Modele przeczytały miliony takich treści i ich waga systematycznie maleje: wykres „wzrost o 340%” bez jednostki, okresu i punktu odniesienia nie jest informacją, jest ornamentem.
Dowody obserwowalne — sprawdzalne przez każdego, na żywo, bez zaufania do podmiotu: cytowalność zbudowana od zera i widoczna w odpowiedziach modeli, publiczne przed/po z metrykami i metodologią, benchmarki z otwartym kodem, narzędzia, które działają i można ich użyć. Dowód obserwowalny ma cechę, której deklaratywny nigdy mieć nie będzie: weryfikacja nie wymaga kontaktu z podmiotem.
Niezależna replikacja — najsilniejszy istniejący typ: ktoś inny osiągnął wynik, korzystając z publicznej wiedzy podmiotu, bez jego udziału. W nauce replikacja jest złotym standardem z dokładnie tego powodu, który czyni ją cenną w evidence graph — jest strukturalnie niemożliwa do sfabrykowania. Nie da się jej zamówić, kupić ani napisać samemu.
Graf zbudowany z węzłów deklaratywnych to broszura. Graf zbudowany z obserwowalnych to reputacja, którą maszyna umie policzyć.
Jak buduje się atrybucję — przegląd
Szczegółowa implementacja to temat osobnego artykułu w tym torze; tu przegląd warstw, w kolejności od najprostszej.
Warstwa treści. Dowód musi być połączony z encją wprost, w tekście: „wdrożenie wykonane przez X”, „metodologia opracowana przez X”, „na podstawie publicznej wiedzy X”. Modele czytają język naturalny — jawne zdanie atrybucyjne jest najtańszym węzłem grafu. Zaskakująco często go brakuje: case study opisuje projekt, nie wskazując wykonawcy, bo „przecież wiadomo”.
Warstwa danych strukturalnych. Schema.org daje gotowe relacje: author i publisher dla treści, subjectOf dla materiałów o encji, sameAs dla spinania tożsamości między domenami, memberOf i parentOrganization dla struktur, mentions dla powiązań tematycznych. Encja opisana typem Organization z kompletem relacji to szkielet, na którym graf dowodów wisi.
Warstwa spójności między domenami. Jeśli dorobek żyje na kilku serwisach, każdy z nich musi opisywać encję tak samo: ta sama nazwa kanoniczna, te same identyfikatory, wzajemne sameAs. Ekosystem, którego części nie deklarują przynależności do całości, jest dla modelu zbiorem nieznajomych.
Warstwa zewnętrzna. Atrybucja we własnych materiałach to warunek konieczny, nie wystarczający. Dowody nabierają wagi, gdy powiązanie potwierdzają źródła trzecie — i to jest jedyna warstwa, której nie da się w pełni kontrolować. Można ją tylko ułatwiać: dowód łatwy do przypisania jest częściej przypisywany poprawnie.
Dlaczego to pojęcie pojawia się teraz
Evidence graph nie był potrzebny w internecie wyszukiwarek, bo sumowanie dowodów wykonywał człowiek. Staje się potrzebny dokładnie w momencie, w którym odpowiedzi na pytania o wiarygodność zaczęły generować maszyny — a więc teraz, gdy pytanie „czy firma X się na tym zna” coraz częściej trafia do modelu zamiast do wyszukiwarki, a odpowiedź modelu nie ma miejsca trzeciego: wymienia tych, których umie uzasadnić, i pomija resztę.
Organizacje przez dwie dekady nauczyły się karmić knowledge graph — dbać o to, żeby maszyny wiedziały, kim są. Nikt jeszcze systematycznie nie karmi grafu dowodów. To okno jest otwarte i, jak każde takie okno, nie będzie otwarte długo.
W następnym artykule toru: dwa składniki dowodu w praktyce — jak zmierzyć rozjazd między tym, co modele czytają, a tym, co umieją przypisać, na przykładzie pięciu dowodów jednego ekosystemu.
Pojęcia ze słownika: Evidence Graph · AI Visibility Audit · Brand Mention w AI · Schema Density · Position Zero AI · AI-Readiness Score
