Software house'y budują AI dla innych, ale sami są dla niej niewidoczni

Paradoks polskiej branży IT: firmy, które projektują rozwiązania oparte na sztucznej inteligencji dla innych podmiotów, same nie zadbały o to, by AI mogła bez trudu odczytać i zrozumieć zawartość ich witryn. Tak wynika z najnowszej analizy przygotowanej przez Xfaang, która skupiła się na technicznej gotowości stron internetowych software house'ów na obecność w wynikach generowanych przez modele AI.

Przedmiotem analizy było 98 firm technologicznych należących do Software Development Association Poland (SoDA). Zespół badawczy posłużył się tą samą metodologią, którą stosował już wcześniej, oceniając spółki z indeksów WIG20 i mWIG40 oraz firmy z sektora e-commerce. Warto zaznaczyć, że badanie nie sprawdzało, czy dana firma jest realnie wskazywana lub cytowana przez modele generatywne. Skupiło się na etapie wcześniejszym – czy strona jest w ogóle dostępna dla botów AI, czy da się ją odczytać i czy zawiera dane w formacie, który systemy te mogą przetworzyć.

Z katalogu SoDA, liczącego 101 pozycji, adres domeny udało się uzyskać od 98 firm. Cztery strony główne okazały się niedostępne – w trzech przypadkach żądania automatyczne były odrzucane już na poziomie CDN, a w jednym winny był niekompletny łańcuch certyfikatu. Praktyczny wniosek jest taki, że strona może wydawać się w pełni sprawna z punktu widzenia zwykłego użytkownika przeglądarki, a jednocześnie pozostawać niewidzialna dla robota AI.

AI może nie dostać się na stronę

Osobnym zagadnieniem jest świadome blokowanie botów AI. Z 94 dostępnych domen aż osiem (9%) uniemożliwiało im działanie. W sześciu przypadkach zakaz wynikał bezpośrednio z zapisów w pliku robots.txt, a w dwóch kolejnych blokadę wprowadzono na poziomie WAF, bez odpowiedniego wpisu w robots.txt.

To istotna rozbieżność względem wcześniejszej analizy branży e-commerce, gdzie blokady częściej były efektem działania zapory sieciowej, a nie jawnej deklaracji w robots.txt. W przypadku software house'ów sytuacja jest odwrotna – dominują świadomie ustawione reguły wobec botów AI.

Samo zablokowanie nie musi świadczyć o błędzie. robots.txt to standardowy mechanizm, dzięki któremu administrator strony decyduje, jakim robotom udostępnia treść. Kłopot powstaje wtedy, gdy firma chciałaby, aby jej informacje pojawiały się w odpowiedziach generowanych przez AI, a jednocześnie sama zamyka tym systemom drzwi do własnych treści.

Największa luka? Obecność w Wikidanych

Najbardziej dotkliwy problem ujawnił się w kontekście Wikidanych (Wikidata) – otwartego grafu wiedzy, który służy m.in. do identyfikacji podmiotów i wiązania informacji o nich. Wstępny pomiar wykazał, że 85 z 94 firm (90%) nie posiada encji w Wikidanych odpowiadającej nazwie odczytanej z ich własnej strony internetowej – wynik słabszy niż zanotowany wcześniej dla spółek giełdowych i sklepów internetowych.

Autorzy analizy zaznaczyli jednak, że przyjęta metoda miała swoją słabość. Narzędzie w niektórych sytuacjach wyciągało nazwę z tagu , który nie musiał zawierać właściwej nazwy przedsiębiorstwa. W 16 z 94 przypadków odczytana fraza nie była nazwą firmy – zdarzało się choćby, że pojawiało się w niej słowo „Home”. 1 września 2026 r. dokonano korekty tej części badania. Ponowna weryfikacja 85 przypadków, tym razem z nazwami zaciągniętymi bezpośrednio z katalogu SoDA, wykazała, że dziewięć z nich rzeczywiście ma odpowiadającą encję z linkiem do własnej witryny. Po tej korekcie ostateczny wynik wskazuje, że 76 z 94 dostępnych software house'ów, to jest 81%, nie posiada encji w Wikidanych pod poprawną nazwą.

Co istotne, poprawka nie zmieniła ogólnego kierunku wniosków. Zastosowanie tej samej korekty do spółek giełdowych zmniejszyło ich wynik do 55%, a dla e-commerce do 66%. Dystans software house'ów wobec pozostałych grup okazał się więc jeszcze wyraźniejszy.

Treści bez źródeł i dat

Problemy nie ograniczają się do Wikidanych. Wśród 94 dostępnych stron:

• 89 (95%) nie przywołuje eksperta wskazanego z imienia i nazwiska
• 85 (90%) nie odsyła do wiarygodnego źródła zewnętrznego
• 86 (91%) nie prowadzi historii zmian publikowanych treści
• 55 (59%) nie podaje daty ostatniej aktualizacji

Zespół badawczy podkreśla, że data publikacji i historia zmian to dwa różne wskaźniki. 1 września skorygowano też opis tej części badania – wcześniejsza wersja mogła sugerować, że 86 firm jednocześnie nie ma daty i nie prowadzi historii zmian. W rzeczywistości 37 z tych 86 podmiotów podaje datę aktualizacji, choć nie dokumentuje historii zmian. Poprawny wniosek brzmi: 49 z 94 firm nie ma ani daty, ani historii zmian.

Ma to praktyczne konsekwencje dla modeli generatywnych, które muszą oszacować, czy dana informacja jest aktualna. Brak informacji o momencie modyfikacji treści ogranicza możliwość takiej oceny.

Dane strukturalne wciąż niewykorzystanym potencjałem

Kolejnym słabym punktem jest sposób opisu treści przy pomocy danych strukturalnych. Typ Article zadeklarowały tylko 4 z 94 firm, a FAQPage wykorzystuje 6 podmiotów. Pełną encję Organization – zawierającą nazwę, adres, logo, opis oraz dane kontaktowe lub profile w innych serwisach – posiada 16 firm.

Także ten fragment badania zaktualizowano 1 września. Wcześniejszy opis kompletnej encji Organization nie uwzględniał pola opisu. Po korekcie okazało się, że 32 z 94 firm nie ma tego elementu, a w 15 przypadkach właśnie jego brak sprawia, że encja jest niekompletna. Znaczenie tej kwestii wynika z tego, że dane strukturalne stanowią dla maszyn zdecydowanie jednoznaczniejsze źródło informacji niż sama treść strony – pozwalają precyzyjnie określić, czym jest dany obiekt, jak się nazywa, z jaką organizacją jest powiązany i jakie dane powinny mu towarzyszyć.

Software house'y wypadają słabiej niż e-commerce i giełda

Zestawienie trzech badanych grup ujawnia zaskakującą sytuację. Firmy technologiczne nie są wcale lepiej przygotowane do bycia widocznymi dla maszyn niż podmioty z innych sektorów gospodarki, choć technologia stanowi ich podstawowy obszar działania.

Software house'y wypadają najsłabiej pod względem braku historii zmian oraz – po korekcie – braku encji w Wikidanych. Jednocześnie w kwestii linkowania do źródeł czy cytowania ekspertów nie różnią się istotnie od pozostałych grup. Nie znaczy to jednak, że cała branża jest niewidoczna dla AI – badanie wskazało również podmioty spełniające poszczególne kryteria: 16 firm ma kompletną encję Organization, a cztery deklarują typ Article.

Widoczność w AI zaczyna się przed samym AI

Kluczowa konkluzja płynąca z badania nie dotyczy pozycji firm w odpowiedziach modeli generatywnych, lecz warunków technicznych, jakie muszą zostać spełnione, zanim AI będzie w stanie skorzystać z treści opublikowanych na stronie.

Sekwencja działań wydaje się dość jasna. W pierwszej kolejności trzeba zabezpieczyć dostęp – zweryfikować certyfikat, konfigurację WAF oraz plik robots.txt. Następny krok to zadbanie o dane strukturalne, jednoznaczną identyfikację firmy i aktualność publikowanych treści. Optymalizacja samej zawartości ma sens jedynie na końcu tego procesu.

Badanie nie rozstrzyga, które software house'y są realnie przywoływane przez ChatGPT, Gemini czy inne modele. Odpowiada na pytanie wcześniejsze: czy system AI ma techniczną możliwość dotarcia do informacji o firmie i czy zastanie je w formie, którą jest w stanie zinterpretować. I to właśnie tu tkwi największy paradoks całego badania – firmy tworzące technologie dla innych przedsiębiorstw wciąż nie wykorzystują podstawowych mechanizmów, które pozwoliłyby maszynom poprawnie je rozpoznać i zrozumieć.

Źródło: ITwiz