Knowledge Graph i Knowledge Panel. Co warto wiedzieć o grafie i panelu wiedzy Google ⭐️ Ewelina Podrez-Siama

Things, not strings. Google ogłosiło tę zmianę w 2012 roku. Jest 2026, mamy AI Overviews, LLMy, a Twoja marka wciąż może być dla algorytmu tym samym co literówka – ciągiem znaków bez tożsamości. Możesz mieć wówczas imponujące doświadczenie, ale… nie masz encji.

Czym jest Knowledge Graph?

Knowledge Graph to sieć powiązanych znaczeń. Węzłami są encje (osoby, firmy, miejsca, pojęcia), a liniami relacje między nimi:

…pracuje w…
…jest autorem…
…specjalizuje się w…

Zaczęło się 16 maja 2012, gdy Amit Singhal, ówczesny SVP of Engineering odpowiedzialny za wyszukiwarkę Google, opublikował post, który zmienił logikę całej wyszukiwarki. Singhal od lat marzył o zbudowaniu „komputera ze Star Treka” – systemu, który nie dopasowuje fraz do stron, ale rozumie, czego szukasz.

Hasło, pod którym wystartował graf, brzmiało:

„things, not strings”

co możemy przetłumaczyć na znaczenia, nie ciągi znaków.

Na starcie: 500 milionów obiektów, 3,5 miliarda faktów.
Siedem miesięcy później 570 milionów encji i 18 miliardów.
Do maja 2020 pięć miliardów encji, 500 miliardów faktów.
Według szacunków Kalicube, w marcu 2024 roku to ponad 54 miliardy encji i 1 600 miliardów faktów.

Istotne stało się nie to, ile masz treści w indeksie, ale czy Google wie, że Ty się tym zajmujesz i czy potrafi przypisać Ci atrybuty i relacje.

Graf jest aktywnie czyszczony

Google nie tylko dodaje encje. Także je usuwa. Według analizy Kalicube, w czerwcu 2025 zaobserwowano największy od dekady spadek liczby encji w Knowledge Graph: ponad 3 miliardy jednostek usunięte w ciągu jednego tygodnia (około 6% całego grafu). Jason Barnard nazwał tę zmianę „wielkim czyszczeniem na rzecz klarowności” (Great Clarity Cleanup). Dane wskazują na przesunięcie akcentu z gromadzenia na jednoznaczność: odsetek encji z jednym, precyzyjnym typem wzrósł z 24% do niemal 29%, a wieloznaczne encje typu „thing” skurczyły się o ponad 15%.

W praktyce samo bycie w grafie nie wystarczy. Encja musi być czytelna i jednoznaczna, inaczej może wypaść przy następnym czyszczeniu.

Czym jest Knowledge Panel

Większość osób, które pytają mnie o Knowledge Panel, myli go z wizytówką Google Business Profile – czymś, co się „zakłada”. Tu jednak nie ma formularza rejestracyjnego. Panel to nie Twoja deklaracja, to odpowiedź algorytmu, która pojawia się, gdy Google zebrało wystarczająco dużo spójnych sygnałów, żeby jednoznacznie Cię zidentyfikować.

Knowledge Graph i Knowledge Panel. Co warto wiedzieć o grafie i panelu wiedzy Google — Przykład Knowledge Panel – panelu wiedzy w Google

Na desktopie Knowledge Panel wyświetla się najczęściej na górze i po prawej stronie wyników wyszukiwania (na mobile może być wpleciony między wyniki). Znajduje się tam szereg elementów, w tym zdjęcie, opis, linki do profili, powiązane osoby i tematy. I to nie to samo co rich snippets (gwiazdki ocen, ceny produktów czy zdjęcia przepisów to efekt danych strukturalnych na konkretnej stronie).

Panel dotyczy encji jako całości, zbudowanej z wielu źródeł jednocześnie jak na powyższym przykładzie, gdzie widzisz wypis z Wikipedii, podrez.pl i ms-fox.pl.

Źródła danych panelu wiedzy

Google buduje panel przede wszystkim ze źródeł zewnętrznych, jak:

Wikidata – otwarta baza faktów, z której Google aktywnie czerpie
Wikipedia – treść wpisu może trafić do panelu zaskakująco szybko
Wzmianki w mediach, cytowania, niezależne źródła

To nie jest zamknięta lista. Google deklaruje, że korzysta z setek źródeł: materiałów z sieci, otwartych i licencjonowanych baz danych oraz danych strukturalnych publikowanych przez właścicieli stron.

Jak szybko to działa? Mój Knowledge Panel pojawił się 11 godzin od uzupełnienia wpisu w Wikidata. Gdy kilka tygodni później powstał mój wpis na polskiej Wikipedii, opis z niego trafił do panelu w niecałą godzinę.

Ale co ważne: to nie jest żaden standard czasowy. Czas reakcji zależy od tego, ile spójnych sygnałów Google ma już w grafie – im więcej niezależnych potwierdzeń Twojej tożsamości (publikacje, wzmianki, cytowania), tym szybciej panel może się pojawić. Jeśli Twoja encja jest rozmyta – Google ma sygnały, tylko nie potrafi ich spiąć – uporządkowanie danych w Wikidata może być tym brakującym łącznikiem, który uruchomi panel szybciej, niż się spodziewasz. I tak było w moim przypadku. Całą historię tego procesu opisuję w podsumowaniu prezentacji na I Love Marketing 2026.

Jak zgłosić prawo do panelu wiedzy?

Jeśli masz już swój panel – wyszukaj swoje imię i nazwisko w Google lub wpisz adres https://www.google.com/search?kgmid=/g/11md2bpb8_ (gdzie zamiast mojego ID wstawisz swój z Knowledge Graph API, o tym za chwilę), kliknij trzy kropki w prawym górnym rogu panelu i wybierz „Zgłoś prawa do tego panelu wiedzy”.

Google poprosi o weryfikację tożsamości – najczęściej przez powiązane oficjalne profile i konta. W moim przypadku proces obejmował także selfie z dowodem osobistym i potwierdzenie dostępu do kont social media. Po weryfikacji możesz także sugerować zmiany w panelu.

Co jeśli panel wyświetla błędne dane?

Jako zweryfikowany właściciel panelu masz przycisk „Sugeruj zmianę”. Ale Google nie zmieni faktów tylko dlatego, że o to poprosisz – musisz wskazać publiczne, niezależne źródło (link do wywiadu w medium, wpis w Wikidata, rejestr publiczny), które potwierdza Twoją wersję i konkretny, występujący tam fragment tekstu.

To ta sama logika, która przewija się przez większość moich wpisów na blogu: algorytm bardziej ufa temu, co mówią o Tobie inni, niż temu, co sam wpisujesz w formularz.

Panel wiedzy to niejedyna powierzchnia w wynikach, na której widać, czy Google rozumie Twoją encję. Obok niego coraz częściej pojawiają się sekcje „Więcej pytań” (People Also Ask) – pytania powiązane z Twoim nazwiskiem, generowane głównie na podstawie wzorców zapytań użytkowników.

Mechanizm jest inny niż w przypadku panelu (bliższy analizie sesji wyszukiwania niż grafowi wiedzy), ale efekt jest podobny: jeśli ktoś szuka Twojego nazwiska, PAA może wyświetlić pytania o Twoją firmę, książki, specjalizację – pod warunkiem, że Google ma z czego je zbudować.

Więcej o mechanizmie: People Also Ask – co „Więcej pytań” mówi o Twojej marce →

Trzy warstwy sygnałów budujących encję

Skąd Google bierze fakty o Tobie? Z trzech niezależnych warstw. Co ciekawe, ich siła rośnie w odwrotnej proporcji do Twojej kontroli: im mniej możesz wpłynąć na źródło, tym bardziej algorytm mu ufa.

Warstwa 1: dane strukturalne na Twojej stronie

Zaczynam od Twojej strony, bo to jedyne źródło, nad którym masz pełną kontrolę. I paradoksalnie najsłabsze z trzech.

Dane strukturalne to kod, w którym deklarujesz algorytmowi, kim jesteś i z czym jesteś powiązany – w formie czytelnej dla botów, niewidocznej dla użytkownika. Format: JSON-LD osadzony w kodzie strony (najczęściej w sekcji head, choć Google obsługuje też body), zgodny ze standardem schema.org.

Kluczowe właściwości typu Person dla marki osobistej:

sameAs – spina Twoje profile (LinkedIn, Wikidata, social media) w jedną encję
knowsAbout – definiuje, w czym się specjalizujesz
worksFor – wiąże Cię z organizacją
alumniOf / award – afiliacje i wyróżnienia jako dowody autorytetu (a gdy jesteś spójnie przypisany jako author artykułu czy książki, algorytm dostaje uporządkowaną informację o autorstwie — dowodem ekspertyzy staje się połączenie tej deklaracji z treścią, reputacją i zewnętrznymi potwierdzeniami)

Szczególnie istotna jest rola sameAs w rozwiązywaniu problemu homonimów. Jeśli na przykład nazywasz się Krzysztof Rutkowski, jak szef działu Ads w Fox Strategy, w grafie wiedzy może istnieć wiele encji o tym samym ciągu znaków, część bardzo silnych ze względu na obecność w tabloidach.

Właściwość sameAs wiąże Twoją stronę z unikalnym identyfikatorem w Wikidata (QID), profilem LinkedIn, Twoimi pozostałymi stronami. I to te powiązania mówią algorytmowi, który Krzysztof Rutkowski to Ty. Bez nich Google widzi nazwisko. Z nimi – widzi encję.

Najsilniejszy sygnał to relacja dwustronna: Twoja strona wskazuje na profil, a profil linkuje z powrotem do strony. Jednostronne sameAs w kodzie, bez potwierdzenia z drugiej strony, to deklaracja – nie dowód.

Więcej o wdrożeniu: dane strukturalne schema w pigułce →

Warstwa 2: zewnętrzne bazy danych

Teraz to, nad czym masz mniejszą kontrolę. Właśnie dlatego algorytm traktuje te źródła poważniej. Search Quality Rater Guidelines – wytyczne dla osób oceniających jakość wyników (to nie bezpośredni opis algorytmu, ale ważny wskaźnik tego, jak Google definiuje zaufanie) wprost wskazują konflikt interesów: deklaracje własne wymagają potwierdzeń z bardziej niezależnych źródeł.

Pierwsze źródło, od którego warto zacząć to Wikidata – otwarta baza wiedzy Wikimedia Foundation z ponad 1,65 miliarda deklaracji, indeksowana przez Google i modele językowe. Google aktywnie szuka właśnie osób w zewnętrznych bazach.

Ważne zastrzeżenie: Wikidata nie jest katalogiem SEO ani miejscem do autopromocji – wpis ma uzasadnienie tylko wtedy, gdy encja spełnia kryteria istotności projektu i można ją opisać na podstawie niezależnych, weryfikowalnych źródeł.

Według analiz Kalicube: między majem 2020 a marcem 2024 liczba encji typu Person w grafie wzrosła 22-krotnie. Największy przyrost w aktualizacji z marca 2024 (38%) dotyczył ról, do których Google potrafi przypisać sygnały E-E-A-T: badaczy, pisarzy, akademików, dziennikarzy. Encje firmowe wzrosły tylko 5-krotnie.

Sygnał z działu patentów. Patent Google US12321706B2 (przyznany w czerwcu 2025) opisuje mechanizm zewnętrznej pamięci modelu językowego aktywowanej na konkretne zapytanie. Eksperymenty bazowały na danych Wikidata – ponad 23 milionach trójek wiedzy opisujących 1,1 miliona encji w formacie podmiot–relacja–obiekt. Patent nie dowodzi, że każdy wpis Wikidata automatycznie zasila odpowiedzi Google. Pokazuje jednak kierunek: uporządkowane trójki wiedzy z baz takich jak Wikidata mogą być używane jako zewnętrzna pamięć modeli językowych i aktywowane przez entity linking.

Warstwa 3: wzmianki i współwystępowanie encji

Trzecia warstwa jest najtrudniejsza do zbudowania. I dlatego najbardziej wartościowa.

Google może rozpoznawać, w jakim kontekście pojawia się Twoje nazwisko – także poza klasycznymi linkami. Patent US20180046717A1 (Related Entities, 2018) opisuje mechanizm identyfikowania encji powiązanych z zapytaniem, m.in. na podstawie zachowań użytkowników, wyników wyszukiwania i relacji między encjami.

To nie znaczy, że każda wzmianka bez linku działa jak link. Pokazuje jednak, że relacje między encjami mogą być modelowane szerzej niż przez sam graf hiperłączy.

Cytowania w mediach branżowych, wywiady, artykuły gościnne, wzmianki na konferencjach – wszystko to buduje kontekst Twojej encji. Nie musisz mieć linku. Wystarczy, że Twoje nazwisko pojawia się w odpowiednim sąsiedztwie tematycznym, regularnie i konsekwentnie.

Więcej: brand mentions →

Dane strukturalne bez Wikidata to deklaracja bez potwierdzenia. Wikidata bez wzmianek to encja bez kontekstu. Wzmianki bez danych strukturalnych to szum bez struktury. Spójność między warstwami – te same fakty potwierdzone z trzech niezależnych kierunków – nazywam w książce Marka osobista w czasach AI i generatywnego wyszukiwania triangulacją autorytetu.

Knowledge Graph a LLM-y – dwie mapy, podobny efekt

Google ma graf wiedzy oparty na weryfikowalnych źródłach, którego wybrane elementy widzimy w panelach, wynikach i API. LLM-y budują wewnętrzne reprezentacje z danych treningowych – bez jawnej bazy, na podstawie wzorców lub pobierają dane na bieżąco podczas websearchu (RAG). Różnica w mechanizmie, ale podobieństwo w efekcie: jeśli nie jesteś spójną encją z atrybutami i relacjami, żaden system nie zbuduje Twojej reputacji.

Jak bardzo modele językowe potrafią się mylić? W benchmarku AA-Omniscience z raportu Stanford AI Index 2026 zbadano 26 czołowych modeli. Gdy użytkownik przedstawił fałszywe twierdzenie jako cudze przekonanie, modele radziły sobie dobrze. Ale gdy to samo twierdzenie sformułował jako własne – modele potakiwały i budowały na błędzie. Odsetek błędnych odpowiedzi w tym scenariuszu wynosił od 22% do 94%.

Dla Twojej marki to ma konkretne znaczenie: jeśli ktoś pyta LLM o Ciebie z błędnym założeniem (np. „Czy Kowalski to ten specjalista od social mediów?”), model bez twardych danych raczej potwierdzi niż skoryguje. Grafy wiedzy redukują ten problem, bo dają modelom weryfikowalne fakty zamiast wzorców do odgadywania.

Generatywne doświadczenia Google coraz mocniej łączą modele językowe z systemami wyszukiwarki – w przypadku AI Mode Google wprost deklaruje korzystanie m.in. z Knowledge Graph.

W AI Overviews mechanizm jest opisywany bardziej ogólnie, ale kierunek jest podobny. W moim przypadku zmiany w odpowiedziach AI Overviews były mocno zauważalne w niedługim czasie od poprawy wyniku resultScore w Knowledge Graph.

Gdy użytkownik pyta o konkretną osobę, dobrze opisana encja daje systemowi stabilniejsze punkty odniesienia: atrybuty, relacje, źródła. Jeśli ich brakuje, odpowiedź częściej opiera się na fragmentach stron znalezionych w indeksie, co daje mniejszą kontrolę nad narracją o Tobie.

Praca nad encją to nie „SEO albo AI”. To fundament widoczności w obu systemach.

Więcej: marka osobista w LLM-ach i RAG →

Ważne rozróżnienie

Knowledge Graph to system powiązań między encjami – baza, na podstawie której Google rozumie, kto jest kim.

Knowledge Panel to powierzchnia prezentacji wybranych informacji o encji w wynikach wyszukiwania — oparta na Knowledge Graph i innych źródłach, którym Google ufa.

Knowledge Graph Search API to narzędzie diagnostyczne: pozwala sprawdzić, jakie encje Google zwraca dla danego zapytania, ale nie daje pełnego wglądu w cały graf.

Te narzędzia Ci się przydadzą

Diagnoza

Sprawdź swoją encję

Trzy narzędzia, trzy funkcje: weryfikacja w surowych danych → uproszczone sprawdzenie bez konsoli → wizualizacja powiązań w formie grafu.

🔍

Oficjalne API · Google

Google Knowledge Graph Search API

Najdokładniejsze źródło. Zwraca typ encji, opis, powiązane URL-e i resultScore – wynik trafności zwróconej encji. W praktyce można go traktować jako przybliżony sygnał tego, jak jednoznacznie Google dopasowuje zapytanie do danej encji.

Jak sprawdzić – krok po kroku

Wejdź na developers.google.com/knowledge-graph/reference/rest/v1
i kliknij „Wypróbuj” (Try this API).
W polu languages wpisz pl (lub en, jeśli działasz na rynku anglojęzycznym). W polu query – swoje imię i nazwisko lub nazwę marki.
Kliknij Execute. W odpowiedzi JSON szukaj pola resultScore.

Interpretacja wyniku: brak odpowiedzi = API nie zwróciło rozpoznanej encji dla tego zapytania (w praktyce: encja jest niewidoczna, zbyt słaba lub źle dopasowana do zapytania). Jest resultScore, ale brak pola @id: kg:/… = Google coś znalazło, ale nie ma pewności co do tożsamości. Jest identyfikator kg:/… = API zwraca rozpoznaną encję dla tego zapytania. Ale to jeszcze nie gwarantuje panelu w wynikach wyszukiwania – panel pojawia się, gdy Google uzna Twoją encję za wystarczająco jednoznaczną i znaczącą dla użytkowników. Pamiętaj: wynik zależy też od jednoznaczności frazy — unikalne nazwisko łatwiej uzyska wysoki score niż popularne „Jan Kowalski”, gdzie API musi wybierać między wieloma encjami. Interaktywny kalkulator wyniku i szczegółowa interpretacja: artykuł „Encja marki osobistej”.

⚡

Narzędzie · WikiZEIT

Wyszukiwarka Grafu Wiedzy

Narzędzie Jakuba T. Jankiewicza z projektu WikiZEIT – edukacyjnego projektu poświęconego etycznemu SEO w Wikipedii. Prostsze w obsłudze niż surowe API Google: wpisujesz frazę, dostajesz wynik bez konfigurowania Google Cloud czy logowania się do konsoli developerskiej. Dobry punkt startu, jeśli nie masz doświadczenia z API.

→ wikizeit.jcubic.pl/tools/graf-wiedzy

🕸️

Open source · GitHub

Knowledge Graph Visualiser – Roman Rozenberger

Interaktywny wizualizator encji z integracją Wikidata, stworzony przez Romana Rozenbergera (AI & Automation Manager, mentor SensAI Academy). Oparty na D3.js – pokazuje Twoją encję jako graf: węzły, relacje, atrybuty. To narzędzie, którego używam do wizualizacji własnej encji – te same grafy zobaczysz w książce.

→ GitHub · → Demo

Co z tego wynika dla Twojej marki

Knowledge Graph i Knowledge Panel to warstwa, na której opiera się coraz więcej tego, co ludzie widzą, gdy szukają informacji o Tobie – w Google, w AI Overviews, w odpowiedziach modeli językowych.

Przez lata prowadziłam bloga, występowałam na konferencjach, publikowałam książki – i mimo to moja encja w Knowledge Graph była rozmyta. Nie brakowało mi treści, ale nie panowałam nad tym, jak algorytm łączy te sygnały w jedną tożsamość. Pełną historię tego procesu, z danymi i narracją każdego kroku, opisuję w książce. Tu zostawiam Ci trzy pytania, od których warto zacząć:

1. Czy Google wie, kim jesteś, czy tylko widzi Twoje imię?
Sprawdź resultScore w Knowledge Graph API. Pusty wynik lub brak identyfikatora kg:/ oznacza, że API nie zwraca dla Ciebie stabilnej, jednoznacznej encji. Wikidata to jeden z pierwszych kroków porządkowania sygnałów.

2. Czy Twoje trzy warstwy sygnałów mówią to samo?
Dane strukturalne na stronie, wpis w Wikidata, wzmianki w sieci – jeśli schema.org mówi „strateg SEO”, a media piszą „bloger”, algorytm widzi niespójność.

3. Co zostanie, gdy usuniesz własne treści?
Gdyby jutro zniknęły Twoje posty, artykuły, nagrania – co wie o Tobie algorytm z niezależnych źródeł? Jeśli niewiele, masz problem z trwałością, nie z widocznością.

Pełne case study? W książce Marka osobista w czasach AI i generatywnego wyszukiwania (Helion, 2026) – pełne case study budowania encji od zera z konkretnymi danymi i narracją każdego kroku. Kontekst prezentacji na scenie: relacja z I Love Marketing 2026.

Knowledge Graph i Knowledge Panel. Co warto wiedzieć o grafie i panelu wiedzy Google