Verumgraph to metoda publikowania wiedzy jako grafu encji z trwałymi identyfikatorami i rodowodem źródeł — czytelnego dla ludzi, weryfikowalnego przez maszyny, cytowalnego dla wyszukiwarek i systemów AI.
Pierwsze wdrożenie: Kanon Kosmetyków · ~700 adresowalnych rekordów · w produkcji
Ludzie coraz częściej pytają ChatGPT, Perplexity, Claude i AI Overviews — i czytają jedną, zsyntetyzowaną odpowiedź zamiast dziesięciu niebieskich linków. W tym świecie Twojej strony nie czyta już klient. Czyta ją maszyna, która odpowiada Twojemu klientowi.
Większość treści nigdy nie powstała dla takiego czytelnika. Proza marketingowa jest wieloznaczna, niedatowana i nieweryfikowalna — więc systemy AI ją pomijają albo, co gorsza, zgadują. Marki stają się w odpowiedziach AI niewidzialne lub przekłamane.
Verumgraph odwraca podejście: publikuje wiedzę tak, jak robią to bazy referencyjne — jako rekordy z tożsamością, dowodem i datą — żeby maszyny mogły jej zaufać na tyle, by ją cytować, a ludzie wciąż dostawali strony zaprojektowane dla ludzi.
Każda z nich z osobna to znana technika. Verumgraph to dyscyplina stosowania wszystkich pięciu naraz, od pierwszego dnia, do tej samej wiedzy.
Jednostką publikacji jest rekord, nie wpis blogowy: produkt, potrzeba użytkownika, pytanie, składnik, marka. Każdy jest węzłem grafu z typowanymi relacjami — pytanie → kontekst potrzeby → produkt → wariant → składnik — dzięki czemu wiedza się składa, zamiast dublować.
Każdy rekord ma rejestrowy identyfikator (PC-000021, QE-000027, CTX-000063, ING-000001), który nigdy się nie zmienia. Maszyny mogą śledzić encję między stronami, eksportami i latami — tak jak robią to bazy naukowe i organy standaryzacyjne.
Każde twierdzenie ma typ — zweryfikowany fakt, deklaracja producenta albo interpretacja redakcyjna — oraz dowód (np. zdjęcie etykiety) i datę as-of. Niepewność jest daną, nie drobnym drukiem. Puste pole bije niezweryfikowaną wartość.
Jeden rekord, dwa renderowania z tego samego źródła prawdy: strona HTML dla ludzi i warstwy maszynowe dla AI — JSON-LD schema.org spięty w jeden graf przez @id, czysty record.json per encja oraz llms.txt, który mówi systemom AI, czym jest baza i jak ją cytować.
Encje linkują przez sameAs do globalnych identyfikatorów — Wikidaty, rejestrów branżowych — więc graf nie jest wyspą. Kotwice zewnętrzne dodajemy tylko przy dopasowaniu ścisłym: mniej linków, zero błędnych.
To skrócony, prawdziwy rekord maszynowy z pierwszego wdrożenia — obiekt, który system AI może pobrać, sparsować i zacytować bez scrapowania ani jednej linijki tekstu marketingowego.
// …/products/biolaven-eye-cream/record.json { "@context": "https://schema.org", "@type": "Dataset", "@id": "…/products/biolaven-eye-cream/#dataset", "name": "BIOLAVEN eye cream — reference record", "identifier": "PC-000021", "dateModified": "2026-08-07T09:14:00Z", "license": "https://creativecommons.org/licenses/by/4.0/", "distribution": [{ "@type": "DataDownload", "encodingFormat": "application/json" }], "record_fields": { "application_area": "eyes", "use_mode": "leave_on", "primary_function": "moisturize", "fragrance_status": "declared — source: label, as of 2026-06" } }
Skrócone do wyświetlenia. Żywy rekord — i setki podobnych — są jedno kliknięcie niżej.
Kanon Kosmetyków to polska kuratorowana baza wiedzy o naturalnych kosmetykach — bez reklam, rankingów i linków afiliacyjnych. Każde twierdzenie ma źródło i datę aktualności. To pierwsze pełne wdrożenie metody Verumgraph i jej żywy dowód.
Graf mapuje realne intencje zakupowe na weryfikowalne dane produktowe: pytania użytkowników prowadzą przez konteksty potrzeb do rekordów produktów, wariantów rynkowych (etykieta, GTIN, skład jak na opakowaniu) i encji pojedynczych składników zakotwiczonych w Wikidacie.
Wszystko poniżej jest publiczne. Otwórz linki, zajrzyj w źródło, pobierz rekordy — metoda jest w pełni sprawdzalna.
Gdy klientka pyta AI o Twoją kategorię, Twój produkt powinien się pojawić — opisany z Twojego zweryfikowanego rekordu, nie ze zgadywanki modelu.
Twoi klienci pytają, co robicie w sprawie wyszukiwania przez AI. Verumgraph to wdrażalna odpowiedź: model rekordu, słownik kontekstów, proces proweniencji i warstwa techniczna do publikacji całości.
Powiedz nam, jaka jest Twoja kategoria. Pokażemy, jak wyglądałoby Twoich pierwszych dziesięć rekordów — i co systemy AI mówią o Tobie dzisiaj.