Wyszukiwarka przestała odsyłać, zaczęła odpowiadać
Przez dwadzieścia lat gra wyglądała tak samo. Piszesz tekst, optymalizujesz go pod frazę, walczysz o pierwszą dziesiątkę wyników, a nagrodą jest kliknięcie. Użytkownik wpisywał pytanie, dostawał listę niebieskich linków i sam wybierał, gdzie wejść. Ta mechanika właśnie się rozpada.
Dziś zapytanie coraz częściej kończy się na ekranie z gotową odpowiedzią. Google pokazuje na górze wyników sekcję AI Overviews, ChatGPT i Perplexity od razu formułują akapit, a użytkownik czyta go bez wchodzenia na żadną stronę. Twój artykuł nadal może być źródłem tej odpowiedzi, tylko że teraz nie walczy o kliknięcie, lecz o cytowanie w cudzej wypowiedzi. Umiejętność pisania tak, żeby model językowy wybrał właśnie Twój tekst na materiał do swojej odpowiedzi, nazywa się Generative Engine Optimization, w skrócie GEO.
Ten artykuł zbiera dwie warstwy. Pierwsza to twarde dane z ostatnich kilkunastu miesięcy o tym, jak bardzo zmieniło się zachowanie użytkowników. Druga to konkretne techniki pisania, przetestowane w badaniach, które podnoszą szansę, że model zacytuje Twój materiał.
Czym GEO różni się od klasycznego SEO
Najprościej ująć to przez pytanie o cel. Klasyczne SEO copywriting dąży do wysokiej pozycji na liście linków, żeby zdobyć kliknięcie. GEO dąży do tego, żeby fragment tekstu trafił do generowanej odpowiedzi jako przywołane źródło, często z nazwą marki i odnośnikiem w treści. Bywa to nazywane też AEO, czyli Answer Engine Optimization, i w praktyce oba terminy opisują to samo zjawisko.
Różnica nie jest kosmetyczna, bo zmienia jednostkę sukcesu.
| Wymiar | Klasyczne SEO | GEO |
|---|---|---|
| Cel | wysoka pozycja w wynikach | cytowanie w odpowiedzi AI |
| Nagroda | kliknięcie i wejście na stronę | wzmianka o marce, zaufanie, czasem odnośnik |
| Odbiorca sygnału | algorytm rankingu i człowiek | model językowy, który streszcza |
| Miara | ranking, ruch organiczny | udział w odpowiedziach, tzw. share of voice |
| Rola słów kluczowych | duża | malejąca na rzecz sensu i kontekstu |
Dobra wiadomość dla piszących jest taka, że GEO nie unieważnia rzemiosła. Solidny artykuł pod SEO z jasną strukturą i wiarygodnymi danymi to nadal fundament, na którym model buduje odpowiedź. Zmienia się to, które cechy tekstu przeważają szalę.
Krótka historia zmiany, która już się dokonała
Warto zobaczyć, jak szybko przesunął się grunt. Poniższa oś czasu pokazuje, że od pierwszego publicznego dużego modelu do momentu, w którym AI weszło do polskiej wyszukiwarki, minęły niecałe dwa i pół roku.
- Listopad 2022. OpenAI udostępnia ChatGPT. Milion użytkowników w pięć dni pokazuje, że rozmowa z modelem zastąpi część zapytań kierowanych dotąd do wyszukiwarki.
- Listopad 2023. Zespół z Princeton publikuje pracę GEO: Generative Engine Optimization (Aggarwal i in.), pierwszy poważny opis tego, jak optymalizować treść pod odpowiedzi generatywne. Rok później praca trafia na konferencję KDD 2024.
- Wrzesień 2024. Jeremy Howard z Answer.AI proponuje standard
llms.txt, czyli plik dla modeli podpowiadający, które treści warto uwzględnić. - Maj 2024. Google uruchamia AI Overviews w Stanach Zjednoczonych, na razie po angielsku.
- 26 marca 2025. AI Overviews wchodzi do Polski i kilku innych krajów Unii. Funkcja obsługuje zapytania po polsku i korzysta z modelu Gemini 2.0 Flash, który streszcza treści z sieci na górze wyników.
- 2025–2026. Kolejne badania mierzą skutek. Pojawiają się pierwsze twarde liczby o spadku kliknięć na strony wydawców.
Mechanizm ludzkiej ciekawości się nie zmienił, człowiek nadal chce szybkiej odpowiedzi. Zmienił się pośrednik, który tę odpowiedź dostarcza.
Dlaczego to nie chwilowa moda, tylko dane
Łatwo zbyć AI Overviews machnięciem ręki. Liczby z ostatniego roku każą jednak potraktować zjawisko poważnie, bo pokazują realny odpływ kliknięć.
Centrum badawcze Pew Research prześledziło w 2025 roku 68 tysięcy rzeczywistych zapytań. Kiedy na stronie wyników pojawiało się streszczenie AI, użytkownicy klikali w wynik w 8 procentach przypadków, a bez streszczenia w 15 procentach. To względny spadek o niemal połowę. Jeszcze mocniej wybrzmiewa inna liczba z tego samego badania, bo tylko w 1 procencie sytuacji użytkownik kliknął w źródło przywołane wewnątrz odpowiedzi AI.
Do tego dochodzi zjawisko zapytań bez kliknięcia, tak zwanych zero-click searches. Według danych Similarweb ich udział wzrósł z 56 do 69 procent między majem 2024 a majem 2025, czyli dokładnie wtedy, gdy AI Overviews się rozwijało. Eksperyment terenowy opublikowany w 2026 roku potwierdził kierunek: obecność streszczenia AI obniżała liczbę wyjść na strony zewnętrzne o 39,8 procent, a odsetek zapytań bez kliknięcia rósł o 34,5 procent.
Wniosek dla piszącego jest niewygodny, lecz jasny. Sam ruch z wyszukiwarki będzie się kurczył niezależnie od tego, jak dobrze pozycjonujesz stronę. Wartością staje się obecność w samej odpowiedzi, bo tam trafia uwaga, która wcześniej rozkładała się na dziesięć linków.
Co naprawdę działa, czyli czego uczy badanie z Princeton
Największym atutem pracy GEO: Generative Engine Optimization jest to, że nie zgaduje. Autorzy zbudowali zestaw testowy GEO-bench liczący około 10 tysięcy zapytań z różnych dziedzin i sprawdzili na silniku odpowiadającym działaniu Bing Chat, które zabiegi redakcyjne podnoszą widoczność tekstu w generowanej odpowiedzi. Wynik zbiorczy mówi, że dobrze dobrane techniki potrafią zwiększyć widoczność źródła nawet o 40 procent.
Ważniejsze od jednej liczby jest to, które konkretnie zabiegi zadziałały, a które okazały się bezużyteczne.
| Technika redakcyjna | Wpływ na widoczność w odpowiedzi AI |
|---|---|
| Dodanie cytowań i przypisów do źródeł | 30–40% |
| Wplecenie cytatów ekspertów | 30–40% |
| Dodanie konkretnych statystyk i liczb | 30–40% |
| Poprawa płynności języka | 15–30% |
| Ton ekspercki, autorytatywny | 10–20% |
| Upraszczanie „pod laika” | efekt mały lub ujemny |
| Upychanie słów kluczowych | efekt zerowy lub ujemny |
Dwie rzeczy z tej tabeli warto zapamiętać. Po pierwsze, techniki, które najmocniej podnoszą szansę na cytowanie, to dokładnie te, które od zawsze budowały wiarygodny tekst: powołanie się na źródło, konkretna liczba, głos eksperta. Po drugie, upychanie fraz, czyli stara sztuczka SEO, tutaj nie pomaga, a bywa, że szkodzi. Model streszcza sens, nie liczy wystąpień słowa.
Autorzy zaznaczyli też, że efekty się kumulują. Statystyka wsparta płynnym językiem dawała silniejszy skutek niż każdy z tych zabiegów osobno, co ma prosty wniosek warsztatowy: te techniki nie są alternatywami do wyboru, tylko warstwami tego samego tekstu.
Jak pisać pod GEO w praktyce
Przełóżmy badanie na konkretne decyzje przy klawiaturze. Poniższe zasady wynikają wprost z tego, co model preferuje przy streszczaniu.
Podawaj liczby zamiast ogólników. Zdanie „wielu użytkowników nie klika już w wyniki” model pominie na rzecz strony, która napisze „udział zapytań bez kliknięcia wzrósł do 69 procent w 2025 roku”. Liczba jest sprawdzalna, a model chętniej opiera na niej odpowiedź. To ta sama zasada, którą stosuje się przy rzetelnym researchu do tekstu.
Cytuj źródła i ekspertów w treści, nie tylko w stopce. Przypis wpleciony w zdanie, z nazwiskiem i rokiem, działa jak sygnał wiarygodności. Model widzi, że twierdzenie ma pokrycie, i traktuje akapit jako pewniejszy materiał.
Odpowiadaj na pytanie od razu, w pierwszym akapicie sekcji. Modele lubią fragmenty, które samodzielnie stanowią pełną odpowiedź. Napisz tezę w dwóch pierwszych zdaniach, dopiero potem rozwijaj. Ta sama struktura pomaga zresztą przy klasycznych wyróżnionych fragmentach w Google.
Buduj tekst wokół konkretnego pytania, nie wokół frazy. Nagłówek sformułowany jak realne pytanie użytkownika („ile kosztuje…”, „czym różni się…”) pasuje do sposobu, w jaki ludzie rozmawiają z modelem. Zestaw takich sekcji tworzy materiał, który AI może rozłożyć na kilka różnych odpowiedzi.
Pisz płynnie i jednoznacznie. Poprawa płynności dawała w badaniu do 30 procent wzrostu widoczności. Zawiłe, wielokrotnie złożone zdania model streszcza gorzej, bo trudniej mu wydobyć z nich pojedynczą tezę. Prosty, uporządkowany akapit jest łatwiejszy do zacytowania.
Warto zauważyć, że żadna z tych zasad nie jest nowa. Wszystkie opisują po prostu dobry tekst ekspercki. Zmiana polega na tym, że wcześniej nagradzał je redaktor i czytelnik, a teraz dodatkowo nagradza je maszyna, która decyduje, kogo przywołać.
Pułapka odwrotna: kiedy AI zmyśla źródła
Jest druga strona tej samej monety, o której GEO każe pamiętać. Skoro modele coraz częściej formułują odpowiedzi i przywołują źródła, to trzeba wiedzieć, że potrafią te źródła po prostu wymyślić. Zjawisko nazywa się halucynacją i jest dobrze udokumentowane.
Alkaissi i McFarlane (2023, s. 2) opisali przypadek, w którym poprosili ChatGPT o referencje do tezy z zakresu metabolizmu kości. Model podał pięć pozycji z numerami PMID, a żadna z nich nie istniała, bo wszystkie identyfikatory prowadziły do zupełnie innych, niezwiązanych prac. Grant Cooper (2023, s. 444) sformułował głębszy problem, ostrzegając, że model bywa skłonny ustawiać się w roli „ostatecznego autorytetu epistemicznego”, w którym zakłada się jedną prawdę bez właściwego oparcia w dowodach. Dergaa i współpracownicy (2023, s. 617) podsumowali z kolei zdroworozsądkowo, że model powinien pełnić rolę narzędzia pomocniczego, a nie zastępować ludzką rzetelność, i że każde użycie takiego narzędzia wymaga transparentności (s. 618).
Ma to dwa praktyczne skutki dla piszącego. Pierwszy dotyczy własnego warsztatu. Jeśli używasz modelu do zbierania materiału, sprawdzaj każdą pozycję z bibliografii, którą Ci poda, zanim ją zacytujesz. Najszybciej zweryfikujesz to narzędziem, które sprawdza, czy podane prace faktycznie istnieją, na przykład sprawdzarką źródeł. Drugi skutek dotyczy strategii GEO. To właśnie teksty z realnymi, sprawdzalnymi źródłami mają przewagę, bo model chętniej opiera odpowiedź na materiale, który sam wygląda na wiarygodny. Rzetelność przestała być tylko kwestią uczciwości wobec czytelnika i stała się przewagą w widoczności.
Strona techniczna: llms.txt i realne granice
Wokół GEO narosło już trochę rozwiązań technicznych. Najgłośniejszym jest plik llms.txt, zaproponowany przez Jeremy’ego Howarda z Answer.AI we wrześniu 2024 roku. To prosty plik w formacie Markdown w katalogu głównym domeny, który wskazuje modelom, które treści na stronie warto uwzględnić w pierwszej kolejności. Ta strona również taki plik publikuje.
Trzeba jednak uczciwie powiedzieć, gdzie leży granica. Standard pozostaje propozycją społeczności, bez formalnego umocowania i bez zobowiązania dużych wyszukiwarek do jego stosowania. Google publicznie potwierdziło w 2025 roku, że nie używa llms.txt w wyszukiwarce ani w AI Overviews, opierając się na zwykłych robotach indeksujących. Adoptują go głównie serwisy techniczne i dokumentacja produktów, gdzie odsetek wdrożeń szacuje się na kilkanaście procent.
Wniosek jest taki, że plik warto mieć jako tani sygnał na przyszłość, lecz nie należy w nim upatrywać źródła cytowań. O tym, czy model przywoła Twój tekst, decyduje przede wszystkim jego treść, nie plik konfiguracyjny.
Czego nie robić
Kilka pokus prowadzi donikąd, a niektóre wprost szkodzą.
- Nie upychaj słów kluczowych. W badaniu z Princeton ta technika miała efekt zerowy lub ujemny. Model streszcza znaczenie, więc nadmiar powtórzeń nic nie wnosi, a psuje płynność, którą model nagradza.
- Nie upraszczaj treści na siłę „pod laika”. Zabieg spłycania również wypadł słabo. Ekspercki, konkretny ton działa lepiej niż sztuczne banalizowanie.
- Nie oddawaj tekstu bez weryfikacji źródeł. Skoro modele halucynują cytaty, tekst oparty na niesprawdzonych referencjach ryzykuje powielenie błędu, który podważy jego wiarygodność w oczach czytelnika i algorytmu.
- Nie porzucaj SEO na rzecz GEO. Wyszukiwarka odsyłająca do linków nie zniknęła, tylko dostała konkurenta na tym samym ekranie. Dobry tekst nadal musi się indeksować i rankować, żeby model w ogóle miał go z czego zacytować.
Podsumowanie
GEO nie jest nową dyscypliną, którą trzeba budować od zera. To raczej przesunięcie akcentów w rzemiośle, które opisujemy na tym blogu od dawna. Techniki podnoszące szansę na cytowanie przez AI to konkretne liczby, sprawdzalne źródła, głos eksperta i płynny, jednoznaczny język. Dokładnie te same cechy budowały wiarygodny tekst, zanim ktokolwiek usłyszał o modelach językowych.
Zmieniła się stawka i drugi odbiorca. Obok czytelnika i algorytmu rankingu pojawiła się maszyna, która streszcza i decyduje, kogo przywołać w odpowiedzi widzianej przez miliony ludzi bez jednego kliknięcia. Kto pisze rzetelnie, dostał w tej grze przewagę, bo rzetelność jest tym, co model rozpoznaje najłatwiej. Reszta to kwestia świadomego stosowania kilku technik, które i tak warto było znać wcześniej. Więcej o samym zderzeniu zawodu z technologią piszemy w tekście o copywritingu w czasach AI.
