GEO – Pozycjonowanie w AI

GEO, czyli pozycjonowanie w AI – definicja i zakres

GEO (Generative Engine Optimization) to praca nad tym, żeby systemy generujące odpowiedzi, takie jak ChatGPT, Perplexity, Gemini, Copilot oraz Google AI Overviews i AI Mode, znały Twoją markę, korzystały z Twoich treści jako źródła i wymieniały Cię w rekomendacjach. W praktyce to połączenie SEO technicznego, treści pisanych pod cytowanie, budowy encji marki i obecności w zewnętrznych źródłach.

Termin spopularyzowała praca naukowców z Princeton i IIT Delhi, opublikowana na konferencji KDD 2024 (Aggarwal i in.). Autorzy zbudowali zbiór testowy GEO-bench z 10 000 zapytań i sprawdzali, jak zmiany w treści wpływają na to, czy silnik generatywny wykorzysta daną stronę w odpowiedzi. Pokazali, że odpowiednie metody mogą zwiększyć widoczność nawet o około 40%. Do szczegółów tego badania wracam w sekcji o treściach, bo to jeden z niewielu twardych dowodów w całej dziedzinie.

W Polsce na to samo zjawisko mówi się różnie: „pozycjonowanie w AI”, „pozycjonowanie w ChatGPT”, „widoczność w AI”, „AI SEO”, czasem „AEO” (Answer Engine Optimization) albo „LLMO”. Różnice w nazwach są głównie marketingowe. Ważniejsze jest rozróżnienie dwóch rzeczy, które często się myli:

• Cytowanie strony – Twój adres URL pojawia się jako źródło pod odpowiedzią lub w przypisie. To mierzalne i zależy głównie od tego, czy system wyszukał i wybrał Twoją treść.
• Wzmianka o marce – model wymienia nazwę Twojej firmy w odpowiedzi, np. w liście polecanych dostawców, nawet bez linku. To zależy od tego, co model wie z danych treningowych i co znalazł w zewnętrznych źródłach, a nie tylko od Twojej strony.

Dobry plan GEO pracuje nad obiema warstwami. Sama optymalizacja własnej strony daje cytowania przy pytaniach informacyjnych, ale do rekomendacji typu „jaką firmę wybrać do…” potrzebne są też sygnały spoza strony.

GEO a SEO – co jest wspólne, a co się zmienia

GEO nie jest osobną dyscypliną odciętą od SEO. Google pisze wprost w przewodniku o optymalizacji pod funkcje generatywne (aktualizacja z 2026 r.), że z perspektywy wyszukiwarki optymalizacja pod generatywne wyszukiwanie to nadal SEO. Zmienia się jednak jednostka optymalizacji, sposób pomiaru i rola źródeł zewnętrznych.

Fundament jest ten sam: strona musi być dostępna dla robotów, zaindeksowana, szybka, z treścią widoczną bez JavaScriptu i z wiarygodnym autorem. Kto ma problemy z indeksacją, nie zyska nic na „sztuczkach pod AI”, bo system wyszukujący po prostu nie znajdzie jego treści.

Najważniejsza różnica praktyczna dotyczy pomiaru. W SEO sprawdzasz pozycję i wiesz, na czym stoisz. W GEO ta sama prośba zadana dwa razy daje różne odpowiedzi, więc pojedynczy test niczego nie dowodzi. Dlatego w tej dziedzinie liczy się statystyka, a nie zrzuty ekranu.

Jak modele AI wybierają źródła odpowiedzi

Asystent AI odpowiada na dwa sposoby: z wiedzy zapisanej w modelu podczas treningu albo z wyników wyszukiwania pobranych w chwili zadania pytania (retrieval, czyli RAG). Przy pytaniach o aktualne fakty, ceny i rekomendacje coraz częściej działa ten drugi tryb, a to oznacza, że na odpowiedź można wpłynąć znacznie szybciej niż przez dane treningowe.

Wiedza z treningu

Model uczy się na ogromnym zbiorze tekstów z sieci, a jego wiedza kończy się w dniu odcięcia danych. To, czy model „zna” Twoją markę bez wyszukiwania, zależy od tego, jak często i w jakim kontekście pisano o niej w źródłach, które trafiły do treningu. Tej warstwy nie zmienisz w kilka tygodni. Budujesz ją wzmiankami, encją i treściami, które ktoś cytuje.

Wyszukiwanie w czasie rzeczywistym

Gdy asystent korzysta z wyszukiwania, proces wygląda mniej więcej tak:

1. Model przepisuje pytanie użytkownika na jedno lub kilka zapytań do wyszukiwarki. Google nazywa to query fan-out: system wysyła równolegle wiele powiązanych zapytań o podtematy.
2. Wyszukiwarka zwraca listę kandydatów z własnego indeksu (Google, Bing albo indeks danej firmy).
3. System pobiera treść wybranych stron lub korzysta z wersji z pamięci podręcznej i dzieli ją na fragmenty.
4. Model wybiera fragmenty najlepiej pasujące do pytania i na ich podstawie pisze odpowiedź.
5. Część użytych fragmentów zostaje pokazana jako cytowania z linkiem.

Z tego wynika kilka praktycznych wniosków. Po pierwsze, żeby zostać zacytowanym, trzeba w ogóle trafić do puli kandydatów, czyli być zaindeksowanym w odpowiedniej wyszukiwarce i dostępnym dla jej robota. Po drugie, wygrywa fragment, a nie cała strona, więc akapit musi mieć sens wyjęty z kontekstu. Po trzecie, fan-out sprawia, że liczy się pokrycie pytań pobocznych, a nie tylko frazy głównej. Jak szukać takich pytań, opisałem we wpisie o analizie słów kluczowych pod query fan-out.

Że to nie teoria, pokazuje analiza Ahrefs z marca 2026 r. na 863 tys. wynikach wyszukiwania: tylko 37,9% stron cytowanych w AI Overviews zajmowało miejsce w pierwszej dziesiątce wyników organicznych dla danego zapytania, wobec około 76% w poprzednim badaniu z lipca 2025 r. Autorzy wiążą ten spadek właśnie z fan-outem: Google cytuje strony, które odpowiadają na zapytania poboczne, a nie tylko na zapytanie wpisane przez użytkownika.

Pozycjonowanie w ChatGPT, Perplexity i Copilot – skąd biorą wyniki

Każdy asystent korzysta z innego indeksu i innych robotów, więc strona dobrze widoczna w Google może nie istnieć dla ChatGPT czy Copilota. Pierwszy krok w pozycjonowaniu w ChatGPT to sprawdzenie, czy wyszukiwarka, z której korzysta asystent, w ogóle zna Twoją stronę.

ChatGPT i ChatGPT Search

OpenAI w FAQ dla wydawców pisze, że każda publiczna strona może pojawić się w wyszukiwaniu ChatGPT, pod warunkiem że nie blokuje robota OAI-SearchBot. Firma przyznaje, że korzysta z zewnętrznych dostawców wyszukiwania, ale nie podaje ich listy. Testy przeprowadzone po premierze ChatGPT Search w 2024 r. (opisane m.in. przez Notebookcheck) wskazywały na mocne oparcie o indeks Binga. Dlatego weryfikacja strony w Bing Webmaster Tools i zgłaszanie zmian przez IndexNow to dla mnie obowiązkowa część pracy nad widocznością w ChatGPT.

Microsoft Copilot

Copilot opiera się na Bingu. W lutym 2026 r. Microsoft udostępnił w Bing Webmaster Tools raport AI Performance (w wersji public preview), który pokazuje, ile razy strony z Twojej domeny były cytowane w odpowiedziach Copilota, podsumowaniach AI w Bingu i u wybranych partnerów, oraz jakie zapytania wyszukiwawcze do tego doprowadziły. To jedno z pierwszych narzędzi, w którym dostawca AI sam raportuje cytowania.

Perplexity

Perplexity ma własny robot indeksujący PerplexityBot, który według dokumentacji służy do pokazywania i linkowania stron w wynikach Perplexity i nie jest używany do trenowania modeli. Osobny agent Perplexity-User odwiedza strony, gdy użytkownik zada pytanie, i według dokumentacji co do zasady ignoruje robots.txt, bo żądanie zainicjował człowiek.

Gemini, Claude i inni

Gemini korzysta z wyszukiwarki Google. Anthropic opisuje trzy osobne roboty: ClaudeBot (zbieranie danych do trenowania), Claude-SearchBot (jakość wyników wyszukiwania) i Claude-User (pobieranie stron na prośbę użytkownika). Rozdzielenie robotów treningowych od wyszukiwawczych to dziś standard i ma bezpośrednie znaczenie dla konfiguracji robots.txt, o czym piszę niżej.

Szczegółowo przygotowanie strony pod te wyszukiwarki, od Bing Webmaster Tools po dostęp robotów w firewallu, obejmuje usługa pozycjonowania w Perplexity, Copilot i ChatGPT Search.

Google AI Overviews i AI Mode – jak trafić do odpowiedzi Google

Do AI Overviews i AI Mode trafiają strony, które są zaindeksowane i mogą być wyświetlane w Google z fragmentem opisu. Google w dokumentacji o funkcjach AI podkreśla, że nie ma dodatkowych wymagań technicznych ani specjalnych plików czy znaczników, które „włączają” cytowanie.

To dobra i zła wiadomość jednocześnie. Dobra, bo nie trzeba wdrażać niczego egzotycznego. Zła, bo nie ma skrótu: o tym, czy Twój fragment zostanie wybrany, decyduje jakość i dopasowanie treści do pytania oraz do pytań pobocznych, które Google generuje w tle. W ogłoszeniu AI Mode z marca 2025 r. Google opisał technikę query fan-out jako wysyłanie wielu powiązanych zapytań równolegle, w różnych podtematach i źródłach danych.

Co to zmienia dla ruchu

Pew Research Center przeanalizował 68 879 wyszukiwań 900 dorosłych użytkowników z USA z marca 2025 r. Podsumowanie AI pojawiło się w około 18% wyszukiwań, a przy zapytaniach z co najmniej 10 słów w 53%. Im dłuższe i bardziej konwersacyjne pytanie, tym większa szansa na odpowiedź AI zamiast listy linków. To kolejny argument, żeby pisać treści pod pełne pytania, a nie tylko pod krótkie frazy.

Kontrola i pomiar

• Ograniczenie fragmentów – dyrektywy nosnippet, data-nosnippet i max-snippet działają też w funkcjach AI, ale ograniczają zwykłe opisy w wynikach. Rzadko polecam ten krok.
• Google-Extended – według Google ten token steruje wykorzystaniem treści do trenowania modeli Gemini i groundingu w niektórych innych systemach, nie wpływa na obecność w wyszukiwarce i nie jest sygnałem rankingowym. Nie służy do wyłączenia AI Overviews.
• Search Console – ruch z funkcji AI jest wliczany do raportu skuteczności razem z resztą wyników typu „Internet”, bez osobnego filtra. Cytowania trzeba więc mierzyć dodatkowym monitoringiem.

Pracę nad stronami pod AI Overviews i AI Mode, z mapą fraz wywołujących podsumowania i przebudową kluczowych sekcji, opisuję w usłudze pozycjonowania w Google AI Overviews i AI Mode.

Encja marki i graf wiedzy – żeby AI wiedziało, kim jesteś

Encja to jednoznacznie rozpoznawalny obiekt, np. firma, osoba lub produkt, z przypisanymi faktami i powiązaniami. Jeśli Google i modele językowe nie potrafią połączyć Twojej nazwy z branżą, lokalizacją i ludźmi, opisują markę ogólnikowo albo mylą ją z inną firmą o podobnej nazwie.

Budowa encji to praca na styku strony i źródeł zewnętrznych. Na stronie chodzi o spójną stronę „O firmie”, dane strukturalne Organization i Person z atrybutem sameAs oraz konsekwentne nazewnictwo. Poza stroną o wpis w Wikidata (jeśli istnieją niezależne źródła, które go uzasadniają), aktualne profile w bazach branżowych i rejestrach oraz zgodność nazwy, adresu i opisu działalności wszędzie tam, gdzie marka występuje.

Lista kontrolna encji, z której korzystam

• Jedna, stała nazwa marki i jeden opis działalności w jednym zdaniu, używany na stronie, w profilach i w biogramach.
• Strona „O firmie” z konkretami: rok założenia, osoby, lokalizacja, specjalizacja, dane rejestrowe.
• Jeden identyfikator encji w danych strukturalnych (np. adres z #organization) i odwołania do niego zamiast powielania definicji na każdej podstronie.
• Linki sameAs wyłącznie do profili, które istnieją, są aktualne i należą do marki.
• Sprawdzenie, co o marce zwraca Knowledge Graph Search API i co odpowiadają asystenci AI zapytani o firmę wprost.
• Lista źródeł z błędnymi danymi do poprawienia, uszeregowana według tego, jak często pojawiają się w cytowaniach.

Tę samą pracę wykonałem dla własnej strony, gdzie jest jedna encja autora powiązana z Wikidata, LinkedInem i GitHubem, oraz dla marki modowej opisanej w case study architektury encji. Pełny zakres usługi opisuje inżynieria grafu wiedzy.

Wzmianki o marce i źródła zewnętrzne w GEO

W rekomendacjach typu „jaką firmę polecasz” modele opierają się w dużej mierze na tym, co o marce piszą inni: media, rankingi, porównania, fora, recenzje i wideo. Własna strona rzadko wystarcza, bo model szuka potwierdzenia z niezależnych źródeł.

Dane to potwierdzają, choć warto pamiętać, że to korelacje, a nie dowód przyczynowości. Ahrefs w badaniu 75 000 marek z maja 2025 r. zmierzył, jakie czynniki najsilniej korelują z widocznością marki w AI Overviews:

Podobny kierunek pokazało wcześniejsze badanie Seer Interactive ze stycznia 2025 r. (10 000 zapytań z branży finansowej i SaaS, odpowiedzi GPT-4o): marki z pierwszej strony Google miały silną korelację z wymienianiem przez model (około 0,65), a wpływ samych linków zwrotnych był słaby lub neutralny. Wniosek dla planu GEO: wzmianki w miejscach, które czytają ludzie i roboty, są ważniejsze niż sama liczba linków.

Gdzie budować wzmianki

• Media branżowe i lokalne: komentarze eksperckie, dane z własnych badań, wywiady.
• Rankingi, zestawienia i porównania w Twojej kategorii, po które modele sięgają przy pytaniach o rekomendacje.
• Społeczności: fora, grupy i wątki, w których klienci pytają o rozwiązania, z udziałem prawdziwych ludzi z firmy, a nie kont-widm.
• Wideo i podcasty z transkrypcją, w których pada nazwa marki w kontekście tematu.
• Profile w katalogach i serwisach z opiniami, z aktualnymi danymi.

A co z linkami?

Pakiety linków z przypadkowych stron są dziś słabą inwestycją i w SEO, i w GEO. Sensowne bywają starannie wybrane publikacje na serwisach tematycznych z realnym ruchem, ale Google wymaga oznaczania płatnych linków atrybutem rel="sponsored" i mówię o tym klientom wprost. Takiej publikacji nie traktuję jako sposobu na „przemycenie” autorytetu, tylko jako wzmiankę przed właściwą publicznością. Moje podejście do zakupu linków opisuje usługa link building i przemyślany zakup linków, a do pozyskiwania wzmianek wpis o digital PR i wzmiankach o marce.

Jakie treści AI cytuje – wzorce potwierdzone badaniami

AI chętniej korzysta z fragmentów, które zawierają konkret: liczbę ze źródłem, cytat eksperta, jasną definicję albo porównanie. Lanie wody, upychanie słów kluczowych i ogólniki nie pomagają, a często szkodzą, bo model nie ma czego zacytować.

Co pokazało badanie GEO (KDD 2024)

W pracy Aggarwala i współautorów najlepiej wypadły trzy metody: dodanie cytatów z wiarygodnych osób (około 41% względnej poprawy widoczności), dodanie statystyk (około 40%) i podawanie źródeł. Poprawa płynności tekstu dawała 15–30%. Upychanie słów kluczowych dawało niewielki albo żaden efekt. Szczególnie ciekawy wynik dotyczył stron niżej w wynikach: dla strony z piątej pozycji metoda podawania źródeł zwiększała widoczność o 115,1%, podczas gdy widoczność strony z pierwszej pozycji średnio spadała o 30,3%. Autorzy zaznaczają też, że skuteczność metod różni się między dziedzinami.

To badanie przeprowadzono na kontrolowanym silniku generatywnym, a nie na produkcyjnym ChatGPT czy Google, więc traktuję je jako kierunek, a nie gwarancję. Kierunek jest jednak spójny z tym, co widać w odpowiedziach: konkret wygrywa z objętością.

Wzorce, które stosuję w treściach

• Odpowiedź wprost na początku sekcji – jedno lub dwa zdania, które same w sobie odpowiadają na pytanie z nagłówka.
• Samodzielne akapity – każdy akapit ma sens wyjęty z kontekstu, bez „jak wspomniałem wyżej” i bez zaimków odsyłających do poprzedniej sekcji.
• Liczby z wydawcą i datą w zdaniu – „według Ahrefs z 2026 r.”, a nie „badania pokazują”.
• Tabele porównawcze – dla pytań typu „X czy Y”, cen, parametrów i kryteriów wyboru.
• Pytania poboczne jako nagłówki H2 i H3 – pokrywają zapytania z fan-outu.
• Element z pierwszej ręki – własny test, pomiar, wdrożenie lub dane, których nie ma nikt inny.
• Autor i data aktualizacji – widoczne na stronie i zgodne z danymi strukturalnymi.

Jednocześnie nie przesadzam w drugą stronę. Google w przewodniku z 2026 r. pisze, że nie ma wymogu dzielenia treści na drobne kawałki, żeby AI ją zrozumiało. Celem jest czytelna, konkretna treść dla człowieka, a nie strona pocięta na luźne zdania. Więcej przykładów przed i po znajdziesz we wpisie jak pisać, żeby AI Cię cytowało.

Dane strukturalne w GEO – co dają, a czego nie

Dane strukturalne nie są przepustką do odpowiedzi AI. Google pisze w przewodniku z 2026 r., że nie są wymagane w generatywnym wyszukiwaniu i nie ma specjalnego znacznika schema.org, który trzeba dodać. Mimo to wdrażam je w każdym projekcie GEO, bo pełnią inną, ważną rolę.

Schema.org porządkuje fakty o marce, autorach i treści w formie, którą maszyny odczytują bez zgadywania. Pomaga połączyć stronę z encją (Organization, Person, sameAs), opisać produkty, ceny i opinie, wskazać autora i datę publikacji. Dla systemów, które budują graf wiedzy, to spójne źródło faktów, a dla wyników Google także warunek części wyników rozszerzonych.

Zasady, których pilnuję

• Dane strukturalne muszą odpowiadać treści widocznej na stronie. Znacznik z informacjami, których użytkownik nie widzi, to ryzyko, a nie optymalizacja.
• Jedna definicja encji organizacji i autora w całym serwisie, a na podstronach odwołanie przez @id.
• Typy dobrane do treści: Article z autorem i datą, Product z ceną i dostępnością, LocalBusiness dla firm lokalnych, FAQPage tylko tam, gdzie na stronie naprawdę jest sekcja pytań.
• Walidacja po każdym wdrożeniu i kontrola w Search Console.

Wdrożenia robię bezpośrednio w kodzie, co opisuję w usłudze wdrażania Schema.org.

Crawlery AI i robots.txt – kogo wpuścić, kogo zablokować

Najważniejsza zasada: roboty treningowe i roboty wyszukiwania to osobne byty. Możesz zablokować trenowanie modeli na swoich treściach i nadal być cytowanym w wyszukiwarkach AI. Wiele firm robi odwrotnie, bo blokuje wszystkie boty AI jednym ustawieniem w CDN.

Do tego dochodzi warstwa poza robots.txt. 1 lipca 2025 r. Cloudflare ogłosił, że nowe domeny w jego sieci domyślnie blokują znane crawlery AI, i uruchomił program pay-per-crawl dla wydawców. Strona może więc mieć poprawny robots.txt, a mimo to odsyłać roboty wyszukiwarek AI na poziomie firewalla. Dlatego sprawdzam nie tylko plik, ale też ustawienia CDN i logi serwera.

Jak podchodzę do konfiguracji

1. Ustalam z właścicielem, czy zgadza się na trenowanie modeli na treściach. To decyzja biznesowa, nie techniczna.
2. Wpuszczam roboty wyszukiwania (OAI-SearchBot, PerplexityBot, Claude-SearchBot, Bingbot, Googlebot) niezależnie od tej decyzji, chyba że klient świadomie rezygnuje z widoczności w danym asystencie.
3. Roboty treningowe (GPTBot, ClaudeBot, Google-Extended) ustawiam zgodnie z decyzją z punktu 1.
4. Sprawdzam reguły WAF i CDN, czy nie blokują tych samych robotów, które wpuszcza robots.txt.
5. W logach serwera weryfikuję, które boty faktycznie odwiedzają stronę i jakie kody odpowiedzi dostają.

Pełną listę botów, przykładowe konfiguracje i temat pay-per-crawl omawiam we wpisie crawlery AI – kto skanuje Twoją stronę.

llms.txt – czy warto go dodać?

llms.txt to propozycja pliku w Markdownie z listą najważniejszych treści strony, przygotowana z myślą o modelach językowych. Krótko: w 2026 r. nie jest to sygnał, który zwiększa widoczność w Google, ChatGPT czy Perplexity, i uczciwie mówię o tym każdemu klientowi.

Format zaproponował Jeremy Howard z Answer.AI we wrześniu 2024 r. Pomysł jest rozsądny, ale adopcja po stronie dostawców AI pozostaje znikoma. Google w przewodniku o optymalizacji pod generatywne wyszukiwanie z 2026 r. pisze, że nie trzeba tworzyć nowych plików czytelnych dla maszyn, plików tekstowych dla AI ani wersji w Markdownie, a ich dodanie ani nie pomoże, ani nie zaszkodzi widoczności. OpenAI steruje swoimi robotami przez robots.txt i w dokumentacji robotów nie wspomina o llms.txt.

Twarde dane: Ahrefs w maju 2026 r. przeanalizował 137 210 domen. W tej próbie plik llms.txt miało 28% domen, ale 97% plików nie zostało ani razu pobranych w badanym okresie, a spośród żądań, które się pojawiły, tylko 19,5% pochodziło od botów związanych z AI. Więcej zapytań generowały narzędzia SEO do audytów niż jakakolwiek kategoria botów AI.

Jedyne miejsce, gdzie llms.txt ma potwierdzoną wartość, to dokumentacja techniczna czytana przez agentów programistycznych. Jeśli sprzedajesz API, SDK albo prowadzisz portal dokumentacji, warto go dodać. W pozostałych przypadkach to kwadrans pracy bez wpływu na wyniki, więc nie traktuję go jako elementu strategii. Szczegóły i dane z innych badań są we wpisie llms.txt – czy naprawdę pomaga w widoczności w AI.

Jak mierzyć widoczność w AI bez oszukiwania samego siebie

Widoczność w AI mierzy się udziałem marki w odpowiedziach na stały zestaw pytań klientów, powtarzanych wielokrotnie w kilku asystentach, uzupełnionym o dane o ruchu z AI. Jeden zrzut ekranu z ChatGPT nie jest pomiarem.

Dlaczego jeden test nic nie znaczy

SparkToro i Gumshoe.ai uruchomili 12 próśb o rekomendacje marek (m.in. noże kuchenne, słuchawki, konsultanci marketingowi) po 60–100 razy na platformę w ChatGPT, Claude i Google AI Overviews lub AI Mode, łącznie 2 961 zapytań. Wyniki opisane przez Search Engine Land i Search Engine Journal w 2026 r. pokazały, że szansa na otrzymanie dwa razy tej samej listy marek jest mniejsza niż 1 na 100, a tej samej listy w tej samej kolejności mniejsza niż 1 na 1000. Dlatego „pozycja w ChatGPT” jako jedna liczba wprowadza w błąd. Sensowną miarą jest odsetek odpowiedzi, w których marka się pojawia.

Jak buduję zestaw pytań

1. Zbieram pytania z rozmów sprzedażowych, obsługi klienta, Search Console i forów, a nie tylko z narzędzi do słów kluczowych.
2. Dzielę je na intencje: rekomendacje („jaką firmę wybrać do…”), porównania („X czy Y”), problemy („jak rozwiązać…”) i pytania o markę.
3. Ustalam listę konkurentów, których obecność też mierzę.
4. Każde pytanie zadaję wielokrotnie w każdym asystencie i zapisuję pełne odpowiedzi oraz cytowane źródła.
5. Zestaw pozostaje stały między pomiarami, żeby wyniki były porównywalne miesiąc do miesiąca.

Metryki, które raportuję

OpenAI w FAQ dla wydawców informuje, że ChatGPT automatycznie dodaje parametr utm_source=chatgpt.com do odesłań z wyszukiwania, co ułatwia segmentację w GA4. Konfigurację kanału AI w GA4 i analizę logów opisałem we wpisie jak mierzyć ruch z ChatGPT, Perplexity i AI Mode.

Pozycjonowanie w AI krok po kroku – mój proces

Pracę nad widocznością w AI prowadzę w sześciu etapach: pomiar, dostępność, encja, treści i źródła zewnętrzne, a potem regularny monitoring. Kolejność ma znaczenie, bo każdy etap zależy od poprzedniego.

1. Pomiar wyjściowy. Zestaw pytań klientów, pomiar w kilku asystentach z powtórzeniami, lista konkurentów i domen cytowanych w kategorii. Bez tego nie wiadomo, co poprawiać, ani czy coś się poprawiło. To zakres audytu widoczności w AI.
2. Dostępność dla wyszukiwarek AI. Indeksacja w Google i Bingu, IndexNow, robots.txt, reguły CDN i firewalla, treść widoczna bez JavaScriptu, szybkość. Często tu kryje się najszybszy efekt.
3. Encja marki. Strona „O firmie”, dane strukturalne, sameAs, Wikidata tam, gdzie to uzasadnione, poprawki błędnych danych w zewnętrznych źródłach.
4. Treści. Przebudowa stron o największym potencjale: odpowiedzi wprost, dane ze źródłami, tabele, pytania poboczne. Nowe treści tam, gdzie w kategorii brakuje rzetelnej odpowiedzi lub porównania.
5. Źródła zewnętrzne. Digital PR, rankingi, społeczności, wideo, wybrane publikacje oznaczone zgodnie z zasadami Google.
6. Monitoring i iteracje. Ten sam zestaw pytań co miesiąc, raport z udziałem w odpowiedziach, cytowaniami i ruchem z AI, korekta planu na podstawie wyników.

Etapy 4–6 w formie stałej współpracy obejmuje strategia cytowań i pozycjonowanie w ChatGPT.

Ile kosztuje GEO i po jakim czasie widać efekty

Koszt pozycjonowania w AI zależy od tego, czy potrzebujesz jednorazowej diagnozy, wdrożenia na kluczowych stronach, czy stałej pracy nad cytowaniami i wzmiankami. U mnie ceny zaczynają się od 1 500 zł za audyt, a stała strategia cytowań od 2 400 zł miesięcznie.

Co wpływa na cenę

• Liczba pytań, asystentów i konkurentów objętych pomiarem.
• Stan techniczny strony i to, czy zmiany wdrażam ja, czy zespół klienta.
• Liczba stron do przebudowy i potrzeba nowych treści.
• Konkurencyjność kategorii i zakres działań poza stroną, np. digital PR.
• Liczba języków i rynków.

Realne terminy

Systemy z wyszukiwaniem na żywo, czyli AI Overviews, AI Mode, Perplexity, Copilot i ChatGPT Search, reagują na zmiany na stronie po ponownym zaindeksowaniu, zwykle w ciągu tygodni. Zmiana tego, co model wie o marce bez wyszukiwania, wymaga miesięcy konsekwentnego budowania wzmianek i encji, bo zależy od kolejnych cykli trenowania. Kto obiecuje „pierwsze miejsce w ChatGPT w 14 dni”, obiecuje coś, czego nikt nie kontroluje.

Jak wybrać specjalistę lub agencję GEO

Dobrego wykonawcę GEO poznasz po tym, że mówi o pomiarze z powtórzeniami, o dostępności strony dla konkretnych robotów i o źródłach zewnętrznych, a nie o magicznych plikach i gwarancjach pozycji. Rynek jest młody, więc pytania przed podpisaniem umowy mają tu większe znaczenie niż w klasycznym SEO.

Pytania, które warto zadać

• Jak mierzysz widoczność w AI? Ile razy powtarzasz każde pytanie i w których asystentach?
• Skąd bierzesz zestaw pytań i czy pozostaje stały między raportami?
• Jak sprawdzasz, czy strona jest dostępna dla OAI-SearchBot, PerplexityBot i Bingbota, także na poziomie CDN?
• Co zrobisz poza moją stroną i jak oznaczysz ewentualne płatne publikacje?
• Kto wdraża zmiany techniczne i ile to trwa?
• Jakie metryki zobaczę w raporcie i jak połączysz je z ruchem i konwersjami?

Sygnały ostrzegawcze

• Gwarancja konkretnej pozycji lub „top 1” w ChatGPT.
• Raport oparty na pojedynczych zrzutach ekranu.
• llms.txt albo „specjalny schema pod AI” jako główny element oferty.
• Pakiety setek linków lub artykułów generowanych masowo bez redakcji.
• Brak rozmowy o SEO technicznym i indeksacji w Bingu.
• Brak informacji, które działania przesunęły wyniki, a które nie.

Najczęstsze mity o pozycjonowaniu w AI

Wokół GEO narosło sporo mitów, bo dziedzina jest nowa, a zmiany w produktach AI następują szybko. Oto te, które słyszę najczęściej, z tym, co mówią źródła.

• „GEO zastąpi SEO.” Google pisze wprost, że optymalizacja pod generatywne wyszukiwanie to nadal SEO, a AI Overviews korzystają z indeksu Google. Bez widoczności w wyszukiwarce nie ma z czego cytować.
• „Wystarczy dodać llms.txt.” Google mówi, że taki plik nie pomaga ani nie szkodzi, a według Ahrefs z 2026 r. 97% plików llms.txt nie było w ogóle pobieranych.
• „Specjalny schema sprawi, że AI mnie zacytuje.” Według Google nie ma znacznika wymaganego do pojawienia się w funkcjach AI. Dane strukturalne pomagają w porządkowaniu faktów i encji, ale nie są przełącznikiem.
• „Zablokowanie GPTBot wyrzuci mnie z ChatGPT.” GPTBot służy do trenowania. Za wyszukiwanie odpowiada OAI-SearchBot, a OpenAI wskazuje, że to dwie niezależne decyzje.
• „Moja pozycja w ChatGPT to trzecie miejsce.” Badanie SparkToro i Gumshoe.ai pokazało, że ta sama lista marek powtarza się rzadziej niż raz na 100 prób. Pozycja w pojedynczej odpowiedzi to szum.
• „Im dłuższy tekst, tym większa szansa na cytowanie.” AI cytuje fragmenty. Długi tekst bez konkretów nie daje modelowi nic do wykorzystania.
• „Linki już nie mają znaczenia.” Linki dalej pomagają w SEO, które jest fundamentem GEO. W badaniu Ahrefs z 2025 r. wzmianki o marce korelowały jednak z widocznością w AI Overviews silniej niż liczba linków.
• „AI Overviews da się wyłączyć dla swojej strony bez kosztów.” Dyrektywy typu nosnippet ograniczają też zwykłe opisy w wynikach, a Google-Extended nie wyłącza AI Overviews.

Jeśli chcesz sprawdzić, jak asystenci AI widzą dziś Twoją markę, zacznij od pomiaru. Dane z Twojej kategorii zwykle szybko pokazują, które z powyższych tematów są dla Ciebie ważne, a które możesz pominąć.