Wikidata krok po kroku. Jak dostać się do bazy, na której Google trenuje modele językowe?

Z tego artykułu dowiesz się, jak dostać się do Wikidata i edytować wpis, co w nim dodać, czego unikać i dlaczego uważam to za jedno z najskuteczniejszych działań dla marki osobistej w 2026 roku.

Czym jest Wikidata?

Wikidata to siostrzany wobec Wikipedii projekt prowadzony przez Wikimedia Foundation, który jednak od Wikipedii różni się fundamentalnie.

Wikipedia gromadzi artykuły encyklopedyczne pisane przez ludzi, dla ludzi. Wikidata gromadzi fakty w formie ustrukturyzowanej, czyli czytelnej jednocześnie dla ludzi i maszyn:

• Każdy obiekt w Wikidata ma unikalny identyfikator zaczynający się od litery Q. Osoba, firma, książka, konferencja, pojęcie — wszystko dostaje swój numer (mój to Q133444548).
• Do każdego obiektu możesz przypisać właściwości (properties): zawód, publikacje, nagrody, powiązania z innymi encjami oraz źródła potwierdzające każdy fakt.

Wikidata powstała w 2012 roku. Dziś zawiera ponad 1,65 miliarda deklaracji opisujących osoby, miejsca, organizacje i ich wzajemne relacje. Dane są udostępniane na licencji CC0 w domenie publicznej, co oznacza, że każdy może je wykorzystać, także komercyjnie.

I tu dochodzimy do sedna sprawy: kto z tych danych korzysta?

Dlaczego Wikidata wpływa na sposób, w jaki myślimy o encjach?

Jeśli pracujesz w SEO, prawdopodobnie wiesz, czym jest Knowledge Panel, czyli panel wiedzy wyświetlający się w wynikach wyszukiwania. Jeśli jednak nie, przykład niżej.

Ale zapytaj teraz pięciu SEOwców, skąd Google bierze dane do tego panelu i pewnie z czterech wymieni Wikipedię. O Wikidata? Nierzadko cisza. Albo mglisty pomysł, że „to coś powiązanego z Wikipedią„.

O temacie co prawda wspominają moi serdeczni koledzy Roman Rozenberger, który stworzył narzędzie do wizualizacji encji z Wikidata czy Szymon Słowik w swoim artykule o Knowledge Graph. Ale poza nimi w polskim SEO, Wikidata często nie istnieje jako narzędzie pracy.

A szkoda, bo to jedno z tych miejsc, gdzie niewielkim nakładem pracy możesz zmienić sposób, w jaki algorytmy Cię rozumieją.

Google dokumentuje w patentach, jak wykorzystuje ustrukturyzowane bazy wiedzy i publikuje badania, które to potwierdzają.

W 2022 roku dwa zespoły Google Research w dwóch odrębnych podejściach pokazały, że modele wytrenowane na danych z Wikidata lepiej odpowiadają na pytania o fakty:

1. Dos Santos et al. stworzyli tak zwane knowledge prompts — coś w rodzaju zewnętrznej ściągawki dla modelu językowego, wytrenowanej na 1,1 miliona encji z Wikidata. Model z taką ściągawką lepiej odpowiadał na pytania w rodzaju „kto założył tę firmę„, „kiedy ukazała się ta książka„, „z jakiej uczelni pochodzi ta osoba” – czyli dokładnie te pytania, które użytkownicy zadają dziś ChatGPT i Google o ekspertach i markach (w badaniach zmierzono to na benchmarkach FreebaseQA, TriviaQA i NaturalQuestions). Ten mechanizm Google opatentował w 2025 roku jako Soft Knowledge Prompts (US12321706B2).
2. Równolegle Moiseev et al. (SKILL, NAACL 2022) wzięli T5 (jeden z kluczowych modeli językowych Google) i wytrenowali go bezpośrednio na faktach z Wikidata zapisanych jako proste trójki:
   podmiot → relacja → obiekt,
   
   Efekt ten sam: model z Wikidata lepiej łączył fakty i odpowiadał na pytania wymagające wiedzy z kilku źródeł jednocześnie (m.in. benchmark WikiHop).
   

Dwa zespoły, dwie metody, ten sam wniosek: 

model, który „zjadł” Wikidata, lepiej rozumie świat faktów.

Ale to nie jest tylko sprawa Google:

• Przegląd Agrawal et al. (NAACL 2024, Arizona State University) wykazał, że techniki oparte na grafach wiedzy (w tym Wikidata) dają obiecujące rezultaty w redukcji halucynacji modeli językowych.
• Wikidata jest też coraz częściej wykorzystywana w systemach RAG: projekt FrOG (Universitas Indonesia / WU Vienna, finansowany z Wikidata Research Fund) łączy LLM-y z Wikidata, żeby odpowiedzi generatywne były zakotwiczone w weryfikowalnych faktach.
• Niezależnie od tego, od października 2025 działa Wikidata Embedding Project (Wikimedia Deutschland / Jina.AI / DataStax) — wektorowa baza Wikidata zaprojektowana pod RAG. Jak argumentują twórcy projektu — LLM-y faworyzują informacje powtarzane często w wielu źródłach, podczas gdy Wikidata reprezentuje każde stwierdzenie tylko raz, oferując bardziej zrównoważony obraz.

Denny Vrandečić, twórca Wikidata, jest współautorem artykułu badawczego (2025), w którym argumentuje, że LLM-y, grafy wiedzy i wyszukiwarki są komplementarne. LLM-y generują odpowiedzi, ale nie weryfikują faktów. Wikidata dostarcza weryfikowalne fakty, ale nie generuje tekstu. Wyszukiwarki łączą oba światy.

Co to oznacza dla Twojej encji?

Wikidata jest jednym z fundamentalnych źródeł, na których uczą się i do których sięgają systemy AI – od Google przez Perplexity po ChatGPT.

Oczywiście algorytmy mają też inne źródła, dzięki którym mogą rozpoznać eksperta jak:

• Common Crawl,
• Wikipedię, media,
• czy bazy branżowe

Twoja strona mówi „jestem ekspertem”. Wikidata pokazuje, kto to potwierdza.

Google od lat publikuje Search Quality Rater Guidelines — dokument dla ludzi oceniających jakość wyników wyszukiwania. Instrukcja jest jednoznaczna:

Wikidata jest Twoim dowodem jako projekt społecznościowy, z moderacją, polityką weryfikowalności i systemem referencji. Dlatego każda deklaracja w Wikidata powinna być poparta zewnętrznym źródłem — artykułem, wpisem na stronie wydawnictwa, biogramem na stronie konferencji. Twoje bio na LinkedIn tego nie spełnia. Strona wydawcy, na której widnieje Twoja książka z ISBN-em — już tak.

Wpis w Wikidata znacząco zwiększa prawdopodobieństwo, że dla encji pojawi się Knowledge Panel. Wikidata nie jest jedyną drogą, ale jest jedną z najkrótszych i najlepiej udokumentowanych.

Jason Barnard z Kalicube, który „wyzwolił” tysiące Knowledge Paneli, wskazuje, że z Wikidata proces trwa tygodnie — bez niej miesiące. U mnie trwał… kilka dni!

Ale zanim pobiegniesz założyć swój wpis w Wikidata, zatrzymajmy się jeszcze na chwilę.

Czym jest „notability”, czyli próg wejścia do Wikidata?

Wikidata ma swoją politykę notability (istotności), przez którą wielu ekspertów odpada z bazy danych: albo dlatego, że nie wiedzą o jej istnieniu, albo dlatego, że ją lekceważą.

Wpis jest akceptowalny, jeśli spełnia co najmniej jedno z trzech kryteriów:

Dla eksperta, konsultanta czy przedsiębiorcy najczęściej w grę wchodzi kryterium 2. Problem polega na tym, że „wiarygodne źródła” to nie Twój LinkedIn, nie Twoja strona „O mnie” i nie post na Facebooku (te mogą wspierać kontekst, ale Wikidata nie traktuje ich jako referencje), a artykuły w mediach branżowych lub ogólnych, w których jesteś cytowany/-a lub opisany/-a:

• Książki z ISBN-em wydane przez rozpoznawalne wydawnictwo,
• Biogramy na stronach konferencji, uczelni, organizacji branżowych,
• Wpisy w bazach bibliograficznych lub katalogach instytucjonalnych.

Moderatorzy Wikidata traktują swoją rolę poważnie. Wpisy bez wystarczających referencji są usuwane — czasem szybko, czasem po kilku tygodniach, ale konsekwentnie.

Znam to z pierwszej ręki. Mój wpis dla Fox Strategy został usunięty (prace w toku). Znajomi SEOwcy, z którymi współpracuję, ludzie z wieloletnim doświadczeniem i konkretnymi osiągnięciami, również mieli podobne historie.

To normalne: jeśli pierwsze podejście do Wikidata kończy się porażką, to powód bywa najczęściej prozaiczny – nie dostarczasz moderatorom wystarczających dowodów.

Co wpisać w Wikidata? Kluczowe właściwości dla marki osobistej

Załóżmy, że masz już pozbierane referencje. To teraz czas na wpis. Oto właściwości (properties), które mają największe znaczenie dla eksperta budującego markę osobistą:

Opisy i etykiety — Wikidata jest wielojęzyczna. Uzupełnij etykietę (label) i krótki opis (description) co najmniej po polsku i angielsku. Opis powinien być rzeczowy i konkretny — moderatorzy są na to bardzo uczuleni. Jeśli działasz pod pseudonimem lub skrótem nazwiska, dodaj je jako aliases (nazwy alternatywne) — to pomoże algorytmom powiązać różne formy Twojego imienia z jedną encją.

I — powtórzę to raz jeszcze, bo to najważniejsza zasada — każda deklaracja powinna mieć referencję. Źródło, które potwierdza fakt. I w miarę możliwości nie Twoje, a zewnętrzne.

Czego nie robić? Błędy, które kończą się usunięciem wpisu

Widziałam wystarczająco dużo usuniętych wpisów, żeby wiedzieć, co nie działa:

• Tworzenie wpisu bez żadnych referencji. Pusty wpis z samym imieniem i nazwiskiem to zaproszenie do usunięcia. Moderator nie ma z czego ocenić notability.
• Wpisywanie aspiracji zamiast faktów. „Ekspert SEO” bez żadnego dowodu to deklaracja, nie fakt. Wikidata gromadzi fakty.
• Masowe dodawanie właściwości bez źródeł. Dwadzieścia pól wypełnionych jednego dnia, żadne z referencją — moderator traktuje to jako spam lub autopromocję.
• Oczekiwanie natychmiastowego Knowledge Panel. Wpis w Wikidata to sygnał dla algorytmu, nie przełącznik. Panel może pojawić się po kilku dniach, tygodniach, a czasem nie pojawia się wcale. Google ocenia siłę sygnału w kontekście wszystkich pozostałych danych, które ma o Tobie.
• Założenie wpisu i zapomnienie o nim. Wikidata to projekt wiki — każdy może edytować Twój wpis, w tym boty i anonimowi użytkownicy. Dodaj swoją encję do Watchlist (obserwowanych) i sprawdzaj powiadomienia. Jedno działanie, którego nie wyłapiesz, może zmienić Twój opis albo usunąć referencje.

Wikidata + schema.org — dwie strony mostu

Sam wpis w Wikidata to połowa mechanizmu. Druga połowa to Twoja strona. Kiedy na swojej stronie wdrażasz dane strukturalne Person z właściwością sameAs wskazującą na Twój Q-item w Wikidata — tworzysz most między deklaracją a dowodem. Ten most najlepiej zakotwiczysz na stronie, którą Google traktuje jako Twój Entity Home — zazwyczaj jest to strona „O mnie” lub główna strona Twojej domeny osobistej (tak jak u mnie podrez.pl).

Wikidata mówi algorytmom „ta encja istnieje – oto jej atrybuty”. Twoja strona mówi „to moja strona – a tu jest potwierdzenie mojej tożsamości w Wikidata”. Dwa sygnały, dwa kierunki, jeden spójny obraz.

Kiedy Google rozpozna Twoją encję i przypisze jej identyfikator w Knowledge Graph (tzw. KGMID), możesz domknąć pętlę: dodaj w Wikidata właściwość Google Knowledge Graph ID (P2671) wskazującą na ten identyfikator. Teraz Wikidata wie, co Google o Tobie wie — a Google wie, że Wikidata to potwierdza. To krok dopiero dla tych, którzy mają już Knowledge Panel, ale warto o nim wiedzieć od początku.

Wikidata jest jednym z nielicznych miejsc, w którym możesz w kontrolowany sposób powiedzieć algorytmowi „istnieję, oto fakty na mój temat, oto źródła, które je potwierdzają„. To Twój strukturyzowany dowód w formacie, który maszyna czyta natywnie.

Większość ekspertów nigdy tego nie robi, z różnych powodów: jedni nie wiedzą, że Wikidata istnieje; inni wiedzą, ale nie rozumieją, dlaczego miałaby mieć znaczenie; jeszcze inni próbują, ich wpis zostaje usunięty i rezygnują.

Tymczasem Google buduje Knowledge Panel na podstawie źródeł, które sam zidentyfikuje jako wiarygodne. LLM-y odpowiadają na pytania o nich na podstawie tego, co trafiło do danych treningowych (lub w przypadku RAG tego, co znajdą na bieżąco). AI Overviews składają odpowiedź z fragmentów, które algorytm uznał za wystarczająco autorytatywne.

Każdy z tych systemów działa inaczej — ale wszystkie korzystają z tego samego typu paliwa: ustrukturyzowanych, potwierdzonych źródłami faktów. Dokładnie tego, co gromadzi Wikidata.

Wpis w Wikidata nie gwarantuje, że luki w Twoim cyfrowym obrazie znikną z dnia na dzień, ale daje tym systemom coś, czego nie dostaną z żadnej innej strony: fakty, które ktoś sprawdził, zanim je opublikował. I to jest przewaga, z której warto skorzystać zanim zrobi to Twoja konkurencja.

Źródła i dalsze lektury

• Google Knowledge Graph Search API — dokumentacja, developers.google.com.
• dos Santos C.N. et al. (Google Research), Knowledge Prompts: Injecting World Knowledge into Language Models through Soft Prompts, 2022. Patent Google: US12321706B2 (2025).
• Moiseev F. et al., SKILL: Structured Knowledge Infusion for Large Language Models, NAACL 2022.
• Agrawal G. et al., Can Knowledge Graphs Reduce Hallucinations in LLMs? A Survey, NAACL 2024, Arizona State University.
• Hogan A., Dong X.L., Vrandečić D., Weikum G., Large Language Models, Knowledge Graphs and Search Engines: A Crossroads for Answering Users’ Questions, arXiv 2501.06699, 2025.
• Wikidata Embedding Project, Wikimedia Deutschland / Jina.AI / DataStax, 2024–2025.
• Ongris J., Tjitrahardja E., FrOG: Framework of Open GraphRAG, LLM-TEXT2KG Workshop, ESWC 2025.
• Google, Search Quality Rater Guidelines, akt. wrzesień 2025.
• Wikidata:Notability — polityka istotności, wikidata.org.
• Barnard J., Google’s Knowledge Graph: What You Need to Know, Kalicube, 2025.