Jak pisać treści, które sztuczna inteligencja chce cytować?

Jak pisać treści, które sztuczna inteligencja chce cytować? To pytanie, na które odpowiedzieliśmy nie teorią, lecz danymi. W CCZ Group od początku 2024 roku obsługujemy setki domen klientów za pomocą autorskich, w pełni zautomatyzowanych modeli AI. Publikujemy tysiące artykułów miesięcznie — i właśnie ta skala pozwoliła nam przeprowadzić badanie, którego wyniki prezentujemy poniżej: 50 domen, 8 500 artykułów, 17 wariantów struktury, 90 dni obserwacji.

Dlaczego struktura treści decyduje o tym, czy AI ją zacytuje?

Silniki AI nie czytają artykułów jak ludzie. Zamiast przeglądać stronę od góry do dołu, stosują mechanizm zwany chunkingiem — dzielą treść na bloki o ograniczonej długości, oceniają każdy blok osobno i wybierają ten, który najlepiej odpowiada na zapytanie. Google AI Mode przetwarza bloki o maksymalnym rozmiarze około 500 tokenów (375 słów), a do każdego automatycznie przypisuje nagłówki nadrzędne jako kontekst tematyczny. ChatGPT, Perplexity, Gemini i Claude działają na analogicznym pipeline — szczegóły algorytmów się różnią, ale schemat chunkowania jest wspólny dla całej branży. Jeśli Twoja sekcja artykułu ma 800 słów bez pośredniego nagłówka, silnik musi ją podzielić na dwa bloki — a drugi traci kontekst i spada w rankingu.

Jest jeszcze czynnik, o którym branża SEO praktycznie nie mówi: koszt energii. Najdroższym elementem codziennej eksploatacji systemów AI jest energia elektryczna potrzebna do przetwarzania tokenów. Jeśli AI może pozyskać 10 000 informacji z 10 000 krótkich, precyzyjnie ustrukturyzowanych artykułów na jednej stronie, będzie preferowało to źródło nad stroną, z której te same 10 000 informacji trzeba wyciągać z 1 000 rozbudowanych tekstów. Więcej informacji na mniej tokenów to lepszy stosunek wartości do kosztu. Dla systemów AI takie źródło jest po prostu tańsze w obsłudze — i dlatego preferowane w rankingu.

Jak wyglądało badanie — metodologia?

Wybraliśmy 50 domen klientów z kilkunastu branż, dobierając je pod kryteria porównywalności: startowa indeksacja 30–50 fraz w top 10 Google, cytowalność w modelach AI na poziomie 3–5%, zbliżony profil aktywności. Dla każdej domeny przygotowaliśmy 170 unikalnych fraz kluczowych — żadna fraza nie powtarzała się w obrębie jednej domeny, eliminując ryzyko kanibalizacji. Te 170 fraz podzieliliśmy na 17 bloków po 10. Dla każdego bloku stworzyliśmy artykuły o innej strukturze. Nie publikowaliśmy dwóch treści o tym samym temacie na jednej domenie. Wszystkie artykuły ukazywały się pod tą samą, nieznaną osobą — żeby autorytet konkretnego autora nie wypaczał wyników.

Każdy artykuł spełniał podstawowe wytyczne Google: poprawny HTML, meta tagi, responsywność, szybkość ładowania. Jedyne, czym manipulowaliśmy, to struktura treści — format nagłówków, długość i głębokość sekcji, obecność FAQ, tabel, list i zdań kontrastowych.

Czym różniły się warianty struktury?

Blok 1 to klasyka — treści w formacie sprzed 3–5 lat: wstęp budujący kontekst, rozwinięcie, zakończenie, 8 000–12 000 znaków. Bloki 2–6 to warianty o różnej długości (5 000–12 000 znaków) z klasyczną strukturą narracyjną. Bloki 7–12 to artykuły 3 000–5 000 znaków z nagłówkami jako pytaniami, bezpośrednimi odpowiedziami, krótkimi sekcjami, tabelami i FAQ. Bloki 13–16 to format ekstremalnie skrócony — poniżej 2 000 znaków, punktowe odpowiedzi. Blok 17 to synteza najlepszych elementów ze wszystkich iteracji. Spektrum celowo obejmowało skrajności, żeby znaleźć optymalny punkt.

Jakie wyniki dało badanie?

Zwycięski wzorzec — bloków 7–12 i optymalny Blok 17 — dominował niezależnie od branży. Nazwaliśmy go Wzorzec Blokowy. Poniżej wyniki liczbowe — porównanie tego wzorca ze strukturą klasyczną (Blok 1):

Jak wygląda zwycięski Wzorzec Blokowy — element po elemencie?

Nagłówki H2/H3 w formie pytań. Modele AI przetwarzają zapytania jako pytania — nagłówek-pytanie tworzy bezpośredni sygnał semantyczny: „blok pod tym nagłówkiem odpowiada na to pytanie”. Artykuły z nagłówkami pytającymi osiągały 34% wyższy wskaźnik cytowalności. Nagłówki „kreatywne” (typu „Tajemnica sukcesu”) wypadały o 47% gorzej — nie niosą informacji semantycznej, którą AI mogłoby dopasować do zapytania użytkownika.

Bezpośrednia odpowiedź w pierwszych zdaniach sekcji. Natychmiast po nagłówku musi pojawić się konkretna odpowiedź — w pierwszych 1–2 zdaniach. Dopiero po niej następuje naturalne rozwinięcie z kontekstem, danymi i przykładami na kilka kolejnych zdań. AI szuka gotowego bloku odpowiedzi — jeśli pierwsze zdanie to konkret, model wyciąga go jako snippet. Jeśli to wprowadzenie bez konkluzji, blok zostaje odrzucony na rzecz konkurenta. Artykuły z takim układem miały o 41% wyższą częstotliwość cytowań w AI Overviews.

Sekcje do ~300 słów (~20 linii treści po 15 słów). Każda sekcja od nagłówka do następnego nagłówka powinna mieścić się w maksymalnie 300 słowach. Struktura wewnątrz sekcji jest naturalna: nagłówek-pytanie, bezpośrednia odpowiedź, rozwinięcie na kilka zdań z kontekstem i przykładami — ale zamknięte w ramach, które silnik AI może przetworzyć jako jeden chunk. Sekcja musi być samodzielna kontekstowo: zrozumiała bez czytania poprzednich akapitów. Sekcje dłuższe niż 300 słów tracą na widoczności — silnik je dzieli i drugi fragment traci kontekst nagłówka.

Zdania kontrastowe i porównawcze. Zaawansowane modele oceny kontekstu rozumieją negacje i kontrasty. Artykuły ze zdaniami typu „X sprawdza się do A, ale nie nadaje się do B” osiągały o 28% wyższe wyniki. Każdy artykuł powinien zawierać minimum 3–5 takich zdań rozgraniczających temat. To nie styl — to mechanika rankingowa AI, która nagradza treści wyjaśniające czym coś jest i czym jednocześnie nie jest.

FAQ, tabele, schema, czysty HTML. FAQ (5–10 pytań, odpowiedzi po 2–4 zdania) to gotowe bloki do ekstrakcji. Tabele były cytowane 2,4× częściej niż dane w akapitach. Schema (Article + FAQ + BreadcrumbList) zwiększała cytowalność o 19%. Czysty HTML5 bez śmieciowego kodu ułatwia parsowanie — brudny kod sprawia, że AI przechodzi do kolejnego wyniku.

Dlaczego klasyczny format artykułu przegrywa?

Człowiek pisząc artykuł myśli: wstęp → rozwinięcie → zakończenie. Buduje kontekst, prowadzi narrację. To świetne podejście dla czytelnika, ale dla AI nieefektywne. Odpowiedź na pytanie pojawia się dopiero po akapitach kontekstu, w bloku który semantycznie nie pasuje do zapytania. AI musi przetworzyć setki tokenów, zanim dotrze do informacji. Wzorzec Blokowy działa odwrotnie: każda sekcja to samodzielny blok, gdzie nagłówek mówi o czym jest, pierwsze zdanie odpowiada, a reszta rozwija. Nie ma przepalonej energii na narrację, którą AI i tak odetnie. Dla systemów AI to więcej wartości przy mniejszym koszcie przetworzenia — i dlatego preferują to źródło.

Jak to wdrożyć — co musi zrobić klient?

W CCZ Group budujemy treści w oparciu o wyniki tego badania. Cały proces — analiza GAP konkurentów, dobór fraz, generowanie artykułów w Wzorcu Blokowym, schema, publikacja — jest w pełni zautomatyzowany przez agentów AI. Klient nie musi myśleć o strukturze, formatach, schema ani HTML.

Jedyne, co klient robi na początku: eliminuje z listy fraz te, które bezwzględnie nie stoją w okolicy tego, czym się zajmuje. Listy fraz pozyskujemy z analizy GAP — porównania widoczności klienta z konkurentami — więc frazy są zawsze branżowe i dotyczą tematów z realnym potencjałem. Resztą zajmujemy się my: systematyczna publikacja treści zoptymalizowanych pod cały ekosystem AI Search jednocześnie.

Najczęstsze pytania (FAQ)

Michał Puchała

Od 2018 roku specjalizuję się w zaawansowanej analityce biznesowej i inżynierii danych pod kątem SEO, GEO oraz Ai Search. Jestem „człowiekiem liczb” – całkowicie odpuszczam zgadywanie na rzecz twardych danych z API, którymi zasilam nasz wieloagentowy ekosystem AI. Projektuję zautomatyzowane narzędzia, które przekładają chaos informacyjny na mierzalne wyniki i budują najwyższy autorytet domen (E-E-A-T). Po godzinach cyfrowe morze danych zamieniam na prawdziwą wodę – jako pływak długodystansowy przygotowuję się do przepłynięcia kanału La Manche (35 km w czasie poniżej 12 godzin).