Filar pierwszy agent-readiness odpowiada na pytanie: czy agent widzi Twoją stronę? Filar drugi odpowiada na głębsze pytanie: czy agent rozumie co widzi?
To jest fundamentalna różnica. Strona może być perfekcyjnie czytelna technicznie — semantyczny HTML, jasna hierarchia nagłówków, treść dostępna bez JavaScriptu — i jednocześnie być dla agenta nieprzejrzysta znaczeniowo. Agent wie że jest tekst. Nie wie czym ten tekst jest.
Dane strukturalne wypełniają tę lukę.
Czym są dane strukturalne w kontekście agentów
Dane strukturalne to ustandaryzowany sposób opisywania treści strony w formacie zrozumiałym dla maszyn — nie dla oczu, ale dla algorytmów i modeli.
Tekst „Agentic Commerce Protocol to otwarty standard handlu agentowego stworzony przez OpenAI i Stripe” — agent może to przeczytać. Ale nie wie czy to jest definicja, artykuł, opis produktu, recenzja czy cytat. Nie wie kto to napisał, kiedy, czy jest aktualne, jaka jest relacja między „Agentic Commerce Protocol” a „OpenAI” a „Stripe”.
JSON-LD z DefinedTerm mówi agentowi: to jest definicja pojęcia, nazywa się „ACP (Agentic Commerce Protocol)”, ma polskie warianty nazwy, jest częścią słownika pod tym adresem URL, opisuje standard stworzony przez OpenAI i Stripe. Agent nie interpretuje — wie.
To jest przejście od treści do wiedzy. I to jest właśnie rola filara 2.
Trzy warstwy struktury danych
Warstwa pierwsza — Schema.org i JSON-LD
Schema.org to wspólny słownik typów danych rozumiany przez Google, Bing, agentów AI i większość systemów które przetwarzają dane z sieci. JSON-LD to preferowany format zapisu — osadzony w tagu <script> w <head> strony, niewidoczny dla użytkownika, czytelny dla maszyn.
Kluczowe typy dla różnych rodzajów stron:
Product z offers — dla sklepów. Agent zakupowy który widzi Product z offers.price, offers.availability i offers.priceCurrency wie dokładnie co sprzedajesz, za ile, czy jest dostępne. Bez tych danych — zgaduje na podstawie tekstu.
Article z author i datePublished — dla serwisów contentowych. Agent oceniający wiarygodność źródła wie kiedy artykuł powstał i kto go napisał.
Organization z sameAs — dla firm. sameAs linkujący do Wikidata lub Wikipedii mówi agentowi: ta firma to ta sama encja co ta w globalnej bazie wiedzy. Buduje tożsamość i autorytet.
[DefinedTerm](/slownik/definedterm/) z inDefinedTermSet — dla słowników. Każde pojęcie w słowniku webflux.pl ma ten typ — agent wie że to jest definicja, wie z jakiego słownika pochodzi, wie jakie są warianty nazwy przez alternateName.
FAQPage z Question i Answer — dla treści odpowiadającej na pytania. Bezpośredni sygnał dla modeli generatywnych że ta treść jest odpowiedzią na konkretne pytanie.
Warstwa druga — Open Graph i metadane społecznościowe
Open Graph (og:title, og:description, og:type) to dane które kontrolują jak treść wygląda gdy jest udostępniana — ale też jak ją interpretują systemy AI które przetwarzają metadane. Nie zastępuje Schema.org ale uzupełnia go w kontekstach gdzie agent przetwarza metadane HTTP zamiast pełnej treści.
Warstwa trzecia — nagłówki HTTP i Content Signals
Content-Signal: ai-train=yes, search=yes, ai-input=yes który widzisz na webflux.pl — to jest też warstwa danych strukturalnych, tyle że na poziomie protokołu HTTP zamiast HTML. Mówi agentowi który pobiera stronę: oto moja polityka wobec używania tej treści przez AI.
X-Robots-Tag w odpowiedzi REST API — jak endpoint słownika webflux.pl — to deklaracja jak ten zasób ma być traktowany przez crawlery.
Dlaczego rozbieżność między tekstem a danymi jest kosztowna
Jest jeden problem który filar 2 ujawnia wyraźniej niż jakikolwiek inny. Agent wierzy danym bardziej niż tekstowi.
Wyobraź sobie stronę produktu która w tekście mówi „cena: 299 złotych” ale w offers.price ma wpisane 399. Agent zakupowy zobaczy 399 — bo dane strukturalne są dla niego pewniejszym źródłem niż tekst który trzeba interpretować. Użytkownik który kazał agentowi „kup najtańszy produkt do 300 złotych” — nie dostanie tego produktu, bo agent myśli że kosztuje 399.
To samo dotyczy dostępności. Tekst „ostatnie sztuki!” jest subiektywny. offers.availability: InStock lub OutOfStock jest binarne i jednoznaczne.
Rozbieżność między tekstem a danymi strukturalnymi to jeden z najczęstszych problemów który pojawia się przy audytach agent-readiness. Jak opisuje artykuł Agentic commerce w WooCommerce na webflux.pl — nawet sklepy które mają dane strukturalne często mają je niekompletne: brakuje review, aggregateRating, daty ważności oferty. Każdy brakujący element to mniejsza szansa na bycie wybranym przez agenta zakupowego.
Filar 2 a słownik webflux.pl
Każda strona pojęcia w słowniku agentic web jest wzorcowym przykładem filara 2 w działaniu.
DefinedTerm w JSON-LD — automatycznie generowany przez plugin z custom fields. Każde pojęcie ma name (angielska nazwa), description (definicja krótka), alternateName (polskie warianty), url (permalink), inDefinedTermSet (link do całego słownika).
Efekt: agent który pyta „czym jest agent-readiness?” dostaje nie tylko tekst definicji — dostaje ustrukturyzowaną wiedzę o tym że to jest pojęcie, jak się nazywa po polsku, jak jest powiązane z innymi pojęciami, skąd pochodzi.
To jest właśnie warstwa znaczenia którą filar 2 dodaje nad filarem 1.
Jak sprawdzić filar 2 na swojej stronie
Trzy narzędzia które dają natychmiastowy obraz:
Rich Results Test (search.google.com/test/rich-results) — wklejasz URL, dostajesz raport co agent widzi w danych strukturalnych. Pokazuje błędy, ostrzeżenia, kompletność danych.
Schema Markup Validator (validator.schema.org) — weryfikuje poprawność JSON-LD według specyfikacji schema.org.
Google Search Console — zakładka „Wyszukiwanie” → „Wyniki dotyczące zaawansowanych funkcji” — pokazuje jak Google przetwarza Twoje dane strukturalne w czasie rzeczywistym.
Jeden konkretny test który zawsze warto zrobić: sprawdź czy Product ma kompletne offers z price, priceCurrency, availability i priceValidUntil. To jest minimum kwalifikacyjne dla agenta zakupowego.
Pojęcia powiązane w słowniku: Dane strukturalne, JSON-LD, DefinedTerm, Filar 1 — czytelność, Filar 3 — odkrywalność, Semantyczny HTML, Agent-readiness
Powiązane artykuły na webflux.pl: Sześć filarów agent-readiness, Agentic commerce w WooCommerce, Agent-readiness jako mapa