Artykuł 5 z toru Evidence Graph ← Evidence graph w schema.org
Cztery poprzednie artykuły zbudowały teorię i warsztat. Ten artykuł robi z nimi jedyną uczciwą rzecz, jaką można zrobić z teorią: stosuje ją publicznie do samego siebie, z pomiarem przed i po — przy czym „po” jeszcze nie istnieje.
To jest część pierwsza case study dokumentowanego na żywo. Publikujemy stan wyjściowy, diagnozę, pełny plan naprawy i protokół pomiaru — zanim znamy wynik. W nauce nazywa się to pre-rejestracją i istnieje z dokładnie tego powodu, dla którego stosujemy je tutaj: badanie, którego protokół opublikowano przed wynikami, nie może po cichu dopasować hipotezy do rezultatu ani schować rezultatu do szuflady. Część druga ukaże się po ponownym pomiarze — niezależnie od tego, co pokaże.
Punkt wyjścia: werdykt
Pytanie zadane trzem modelom z wyszukiwaniem brzmiało prosto: czy Studio iFOX ma zweryfikowane kompetencje w obszarze widoczności AI i agent-readiness?
Odpowiedzi były zgodne: dużo treści edukacyjnych, kilka narzędzi, brak zweryfikowanych zewnętrznych dowodów kompetencji. Żadnych wdrożeń z mierzalnym wynikiem.
W tym samym czasie te same modele, pytane po polsku o agent-readiness, przygotowanie stron na agenty czy protokoły agentowe, cytowały materiały tego ekosystemu jako źródła swoich odpowiedzi.
Konsumpcja: wysoka. Atrybucja: bliska zeru. Podręcznikowy stan 2 z macierzy rozjazdu — i punkt startowy tego eksperymentu.
Inwentaryzacja: pięć dowodów według typologii
Zastosowanie typologii z artykułu trzeciego do istniejącego dorobku dało wynik, który sam w sobie jest ciekawostką.
Dowód 1 — cytowalność zbudowana dwukrotnie (poziom 2: obserwowalny). Serwis webflux.pl wystartował 26 października 2025 bez treści, historii i linków — pod nazwą, której pole semantyczne od lat okupuje Spring WebFlux, framework Javy z milionami wzmianek. Do lutego 2026: polska baza wiedzy o Divi, cytowana przez modele. Marzec: pełny pivot na agentic web. Lipiec: modele cytują serwis w nowym temacie. Dwa tematy, dwa razy od zera, pod anty-nazwą. Weryfikacja: zapytaj modele i sprawdź źródła.
Dowód 2 — przed/po własne (poziom 2). Cyberflux.pl, serwis o bezpieczeństwie agentów AI, sam dla agentów prawie niewidoczny: poniżej 40% w checkerze agent-readiness. Zdiagnozowany, przebudowany, opisany krok po kroku.
Dowód 3 — przed/po zewnętrzne (poziom 2). Agencja-szablowski.pl: lokalna wizytówka przeprowadzona do gotowości na agenty, z pełnym procesem.
Dowód 4 — niezależna replikacja (poziom 3). Firma audytorska bdaudyt.pl, prowadzona przez biegłą rewident. Nie klient. Właścicielka zbudowała stronę samodzielnie, według publicznie dostępnej wiedzy ekosystemu, a niezależny crawler zweryfikował wynik. Wiedza zadziałała w cudzych rękach, bez udziału autora — jedyny typ dowodu, którego nie da się sfabrykować.
Dowód 5 — benchmark z otwartą metodologią (poziom 2). Polski Raport AI-Readiness 2026: własny agent-crawler w Go, 165 przebadanych stron, średnia 47,5/100, żadna strona powyżej progu. Ten sam kod uruchomiony następnie na własnych serwisach.
Ciekawostka strukturalna: w portfolio nie ma ani jednego dowodu deklaratywnego. Typowa organizacja ma rozkład odwrotny — 90% deklaracji, śladowe ilości poziomu 2. Tutaj: komplet dowodów obserwowalnych plus replikacja, i mimo to atrybucja zerowa. Co potwierdza tezę toru z nieoczekiwanej strony: poziom dowodów nie kompensuje braku grafu. Można mieć najlepsze możliwe węzły i żadnych krawędzi.
Diagnoza: dlaczego suma znikała
Warstwa po warstwie, według czterech warstw atrybucji:
Warstwa treści: dowody opisane na webflux.pl i cyberflux.pl nie zawierały jawnych zdań atrybucyjnych łączących je ze studiem. Encja wykonawcy była „oczywista” dla autora — czyli nieistniejąca dla maszyny.
Warstwa danych strukturalnych: brak stabilnych @id, brak parentOrganization / subjectOf między domenami, a na stronie studia — blok JSON-LD bez zdefiniowanych typów: błąd 2 z artykułu czwartego, obecny i informacyjnie martwy.
Warstwa spójności: trzy domeny, trzy niezależne opisy, zero wzajemnych deklaracji przynależności.
Diagnozę potwierdziło — a właściwie wyprzedziło — własne narzędzie. Audyt sześciowarstwowy strony studia, wykonany kilka tygodni przed pomiarem: wynik ogólny 47/100, Citation Readiness 22, Entity Consistency 42, z uwagą wprost: „zewnętrzna encja webflux.pl wprowadzona bez powiązania kontekstowego z marką Studio iFOX”. Maszyna wskazała dziurę w grafie, zanim ktokolwiek zmierzył jej konsekwencje. Wniosek uboczny, wart zapamiętania: niska Entity Consistency w audycie to wczesny sygnał rozjazdu atrybucji — tańszy w wykryciu niż pełny test dwustronny.
Baseline: protokół i stan zarejestrowany
Zgodnie z metodą z artykułu drugiego:
Strona A (konsumpcja): osiem pytań merytorycznych — agent-readiness, przygotowanie strony na agenty AI, MCP dla stron, widoczność w odpowiedziach modeli — w trzech modelach, po dwa–trzy warianty. Wynik: materiały ekosystemu cytowane regularnie w odpowiedziach na tematy z obu okresów (Divi i agentic web).
Strona B (atrybucja): pięć pytań o encję — kompetencje, wdrożenia, dowody. Wynik: modele odtwarzały opis oferty ze strony studia; z pięciu dowodów obserwowalnych nie łączyły z encją żadnego. Werdykt powtarzalny między modelami i wariantami: „brak zweryfikowanych zewnętrznych dowodów”.
Stan zarejestrowany: konsumpcja wysoka, atrybucja zero. To jest baseline, względem którego zostanie policzony wynik części drugiej.
Naprawa: co dokładnie zostało wdrożone
Naprawa obejmuje wyłącznie atrybucję. Żaden nowy dowód nie powstaje na potrzeby eksperymentu — zmienia się tylko zdolność maszyn do przypisania dowodów istniejących. To celowe ograniczenie: jeśli wynik się poprawi, poprawę będzie można przypisać grafowi, nie nowemu dorobkowi.
Krok 1 — warstwa treści. Publiczne teksty atrybucyjne: wpis na blogu studia wymieniający pięć dowodów wprost, z linkami i zdaniami łączącymi („wdrożenie wykonane przez”, „metodologia opracowana przez”), oraz esej analityczny opisujący całe zjawisko z ujawnieniem powiązań ekosystemu. Treść, która mówi maszynom to, co dotąd było „oczywiste”.
Krok 2 — kanoniczna encja. Opis Organization z trwałym @id na stronie studia, z knowsAbout i kompletem danych — w miejsce bezmtypowego bloku.
Krok 3 — struktura ekosystemu. Wzajemne powiązania: parentOrganization na serwisach tematycznych, subOrganization / sameAs do właściwych węzłów na stronie studia.
Krok 4 — spięcie dowodów. subjectOf na encji wskazujący wszystkie pięć materiałów dowodowych; Dataset z creator i measurementTechnique dla raportu; isBasedOn w dokumentacji replikacji.
Krok 5 — słownik. Pojęcie evidence graph w Słowniku Agentic Web — bo problem, który ma nazwę i definicję, jest cytowalny jako zjawisko, a nie tylko jako anegdota jednej firmy.
Pre-rejestracja pomiaru końcowego
Deklarujemy z góry, żeby nie dało się tego później dopasować:
Termin: ponowny pomiar 6–8 tygodni od wdrożenia wszystkich kroków. Protokół: identyczny z baseline — te same pytania strony A i B, te same trzy modele, te same warianty sformułowań, świeże sesje. Metryka sukcesu: liczba z pięciu dowodów, które modele łączą z encją w odpowiedziach strony B (baseline: 0/5). Metryka drugorzędna: czy werdykt „brak zweryfikowanych dowodów” ustępuje miejsca odpowiedzi wymieniającej konkretne materiały. Zobowiązanie:publikacja części drugiej niezależnie od wyniku — również wtedy, gdy wynik będzie zerowy lub niejednoznaczny.
Ostatni punkt nie jest kurtuazją. Negatywny wynik tego eksperymentu byłby informacją co najmniej tak cenną jak pozytywny: oznaczałby, że atrybucja w treści i danych strukturalnych nie wystarcza i że graf dowodów wymaga warstwy, której nie kontrolujemy — potwierdzeń ze źródeł trzecich. Część druga odpowie na to pytanie danymi.
W następnym artykule toru: mapa rozgraniczeń — evidence graph na tle E-E-A-T, knowledge graph, entity SEO i digital PR. Co jest czym, co czego nie zastępuje i gdzie kończą się kompetencje każdego z podejść.
Pojęcia ze słownika: Evidence Graph · AI Visibility Audit · Sześć warstw AI-readiness · Schema Density · Brand Mention w AI
