Jak sprawić, by ChatGPT polecał Twoją markę

Coraz więcej zapytań, które kiedyś trafiały do Google, dziś kończy się w oknie czatu z ChatGPT, Perplexity albo w AI Overview nad wynikami wyszukiwania. Model językowy nie linkuje do dziesięciu stron – wybiera jedno, dwa, czasem trzy źródła, które cytuje wprost albo streszcza bez podania linku. To inna gra niż klasyczne pozycjonowanie: liczy się nie pozycja w rankingu, tylko to, czy fragment Twojej treści da się wyciągnąć, zacytować i przypisać marce jako wiarygodne źródło. W tej kategorii zbieramy teksty o tym, jak działają silniki odpowiedzi (ChatGPT, Gemini, Perplexity, Copilot), jak trenują i aktualizują swoją wiedzę o markach, i co konkretnie zmienić w treści, danych strukturalnych oraz technicznej dostępności strony, żeby częściej pojawiać się w cytowanych odpowiedziach, a nie tylko w wynikach organicznych.

Czym GEO różni się od klasycznego SEO?

GEO (Generative Engine Optimization) optymalizuje treść pod cytowanie przez modele językowe, podczas gdy SEO optymalizuje ją pod pozycję w wynikach wyszukiwania Google. W SEO liczy się ranking – miejsce 1 czy 3 w SERP-ach, kliknięcia, CTR. W GEO liczy się coś innego: czy fragment tekstu da się wyciąć jako samodzielną, poprawną odpowiedź i przypisać konkretnej marce jako źródłu. Niektórzy nazywają tę dyscyplinę AEO (Answer Engine Optimization) – w praktyce to ten sam zestaw działań, tylko z naciskiem na strukturę odpowiedzi, a nie na słowa kluczowe. Jeśli strona ma dobrą pozycję w Google, ale treść jest rozwlekła i nie da się jej zacytować w jednym zdaniu, model i tak sięgnie po konkurenta z bardziej zwięzłym akapitem. Dlatego GEO i SEO trzeba prowadzić równolegle, ale mierzyć osobno – inne KPI, inne narzędzia, inny research słów kluczowych.

Jak ChatGPT wybiera źródła, które cytuje w odpowiedziach?

ChatGPT z włączonym wyszukiwaniem web najpierw uruchamia zapytanie do indeksu partnerskiego, pobiera kilkanaście wyników, a następnie model ocenia, które fragmenty najlepiej odpowiadają na pytanie użytkownika i nadają się do bezpośredniego zacytowania. W praktyce wygrywają strony, które mają jedno zdanie lub akapit dający kompletną odpowiedź bez konieczności czytania całego artykułu – stąd znaczenie krótkich definicji na początku sekcji. Model premiuje też treści z jasną strukturą nagłówków, bo łatwiej z nich wyodrębnić pasujący fragment niż z jednego długiego bloku tekstu. Domeny, które wcześniej były cytowane w podobnych zapytaniach, mają większą szansę na ponowne pojawienie się – to efekt sygnałów autorytetu zbieranych z sieci i powtarzalności wzorców cytowań. Data publikacji i ostatniej aktualizacji też się liczy, szczególnie przy pytaniach o ceny, przepisy prawne czy dane liczbowe.

Czym różni się to od sposobu, w jaki źródła wybiera Perplexity?

Perplexity przy każdym zapytaniu odpytuje własny indeks w czasie rzeczywistym i pokazuje ponumerowane odnośniki przy każdym zdaniu odpowiedzi, nie tylko na końcu. ChatGPT częściej syntetyzuje kilka źródeł w jedną wypowiedź bez precyzyjnego wskazania, które zdanie z którego artykułu pochodzi. Dla wydawcy oznacza to, że w Perplexity liczy się każde zdanie z osobna jako potencjalny cytat, a w ChatGPT – ogólna wiarygodność całej strony.

Jak Perplexity dobiera źródła do swoich odpowiedzi?

Perplexity indeksuje strony na bieżąco przez własny crawler (PerplexityBot) i przy każdej odpowiedzi uruchamia nowe zapytanie do internetu, więc źródło sprzed pięciu minut ma taką samą szansę jak strona z pięcioletnią historią. Silnik przyznaje wyższą wagę stronom, które odpowiadają na zapytanie niemal dosłownie – jeśli ktoś pyta ile kosztuje dany produkt, wygrywa strona z liczbą i walutą w pierwszym zdaniu, nie ta z najdłuższym opisem marketingowym. Ważna jest też różnorodność – Perplexity rzadko cytuje pięć razy tę samą domenę w jednej odpowiedzi, więc konkurowanie o pojedyncze zdanie ma sens nawet przy silnej konkurencji w danej niszy. Zablokowanie PerplexityBot w robots.txt eliminuje domenę z wyników całkowicie, co dla wielu firm bywa zaskoczeniem, bo nie towarzyszy temu żadne ostrzeżenie w Search Console.

Co wpływa na pojawienie się marki w Google AI Overview?

AI Overview czerpie głównie z tego samego indeksu, w którym strona już się rankinguje, więc wysoka pozycja w klasycznym SEO nadal pomaga – to jedyny z dużych silników, gdzie klasyczne SEO i GEO tak mocno się przenikają. Google faworyzuje strony, które wcześniej zdobywały featured snippet, bo ten sam mechanizm ekstrakcji fragmentu odpowiedzi jest częściowo reużywany przy generowaniu przeglądu AI. Dane strukturalne typu FAQPage, HowTo czy Product zwiększają szansę, że konkretny fragment zostanie poprawnie sparsowany i wstawiony do odpowiedzi wraz z linkiem źródłowym. W przeciwieństwie do ChatGPT, Google w AI Overview niemal zawsze pokazuje kliknięcie do źródła, więc gra toczy się nie tylko o cytowanie, ale i o realny ruch – to jedna z niewielu sytuacji w GEO, gdzie CTR nadal ma znaczenie.

Czym jest entity SEO i dlaczego to fundament widoczności w AI?

Entity SEO to porządkowanie informacji o marce, produkcie czy osobie tak, by modele językowe i grafy wiedzy jednoznacznie łączyły tę encję z konkretnymi faktami, a nie myliły jej z podobnie nazwaną firmą czy osobą. Modele stojące za Gemini czy AI Overview budują wewnętrzny graf powiązań na podstawie Wikidata, Wikipedii, danych structured data i wzmianek w wiarygodnych źródłach – im spójniejsze te dane w całym internecie, tym pewniej model przypisze odpowiedź właśnie tej marce. Rozbieżne nazwy firmy, brak wpisu w Wikidata, niespójne dane w schema.org Organization czy sprzeczne informacje na różnych stronach osłabiają tę pewność i zwiększają ryzyko, że model pominie markę albo przypisze jej cudze osiągnięcia. Dlatego GEO zaczyna się często nie od pisania nowych artykułów, tylko od uporządkowania encji: jedna nazwa, jeden opis, spójne dane kontaktowe i schema markup na każdej domenie, którą firma kontroluje.

Co to jest llms.txt i czy warto go wdrożyć?

llms.txt to plik tekstowy w katalogu głównym domeny, który w prostym Markdownie podaje modelom językowym najważniejsze strony, dokumentację i opis firmy – coś w rodzaju mapy witryny pisanej z myślą o czytaniu przez AI, a nie przez crawler indeksujący linki. W odróżnieniu od robots.txt, który tylko zezwala albo blokuje dostęp botów do konkretnych ścieżek, llms.txt niczego nie blokuje – to plik informacyjny, rekomendacja, którą model może, ale nie musi uwzględnić przy budowaniu odpowiedzi. Żaden z dużych silników (ChatGPT, Perplexity, Gemini) nie potwierdził oficjalnie, że systematycznie odczytuje ten plik przy każdym zapytaniu, więc traktowanie go jako gwarancji cytowania to nadinterpretacja. Mimo to wdrożenie zajmuje piętnaście minut, nie szkodzi ani SEO, ani GEO, a w kilku udokumentowanych przypadkach pokrywało się z wyższą częstością cytowań w odpowiedziach generowanych przez modele open source korzystające z RAG – dlatego traktujemy go jako tani, opcjonalny punkt checklisty, nie priorytet numer jeden.