Jak uczynić stronę widoczną dla AI i LLM

#Wprowadzenie

Strona jest w Google, Core Web Vitals są na zielono, schema się waliduje. A gdy ktoś pyta ChatGPT, Claude, Perplexity albo Google AI Overviews o Twoją branżę, Twojej marki w odpowiedzi nie ma. Tą luką między klasycznym SEO a tym, co cytują wyszukiwarki AI, zajmuje się Generative Engine Optimization.

GEO działa obok SEO. Zajmuje się tym, jak duże modele językowe pobierają, rozumieją i cytują treści, a SEO tym, jak roboty wyszukiwarek je indeksują i układają w wynikach. Część technik służy obu, a dziedzina zmienia się szybciej niż jakikolwiek opublikowany standard. Ten przewodnik opisuje, co działa w praktyce, co jest mitem i w jakiej kolejności wdrażać kolejne dźwignie.

#Dlaczego widoczność w AI nie jest już opcją

Asystenci AI wysyłają już mierzalny ruch, ale wciąż dużo mniejszy niż organiczny Google. ChatGPT Search jest wbudowany w pasek adresu Safari na iOS u osób z zainstalowaną aplikacją. Perplexity przestało być narzędziem dla power userów i stało się produktem mainstreamowym. Claude czyta otwarty web przez swoje narzędzie wyszukiwania. Google AI Overviews pojawia się na dużej części zapytań informacyjnych w rynkach anglojęzycznych i stopniowo wchodzi do kolejnych języków.

Dwa zbiory danych z GA4 podają liczby. Marie Haynes (21 października 2026) przejrzała 12 miesięcy na 100 stronach: sesje z ChatGPT stanowiły 0,62% sesji z organicznego Google, a wejść z ChatGPT ubywa od sierpnia 2025. Na 55 stronach, które mierzyły konwersje, odwiedzający z ChatGPT mieli współczynnik konwersji 13,8%, a z Google 3,02%, mimo to Google dał 96,5% konwersji ze wszystkich porównanych kanałów. Zestawienie The SEO Works (7 września 2026, aktualizacja 14 października) objęło 95 stron od września 2025 do sierpnia 2026: wyszukiwanie organiczne dało 39 razy więcej ruchu niż asystenci AI, udział AI w ruchu organicznym wzrósł z 2,25% do 3,86%, a na 23 z 63 stron z wystarczającą ilością danych ruch z AI konwertował gorzej niż organiczny.

Skutek ekonomiczny jest prosty. Nawet gdy klient finalnie kupuje, rejestruje się albo umawia konsultację przez klasyczne wyszukiwanie, jego krótka lista została wcześniej przefiltrowana przez LLM. Jeśli nie wchodzisz na tę listę, nie bierzesz udziału w grze. SEO dalej ma znaczenie, bo zasila tę samą infrastrukturę crawlującą, z której korzysta wiele systemów AI. Ale samo SEO już nie wystarcza.

#Czym różni się wyszukiwanie AI od LLM

Obydwa pojęcia pojawiają się w praktyce i wybór jednego ma mniejsze znaczenie niż konsekwencja. “Wyszukiwanie AI” to szersze, dostępne dla użytkownika określenie. Obejmuje chatboty, narzędzia RAG, AI Overviews i systemy hybrydowe. “LLM” odnosi się konkretnie do modeli językowych pod spodem. W tym przewodniku używam “AI” dla powierzchni odkrycia i “LLM” dla technologii, która ją realizuje. Cel optymalizacji jest ten sam.

#Lista botów AI i ich user-agentów w 2026

Zanim ruszysz z kodem, poznaj, pod kogo optymalizujesz. Na kwiecień 2026 główne user-agenty to:

• GPTBot, OpenAI, trening i retrieval offline.
• OAI-SearchBot, wyszukiwanie live ChatGPT.
• ChatGPT-User, pobranie na żądanie, wywołane promptem użytkownika.
• ClaudeBot i Claude-User, Anthropic.
• PerplexityBot i Perplexity-User, Perplexity AI.
• Google-Extended, kontrolka opt-out dla treningu Gemini.
• CCBot, Common Crawl, zasilający wiele mniejszych modeli.
• Applebot-Extended, opt-out dla treningu Apple Intelligence.
• Bytespider, ByteDance.
• Meta-ExternalAgent, Meta AI.

Żaden z nich nie wykonuje JavaScript. Wszystkie respektują robots.txt. Większość identyfikuje się uczciwie. Część pobiera treść w momencie, gdy użytkownik naciska enter, co skraca cykl od dni do sekund.

#Jakie techniki GEO nie działają?

Przestrzeń GEO jest pełna folkloru. Większość propozycji nie ma empirycznego poparcia.

Własne tagi meta typu <meta name="ai-content-url"> czy <meta name="llms"> nie mają znanej implementacji w żadnym działającym produkcie LLM. Pliki takie jak /.well-known/ai.txt oraz /ai.txt mają konkurencyjne propozycje i zerową adopcję. Komentarze HTML kierowane do botów są usuwane przez każdy mainstreamowy crawler przed przetwarzaniem. Przyciski przełączania “człowiek kontra AI” wymagają kliknięcia, a boty nie klikają. Sniffowanie user-agenta, żeby serwować inną treść modelom, narusza politykę cloakingową Google i może wywołać ręczną karę. Dedykowane “strony informacyjne dla AI” nie pokazują żadnego różnicującego traktowania w cytowaniach. Czysty JSON-LD i Schema.org są czytane przez Microsoft Copilot przez Bing i nadal wpływają na klasyczne SEO, ale kontrolowane testy pokazują, że ChatGPT, Claude i Perplexity w dużej mierze ignorują strukturalne dane przy syntezie odpowiedzi.

Wzorzec jest zawsze ten sam. Ktoś ogłasza specyfikację, pisze wpis blogowy, a inne wpisy cytują ten jeden. Zanim przyjmiesz technikę GEO, zapytaj, czy istnieje dowód rzeczywistej konsumpcji, czy tylko dowód propozycji.

#Czy samopromujące rankingi typu “najlepsze narzędzia” nadal działają w AI Overviews

Artykuł “10 najlepszych narzędzi do X”, w którym wydawca stawia siebie na pierwszym miejscu, był w 2025 roku najtańszą sztuczką GEO. Przestaje działać. W aktualizacji z 4 października 2026 Lily Ray powtórzyła swoje badanie na 100 anglojęzycznych zapytaniach o najlepsze oprogramowanie B2B. W porównaniu z czerwcem AI Overviews Google cytują o 38% mniej samopromujących rankingów “najlepszych”, a markę wydawcy pomijają w rekomendacji “w 83% przypadków, wobec 69% w czerwcu” (Lily Ray, tłumaczenie własne).

Ray, powołując się na relację Johna Campbella z Search Central Live w Barcelonie, pisze, że Gary Illyes nazwał treści produkowane masowo większym problemem niż spam linkowy. Dodaje, że na wcześniejszym Search Central Live, w maju, Illyes miał porównać kupowanie wzmianek do kupowania linków.

Wokół tej sztuczki i tak wyrósł rynek. Ray wymienia płatne miejsca w cudzych rankingach, wyceniane według Domain Rating strony, zwykle od około 135 do 250 USD za sztukę, oraz pakiety “wzmianek o marce w AI”, np. 5 wzmianek za 1500 USD. To ceny rynkowe cytowane w jej artykule, nie moje stawki, i takich usług nie sprzedaję ani nie polecam. Jeśli kupujesz artykuły sponsorowane na polskich portalach z wysokim DR, oceniaj takie oferty tak samo: to ten sam model, tylko odbiorcą jest model językowy zamiast Googlebota. Jeśli porównanie Illyesa się utrzyma, kupiona wzmianka niesie to samo ryzyko co kupiony link.

#Dlaczego zmyślone statystyki cytuje AI i inne strony

Metehan Yesilyurt z Peec AI doprowadził zasadę “publikuj statystyki, zbieraj cytowania” do absurdu (7 października 2026). Kupił nową domenę i w jeden dzień wygenerował GPT-4.1 50 000 stron ze statystykami, za około 30 USD; z 15 000 listicli dodanych później cały eksperyment kosztował około 50 USD. Sam pisze: “Każda z nich była fałszywa” (Peec AI, tłumaczenie własne). Strona zebrała ponad 330 domen linkujących, w tym Shopify, Bluehost i DHL. W ciągu ostatnich 30 dni dostała ponad 600 000 zapytań od botów, z czego około 72 000 od ChatGPT-User. Dwie aktualizacje Google tuż po starcie położyły jej widoczność w Google, a mimo to 7 października była druga pod względem widoczności na śledzonych promptach, za samą Statistą.

Wnioski są dwa. Liczba powtórzona przez ChatGPT i przez znaną markę nie jest przez żadne z nich sprawdzona. Zanim zacytujesz statystykę w swoim tekście albo w ofercie dla klienta, dojdź do pierwotnego badania, jego metody i próby, a jeśli ślad kończy się na stronie bez metodologii, wyrzuć tę liczbę. I nie kopiuj tej taktyki: widoczność w Google nie przetrwała dwóch aktualizacji, a każdy, kto powtórzy zmyśloną liczbę, niesie ją dalej. Dźwignia “weryfikowalnych statystyk” opisana niżej działa tylko wtedy, gdy statystyki są prawdziwe.

#Co decyduje o tym, czy AI zacytuje stronę?

Aktualizacja, 18 października 2026. ChatGPT, Gemini i Perplexity cytują stronę wtedy, gdy znajdzie ją ich własne wyszukiwanie. W obrębie jednej witryny z cech treści pomaga tylko tytuł i akapit dopasowane do pytania. Tak wynika z badania Mahe Chen i Nicka Koudasa z University of Toronto, opublikowanego w arXiv 10 października 2026. Autorzy przez dwa okresy po 90 dni codziennie zadawali tym silnikom pytania zakupowe przez API i zebrali 158 099 odpowiedzi z 468 037 cytowaniami. Pierwszy zbiór dotyczy amerykańskiego rynku domowego internetu, zdominowanego przez kilka dużych marek, drugi małych dostawców oprogramowania dla firm.

Przy porównaniu stron tej samej witryny wszystkie testy odporności autorów przechodzą tylko dwie cechy: tytuł i najlepszy akapit zgodne z pytaniami, które zadają ludzie. Bloki FAQ, znaczniki schema.org, ramki z podsumowaniem, boks autora i szybkość strony wyglądają na skuteczne wyłącznie przy porównaniu różnych witryn, bo częściej stosują je serwisy cytowane z innych powodów: blok FAQ ma 43% stron w najczęściej cytowanej ćwiartce witryn i 23% w najrzadziej cytowanej. Efekt akapitu występuje we wszystkich trzech silnikach. Dopasowany tytuł pomaga w Gemini i Perplexity, a w ChatGPT nie daje efektu, bo ChatGPT przepisuje każde pytanie na własne zapytania.

Każdą stronę, którą cytuje ChatGPT, wcześniej zwróciło jego własne wyszukiwanie. To, które strony wyszukiwanie pobiera, wyjaśnia 32% różnic w cytowaniach między stronami jednej witryny, a wszystkie cechy strony razem 2,8%. Silniki szukają zapytaniami, które przy każdej odpowiedzi formułują od nowa, i 97% stron pobranych przez ChatGPT nie ma w pierwszej pięćdziesiątce Google dla tych zapytań. Wysoka pozycja w Google mówi więc niewiele o widoczności w odpowiedziach AI. Linki to jedyny zewnętrzny sygnał, który wpływa na pobieranie, głównie w Gemini. Zmierzono je jednak po cytowaniach, więc kierunek zależności pozostaje nieznany.

Działa też pamięć modelu. ChatGPT wpisuje markę do swoich zapytań w 67% przypadków, gdy jego model poleca ją dla danego pytania bez wyszukiwania, i w 11% w pozostałych. 46% jego wzmianek o markach, których pytanie nie wymienia, nie ma oparcia w żadnej cytowanej stronie. Na rynku małych dostawców B2B, których model prawie nie zna, cytowana strona zewnętrzna wymieniająca dostawcę zwiększała szansę jego wzmianki w ChatGPT 39,7 raza, wobec 4,2 raza na rynku konsumenckim.

Bloki FAQ i schema.org nadal dają wyniki rozszerzone w Google i ułatwiają maszynom parsowanie strony. Te dane nie potwierdzają ich jako dźwigni cytowań w AI wewnątrz własnej witryny. Utrzymuje się tytuł i najlepszy akapit, które odpowiadają na pytanie jego własnymi słowami, strony faktycznie pobierane przez wyszukiwanie silnika i wzmianki w serwisach zewnętrznych, najważniejsze dla małej firmy. Wyniki to korelacje z małych modeli dostępnych przez API (GPT-5.4 nano, Gemini 3.1 Flash Lite, Sonar), uzyskane na anglojęzycznych pytaniach o rynek USA, więc sprawdź je na własnych pytaniach, zanim zmienisz priorytety.

Drugi test, z października 2026, pokazuje, gdzie dane strukturalne giną po drodze. Rick Ramos z serptwerker.com umieścił fakt wyłącznie w JSON-LD na 60 stronach testowych i sprawdził go w 21 600 próbach na poziomie modelu oraz w 1644 pobraniach przez narzędzia dostawców. Gdy model dostaje treść bezpośrednio, fakt z JSON-LD działa tak samo jak ten sam fakt zapisany prozą. Przy pobieraniu strony przez asystenta wygląda to inaczej: web fetch Claude i wyszukiwanie GPT-5.5 podały fakt 0 razy na 100, bo JSON-LD nie dociera do modelu, a Gemini przez URL context odczytał go w 92 próbach na 100 (Flash) i 89 na 89 (Pro). Aplikacje ChatGPT i Claude.ai nie zwróciły go ani razu. Dla sklepu WooCommerce i strony firmowej na WordPressie wniosek jest prosty: adres, godziny, zakres usługi i każdy inny fakt, który ma trafić do odpowiedzi AI, musi stać w widocznym tekście strony. Schema ma się z tym tekstem zgadzać, bo Gemini Pro w 8 próbach na 20 podał nieaktualną odpowiedź z bloku FAQPage.

Trzeci pomiar dotyczy samych źródeł w AI Overviews. Barlo Digital opublikowało 8 października 2026 wynik jednego przebiegu z 5 października: 117 amerykańskich wyszukiwań desktopowych o zatrudnieniu pomocy marketingowej. AI Overview pojawił się przy 97 z nich (83%), a 90 podawało źródła. Te 90 odpowiedzi cytowało 402 różne domeny, z czego 329 (82%) tylko raz. YouTube wystąpił w 60% przeglądów, Reddit w 34%, LinkedIn w 19%, a katalogi agencji takie jak Clutch w 8%. Autorzy radzą: “Dbaj o aktualność profili w katalogach, ale nie oczekuj, że to one zapewnią widoczność w AI” (tłumaczenie własne). To jedna nisza i jeden dzień pomiaru, ale przy tak rozproszonych cytowaniach strona, która jasno odpowiada na konkretne pytanie, ma realną szansę trafić do źródeł.

#Jak zwiększyć widoczność strony w AI

Uporządkowane według wpływu dla typowego serwisu nasyconego treścią.

#1. Audyt robots.txt na początek

Najpierw robots.txt: bot zablokowany w tym pliku nie pobierze strony, którą mógłby zacytować. Wiele serwisów wciąż ma reguły disallow dla botów AI z 2023 roku, kiedy spór dotyczył danych treningowych. Każdego z siedmiu botów poniżej wpuszcza się albo blokuje osobnym wpisem, więc decyzję podejmuje się dla każdego bota z osobna. Rozsądny domyślny zestaw dla firmy, która chce widoczności w AI:

User-agent: GPTBot
Allow: /

User-agent: OAI-SearchBot
Allow: /

User-agent: ChatGPT-User
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Google-Extended
Allow: /

User-agent: CCBot
Allow: /

Jeśli chcesz widoczności w ChatGPT, ale nie zgadzasz się na użycie treści do treningu, dopuść OAI-SearchBot i ChatGPT-User, a zablokuj GPTBot. OpenAI udokumentowało ten podział. Apple, Google i Anthropic oferują podobne kontrolki.

#2. Wersja Markdown każdej strony

To najbardziej dźwigniowa zmiana techniczna na liście. Udostępnij czystą wersję Markdown każdej strony pod tym samym URL z sufiksem .md, na przykład /blog/wpis i /blog/wpis.md. Wersja Markdown pozbawia plik nawigacji, stopki, skryptów analitycznych, banerów cookie i wszystkiego, co nadmuchuje liczbę tokenów bez wartości informacyjnej.

Niezależne pomiary na różnych serwisach spójnie pokazują redukcję liczby tokenów o 70 do 85 procent, gdy Markdown zastępuje wyrenderowany HTML. Wpis blogowy o długości 15 000 tokenów zwykle schodzi do 3 000. To się liczy, bo gdy LLM pobiera Twoją stronę, żeby odpowiedzieć na prompt, ma skończony budżet kontekstu. Mniejsze, czystsze treści mieszczą się w nim pełniej i cytują wierniej.

Na Astro, Next.js albo dowolnym framework’u static-first wygenerowanie endpointów .md z tej samej kolekcji treści, która zasila widok HTML, to praca na jedno przedpołudnie. Markdown powinien zawierać tytuł, datę publikacji, autora, krótkie streszczenie, treść i wyraźnie oznaczone cytaty.

#3. Oznajmij istnienie wersji Markdown

Bot LLM docierający na stronę HTML musi odkryć, że istnieje rodzeństwo Markdown. Dwa uzupełniające się mechanizmy obsługują dwie klasy klientów.

W sekcji head:

<link rel="alternate" type="text/markdown" href="/blog/wpis.md" />

W nagłówku odpowiedzi HTTP:

Link: </blog/wpis.md>; rel="alternate"; type="text/markdown"

Tag HTML dociera do parserów czytających DOM. Nagłówek HTTP dociera do headlessowych agentów, którzy robią HEAD albo GET i w ogóle nie parsują markupu. Koszt wdrożenia to jedna linia w layoucie i jeden wpis w konfiguracji nagłówków CDN. Zysk: crawlery nie muszą już zgadywać Twojego schematu URL.

#4. Negocjacja treści na Accept: text/markdown

Negocjacja treści HTTP jest w standardzie od 1997 roku. Gdy klient wysyła Accept: text/markdown, zwróć reprezentację Markdown z tego samego URL. Połącz to z Vary: Accept, żeby CDN poprawnie cache’ował każdą reprezentację. Claude Code, Cursor i kilka agentów badawczych już domyślnie wysyła ten nagłówek. Negocjacja treści to najbardziej prawdopodobny długoterminowy standard, bo nie wymaga nowych specyfikacji i korzysta z istniejącego stosu HTTP. Na Cloudflare Workers implementacja mieści się w dwudziestu linijkach.

Co zmierzyła jedna strona, październik 2026: w logach Cloudflare Amira Pournasseriana z jego prywatnej strony crawlery trafiały do Markdowna przez adresy .md podane w nagłówku <head> każdej strony. Od 10 do 17 października 2026 siedem zweryfikowanych crawlerów (Amazonbot, ExaUser, OAI-SearchBot, GPTBot, Applebot, ClaudeBot i Meta-ExternalAgent) wysłało 143 żądania o kopie. Negocjację na Accept: text/markdown autor włączył 18 października i w pierwszych 49 minutach skorzystał z niej jeden zweryfikowany crawler, ExaSearchBot. Nie znalazł operatora crawlerów, który dokumentowałby wysyłanie tego nagłówka. Wysyłają go narzędzia programistyczne, takie jak Claude Code, OpenCode i czat w VS Code. Z tych danych wynika, że do crawlerów trafia dziś link w <head> i stały adres .md, a z negocjacji korzystają agenci programistyczni. Jedna mała strona prywatna, osiem dni dla kopii i niecała godzina dla negocjacji.

#5. Opublikuj llms.txt i llms-full.txt

Dwa pliki w korzeniu serwisu załatwiają sprawę.

/llms.txt to kuratorowany indeks Markdown. Wymienia najważniejsze strony pogrupowane tematycznie z jednolinijkowymi opisami. Pomyśl o nim jak o README dla modelu, któremu zadano pytanie o Twój serwis.

/llms-full.txt skleja pełną treść Markdown Twoich kluczowych stron w jeden plik. Analityka u różnych wydawców pokazuje, że trafia do niego istotnie więcej ruchu z LLM niż do krótkiego indeksu. Generuj oba w czasie buildu z tej samej kolekcji treści i odświeżaj przy każdym wdrożeniu. Żaden duży dostawca LLM nie zobowiązał się formalnie do czytania tych plików, ale pojawiają się w logach wystarczająco często, żeby uzasadnić czas wdrożenia.

#6. Inwestuj w jakość widocznej treści

To największa i najczęściej pomijana dźwignia. LLM syntezują odpowiedzi, ważąc zdania kandydatów ze stron, które pobrały. Zdania zawierające konkretne, przypisywalne informacje mają wyższą wagę niż mgliste twierdzenia. “Badania pokazują, że widoczność w AI ma znaczenie” jest niemal bezużyteczne. “Niezależne testy w 2026 pokazały, że bezpośrednie cytaty od nazwanych ekspertów podnoszą wskaźnik cytowań o około 43 procent” to zdanie, które jest cytowane.

Trzy ruchy konsekwentnie zwiększają cytowania AI na treściach wcześniej słabo cytowanych:

• Bezpośrednie cytaty od nazwanych ekspertów.
• Weryfikowalne statystyki z jasno przypisanym źródłem.
• Autorytatywne odnośniki wychodzące do źródeł pierwotnych.

Każdy z tych sygnałów jest widoczny. Żaden ukryty. Dla agencji WordPress, firmy SaaS czy dowolnego biznesu z ekspertyzą branżową praktyczne tłumaczenie brzmi: przestań pisać generyczne listy, zacznij pisać artykuły nazywające konkretne wersję, daty, osoby i liczby. Cytuj źródła w tekście. Cytuj własny zespół z imienia i nazwiska. Podawaj rok i wersję każdego narzędzia, które wspominasz. To dobre dziennikarstwo i to jest GEO.

#Checklista SEO i GEO na 2026

Crawlowalność i indeksacja:

• robots.txt dopuszcza zarówno klasyczne boty wyszukiwarek, jak i user-agenty AI, w których chcesz być widoczny.
• XML sitemap jest świeży i zgłoszony do Google Search Console oraz Bing Webmaster Tools.
• Linkowanie wewnętrzne ma jasną strukturę tematyczną. Hub i spoke albo mapy tematyczne.
• Tagi canonical są poprawne na zduplikowanych lub sparametryzowanych URL-ach.

On-page, które dalej ma znaczenie dla ludzi i dla retrievalu LLM:

• Opisowe, zoptymalizowane pod słowa kluczowe tytuły i H1 w sentence case.
• Jedno H1 na stronę, logiczna hierarchia H2 i H3.
• Meta description pisane dla ludzi, nie przesiąknięte słowami kluczowymi.
• Typy Schema.org pasujące do treści, w tym Article, FAQPage, Product, Organization, Person i HowTo, dla wyników rozszerzonych Google i parsowania (o cytowaniach w AI zob. aktualizację z 18 października 2026 wyżej).
• Alt obrazków opisujący obrazek, nie słowo kluczowe.

Core Web Vitals. Boty AI nie uruchamiają JavaScript, ale klasyczne wyszukiwarki tak:

• LCP poniżej 2,5 sekundy na mobile.
• CLS poniżej 0,1.
• INP poniżej 200 milisekund.

Specyficzne dla GEO:

• Endpointy Markdown dla każdej strony treściowej.
• <link rel="alternate" type="text/markdown"> w każdym layoucie.
• Nagłówek HTTP Link: na poziomie CDN.
• Negocjacja treści na Accept: text/markdown.
• /llms.txt i /llms-full.txt w korzeniu, regenerowane przy każdym wdrożeniu.
• Widoczne cytaty, wypowiedzi i statystyki w samej treści.
• Nazwane encje: ludzie, produkty, firmy, wersję i daty, używane konsekwentnie.

Pomiar:

• Server-side logowanie User-Agent i Referer na brzegu.
• Dashboard segmentujący ruch botów AI od ruchu ludzkiego i klasycznego wyszukiwania.
• Comiesięczne testowe prompty w ChatGPT, Claude, Perplexity i Gemini, żeby śledzić wzorce wzmianek marki.

#W jakiej kolejności wdrażać GEO?

Dla serwisu, który nie ma nic z tego, pracuj w tej kolejności. Każdy krok ma wartość samodzielnie.

1. Audyt i naprawa robots.txt. Nic innego nie zadziała bez tego.
2. Dodaj <link rel="alternate" type="text/markdown"> wskazujący na docelowy endpoint Markdown. Możesz to wdrożyć, zanim endpoint powstanie.
3. Zbuduj pipeline renderowania Markdown. Zacznij od typu treści z największym ruchem i rozszerzaj.
4. Dodaj nagłówek Link: i negocjację na Accept: text/markdown na poziomie CDN.
5. Wygeneruj /llms.txt i /llms-full.txt z kolekcji treści w czasie buildu.
6. Przerób flagowe artykuły, dodając nazwane encje, bezpośrednie cytaty i sourcowane statystyki. To praca redakcyjna, o największym długoterminowym wpływie.
7. Zainstaluj server-side analytics dla ruchu botów AI.

Kroki od jeden do pięciu to czysta inżynieria i zmieszczą się w jednym sprincie. Krok szósty to redakcja i procentuje przez kwartały. Krok siódmy mówi Ci, czy cokolwiek zadziałało.

#Jak mierzyć widoczność w AI

Tradycyjna analityka nie widzi większości ruchu botów AI. Nie wykonują JavaScript, więc GA4 i Plausible ich nie rejestrują. Potrzebujesz logowania po stronie serwera.

Łap na brzegu: pełny User-Agent, Referer, ścieżkę zapytania, status HTTP i rozmiar odpowiedzi. Segmentuj po wzorcach user-agenta takich jak GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot, Bytespider, CCBot, Applebot-Extended i Google-Extended, żeby zbudować tygodniowy dashboard.

Uzupełnij o śledzenie wzmianek marki. Raz w tygodniu puszczaj stały zestaw promptów przez ChatGPT, Claude, Perplexity i Gemini i zapisuj, czy Twoja marka jest cytowana, na której pozycji i z jakim fragmentem. Narzędzia takie jak Profound, Peec AI i Otterly automatyzują tę pracę. Zdyscyplinowany arkusz kalkulacyjny działa równie dobrze.

Sam dobór promptów zmienia wynik takiego pomiaru. Momentic opublikował 20 października 2026 analizę 145 498 ocenionych odpowiedzi na 8342 prompty dla 18 marek, zebranych od 13 lipca do 15 sierpnia 2026 na 11 powierzchniach odpowiedzi. Gdy prompt zawierał nazwę marki, odpowiedź wspominała ją w 91,6% przypadków, bez nazwy w 19,6%. Prośba o wybór (“co polecasz”, “najlepsze X do Y”) dawała średnio 4,55 opcji i rekomendację śledzonej marki w 22,8% odpowiedzi, wobec 1,25 opcji i 8,0% przy pytaniach bez takiej prośby. Ten sam prompt zadany tego samego dnia przeczył sam sobie co do wzmianki o marce w 4,5% grup powtórzeń dla promptów bez marki i w 5,1% dla promptów z marką. Negatywnie sformułowane pytania podnosiły odsetek odpowiedzi z zastrzeżeniem wobec marki do 67,1%, wobec 32,0% przy pozostałych. AI Overviews podawały źródła w 79% odpowiedzi, ChatGPT z przeglądaniem w 88%, a tryby API bez wyszukiwania w 0%. Autorzy zalecają: “Raportuj prompty z nazwą marki jako osobną grupę i nie wliczaj ich do głównego wskaźnika wzmianek” (tłumaczenie własne). W arkuszu oznacza to osobne grupy dla promptów z marką, bez marki i z prośbą o wybór oraz kilka przebiegów każdego promptu zamiast jednego.

Jeśli bot pobiera Twój endpoint Markdown, ale marka nigdy nie pojawia się w cytowaniach, treść jest osiągalna, ale niekonkurencyjna. Wracaj do dźwigni redakcyjnej.

#Jak odróżnić wzmiankę o marce od rekomendacji w AI

Licznik wzmianek mówi tylko, że marka się pojawiła. Nie mówi, czy odpowiedź skierowała czytelnika do niej. Tekst Seer o KPI widoczności w AI opisuje najgorszy przypadek:

“W wyszukiwaniu AI jest całkowicie możliwe, żeby się pojawić i być ANTY-polecanym”

Seer Interactive, AI visibility KPIs (oryginał po angielsku, czyli można się pokazać i zostać odradzonym), tłumaczenie własne

Przykład to odpowiedź ChatGPT, która kazała szukać poza dwiema znanymi markami wynajmu. Obie były widoczne, żadna nie była polecona. Podstawą są anegdoty, nie zbiór danych, więc to ostrzeżenie o metryce, a nie zmierzony odsetek.

W logu promptów prowadź więc dwie kolumny: cytowana i polecana. Dopisz uwagę, gdy odpowiedź odsyła gdzie indziej.

U mnie jedna kolumna by kłamała. W teście Geoboard na polskich promptach zakupowych wppoland.com miał 47% wzmianek i 0% pozycji autorytetu: jest, ale nigdy pierwszy. Piątego października 2026 przepuściłem 24 prompty bólowe po 60 powtórzeń na model, razem 2878 odpowiedzi gpt-4o-mini i gemini-2.5-flash-lite. Żadna nie wymieniła wppoland. Na pytania “kogo zatrudnić” modele podawały serwisy pośredniczące, w polskich odpowiedziach useme i freelancerzy, a nie firmy. Oba testy pytają modele bez wyszukiwania na żywo, więc mierzą pamięć modelu, nie to, co znajdzie ChatGPT z wyszukiwarką.

Warto dodać trzecią kolumnę: czy asystent zna markę z nazwy. Raport Envoyra z jesieni 2026 zadawał ChatGPT, Claude, Gemini i Perplexity pytania kupujących o pięć rodzajów oprogramowania dla firm w czterech cotygodniowych przebiegach od 13 września do 4 października 2026, łącznie 2720 odpowiedzi, a do tego 720 odpowiedzi na same nazwy marek z 7-9 października. Keap opisano poprawnie w 24 z 24 odpowiedzi o nazwę, ale polecono go tylko w 3 z 400 odpowiedzi o CRM. Profound pojawił się w rekomendacjach w 136 z 384 odpowiedzi o kategorię, a rozpoznano go tylko w 5 z 24, często mylony z inną firmą o tej samej nazwie. Tylko 144 z 680 par pytanie-asystent zwróciło tę samą listę marek we wszystkich czterech tygodniach, a cztery asystenty wskazały tego samego lidera w 1 z 5 kategorii. Envoyra sama podaje ograniczenia: sprzedaje monitoring widoczności w AI, nie publikuje pytań, Claude i Gemini działały przez API bez wyszukiwania w sieci, a test rozpoznawalności ma 6 odpowiedzi na markę i asystenta. Jak buduję takie śledzenie dla klientów: optymalizacja GEO i LLMO.

Rekomendacja potrafi też zniknąć z dnia na dzień. Lukas Campos opisał, jak menedżer wtyczek ChatGPT przez sześć dni, od 4 do 9 września 2026, polecał w rozmowach jego serwis Audioscrape: dzienna liczba rejestracji z ChatGPT była w tym czasie 36 razy wyższa niż wcześniej, a 96% rejestracji przyszło przez logowanie kontem ChatGPT, nie przez stronę firmy. Okno zamknęła zmiana po stronie platformy, nie po stronie firmy (Campos, router economy). To przypadek katalogu wtyczek, a nie cytowania strony w odpowiedzi, ale wniosek pasuje i tutaj: polecenie w asystencie jest wynajęte, więc kolumnę “polecana” mierz dzień po dniu, a ruch z takiego okna zamieniaj od razu w bezpośredni kontakt.

#Czym są zapytania fan-out i grounding?

Streszczenie SearchPilot z webinaru z Cyrusem Shepardem powstało z pomocą AI i nie jest transkrypcją. Opiera się na jego przeglądzie 54 badań o cytowaniach w AI. Rozdziela dwa rodzaje wyszukań. Fan-out to zapytania, którymi system bada prośbę: jeden prompt uruchamia wiele wyszukań w tle. Grounding to zapytania sprawdzające twierdzenie, które system chce wygłosić. Według streszczenia wiele widocznych cytowań pochodzi z etapu groundingu. Strona może więc kształtować badanie i nie zostać zacytowana, albo dostać cytat za potwierdzenie faktu bez wpływu na samą rekomendację.

Tych zapytań nie zobaczysz we własnych raportach. Relacja ROAST z Google Search Central Live w Barcelonie mówi to wprost:

“Zapytania fan-out Google nie pojawiają się w Search Console, ponieważ nie pochodzą od użytkowników.”

ROAST, Google Search Central Live Deep Dive Barcelona, day 3 recap, tłumaczenie własne

#Jakie metryki widoczności w AI śledzić

• Powtarzaj każdy prompt. Seer proponuje 10 najważniejszych promptów uruchamianych 10, 20 lub 30 razy w miesiącu i nazywa wynik metryką rozpędu, a nie “ostatecznym KPI, który umieszczasz na dashboardzie zarządu” (Seer Interactive, tłumaczenie własne).
• Patrz na ruch z Google obok ruchu z LLM. Streszczenie SearchPilot opisuje test Omio: ustrukturyzowane podsumowanie na górze strony podniosło ruch z LLM, a organiczny ruch z Google poszedł w złą stronę.

#Pytania o Markdown, blokowanie botów AI i efekty

Czy serwowanie Markdown zje mój ruch SEO? Nie. Google indeksuje kanoniczny HTML. Plik Markdown jest wtórną reprezentacją ogłaszaną przez rel="alternate", co mówi Google, żeby nie traktował go jak duplikatu.

Czy to wszystko zostanie nadużyte? LLM oceniają kandydatów na źródła po sygnałach zaufania, a nie po formacie pliku. Publikowanie Markdown nie zrobi z cienkiej treści czegoś cytowalnego. Inwestycja chroni przed ryzykiem bycia nieczytelnym, nie gwarantuje cytowania.

Czy blokować boty AI, żeby chronić treści? To decyzja biznesowa. Jeśli przychód zależy od ruchu bezpośredniego, blokowanie botów treningowych i dopuszczenie retrieval to rozsądny kompromis. Jeśli przychód zależy od odkrywalności, nie blokuj nic.

Ile czasu do pierwszych efektów? Warstwa techniczna działa w ciągu kilku dni, gdy tylko boty odświeżą strony. Warstwa redakcyjna procentuje przez kwartały. Mierzalnych zmian w cytowaniach AI oczekuj w cztery do ośmiu tygodni od wdrożenia obu warstw razem.

#Jak śledzić cytowania AI własnej strony

Wszystko powyżej zakłada, że trzeba zgadywać, czy cała ta hydraulika faktycznie działa. Nie trzeba. Przez cały kwartał testowałem ją na wppoland.com jako obiekcie testowym i opublikowałem surową metodę, nie tylko wniosek.

Jak śledziłem cytowania AI wppoland.com przez 90 dni to log z tego eksperymentu: przechwytywanie User-Agent na brzegu, tygodniowy stały zestaw promptów w czterech asystentach i krzywa cytowań tydzień po tygodniu. To referencyjna implementacja siódmego kroku z pragmatycznej kolejności powyżej, zrobiona na mojej własnej infrastrukturze, a nie opisana teoretycznie. Dla języka polskiego krzywa startuje z niższego punktu niż w wersji angielskiej, bo modele mają po prostu mniej polskich treści referencyjnych w danych treningowych, i to samo w sobie jest częścią wyniku, nie szumem.

Monitoring cytowań AI: co śledzić i jak często zamienia ten jednorazowy eksperyment w powtarzalny rytm. Ustala, jakie pola logować na brzegu, jak często odświeżać zestaw promptów bez trwonienia kwartalnego budżetu na szum, i przy jakim spadku cytowań mówię o sygnale, a nie o zwykłej tygodniowej zmienności.

Dlaczego Perplexity cytuje Twoją markę, a ChatGPT nie wyjaśnia podział, który wychodzi na jaw najszybciej, gdy zaczynasz mierzyć: ta sama strona jest regularnie cytowana przez jednego asystenta i nigdy przez drugiego, ze strukturalnych powodów niezwiązanych z jakością treści. Wiedza, który asystent premiuje jaki sygnał, zmienia to, gdzie inwestujesz redakcyjną godzinę z kroku szóstego.

Przeczytaj te trzy teksty razem, zanim zbudujesz dashboard od zera. Wzorzec inżynieryjny jest gotowy. Otwartym pytaniem jest, co Twoje własne logi mówią o Twojej własnej domenie.

#Jak pisać treści pod RAG i chunking

Nowoczesne silniki generatywne (ChatGPT Search, Perplexity, Claude) nie indeksują całych stron jako monolitycznych bloków tekstu, lecz dzielą je na 512-tokenowe fragmenty (chunki) i przekształcają w osadzenia wektorowe:

• Autonomiczne bloki semantyczne pod każdym H2 i H3: Każda sekcja artykułu musi zaczynać się od jednoznacznej, samowystarczalnej tezy wymieniającej pełną nazwę marki, technologii i badanego zagadnienia. Zastąpienie zaimków (“to”, “ono”, “ten system”) pełnymi nazwami encji gwarantuje, że po podziale tekstu wektor zachowa 100% precyzji semantycznej.
• Wiązanie encji w Schema.org (About, Mentions, SameAs): Uzupełnienie danych uporządkowanych JSON-LD o bezpośrednie odnośniki do Wikidata, Wikipedii oraz oficjalnych rejestrów państwowych pozwala algorytmom retrieval jednoznacznie odróżnić Twoją markę od podmiotów o podobnych nazwach.
• Formatowanie tabularyczne i listy porównawcze: Modele językowe wykazują ponad dwukrotnie wyższą tendencję do bezpośredniego cytowania tabel Markdown niż wielozdaniowych akapitów prozy, co czyni zestawienia parametrów potężną dźwignią cytowalności.
• Deterministyczna spójność faktograficzna: Upewnij się, że kluczowe liczby, daty wdrożeń i wskaźniki wydajności są identyczne we wszystkich wersjach językowych serwisu, co zapobiega halucynacjom modeli w wielojęzycznych sesjach pytań i odpowiedzi.
• Cykliczny audyt logów serwerowych: Analiza nagłówków pod kątem nowych botów indeksujących (takich jak OAI-SearchBot czy PerplexityBot) pozwala w porę zaktualizować reguły w pliku robots.txt.

#Długoterminowa strategia GEO dla wyszukiwania AI

GEO zmienia się co miesiąc: nowe propozycje standardów, nowe boty, nowe sposoby ważenia cytowań w dużych LLM. Potrzeby każdego systemu retrieval pozostają te same i tam inwestycja się zwraca: czyste, dobrze ustrukturyzowane treści ze źródłami, w formacie tanim do przetworzenia.

Techniczna hydraulika, czyli rodzeństwo Markdown, negocjacja treści i llms.txt, to stawka wejścia. Praca redakcyjna, czyli nazwane encje, bezpośrednie cytaty, weryfikowalne statystyki i autorytatywne odnośniki, to fosa. Infrastrukturę konkurent skopiuje w tydzień. Pięciu lat rzetelnego pisania przez nazwanych ekspertów w Twojej firmie nie skopiuje nikt.

Zbuduj hydraulikę raz. Potem spędzaj resztę czasu, pisząc rzeczy warte cytowania.

Tę samą checklistę stosuję, gdy integruję AI z WordPressem dla wydawców, którzy potrzebują cytowań, a nie kolejnej wtyczki-chatbota.