Case study: Wzrost z 1,3 mln do 4,8 mln użytkowników miesięcznie — jak reoptymalizacja treści pod format RAG odwróciła spadki spowodowane AI Overview

Kontekst: duża domena tracąca ruch przez AI Overview i zmiany algorytmów

To jedno z naszych najbardziej rozbudowanych wdrożeń z 2025 roku. Duża domena z segmentu e-commerce, z ruchem który spadł w okresie marzec–maj 2025 z blisko 3 milionów do poziomu 1,3 miliona użytkowników miesięcznie. Na papierze — wciąż duży serwis. W rzeczywistości — domena w poważnych tarapatach, tracąca widoczność z miesiąca na miesiąc.

Spadki miały dwa główne źródła. Po pierwsze, zmiany w algorytmach Google — kolejne aktualizacje Helpful Content Update degradowały treści generyczne, które stanowiły większość contentu na domenie. Po drugie — i to był czynnik decydujący — AI Overview (AIO) przejęło w 2025 roku praktycznie 60% ruchu, jaki domena generowała na zapytaniach poradnikowych. Poradniki były historycznie najsilniejszym filarem ruchu organicznego domeny, a AIO zaczęło wyświetlać syntetyczne odpowiedzi bezpośrednio w wynikach wyszukiwania, eliminując potrzebę kliknięcia w link.

Domena nie była przygotowana na ten format. Treści nie miały struktury czytelnej dla modeli AI, brakowało danych strukturalnych, a format artykułów nie pozwalał na efektywne parsowanie przez mechanizmy RAG. W efekcie — AI Overview cytowało konkurencję, mimo że opisywana domena miała bardziej rozbudowaną bazę wiedzy.

Trzeci problem: domena była praktycznie niewidoczna w AI Search poza Google. Modele językowe takie jak ChatGPT, Perplexity czy Gemini praktycznie nie cytowały treści z tej domeny. Rosnący ruch z AI Search omijał ją całkowicie, trafiając do konkurencji, która — mimo mniejszego ruchu organicznego — miała treści lepiej przystosowane do parsowania przez modele AI.

Wyzwanie było jasne: odwrócić spadki spowodowane AIO, zbudować widoczność w nowych kanałach AI Search, i to wszystko bez usuwania istniejących treści — bo baza wiedzy domeny była wartościowa, tylko źle sformatowana.

Diagnoza wejściowa

Analiza wejściowa ujawniła fundamentalny problem: większość treści na domenie to były artykuły generyczne — poradniki, które można było znaleźć na dziesiątkach innych stron w identycznej lub bardzo podobnej formie. Google zaczął degradować te treści po kolejnych aktualizacjach Helpful Content Update, traktując je jako treści o niskiej wartości dodanej. Jednocześnie AI Overview przejmowało ruch na tych samych zapytaniach — wyświetlając syntetyczne odpowiedzi na górze wyników, które eliminowały potrzebę kliknięcia.

Co istotne — te treści nie były złe. Były merytorycznie poprawne, zawierały wartościowe informacje i odpowiadały na realne pytania użytkowników. Problem leżał w formacie: były napisane w tradycyjnym stylu SEO&GEO — długie, narracyjne, z frazami kluczowymi rozmieszczonymi w tekście — ale bez struktury pozwalającej modelom AI na efektywne parsowanie i cytowanie.

Diagnoza wskazała trzy kluczowe obszary do interwencji: pełna reoptymalizacja istniejących treści naszym narzędziem AI do reoptymalizacji (bez usuwania artykułów), wdrożenie danych strukturalnych (Schema markup) na skalę całej domeny, oraz produkcja nowych treści na bazie analizy GAP fraz — wypełnianie luk tematycznych, na których domena nie była obecna, a konkurencja tak.

Co to jest optymalizacja pod RAG i dlaczego ma znaczenie w erze AI Overview

RAG (Retrieval-Augmented Generation) to mechanizm, którego używają modele AI do wyszukiwania i cytowania źródeł zewnętrznych. W uproszczeniu: model AI nie „wie” wszystkiego z pamięci — wyszukuje informacje w indeksie (podobnie jak Google), dzieli znalezione treści na fragmenty (chunki), ocenia przydatność każdego fragmentu i cytuje te, które najlepiej odpowiadają na pytanie użytkownika.

To oznacza, że format treści ma fundamentalne znaczenie dla tego, czy model AI ją znajdzie, poprawnie zrozumie i zacytuje. Treść napisana w tradycyjnym formacie SEO&GEO (długa, narracyjna, z frazami kluczowymi rozmieszczonymi w tekście) może być widoczna w Google, ale zupełnie niewidoczna dla modeli AI — bo mechanizm chunkingu nie potrafi z niej wyodrębnić wartościowych fragmentów.

W kontekście AI Overview ma to podwójne znaczenie. AIO korzysta z mechanizmów podobnych do RAG — parsuje treści, wyodrębnia kluczowe informacje i generuje syntetyczną odpowiedź. Domena, która ma treści w formacie RAG-ready, ma znacznie większą szansę na bycie źródłem cytowanym w AIO — co oznacza, że zamiast tracić ruch na rzecz AIO, domena staje się źródłem, z którego AIO czerpie.

Optymalizacja pod RAG oznacza budowanie treści w sposób, który „współgra” z mechanizmem chunkingu. W praktyce to oznacza: jasne definicje w pierwszych 150 słowach artykułu, dane liczbowe z kontekstem, nagłówki w formie pełnych pytań, struktury porównawcze (tabele, listy za i przeciw), oraz sekcje FAQ z konkretnymi odpowiedziami.

Co kluczowe: treść zoptymalizowana pod RAG jest jednocześnie doskonała pod kątem SEO&GEO. Jasna struktura, dane liczbowe, format pytanie-odpowiedź — to wszystko jest wartościowe zarówno dla algorytmu Google, jak i dla modeli AI. Nie trzeba wybierać — trzeba budować treści, które działają w obu światach jednocześnie.

Co konkretnie zrobiliśmy

Warto podkreślić kluczową różnicę w stosunku do tradycyjnych podejść: nie usuwaliśmy żadnych artykułów. Standardowe rekomendacje SEO&GEO często sugerują eliminację „słabych” treści — merge, redirect, noindex. My poszliśmy inną drogą. Istniejące treści były merytorycznie poprawne — problem leżał w formacie, nie w merytoryce. Dlatego zamiast kasować — przebudowaliśmy każdy artykuł naszym narzędziem AI do reoptymalizacji, zachowując wartość merytoryczną, ale radykalnie zmieniając strukturę.

Drugi kluczowy element to analiza GAP fraz. Zidentyfikowaliśmy setki zapytań, na których konkurencja była obecna, a nasza domena nie miała dedykowanych treści. Nowe artykuły tworzone od razu w formacie RAG-ready wypełniały te luki — i to zarówno w Google, jak i w modelach AI. To właśnie te nowe treści odpowiadały za znaczną część wzrostu w long-tail frazach.

Trzeci element — przejęcie produkcji treści. Klient wcześniej tworzył treści ręcznie, co ograniczało skalę i spójność formatu. CCZ Group przejęło produkcję, wykorzystując nasze narzędzia AI do tworzenia i reoptymalizacji treści. Klient mógł pisać znacznie mniej ręcznie, a jakość i format były spójne z wymaganiami RAG na każdym artykule.

Wyniki w czasie

Wdrożenie rozpoczęliśmy 20 maja 2025. Główne wyniki — wzrost z 1,3 mln do ponad 4,8 mln użytkowników miesięcznie — osiągnęliśmy w 11 miesięcy od wdrożenia (kwiecień 2026). Po 12 miesiącach działania domena miała 17 000 fraz w TOP Google, a cytowalność w modelach AI przekroczyła 15 000 monitorowanych fraz. Poniżej szczegółowy harmonogram wyników miesiąc po miesiącu:

Wzrost cytowalności w AI był wyjątkowo szybki — pierwsze wyraźne efekty pojawiły się już po 2–3 miesiącach od reoptymalizacji (lipiec–sierpień 2025). To znacznie szybciej niż wzrost w klasycznym SEO&GEO, co wynika z faktu, że modele AI reagują na zmiany strukturalne treści szybciej niż algorytm Google. Reoptymalizacja pod format RAG sprawiła, że modele AI zaczęły cytować treści domeny niemal natychmiast po ich przeindeksowaniu.

Wzrost w Google miał inną dynamikę — bardziej stopniowy, ale stabilny. Kluczowym czynnikiem była ekspansja bazy wiedzy o nowe treści z analizy GAP. Każdy nowy artykuł zwiększał indeksację domeny i dostarczał Google sygnałów o rosnącej ekspertyzie. Warto zauważyć spowolnienie w listopadzie 2025 (8 900 fraz, +400 vs. +1 700 w październiku) — efekt aktualizacji algorytmu Google. Domena utrzymała pozycje i w styczniu 2026 wróciła do silnych wzrostów (skok do 11 200 fraz).

Najsilniejsze przyspieszenie nastąpiło w dwóch falach: pierwsza między sierpniem a październikiem 2025 (przebicie poziomu 3 mln użytkowników), druga od stycznia do kwietnia 2026 (skok z 3,65 do 4,80 mln). Obie fale były napędzane kumulacją efektów: reoptymalizowane treści zaczęły rankować wyżej, nowe treści z GAP analysis weszły do indeksu, a modele AI masowo cytowały zreoptymalizowane artykuły.

Jak śledzimy cytowalność w AI

Śledzenie cytowalności w modelach AI to wciąż młoda dyscyplina i warto być szczerym co do ograniczeń. Technologia SEO&GEO AI od CCZ Group, oparta na ponad 70 modelach AI, pozwala nam śledzić ilość fraz cytowanych za pomocą dostępnych narzędzi — oczywiście nie mamy dostępu do pełnego obrazu (żadne narzędzie na rynku tego nie oferuje), ale znaczącą część fraz jesteśmy w stanie namierzyć i monitorować w czasie.

Nasze podejście opiera się na regularnym sprawdzaniu zestawu monitorowanych fraz w odpowiedziach modeli AI i rejestrowaniu, czy i jak domena klienta jest cytowana. To pozwala nam obserwować trendy — czy cytowalność rośnie, maleje, jest stabilna — i mierzyć skuteczność wdrożeń. Nie pretendujemy do pomiaru 100% fraz — ale tę część, którą znajdujemy, wykorzystujemy do podejmowania trafnych decyzji strategicznych.

W przypadku tej domeny trend był jednoznaczny: cytowalność rosła szybko — wyraźne efekty po 2-3 miesiącach od reoptymalizacji, a po 18 miesiącach przekroczyła 15 000 monitorowanych fraz. Co istotne, realna cytowalność jest z pewnością wyższa niż to, co jesteśmy w stanie zmierzyć — nasze narzędzia pokrywają znaczącą, ale nie pełną część zapytań, na których domena jest cytowana. To oznacza, że faktyczna skala widoczności w AI Search jest jeszcze większa niż raportowane liczby.

Dlaczego reoptymalizacja RAG działa zarówno na Google, jak i na AI

Jedna z najczęstszych obaw klientów: „Czy optymalizacja pod AI nie zaszkodzi mojemu SEO&GEO?”. Odpowiedź jest jednoznaczna: nie — wręcz przeciwnie.

Elementy, które sprawiają, że treść jest dobrze cytowana przez modele AI, są dokładnie tymi samymi elementami, które Google premiuje w algorytmie. Jasna definicja tematu w pierwszych 150 słowach? Google to uwielbia — bo pozwala szybko ocenić relevance. Dane liczbowe z kontekstem? Google premiuje treści z konkretnymi danymi — bo są bardziej wartościowe dla użytkownika. Nagłówki w formie pełnych pytań? Google coraz częściej wyświetla featured snippets oparte o pytania i odpowiedzi.

W kontekście tego case study efekt był podwójny. Reoptymalizacja pod RAG nie tylko poprawiła cytowalność w modelach AI — jednocześnie odwróciła spadki w Google, bo treści po reoptymalizacji były lepiej ustrukturyzowane, bardziej konkretne i łatwiejsze do parsowania przez algorytm Google. To jest sedno podejścia CCZ Group: optymalizacja omni-search — budowanie treści, które działają jednocześnie w Google, AI Overview, ChatGPT, Perplexity i każdym innym kanale discovery.

Co więcej, domena zaczęła być cytowana w AI Overview Google — tym samym mechanizmie, który wcześniej „kradł” jej ruch. Po reoptymalizacji treści pod format RAG, AIO zaczęło traktować domenę jako źródło wysokiej jakości i cytować ją w syntetycznych odpowiedziach. Zamiast tracić ruch na AIO — domena stała się jego beneficjentem.

Efektywność energetyczna — dlaczego algorytmy preferują RAG-ready content

Fundamentalna zasada: każdy algorytm zużywa energię obliczeniową. Crawlowanie, parsowanie, indeksowanie, generowanie odpowiedzi — to wszystko kosztuje zasoby. Dlatego zarówno Google, jak i modele AI, naturalnie preferują źródła danych, z których mogą pozyskać wartościowe informacje szybko, tanio i w prostej do zrozumienia formie.

Treść RAG-ready to właśnie taka treść — dobrze ustrukturyzowana, z jasnymi sekcjami, danymi liczbowymi, definicjami i odpowiedziami na pytania. Algorytm nie musi „walczyć” z chaotyczną narracją, szukać odpowiedzi ukrytej w 5. akapicie lub domyślać się, o czym jest artykuł. Wszystko jest jasne od pierwszego akapitu.

Im więcej takich treści na domenie, tym algorytm postrzega ją jako efektywne źródło danych — i wraca częściej. To pozytywne sprzężenie zwrotne, które obserwowaliśmy na opisywanej domenie: po reoptymalizacji częstotliwość crawlowania wzrosła o ponad 40%, co bezpośrednio przełożyło się na szybszą indeksację zarówno zreoptymalizowanych, jak i nowych treści.

Efekt ten był szczególnie widoczny w kontekście nowych treści z analizy GAP. Każdy nowy artykuł, opublikowany w formacie RAG-ready, był indeksowany znacznie szybciej niż artykuły publikowane przed reoptymalizacją. Algorytm „nauczył się”, że domena dostarcza wartościowe, dobrze ustrukturyzowane dane — i zaczął traktować ją priorytetowo.

60% nowego ruchu z long-tail — dlaczego to kluczowe

Najważniejszy insight z całego projektu: 60% nowego ruchu przyszło z long-tail fraz, na które domena wcześniej w ogóle nie rankowała — bo nie miała dedykowanych treści zoptymalizowanych pod format, w jakim AI szuka informacji.

To jest sednem strategii RAG: nie chodzi tylko o poprawę pozycji na istniejących frazach (chociaż to też się wydarzyło dzięki reoptymalizacji). Chodzi o zagospodarowanie setek nisz, które konkurencja ignoruje, bo nie ma treści adresujących konkretne, szczegółowe pytania użytkowników. Nowe treści RAG-ready z analizy GAP naturalnie odpowiadają na long-tailowe zapytania — i to zarówno w Google, jak i w modelach AI.

Analiza GAP fraz ujawniła, że konkurencja pokrywała setki zapytań, na których opisywana domena nie była obecna — mimo posiadania szerokiej bazy wiedzy. Problem polegał na tym, że istniejące treści były zbyt ogólne, by rankować na konkretne long-tailowe frazy. Nowe, dedykowane artykuły — każdy zoptymalizowany pod konkretne zapytanie, z jasną definicją, danymi liczbowymi i strukturą pytanie-odpowiedź — wypełniły te luki błyskawicznie.

Lekcje z wdrożenia

Osiem kluczowych lekcji z 18 miesięcy pracy nad tą domeną:

1. Nie usuwaj — reoptymalizuj — istniejące treści mają wartość merytoryczną. Zamiast kasować — przebuduj strukturę pod format RAG-ready narzędziami AI. W naszym przypadku reoptymalizacja 1 200 artykułów dała lepsze efekty niż ich usunięcie.
2. AI Overview to szansa, nie zagrożenie — AIO przejęło 60% ruchu z poradników, ale po reoptymalizacji domena stała się źródłem cytowanym w AIO. Klucz: format RAG-ready.
3. Cytowalność w AI rośnie szybko — wyraźne efekty reoptymalizacji w modelach AI widoczne po 2-3 miesiącach. Znacznie szybciej niż w klasycznym SEO&GEO.
4. GAP analysis to kopalnia — 60% wzrostu przyszło z fraz, na których domena wcześniej nie istniała. Analiza GAP fraz identyfikuje luki, które nowe treści RAG-ready wypełniają natychmiast.
5. Schema markup na skalę — wdrożenie FAQ, HowTo i Author Schema na 4 500+ stronach było pracochłonne, ale kluczowe dla widoczności zarówno w Google (rich snippets), jak i w AI (lepsze parsowanie).
6. Przejęcie produkcji treści odciąża klienta — klient pisał wcześniej ręcznie, co ograniczało skalę. CCZ Group przejęło produkcję z AI, pozwalając klientowi skupić się na strategii, nie na pisaniu.
7. Efektywność energetyczna algorytmu jest realna — po reoptymalizacji crawl rate wzrósł o 40%, co potwierdza, że algorytm preferuje domeny z dobrze ustrukturyzowaną treścią.
8. Definicja w pierwszym akapicie to game-changer — artykuły z jasną definicją tematu w pierwszych 150 słowach miały +89% szans na cytowanie przez modele AI.