Notatka redakcyjna: to poboczny wniosek z szerszego testu granic zrozumienia obrazu przez AI, który opisaliśmy w pełni na webflux.pl — sześć hipotez, sześć obrazów, jeden model czytający "na ślepo". Tam wynik dotyczył tego, co model widzi. Tutaj — co robi, gdy widzi dwie sprzeczne rzeczy naraz.
Test miał sprawdzić coś prostego: czy model potrafi poprawnie policzyć siedem słoików na półce, przypisać pięć cen do pięciu butelek, rozpoznać odwrócony but. Poszło dobrze — pięć z sześciu odczytów było w pełni zgodnych z tym, co faktycznie pokazywał obraz.
Ciekawszy wynik przyszedł z pobocznego pytania, które zadaliśmy dopiero po fakcie: co się dzieje, kiedy obok obrazu stoi tekst, który mówi coś innego?
Naklejka mówi -50%. Opis produktu mówi -30%.
Wygenerowaliśmy zdjęcie pudełka z czerwoną naklejką "-50%" — czytelną, jednoznaczną, bez żadnej dwuznaczności wizualnej. Model odczytał ją bezbłędnie za pierwszym razem.
Potem dołożyliśmy fikcyjny opis strony obok tego samego zdjęcia:
Głośnik Bluetooth X200 — promocja -30%, tylko do końca tygodnia.
Cena regularna 249 zł, cena promocyjna 174 zł.Zapytaliśmy: jaka jest zniżka? Model zauważył sprzeczność — i przyznał wprost, że w praktyce, działając szybko, prawdopodobnie zacytowałby tekst HTML, nie naklejkę na zdjęciu. Nawet gdyby to naklejka pokazywała aktualną, prawdziwą cenę.
Powtórzyliśmy to z innym rodzajem konfliktu — plakietka "GLUTEN FREE" na opakowaniu mąki, obok fikcyjnego zastrzeżenia w opisie o możliwych śladowych ilościach glutenu z linii produkcyjnej. Tu stawka jest wyższa, bo dotyczy zdrowia, nie ceny. Model uznał, że powinien zacytować oba sygnały naraz — ale zastrzegł, że mniej ostrożny, szybszy agent najpewniej poprzestałby na jednym z nich, prawdopodobnie na tekście.
Dwa różne testy, ten sam mechanizm.
Dlaczego tekst wygrywa
To nie jest kwestia, że model "nie widzi" obrazu — widzi go poprawnie, co pokazała pierwsza część testu. To kwestia kosztu. Odczytanie obrazu to dodatkowy krok: uruchomienie modelu wizyjnego, przetworzenie pikseli, interpretacja tego, co znaleziono. Tekst jest już gotowy — sparsowany, jednoznaczny, tani. Kiedy agent ma do wyboru źródło pewne i tanie oraz źródło niepewne i kosztowne, sięga po pierwsze niemal odruchowo.
To nie jest już tylko wniosek z naszego testu. Wspólna analiza Vercela i MERJ na ponad 500 milionach zapytań GPTBota nie znalazła żadnego dowodu na wykonywanie JavaScriptu — to samo dotyczyło ClaudeBota i PerplexityBota. Żaden z głównych crawlerów AI obecnie nie renderuje stron tak, jak robi to przeglądarka. Parsują surowy HTML, pomijają skrypty, nie czekają na nic, co ładuje się dynamicznie.
Warto tu rozróżnić dwa tryby. ClaudeBot — crawler zbierający dane pod przyszły trening — pobiera obrazy zaskakująco często, w ponad jednej trzeciej zapytań. Ale to zbieranie surowca na później, nie analiza w reakcji na czyjeś pytanie. Claude-User — ten sam agent, kiedy odpowiada na żywo na pytanie konkretnej osoby o konkretną stronę — działa na surowym HTML, bez wykonywania JS. To właśnie ten drugi tryb dotyczy sytuacji, o której mówimy: agenta, który ma zaraz komuś odpowiedzieć, co jest napisane na Twojej stronie.
Co to znaczy dla strony
Jeśli ważna informacja — cena, skład, dostępność, liczba sztuk — istnieje tylko na grafice, a tekst strony obok jest nieaktualny albo niepełny, agent najpewniej zacytuje tekst. Nie dlatego, że tekst jest prawdziwszy. Dlatego, że jest tańszy do przeczytania.
Praktyczna konsekwencja jest prosta do zapisania, trudniejsza do wdrożenia konsekwentnie:
html
<img src="produkt.jpg"
alt="But sportowy, szary, cena 249 zł, rozmiar 42" />
<script type="application/ld+json">
{
"@type": "Product",
"price": "249",
"availability": "InStock"
}
</script>Alt-tekst i dane strukturalne nie są dodatkiem dla czytników ekranu. Dla agenta to jest domyślny, tani kanał — ten, po który sięgnie zanim w ogóle rozważy analizę obrazu. Jeśli te dwie warstwy (obraz i tekst/schema) mówią to samo, pytanie "czy agent w ogóle spojrzy na zdjęcie" przestaje mieć znaczenie — bo odpowiedź już tam jest, w miejscu, gdzie agent i tak zajrzy najpierw.
Pełny opis metodologii, wszystkie sześć obrazów testowych, zastrzeżenia dotyczące czystości tego eksperymentu oraz dane źródłowe o architekturze crawlerów (Vercel/MERJ, Anthropic) — na webflux.pl.