Zespół marketingu pisze artykuł „Najlepsze narzędzie do onboardingu klientów”. Tekst ma 2500 słów, frazę w tytule, w nagłówkach i w co trzecim akapicie. Kupujący pyta ChatGPT o narzędzie do onboardingu dla 20-osobowego zespołu SaaS z integracją z HubSpotem. Model cytuje stronę konkurenta, która ma 900 słów, ale podaje limit użytkowników w każdym planie, opis synchronizacji z HubSpotem i czas wdrożenia.
Tak wygląda sedno AI SEO i GEO (generative engine optimization). Model językowy składa odpowiedź najbardziej prawdopodobną dla danego pytania. Kiedy korzysta z wyszukiwania, „najbardziej prawdopodobna” oznacza w praktyce odpowiedź najlepiej pokrytą przez źródła: z warunkiem, liczbą, przykładem i ograniczeniem. Ogólnik tego nie zapewnia, nawet gdy jest popularny i dobrze wypozycjonowany.
Co mówią badania o treściach, które AI wybiera
Najczęściej przywoływane badanie w tym temacie opublikowali w 2023 roku naukowcy z Princeton i współpracownicy. Praca „GEO: Generative Engine Optimization” została przyjęta na konferencję KDD 2024. Autorzy zbudowali zbiór 10 tysięcy zapytań z 25 dziedzin i sprawdzili dziewięć sposobów przeredagowania tekstu źródłowego.
Najlepiej wypadło dodanie cytatów, statystyk i odwołań do źródeł. Według autorów takie zmiany zwiększały widoczność tekstu w odpowiedzi nawet o około 40%. Upychanie słów kluczowych dawało niewielki efekt albo żaden. W teście na Perplexity wypadło o około 10% gorzej od wersji wyjściowej. Ciekawy wynik dotyczył stron niżej w wynikach wyszukiwania: dodanie źródeł zwiększało widoczność strony z piątej pozycji o ponad 100%.
Badanie ma ograniczenia, które warto znać, zanim zrobi się z niego przepis. Testowano własny silnik oparty na GPT-3.5 i pięciu pierwszych wynikach Google oraz próbkę w Perplexity. Dzisiejsze ChatGPT, Gemini czy Claude działają inaczej. Wniosek kierunkowy pozostaje jednak użyteczny: model chętniej wykorzystuje fragment, który daje się sprawdzić.
Drugi sygnał pochodzi z danych Ahrefs o Google AI Overviews. W lipcu 2025 roku 76% cytowanych stron było w top 10 wyników dla tego samego zapytania. W aktualizacji z marca 2026 roku, na zbiorze 863 tysięcy zapytań, odsetek wyniósł około 38%, a 31% cytowanych stron było poza pierwszą setką. Ahrefs zastrzega, że zmienił sposób wykrywania cytowań, więc liczb nie da się porównać jeden do jednego. Jako możliwą przyczynę wskazuje query fan-out, czyli rozbijanie pytania na podpytania, które Google opisuje w swojej dokumentacji.
Wniosek dla redakcji: dobra pozycja na główną frazę pomaga, ale nie wystarcza. Strona może zostać zacytowana za odpowiedź na podpytanie, na przykład o limit użytkowników albo o czas wdrożenia. Jeśli tej odpowiedzi nie ma, nie ma też powodu, żeby ją cytować.
Przy okazji: wpadka AI Overviews z maja 2024 roku, kiedy system polecał dodanie kleju do sosu na pizzy, pokazała mechanizm od drugiej strony. Google wyjaśniło, że przy rzadkich pytaniach brakowało rzetelnych treści, więc system sięgał po satyrę i żartobliwe wpisy z forów. Gdy nikt nie odpowiada konkretnie, odpowie ktokolwiek.
Jak zbudować fragment, który AI może wykorzystać
Jednostką pracy nie jest cała strona, tylko fragment: akapit, wiersz tabeli albo odpowiedź w FAQ, który ma sens wyjęty z kontekstu. Dobry fragment ma pięć elementów:
- Odpowiedź na początku. Pierwsze zdanie rozstrzyga pytanie: „Tak, integracja z HubSpotem jest dwukierunkowa”.
- Nazwany podmiot. Pisz „Integracja [produkt] z HubSpotem”, a nie „nasza integracja”. Fragment wyjęty ze strony musi nadal mówić, o kim jest.
- Warunek. Plan, limit, region, wersja: „dostępna w planie Business, do 50 użytkowników”.
- Dowód. Liczba, data, link do dokumentacji, metodologia, nazwany klient, jeśli masz zgodę.
- Ograniczenie. Czego produkt nie robi albo kiedy nie jest najlepszym wyborem. To zwiększa wiarygodność, a nie ją obniża.
Porównaj dwie wersje tego samego akapitu. Przed: „Nasza platforma łatwo integruje się z popularnymi CRM-ami i pozwala oszczędzić czas zespołu”. Po: „Integracja [produkt] z HubSpotem synchronizuje kontakty i firmy w obu kierunkach co 15 minut. Jest dostępna w planie Business. Pola niestandardowe wymagają ręcznego mapowania przy konfiguracji”. Druga wersja odpowiada na trzy podpytania. Pierwsza nie odpowiada na żadne.
Formaty, które często pomagają: definicja w jednym zdaniu, tabela porównawcza z jawnymi kryteriami, krótka odpowiedź w FAQ, lista kroków wdrożenia z czasem trwania. Nie są magiczne. Pomagają, bo wymuszają konkret.
Najczęstsze problemy zespołów
Pisanie pod frazę zamiast pod pytanie. Tekst powtarza „najlepsze narzędzie do onboardingu”, ale nie mówi, dla kogo, za ile i z jakimi integracjami.
Fakty rozrzucone po podstronach. Cena jest w cenniku, limit w dokumentacji, warunek integracji w PDF-ie od działu sprzedaży. Żaden fragment nie ma całej odpowiedzi.
Marketingowe ogólniki. „Kompleksowe”, „intuicyjne”, „skalowalne”. Model nie ma czego z tego wyciągnąć, a czytelnik nie ma czego sprawdzić.
Sprzeczności między materiałami. Strona mówi o 14 dniach wdrożenia, dokumentacja o „około miesiącu”. Model może wybrać którąkolwiek wersję albo źródło zewnętrzne. Więcej o tym w tekście o tym, co zrobić, gdy AI podaje błędne informacje o firmie.
Wiara w skróty techniczne. Google pisze wprost, że do AI Overviews i AI Mode nie trzeba nowych plików, plików tekstowych dla AI ani specjalnych znaczników. Dla ChatGPT ważne jest, aby robots.txt nie blokował robota OAI-SearchBot. To warunki dostępu, a nie przewaga treści.
Brak ponownego pomiaru. Zespół wdraża zmianę i nie sprawdza tych samych pytań w tych samych modelach po kilku tygodniach.
Ile to trwa bez profesjonalnych narzędzi
Załóżmy, że chcesz przygotować jedną stronę produktową pod pięć pytań kupujących i sprawdzić je w czterech modelach: ChatGPT, Gemini, Claude i Grok. Nasza robocza kalkulacja ręcznej pracy wygląda tak:
| Etap | Co obejmuje | Szacunkowy czas |
|---|---|---|
| Zebranie odpowiedzi | 5 pytań × 4 modele, zapis odpowiedzi i linków | 1,5–2,5 h |
| Czytanie źródeł | Zwykle kilkanaście do kilkudziesięciu unikalnych stron | 4–8 h |
| Porównanie ze stroną | Co mają źródła, czego brakuje u Ciebie, fragment po fragmencie | 2–4 h |
| Zebranie faktów | Rozmowy z produktem, wsparciem, sprzedażą | 2–4 h |
| Redakcja i akceptacja | Przepisanie fragmentów, przegląd eksperta | 3–5 h |
Razem wychodzi od kilkunastu do ponad dwudziestu godzin na jedną stronę i pięć pytań. Przy dziesięciu stronach to kilka tygodni pracy jednej osoby, a odpowiedzi modeli zdążą się w tym czasie zmienić. Najdroższa część to nie pisanie, tylko diagnoza: ustalenie, czego konkretnie brakuje i dlaczego.
Jak TextRank skraca tę pracę
TextRank zajmuje się właśnie diagnozą. Dla wybranego pytania kupującego zbiera odpowiedzi ChatGPT, Gemini, Claude i Grok oraz źródła, które każdy model przywołuje. Następnie zestawia je z Twoją stroną fragment po fragmencie: sprawdza bezpośredniość odpowiedzi, jasność encji, gęstość faktów i samodzielność fragmentu.
Wynikiem jest plan zmian, a nie sam score: co zostawić, co przepisać, jaki dowód dodać i czy potrzebny jest osobny materiał. Każda rekomendacja jest połączona z promptem, odpowiedzią modelu i źródłem, więc ekspert produktu wie, jaki fakt ma potwierdzić. Etapy zbierania odpowiedzi, czytania źródeł i porównania, czyli największa część tabeli powyżej, odbywają się w narzędziu. Zespołowi zostaje decyzja, potwierdzenie faktów i redakcja.
TextRank nie napisze za Ciebie faktów, których firma nie ma, i nie gwarantuje cytowania. Pokazuje, czego brakuje, i pozwala sprawdzić efekt w kolejnym audycie. Jeśli chcesz zobaczyć, jak analizować same cytowane źródła, przeczytaj jak analizować treści, które cytuje ChatGPT. Dla stron produktowych B2B SaaS przygotowaliśmy osobny poradnik GEO dla B2B SaaS.
Sprawdź pierwszą stronę w TextRank.
Jak wybrać narzędzia do analizy i briefu
Przed pisaniem wybierz pytanie i ustal fakty. Narzędzie może pomóc sprawdzić kompletność odpowiedzi, kontekst tematu albo źródła AI. Brief powinien potem wskazać brakującą informację i osobę, która ją zatwierdzi. Wysoki score sam w sobie nie zastępuje tego uzasadnienia.