Analiza słów kluczowych pod AI - query fan-out, pytania z rozmów i frazy, których nie pokaże żadne narzędzie

Research słów kluczowych przez dwie dekady sprowadzał się do jednego ruchu: znajdź frazę z dużym wolumenem i niską konkurencją, napisz pod nią artykuł, powtórz. W erze AI ten ruch przestał działać - nie dlatego, że słowa kluczowe zniknęły, tylko dlatego, że zmieniło się to, jak wyszukiwarka rozumie zapytanie. Google w AI Mode nie dopasowuje jednej frazy do jednej strony. Rozbija Twoje pytanie na dziesiątki równoległych pod-zapytań, przeszukuje je jednocześnie i syntetyzuje odpowiedź z wielu źródeł naraz. Ten mechanizm nazywa się query fan-out i to on decyduje dziś o tym, czy jesteś widoczny.

Google w AI Mode nie szuka jednej frazy - rozbija Twoje pytanie na dziesiątki równoległych pod-zapytań (query fan-out) i syntetyzuje odpowiedź z wielu źródeł. To wywraca research słów kluczowych: liczy się pokrycie całej intencji, a nie pojedyncza fraza z autouzupełniania. Kompletny warsztat: mechanika fan-out, research promptów zamiast keywordów, taksonomia intencji konwersacyjnych, 6 źródeł tematów i mapowanie na klastry.

Konsekwencja jest brutalna dla starego podejścia: nie wygrywasz już pojedynczą frazą, tylko pokryciem całej intencji stojącej za pytaniem. A skoro tak - research przestaje być polowaniem na słowa, a staje się mapowaniem pytań, jakie realni ludzie zadają maszynie w rozmowie. W tym wpisie pokazuję, jak ten research prowadzić od podstaw: jak działa fan-out, czego naprawdę szukają użytkownicy, jak klasyfikować intencje konwersacyjne, skąd brać tematy, których nie ma w żadnym narzędziu do keywordów, i jak zamienić to wszystko w klastry treści.

Czym jest query fan-out - jak AI rozbija jedno pytanie na dziesiątki

Klasyczna wyszukiwarka brała Twoje zapytanie i szukała stron najlepiej dopasowanych do tych konkretnych słów. AI Mode działa inaczej: traktuje pytanie jako intencję do rozłożenia na części. Zadaj złożone pytanie, a system w tle generuje wiązkę powiązanych pod-zapytań, odpytuje je równolegle, zbiera wyniki z różnych źródeł i dopiero z nich składa jedną odpowiedź. To właśnie query fan-out.

Zobaczmy to na konkretnym przykładzie. Użytkownik nie wpisuje już „CRM budowlany" - pyta pełnym zdaniem, a AI rozkłada to na wachlarz zapytań:

Zapytanie użytkownika:  "jaki CRM dla małej firmy budowlanej w Polsce"Rozbicie AI Mode na równoległe pod-zapytania:  - najlepszy CRM dla małej firmy  - CRM z modułem dla branży budowlanej  - CRM po polsku z fakturowaniem i JPK  - integracja CRM z kosztorysami / systemem księgowym  - CRM dla zespołu do 5 osób - cennik  - opinie i porównania popularnych CRMSynteza -> jedna odpowiedź z cytatami z wielu źródeł naraz

Wniosek dla researchu: nie ma już sensu celować w jedno „główne słowo kluczowe". Twoja strona ma szansę zostać zacytowana, jeśli mocno odpowiada na którekolwiek z tych pod-zapytań - a najlepiej na kilka naraz. Dlatego pokrycie tematu wygrywa z optymalizacją pod pojedynczą frazę. To ta sama logika, która stoi za budowaniem topical authority i za optymalizacją pod AI Overviews.

Dlaczego klasyczny research keywordów przestał wystarczać

Stary research nie jest błędny - jest niekompletny. Skupia się na tym, co da się zmierzyć w narzędziu (wolumen, trudność), i ignoruje to, czego w narzędziu nie widać: całą długoogonową, konwersacyjną warstwę pytań, których nikt nie wpisuje w polu wyszukiwania, bo zadaje je maszynie w rozmowie.

Najważniejszy wiersz to długi ogon. Zapytania o zerowym „wolumenie" w narzędziu nie są martwe - są niewidoczne dla narzędzia, ale żywe w rozmowach z ChatGPT i w AI Mode. To właśnie „słowa, których nikt nie wpisuje": pełne zdania, pytania doprecyzowujące, warianty z kontekstem. W modelu fan-out to one budują odpowiedź.

Od słów kluczowych do promptów - research tego, o co ludzie naprawdę pytają

Skoro użytkownicy rozmawiają z wyszukiwarką, jednostką researchu przestaje być fraza, a staje się prompt - realne pytanie w naturalnym języku. Research promptów polega na zebraniu pytań, jakie Twój klient zadaje na każdym etapie decyzji, i to w takiej formie, w jakiej je zadaje: „czy X nadaje się do Y", „ile realnie kosztuje X", „co jest lepsze, X czy Z, jeśli mam ograniczenie W".

To nie kosmetyczna zmiana słownictwa. Prompt niesie kontekst, którego goła fraza nie ma: sytuację użytkownika, ograniczenia, etap lejka. A model - i AI Mode - właśnie po tym kontekście dobiera źródła. Dlatego dobrze zrobiony research promptów to jednocześnie research intencji.

Taksonomia intencji konwersacyjnych

Żeby research nie był workiem przypadkowych pytań, warto je klasyfikować po intencji. W erze konwersacyjnej klasyczny podział (informacyjne / nawigacyjne / transakcyjne) jest zbyt gruby. Praktyczna taksonomia, której używam:

Ta klasyfikacja ma cel praktyczny: każda intencja wymaga innego formatu odpowiedzi na stronie. Pytanie porównawcze domaga się tabeli, proceduralne - listy kroków, weryfikacyjne - twardych danych i sygnałów E-E-A-T. Jeśli treść ma format zgodny z intencją, wygrywa retrieval; jeśli nie - nawet trafny temat nie zostanie zacytowany.

Sześć źródeł tematów, których nie znajdziesz w narzędziu do keywordów

Narzędzie do keywordów pokaże Ci to, co już wpisują inni. Prawdziwa przewaga jest w źródłach, które pokazują pytania, zanim staną się popularnymi frazami. Sześć, po które sięgam:

1. 1.Search Console - Twoje realne zapytania. Raport skuteczności to najbardziej niedoceniane źródło. Wyeksportuj zapytania z 12-16 miesięcy i odfiltruj te w formie pytań (jak, dlaczego, czy, kiedy, ile). To pokazuje, na co już jesteś wyświetlany - często na pytania, o których istnieniu nie wiedziałeś. Od połowy 2025 w tych danych są też zapytania z AI Mode (bez osobnego filtra), więc długie, konwersacyjne frazy w raporcie często pochodzą właśnie stamtąd.
2. 2.People Also Ask i autouzupełnianie. Rozwijające się drzewo pytań pokrewnych. Każde kliknięcie w „Podobne pytania" generuje kolejne - to gotowa mapa pod-intencji wokół tematu.
3. 3.Odpowiedzi samych modeli. Zadaj ChatGPT lub Perplexity pytanie swojego klienta i przeczytaj, jakie wątki poruszają w odpowiedzi. To pod-zapytania, które model uważa za istotne - czyli dokładnie te, które musisz pokryć, żeby zostać zacytowanym.
4. 4.Fora i treści użytkowników. Reddit, Wykop, grupy branżowe, sekcje Q&A. Tu ludzie piszą pytania własnym językiem, bez „optymalizacji" - a modele AI chętnie z tych źródeł cytują.
5. 5.Luka wobec konkurencji. Nie po to, żeby kopiować ich frazy, ale żeby znaleźć pod-tematy, których nie pokrywają. W modelu fan-out wygrywa ten, kto odpowiada na pytanie pominięte przez resztę.
6. 6.Rozmowy sprzedażowe i support. Pytania, które klient zadaje człowiekowi, zanim zada je Google. To najczystsze źródło intencji transakcyjnej i weryfikacyjnej - i zwykle całkowicie nieobecne w narzędziach.

Zestaw tych sześciu źródeł daje coś, czego nie da żadne pojedyncze narzędzie: pełen język Twojego klienta, od pierwszego problemu po moment zakupu.

Jak zamienić research w klastry treści

Zebrane pytania są bezużyteczne jako płaska lista. Wartość powstaje, gdy je pogrupujesz. Proces:

• Grupuj po intencji i temacie, nie po frazie. Dziesiątki wariantów tego samego pytania to jeden temat, nie dziesięć. Semantycznie bliskie pytania (np. przez embeddingi albo ręcznie) tworzą jeden klaster.
• Wyznacz filar i satelity. Każdy klaster to jeden artykuł-filar pokrywający temat szeroko i kilka wspierających, które odpowiadają na konkretne pod-pytania. To model hub-and-spoke z wpisu o topical authority.
• Zmapuj na istniejące treści, zanim napiszesz nowe. Sprawdź w GSC, czy już nie rankujesz na dane pytanie inną stroną - jeśli tak, aktualizuj ją, zamiast tworzyć drugą i kanibalizować własny ruch.
• Zapisz brief z pytaniami jako nagłówkami. Pytania z researchu wprost stają się nagłówkami H2. Dzięki temu strona odpowiada na pod-zapytania fan-out dokładnie w formie, w jakiej padają.

Efektem nie jest lista fraz, tylko mapa tematyczna: co napisać, w jakiej kolejności i jak to połączyć - fundament, na którym GEO i widoczność w AI w ogóle się opierają.

Narzędzia - co realnie działa w 2026

Nie potrzebujesz drogiego stosu, żeby zacząć. Kolejność według realnej wartości:

• Google Search Console - darmowe i najważniejsze. Twoje faktyczne zapytania, wyświetlenia i CTR. Punkt startowy każdego researchu.
• Klasyczne narzędzia (Ahrefs, Semrush) - nadal przydatne do wolumenu, trudności i analizy luki, coraz częściej z modułami AI. Traktuj je jako jedno ze źródeł, nie jako całą prawdę.
• Narzędzia do drzew pytań (AlsoAsked, AnswerThePublic) - szybkie mapowanie People Also Ask wokół tematu.
• Google Trends - walidacja sezonowości i momentum: czy pytanie rośnie, czy wygasa. Nie zastępuje researchu intencji, ale pomaga ustalić priorytet i moment publikacji, żeby nie pisać pod temat, który już opada.
• Same modele (ChatGPT, Perplexity) - najlepsze narzędzie do researchu pod-intencji i języka klienta. Zadaj pytanie, przeanalizuj strukturę odpowiedzi i cytowane wątki.
• Embeddingi do klastrowania - przy dużej liczbie pytań grupowanie semantyczne wektorami zamienia chaos w klastry w minuty; jak to zautomatyzować, opisuję w automatyzacji SEO z agentami AI.

W sklepie internetowym research kończy się przypisaniem fraz do kategorii, filtrów i kart produktów. Jak to zrobić, z mapą fraz dla przykładowej kategorii, pokazuję we wpisie o słowach kluczowych dla sklepu internetowego.

Najczęstsze błędy

• Gonienie za wolumenem zamiast za intencją. Fraza z dużym wolumenem, ale niejasną intencją, konwertuje gorzej niż precyzyjne pytanie z „zerowym" wolumenem w narzędziu.
• Jeden artykuł = jedna fraza. W modelu fan-out to przepis na cienkie treści, które przegrywają z jedną stroną pokrywającą temat kompleksowo.
• Ignorowanie długiego ogona i pytań konwersacyjnych. To dokładnie ta warstwa, która napędza cytowania w AI.
• Brak mapowania na istniejące treści. Tworzenie nowej strony na temat, na który już rankujesz, to samokanibalizacja - częsty i kosztowny błąd.
• Pomijanie pomiaru cytowań. Jeśli mierzysz tylko pozycje, nie zobaczysz połowy efektu; potrzebny jest audyt widoczności w AI i pomiar ruchu z modeli.

Plan wdrożenia krok po kroku

1. 1.Wyeksportuj zapytania z GSC (12-16 miesięcy) i odfiltruj pytania (jak, dlaczego, czy, ile, kiedy).
2. 2.Rozbuduj o drzewa pytań z People Also Ask i autouzupełniania (AlsoAsked).
3. 3.Odpytaj modele pytaniami klienta i zbierz pod-wątki z ich odpowiedzi - to gotowa lista pod-zapytań fan-out.
4. 4.Dodaj język forów, UGC i rozmów z supportem - najczystsza intencja, nieobecna w narzędziach.
5. 5.Sklasyfikuj po intencji konwersacyjnej wg taksonomii z tego wpisu.
6. 6.Zgrupuj w klastry (embeddingi lub ręcznie) - temat, nie fraza.
7. 7.Zmapuj na istniejące treści - refresh zamiast nowej strony tam, gdzie już rankujesz (unikaj kanibalizacji).
8. 8.Zbuduj hub-and-spoke i briefy z pytaniami jako nagłówkami H2.
9. 9.Zmierz efekt dwutorowo: pozycje w Google oraz cytowania w AI - analityką ruchu z modeli, nie samym wolumenem.

---

Prowadzę research słów kluczowych w erze AI od eksportu z GSC po gotowe klastry i briefy z pytaniami-nagłówkami - w ramach optymalizacji pod AI (GEO) i content marketingu SEO. Uczę tego w kursie SEO & GEO. Napisz do mnie - zacznę od mapy pytań Twojego klienta i luki wobec konkurencji.

Warto przeczytać dalej:

• Topical authority - jak budować autorytet tematyczny przez klastry treści
• Google AI Overviews i AI Mode - jak zoptymalizować stronę, żeby AI Cię cytowało
• Jak zdobyć cytowania w ChatGPT - strategia widoczności w LLM
• GEO - Generative Engine Optimization od podstaw