13 kategorii intencji użytkownika w AI Performance (Bing Webmaster Tools)

Analizując skrypt Bing Webmaster Tools, znalazłem 13 kategorii intencji, według których Copilot klasyfikuje zapytania użytkowników. Żadna z nich nie jest jeszcze dostępna w panelu. Żadna nie została oficjalnie udokumentowana ale wszystkie są już zaimplementowane w kodzie – co oznacza, że Copilot już teraz przypisuje każde zapytanie do jednej z tych kategorii.

W tym artykule pokazuję, czym są te kategorie, jak dopasować do nich format treści i dane strukturalne (schema) oraz dlaczego wdrożenie tego teraz daje realną przewagę nad konkurencją. Zanim funkcja stanie się oficjalna 🙂

Uwaga: opisane 13 kategorii intencji nie jest oficjalnie udokumentowaną funkcją. Ostatecznie może tego być mniej lub więcej albo nigdy nie zostać wdrożone!

Co to są zapytania uziemiające?

Zapytania uziemiające (Grounding Queries), to zapytania generowane przez AI w celu weryfikacji i osadzenia w faktach wygenerowaną odpowiedź. To łącznik między tym, co użytkownik wpisał w Copilota, a tym którą stronę Copilot zacytuje. Oto szczegółowa rola w procesie cytowania witryny:

• Fundament odpowiedzi AI – Zapytania te są generowane przez systemy AI (Copilota i jego partnerów), aby „uziemić”, czyli zweryfikować i osadzić w faktach generowaną odpowiedź na podstawie dostarczonych źródeł
• Generowanie cytowań – Gdy treść strony zostanie uznana za odpowiednią do uziemienia odpowiedzi bota, to system AI wskazuje ją jako źródło, co w raportach widoczne jest jako metryka cytowań.
• Analiza w raportach – Raport zapytań AI (AISearchQueriesReport) pozwala zobaczyć konkretne zapytania (GroundingQuery), które doprowadziły do wyświetlenia strony jako źródła w AI Performance.
• Identyfikacja wartościowej treści – Dzięki śledzeniu tych zapytań można zidentyfikować, które podstrony są najskuteczniejsze w dostarczaniu danych, na których AI buduje swoje odpowiedzi.

Dzięki temu możemy monitorować jakie zasoby są cytowane przez AI, co stanowi nowy wymiar analityki SEO, wykraczający poza tradycyjne wyniki wyszukiwania.

13 kategorii intencji w Bing Copilot

Po analizie skryptu Bing Webmaster Tools znalazłem 13 ukrytych kategorii, które nie są JESZCZE oficjalnie dostępne:

1. Navigational (Nawigacyjna) – Jak stać się pewnym punktem docelowym dla użytkownika szukającego konkretnej strony lub brandu
2. Informational Search (Wyszukiwanie informacyjne) – Dostarczanie czystej wiedzy, która staje się bazą dla odpowiedzi AI
3. Learning and Problem Solving (Uczenie się i rozwiązywanie problemów) – Optymalizacja pod tutoriale i poradniki „how-to”
4. Research (Badania) – Jak przyciągnąć użytkowników na etapie głębokiego researchu i analizy danych
5. Comparison (Porównywanie) – Tworzenie zestawień i rankingów ułatwiających ocenę produktów lub usług
6. Shopping or Transaction (Zakupy lub transakcja) – Skuteczne domykanie lejka sprzedażowego
7. Creation (Tworzenie) – Wspieranie użytkowników w procesach kreatywnych i generowaniu nowych treści
8. Planning (Planowanie) – Jak optymalizować treści pod zapytania logistyczne, podróżnicze i harmonogramy
9. Multimedia Search (Wyszukiwanie multimediów) – Obrazy, audio, wideo
10. Utility (Narzędziowa) – Optymalizacja pod konkretne funkcjonalności i narzędzia online
11. Entertainment (Rozrywka) – Przyciąganie uwagi treściami lżejszymi i angażującymi
12. Small Talk (Pogawędka) – Niezobowiązująca rozmowa na neutralne tematy
13. Others (Pozostałe) – Jak interpretować zapytania niszowe lub trudne do jednoznacznego sklasyfikowania

Dopasowanie formatu treści (tabela, lista, artykuł) do kategorii intencji

W AI wybór odpowiedniego formatu treści jest bardzo ważny, aby Microsoft Copilot mógł skutecznie „uziemić” swoje odpowiedzi w źródłach. Oto jak dopasować formaty treści do konkretnych kategorii intencji, opierając się na strukturze raportowania wydajności AI:

Tabele – idealne dla intencji Comparison i Research

W kodzie techniczne tabele (takie jak te zawierające 13 pól danych debugowania) są wykorzystywane do prezentacji precyzyjnych zestawień parametrów.

• Comparison (Porównywanie) – AI najłatwiej ekstrahuje dane do rankingów i porównań z ustrukturyzowanych tabel. Pozwala to na szybkie zestawienie cech produktów, co w raportach przekłada się na wysoką liczbę cytowań (Citations) dla stron z danymi technicznymi
• Research (Badania) – Tabele z surowymi danymi lub wynikami analiz są preferowanym źródłem dla modeli AI podczas budowania wielowątkowych odpowiedzi badawczych

Proponowane schema:

• Table – do oznaczenia samej struktury danych. Uwaga: Table (podtyp WebPageElement) istnieje w schema.org, ale żaden silnik wyszukiwania nie generuje dla niego rich results. AI parsuje tabele HTML semantycznie – ważniejsza jest poprawna struktura <table>, <thead>, <th>, <caption> niż sam schema. Traktuj go jako uzupełnienie, nie podstawę
• Dataset – jeśli tabela zawiera wyniki badań lub surowe dane statystyczne
• Product (w klastrze AggregateOffer, AggregateRating) – przy tabelach porównawczych produktów
• Review (z reviewRating) / AggregateRating – jeśli tabela zawiera oceny i opinie. Oba typy żyją wewnątrz encji nadrzędnej (np. Product), nie samodzielnie

Listy – dla intencji Planning, Utility i Navigational

• Planning (Planowanie) – Listy punktowe (np. plany podróży, harmonogramy) ułatwiają modelom AI tworzenie gotowych planów dla użytkownika
• Utility (Narzędziowa) – Krótkie, uporządkowane kroki instrukcji obsługi narzędzi online lub kalkulatorów pozwalają AI na szybkie skierowanie użytkownika do konkretnej funkcjonalności
• Navigational (Nawigacyjna) – Jasne listy oddziałów, usług lub kategorii produktów pomagają AI w precyzyjnym uziemieniu zapytań o konkretną markę

Proponowane schema:

• ItemList – uniwersalny znacznik dla listingu
• HowTo – instrukcje wyjaśniające, z zagnieżdżonymi HowToStep (opisującymi poszczególne kroki) i opcjonalnie HowToSection (do grupowania kroków w etapy). HowToStep nie funkcjonuje jako samodzielny znacznik – zawsze żyje wewnątrz HowTo
• Event – naturalny wybór dla intencji planistycznej, z właściwościami startDate, endDate, location, organizer, offers
• SiteNavigationElement – dla intencji nawigacyjnej
• LocalBusiness – jeśli lista dotyczy oddziałów firmy (z sameAs do profili w Google Maps, social media)
• WebApplication – jeśli treść opisuje kalkulator lub narzędzie online, z właściwościami applicationCategory, featureList, offers
• Service – z serviceType, provider, areaServed – jeśli intencja narzędziowa dotyczy usług, a nie aplikacji

Artykuły i poradniki – dla Learning, Problem Solving i Informational Search

Treści narracyjne są monitorowane w raportach stron AI (AIPagesReport) jako unikalne adresy URL dostarczające kontekstowej wiedzy.

• Learning and Problem Solving (Uczenie się i rozwiązywanie problemów) – Rozbudowane poradniki „how-to” stanowią bazę dla odpowiedzi konwersacyjnych. AI cytuje fragmenty artykułów, aby wyjaśnić użytkownikowi skomplikowane procesy.
• Informational Search (Wyszukiwanie informacyjne) – Artykuły eksperckie są „konsumowane” przez modele językowe jako główne źródło prawdy. System śledzi unikalne strony cytowane (UniqueCitedPages), co pozwala ocenić, które artykuły budują autorytet domeny w danej dziedzinie.

Proponowane schema:

• LearningResource – typ stworzony dosłownie dla intencji uczenia się, z właściwościami educationalLevel, learningResourceType (np. „tutorial”, „course”), teaches i competencyRequired. Powinien być pierwszym wyborem dla treści edukacyjnych
• Course – jeśli treść ma strukturę wieloetapowego szkolenia lub kursu
• Article / NewsArticle / BlogPosting
• FAQPage – niezwykle silny sygnał dla AI oraz SEO
• Person / Organization (przywoływany przez właściwość author) – aby AI mogło przypisać wiedzę do eksperta. Poprawna relacja to: Article → author → Person, nie odwrotnie. W Person warto dodać jobTitle, sameAs (link do LinkedIn, profilu na stronie) oraz knowsAbout
• Question & Answer – dla sekcji rozwiązujących konkretne problemy

Karty produktów i dane strukturalne – dla Shopping or Transaction

Tutaj AI działa jako pośrednik w procesie zakupowym, agregując konkretne oferty.

Shopping or Transaction (Zakupy lub transakcja) – Najlepszym formatem są precyzyjne karty produktów z wyraźnie zaznaczoną ceną, dostępnością i specyfikacją danego produktu.

Proponowane schema:

• Product – absolutna podstawa
• Brand – jako osobna encja zagnieżdżona w Product, wzmacnia rozpoznawalność marki przez AI (z name, logo, sameAs)
• Offer / AggregateOffer – cena, waluta, dostępność
• Review (z reviewRating) / AggregateRating – oceny i opinie są w kontekście zakupowym równie ważne jak cena; AI agreguje je budując rekomendacje
• MerchantReturnPolicy – polityka zwrotów
• ShippingDetails – koszty i czas dostawy

Fragmenty kodu i szablony – dla intencji Creation

Wspieranie procesów kreatywnych wymaga formatów, które AI może łatwo przetworzyć na nową treść dla użytkownika.

• Creation (Tworzenie) – Idealnym formatem są snippety kodu, szablony dokumentów oraz krótkie, modułowe inspiracje.

Proponowane schema:

• SoftwareSourceCode – dla fragmentów kodu (zawiera pole programmingLanguage)
• CreativeWork – ogólny znacznik dla szablonów i kreatywnych projektów
• HowTo – tak, pojawia się ponownie, ale intencja Creation naturalnie obejmuje instrukcje tworzenia czegoś od zera. Warto stosować go również tutaj
• Recipe – jeśli treść dotyczy przepisów kulinarnych. To najbardziej dojrzały schema do instrukcji krok-po-kroku, z polami recipeIngredient, cookTime, nutrition
• SoftwareApplication – jeśli szablony są przeznaczone dla konkretnego oprogramowania
• Guide – dla instrukcji tworzenia czegoś od zera

Multimedia z metadanymi – dla Multimedia Search

Czyli co nie jest tekstem ale jest nim „osadzone”.

• Multimedia Search (Wyszukiwanie multimediów) – Dominującym formatem są wysokiej jakości obrazy, infografiki oraz wideo. Aby AI mogło je zacytować, muszą one posiadać bogate opisy i być osadzone na stronach o wysokim autorytecie informacyjnym (np. YouTube).

Proponowane schema:

• ImageObject – ze szczegółowym polem caption i exifData
• VideoObject – z polami transcript i description (w SEO i AI to jest dodatkowy darmowy content)
• AudioObject – z polem transcript. W dobie podcastów i treści głosowych pomijanie kanału audio to istotna luka. Transkrypcja w obu typach (VideoObject i AudioObject) jest kluczowa – to dodatkowa warstwa tekstu, którą AI parsuje
• PodcastEpisode / PodcastSeries – z associatedMedia, jeśli treść to podcast
• VisualArtwork – dla infografik i projektów graficznych

Krótkie angażujące formy – dla Entertainment i Small Talk

Czyli „luźne” treści

• Entertainment (Rozrywka) – Sprawdzają się ciekawostki, quizy i lekkie treści wizualne
• Small Talk (Pogawędka) – Najlepszym formatem jest naturalny tekst konwersacyjny (np. sekcje FAQ)

Proponowane schema:

• Quiz – dla treści interaktywnych
• CreativeWork – z zaznaczeniem gatunku (np. genre: "humor")
• DiscussionForumPosting – jeśli treść ma charakter społecznościowy
• SocialMediaPosting – podtyp Article, bardziej precyzyjny niż DiscussionForumPosting dla treści z mediów społecznościowych
• Comment – zagnieżdżony w postach, daje AI kontekst dyskusji i zaangażowania odbiorców

Niszowe lub niepewne tematyki – dla intencji Others

Kategoria ta gromadzi zapytania, które nie mieszczą się w standardowych wzorcach. To przestrzeń na wszystko, co wykracza poza 12 poprzednich kategorii – od bardzo rzadkich problemów technicznych, po ultra-niszowe ciekawostki. Praktycznie tutaj może wszystko się znaleźć.

Others: W tej kategorii format powinien być maksymalnie konkretny.

Analiza raportu tej kategorii może pozwolić odkryć niszowe potrzeby użytkowników, na które nikt jeszcze nie odpowiedział, dając szansę na zostanie tym jednym konkretnym źródłem.

Proponowane schema:

• TechArticle – dla głębokiej dokumentacji technicznej
• DefinedTerm – jeśli wyjaśniasz niszowe, branżowe pojęcie
• DigitalDocument – dla specyfikacji, białych ksiąg (whitepapers) i raportów PDF
• SpecialAnnouncement – jeśli treść dotyczy sytuacji kryzysowych lub awaryjnych. Ważne zastrzeżenie: ten typ został stworzony przez Google na potrzeby COVID-19 i sytuacji kryzysowych. Google oficjalnie wspiera go wyłącznie w kontekście awaryjnym (governmentBenefitsInfo, diseasePreventionInfo). Używanie go do ogólnych „nietypowych komunikatów” może być ignorowane przez walidatory. Alternatywą jest NewsArticle z articleSection: "komunikat specjalny" lub GovernmentService, jeśli kontekst jest urzędowy

Schematy kontekstowe — wzmacniające wiele intencji jednocześnie

Pewne schematy nie pasują do jednej kategorii, ale wzmacniają wiele z nich. Warto je mieć i stosować tam gdzie treść dotyka kilku intencji:

Dlaczego warto wdrożyć schema pod kątem SEO i AI?

W tradycyjnym SEO dane strukturalne pomagają robotom Google / Bing lepiej zrozumieć kontekst strony. Modele LLM cały czas operują na prawdopodobieństwie. Wdrożenie schema pozwala drastycznie zredukować niejednoznaczność dostarczając modelowi ustrukturyzowane fakty w formacie JSON-LD, który nie wymaga ingerencji w widoczny kod HTML i może być wstrzykiwany dynamicznie.

Ma to znaczenie z kilku powodów

• Przyspieszenie procesu groundingu – dzięki danym strukturalnym asystenci AI (jak Copilot) ale też roboty błyskawicznie identyfikują najważniejsze informacje, np. ceny, daty, autorstwo, dostępność produktu. Bez konieczności „domyślania się” czy szukania kontekstu w źródle strony.
• Budowa autorytetu i zaufania (E-E-A-T) – precyzyjne oznaczenie autorstwa przez Person lub Organization (przywoływane właściwością author), powiązanie encji przez sameAs oraz rozróżnienie typów treści (Article vs HowTo vs LearningResource) – to wszystko buduje autorytet domeny w oczach modeli. Te dane priorytetyzują wiarygodne, weryfikowalne i jednoznacznie opisane źródła.
• Zmniejszenie ryzyka błędnej interpretacji – jasna struktura danych minimalizuje ryzyko, że AI błędnie zinterpretuje informacje ze strony na etapie parsowania. Gdy model otrzymuje cenę w Offer.price zamiast wyłuskiwać ją z tekstu, prawdopodobieństwo halucynacji spada. To przekłada się na wyższą jakość cytowań i lepszą widoczność.

Uniwersalne schema niezależne od intencji

Opisywane wcześniej schema jest bardzo ważne ale warto zadbać o podstawowe i uniwersalne schema, który obowiązuje niezależnie od kategorii zapytania.

• WebSite – Stanowi punkt wejścia dla crawlerów
• WebPage + Speakable — Speakable wskazuje AI, które fragmenty nadają się do odczytania głosowego lub cytowania. To jeden z najbardziej niedocenianych sygnałów pod kątem SEO i AI
• Organization – fundament E-E-A-T: nazwa, logo, sameAs do profili społecznościowych, knowsAbout do określenia ekspertyzy domeny
• BreadcrumbList – struktura nawigacyjna, którą wykorzystują roboty i AI do zrozumienia hierarchii treści na stronie
• ProfilePage – dla stron autorów, tym bardziej że Google oficjalnie wspiera ten typ, co automatycznie wzmacnia przypisanie autorytetu

Najważniejsza i myślę, że niedoceniana właściwość przewijająca się przez wszystkie sekcje to sameAs, która łączy encje z strony z ich odpowiednikami, np. w Wikidata, Wikipedii, LinkedIn czy grafie wiedzy.

Co się stanie (lub może stać), gdy schema zabraknie?

Bez danych strukturalnych treść staje się jedną z wielu nieopisanych stron, które AI musi interpretować wyłącznie na podstawie kontekstu tekstowego. W praktyce oznacza to, że model chętniej sięgnie po konkurencyjne źródło, które dostarczyło te same informacje w bardziej jednoznacznej formie.

Kilka słów na koniec

Kategorie intencji w Bing Copilot są konkretną mapą pokazująca ile w SEO może być intencji i jak AI klasyfikuje zapytania użytkowników oraz jakich źródeł szuka do budowania odpowiedzi. Dopasowanie formatu treści i schema do tych kategorii pozwala przestać być „jedną z wielu stron” i stać się „tą jedną stroną”. Uważam, że wgląd w te kategorie ma bezpośrednie odniesienie do każdego LLM’a, a nawet samego Google.

Ranking Component Googlebota

Googlebot ma wdrożony „Ranking Component”, a ten dzieli się na 3 moduły

1. Page Analyzer analizuje całą stronę identyfikując struktury semantyczne strony przez analizę DOM. Następnie opisuje te struktury, grupując logicznie powiązane elementy i tworząc mocny fundament dla dalszych obliczeń
2. Distance Component oblicza semantyczną odległość między terminami w dokumencie. Skupia się na analizie strukturalnej i wyliczeniu relacji między słowami kluczowymi, bazując na danych dostarczonych przez Page Analyzer
3. Relevance Component ocenia trafność dokumentu na podstawie wyników z Distance Component oraz dodatkowych wskaźników jakościowych (np. IDF, jakość struktury, logiczne powiązania nagłówków i treści)

Zapraszam do pełnego artykułu, gdzie bardzo szczegółowo opisuję odległość semantyczną między terminami w dokumencie HTML na podstawie patentu i wycieku dokumentacji technicznej Google API Content Warehouse

Od czego zacząć:

Upewnij się, że masz podstawowe schema. Jeśli nie, to:

1. Wdróż warstwę bazową – WebSite, Organization, BreadcrumbList i Speakable na każdej stronie. To fundament, bez którego reszta traci kontekst.
2. Zidentyfikuj dominujące intencje — sprawdź w raportach AISearchQueriesReport, jakie zapytania uziemiające (GroundingQuery) prowadzą do Twojej witryny i do jakiej kategorii należą.
3. Dopasuj format i schema — na podstawie tego artykułu dobierz właściwy format treści i znaczniki strukturalne do kategorii, w których chcesz dominować.
4. Monitoruj cytowania — śledź metryki Citations i UniqueCitedPages w raportach AI Performance, aby mierzyć efekty wdrożenia.