AI SEO w 2026: 75 badań w jednej bazie. Co jest potwierdzone, co sporne, a co mitem

Klasyczna reguła SEO — kliknięcia rosną razem z wyświetleniami — przestała obowiązywać, i da się to zobaczyć we własnym Search Console.

Ryan Law z Ahrefs zmierzył to na własnym blogu w analizie „The Great Decoupling”: korelacja dziennych kliknięć i wyświetleń wynosiła +0,425 w drugiej połowie 2024 roku i odwróciła się do −0,352 w pierwszej połowie 2025. Wykres GSC zaczął wyglądać jak paszcza krokodyla — wyświetlenia w górę, kliknięcia w dół. Pojedynczy pomiardane jednego serwisu, ale wzorzec potwierdzany szeroko.

Mechanizm potwierdza druga strona. Seer Interactive przeanalizowało 3119 zapytań u 42 klientów przez 15 miesięcy (25,1 mln wyświetleń organicznych): organiczny CTR na zapytaniach z AI Overviews spadł z 1,76% do 0,61% — o 61%. W płatnych wynikach jeszcze mocniej: z 19,70% do 6,34%, czyli −68%.

Nie ma bezpiecznej przystani. Zapytania bez AIO też straciły — −41% w tym samym okresie.

A skala makro? Rand Fishkin na danych Similarweb: żaden badany kraj nie wysyła już 300 kliknięć do otwartego internetu na 1000 wyszukiwań (Niemcy 287, USA 231, Wielka Brytania 232). Zero-click sięga od 62,1% w Niemczech do 69,5% w Wielkiej Brytanii. Zbieżne kierunkowotrzy źródła mierzą różne zjawiska, ale wszystkie pokazują ten sam kierunek: mniej kliknięć z wyszukiwania.

Zanim wpadniesz w panikę: hype jest 1000× większy niż zjawisko

Tu branża robi drugi błąd, odwrotny do pierwszego. Analiza SparkToro top 5000 stron (clickstream Similarweb) pokazuje, że wizyty w narzędziach AI to około jedna tysięczna medialnego hype’u — i to przy metodologii, która AI zawyża. Google jest wielkości następnych trzynastu największych stron świata razem wziętych.

Wniosek Fishkina jest niewygodny dla obu obozów: martwisz się o widoczność w AI? Nie przez ChatGPT. Przez Google.

Clickstream to jednak wciąż jedna metoda. Drugą, całkowicie odmienną, dostarcza iPullRank z Farrah Bostic, którzy posadzili ludzi przed ekranem i patrzyli, co robią: 100 osób w ankiecie, 23 rozmowy jeden na jeden z nagraniem realnych wyszukiwań, wiek 18–75, zbalansowana próba amerykańska. Wynik dla zadania „znajdź lokalne newsy”: AI Mode był dostępny dla 38,24% uczestników, użyło go 2% — i ani jedna osoba nie zrobiła tego z własnej inicjatywy. Dopiero po wyraźnej prośbie badacza. Cytat 74-latka z Orlando: „nie przyszło mi do głowy, żeby użyć AI Mode”.

Powód nie jest techniczny, tylko nawykowy i zaufaniowy. Uczestnicy bali się, że AI Mode nie jest aktualny przy bieżących wydarzeniach; wielu w ogóle omijało wyszukiwarkę, idąc prosto na stronę lokalnej stacji, ESPN albo Reddita. Jedna uczestniczka uznała po prostu, że kliknięcie zakładki „Wiadomości” jest szybsze niż wpisywanie promptu.

Trzecia metoda, ta sama konkluzja: SimilarWeb udostępnił iPullRank dane dzienne z ponad 100 tys. użytkowników AI Mode od jego startu — kliknięcia wychodzące z AI Mode utrzymują się poniżej ~3% i dryfują w bok, nie rosną. Potwierdzonetrzy niezależne metody: panel ruchu, obserwacja behawioralna i clickstream. Zastrzeżenie: badanie UX jest z września 2025 i dotyczyło lokalnych newsów, gdzie nawyki są najsilniejsze — nie przenoś tego wprost na zapytania komercyjne.

I tu trzeba postawić rozróżnienie, którego brak jest źródłem połowy hype’u w tej branży. Dane Peec AI (500 tys. promptów, kwiecień 2026) mówią, że AI Overviews pojawia się w 86,7% wyszukiwań w ich próbie, rok wcześniej w 56,9%. W Polsce — 82,9%. Obalają też popularny mit, że AIO dotyczy tylko zapytań informacyjnych: przy zapytaniach decyzyjnych, na dole lejka, AIO występuje w 88,5% przypadków, czyli częściej niż średnia.

To nie przeczy liczbom powyżej, bo mierzy coś zupełnie innego: obecność AI Overviews w SERP-ie, a nie użycie AI Mode przez człowieka. AIO jest praktycznie wszędzie i ludzie je widzą — ale AI Mode jako osobny tryb, do którego trzeba świadomie wejść, pozostawał niszą. Zlepianie tych dwóch rzeczy w zdanie „wszyscy już szukają przez AI” jest błędem kategorii. Zmiana, która realnie cię dotyczy, dzieje się w klasycznym SERP-ie, a nie w osobnym czacie. Uwaga metodologiczna: próba Peec jest skrzywiona ku promptom zakupowym, więc odsetki są wyższe niż dla „całego Google” — rozwijamy to w sekcji o sprzecznościach.

Kanał się nie skończył, skończył się jego KPI

Ruch z AI jest mały, ale gęsty. Odwiedzający z AI search jest 4,4× bardziej wartościowy niż z klasycznego organica (Semrush). Similarweb mierzy konwersję ruchu z ChatGPT na 7,1% — drugie miejsce zaraz za płatnym wyszukiwaniem (7,8%), wyżej niż direct, organic, social i e-mail. Ahrefs raportuje, że ruch z AI konwertuje u nich 23× lepiej niż klasyczne wyszukiwanie: 0,5% wizyt daje 12,1% rejestracji. Zbieżne kierunkowotrzy niezależne źródła, ta sama konkluzja, różne wartości.

I jest jeszcze jedna liczba, która zmienia całą kalkulację. Seer sprawdziło, co się dzieje, gdy jesteś cytowany w AI Overview: +35% kliknięć organicznych i +91% płatnych względem braku cytowania. Autorzy nazywają to „competitive moat” i sami uczciwie zaznaczają, że to korelacja — równie dobrze silniejsze marki mogą być częściej cytowane i mieć wyższy CTR z innych powodów.

Co z tego wynika: cytowanie w AI przestaje być ciekawostką, a zaczyna być mechanizmem obronnym CTR. Pytanie brzmi więc: co decyduje o tym, że AI cię wybierze?

Między tym, co wpisuje użytkownik, a tym, co czyta w odpowiedzi, stoi pięć bramek — i każda odsiewa według innych reguł.

To najważniejsza sekcja tego artykułu, bo cała reszta jest jej konsekwencją. Większość porad o AI SEO jest bezużyteczna, bo miesza bramki: dają ci radę z bramki czwartej na problem z bramki pierwszej.

Jedno zastrzeżenie, zanim wejdziemy w liczby: ten lejek składamy z pomiarów różnych silników — retrieval zmierzono najdokładniej dla ChatGPT, grounding i ekstrakcję dla Google/Gemini. Mechanika jest wspólna, ale proporcje na każdej bramce różnią się per platforma i tak trzeba je czytać.

Bramka 1 — fanout: twoje pytanie nie jest tym, czego szuka model

Silnik nie wyszukuje tego, co wpisał użytkownik. Rozbija to na własne pod-zapytania.

Peec przeanalizował 5 mln fanoutów z ChatGPT, Perplexity i Grok. Najczęściej dopisywanym słowem jest „best” — przy pytaniach o rekomendację przeformułowanie na „best of” następuje w 24,3% fanoutów. Trzecim najczęstszym słowem jest „reviews”: model szuka recenzji, nawet gdy nikt o nie nie pytał.

Modele mają różne osobowości. Dejan Petrovic przeanalizował 365 920 fanoutów trzech dostawców: Google pyta pytaniami (dużo wh-words i czasowników), OpenAI nazywa encje (58,4% rzeczowników, nazwy własne 18,9% wobec 8,6% u Google), Amazon opisuje (18,6% przymiotników: best, top, most effective). Liczba fanoutów też się różni — Perplexity 1,4 na prompt, ChatGPT 2,1, Grok 6,8.

I liczba, która powinna zmienić czyjś keyword research: 95% fanoutów ChatGPT ma zero miesięcznego wolumenu w klasycznych narzędziach (AirOps). Do tego 32,9% cytowanych stron trafiło do wyników wyłącznie przez fanout, nie przez zapytanie wyjściowe. Śledząc tylko frazę główną, jesteś ślepy na jedną trzecią ścieżek cytowania. PotwierdzoneSeer niezależnie zmierzył to samo dla Gemini.

Do tej liczby doszedł niezależnie ktoś, kto jej nie liczył, tylko przetestował. George Bonaci, VP of Growth w Ramp, opisuje eksperyment: mieli programatyczną treść na frazy o skrajnie niskim wolumeniu, którą narzędzia SEO i zewnętrzni konsultanci kazali zignorować jako bezwartościową. Zrobili na niej szybki refresh i restrukturyzację — i dostali duży wzrost cytowań w LLM-ach. To był moment, w którym uznali, że AEO i SEO to naprawdę dwie różne gry. Wolumen wyszukiwań mierzy, ilu ludzi wpisuje frazę. Fanout to zapytanie, którego nie wpisuje nikt — generuje je model. Narzędzie zbudowane do liczenia tego pierwszego z definicji pokaże przy nim zero.

Bramka 2 — retrieval: 85% odpada, zanim zacznie się ocena treści

AirOps zescrapował 548 534 strony pobrane przez ChatGPT dla 43 233 zapytań. Wynik: 85% stron, które ChatGPT pobiera, nigdy nie zostaje zacytowanych.

O tym, czy w ogóle wejdziesz do puli, decyduje w dużej mierze klasyczna pozycja. Strona z #1 w Google ma 43,2% szans na cytowanie w ChatGPT — 3,5× więcej niż strona spoza top 20. W drugim badaniu AirOps (353 799 stron) widać to jeszcze ostrzej: pozycja 1 → 58,4% szans, pozycja 10 → 14,2%.

Brutalny szczegół: strona z idealnym dopasowaniem nagłówka na pozycji 11+ ma 21,5% szans, a mierna strona na pozycji 1 — 55,9%. Retrievability first. Jakość wzmacnia sygnał, ale bez retrievalu nie ma czego wzmacniać.

Praktyczna konsekwencja tej bramki jest taka, że „czy ChatGPT nas wspomniał?” to źle postawione pytanie — zlepia dwa zdarzenia, które mają różne przyczyny i różne naprawy. Strona musi najpierw zostać pobrana (trafić do zbioru roboczego modelu), a dopiero potem zacytowana. Jeśli przegrywasz na pierwszej bramce, żadna praca nad treścią nic nie da, bo model twojej strony nigdy nie zobaczył.

Da się to zobaczyć na własne oczy. Nicolas Garfinkel z Mindful Conversion napisał userscript, który z własnej rozmowy z ChatGPT wyciąga to, czego interfejs nie pokazuje: wszystkie wygenerowane fanouty, pełną pulę retrievalu i to, które wyniki zostały pominięte. W udokumentowanym audycie dla zapytania o prawnika w Seattle: 6 fanoutów, 90 pobranych wyników, 40 unikalnych domen, 18 cytowań (20% cite rate). Uznana miejscowa kancelaria pojawiła się w 0 ze 90 pobranych wyników — dla wprost trafnego zapytania w jej własnym mieście. Rankingi w Google tego nie przewidziały.

Najciekawszy jest jednak rozkład cytowań per typ strony w tej jednej rozmowie:

Katalogi rankują w Google na te frazy od lat. Model pobrał je dziesięć razy i nie zacytował ani razu. Mechanizm jest prosty: listing „Porównaj 16 kancelarii” nie zawiera nic cytowalnego — żadnej nazwanej encji, żadnego konkretnego twierdzenia, żadnego faktu. Strona, która mówi kim jest, czym się zajmuje i gdzie, dostarcza materiał wprost.

Pojedynczy pomiarto jedna rozmowa, i autor sam to uczciwie zaznacza. Ale ilustruje mechanizm zmierzony przez AirOps na 548 tys. stron: 85% pobranych nigdy nie zostaje zacytowanych. Tu widać, dlaczego.

Jedno techniczne zastrzeżenie z tej samej analizy, przydatne przy ocenie narzędzi: wyniki w danych ChatGPT są grupowane per tura wyszukiwania, nie per zapytanie. Przypisanie „które pod-zapytanie dało który wynik” jest niemożliwe. Każdy vendor twierdzący, że robi mapowanie na poziomie pojedynczego fanoutu dla ChatGPT, wnioskuje — i warto go o to zapytać.

Retrieval ma też drugi wymiar, o którym prawie nikt nie mówi: tryb rozumowania. Semrush z Kevinem Indigiem przepuścili te same 100 promptów przez ChatGPT w trybie Instant i Thinking: tylko 25,6% cytowanych domen pokrywa się między trybami. Thinking robi ~5× więcej wyszukiwań, a miks źródeł się przesuwa — Reddit i strony z recenzjami tracą połowę udziału na rzecz .gov/.edu i oficjalnej dokumentacji. Jeśli twoja widoczność stoi na UGC, wygrywasz Instant i przegrywasz Thinking. To w praktyce dwie różne wyszukiwarki pod jedną nazwą. Pojedynczy pomiar100 promptów, ale metodologicznie czysty.

Bramka 3 — grounding: konkurujesz o kawałek stałego tortu

Dejan zmierzył 883 262 snippety z 7060 zapytań. Google ma stały budżet groundingu ~2000 słów na zapytanie (mediana 1929) — niezależnie od tego, ile stron i jak długich znalazł.

Ten tort dzieli się według rangi:

Pozycja 1 dostaje dwa razy więcej groundingu niż pozycja 5. Nie powiększasz tortu — walczysz o kawałek.

I tu pada teza, która wywraca dekadę SEO-wego „pisz dłużej”:

Selekcja osiąga plateau przy ~540 słowach. Dłuższy artykuł nie daje ci więcej groundingu — rozcieńcza pokrycie. Potwierdzonetrzy niezależne źródła: Dejan, AirOps sweet spot 500–2000 słów, oraz test COE.

Bramka 4 — ekstrakcja: wygrywa zdanie, nie strona

Model nie czyta strony. Wycina z niej pojedyncze zdania, dosłownie, i skleja elipsą. Przechodzi mediana ~32% znaków strony — zostaje rdzeń (usługi, kroki, ceny, przykłady), wypada nawigacja, boilerplate i cytaty klientów.

Ekstrakcja ma silny lead bias: akapity otwierające brane są niemal w całości, niezależnie od treści.

I rzecz, która obala najpopularniejszy mit o AI: grounding jest ulotny. Snippety wstrzykuje się na jeden przebieg i kasuje w milisekundzie po odpowiedzi, żeby zwolnić tokeny. Przy pytaniu uzupełniającym model nie ma już dostępu do twojej strony — pracuje na własnym streszczeniu. To egzamin z otwartą książką, w którym wolno do niej zajrzeć na minutę.

Zostaje z ciebie wyłącznie to, co złapał pierwszy snippet.

Bramka 5 — generacja: wzmianka nie pochodzi z retrievalu

Tu jest sedno, które gubi cała branża.

Dejan rozdziela trzy zdarzenia, które wszyscy nazywają jednym słowem: źródło groundingu (strona wciągnięta do kontekstu, niewidoczna dla użytkownika), cytowanie (link w „źródłach”) i wzmianka (marka nazwana w tekście, który user faktycznie czyta).

Retrieval i cytowanie są podatne na treść — to warstwa do inżynierii. Ale wzmianka i rekomendacja opierają się na priorze modelu, który ledwo drga od pojedynczej strony.

Można wygrać retrieval w całości i przegrać jedyną linijkę, którą czyta użytkownik.

Wszystkie mechanizmy z poprzedniej sekcji sortują się w trzy warstwy — każda ma inną dźwignię i, co ważniejsze, inny zegar.

To jest nasz model porządkujący cały korpus. Jego wartość polega na tym, że przestajesz zadawać pytanie „co robić w AI SEO” (na które nie ma sensownej odpowiedzi) i zaczynasz zadawać „która warstwa mnie blokuje”.

Warstwa 1 — Dostęp: najtańsza do naprawienia i najczęściej zepsuta

Zaczyna się od pytania, którego nikt nie zadaje: czy twoja treść w ogóle dociera do systemów AI. Common Crawl Foundation nazywa to wprost — „training data is the new ranking factor”. Możesz świetnie rankować w Google i być niewidzialny dla modelu.

Najczęstszy sposób zniknięcia to nie decyzja, tylko domyślne ustawienie. CDN-y wstrzykują disallow dla botów AI do zarządzanych robots.txt, a firewalle odrzucają je po user-agencie na brzegu sieci — bot dostaje 403, a właściciel nie widzi niczego w swoich plikach. Część dostawców blokuje boty AI domyślnie na nowych domenach.

Skala rośnie lawinowo: GPTBot blokowany przez 35,7% top-1000 stron (Originality.AI), blokowanie AI na serwisach newsowych wzrosło z 23% do ~60% w niecałe dwa lata, a 40% największych właściwości blokuje boty AI wobec 2,98% w top-1M. Pojedyncze pomiary, ale każdy z nazwanym źródłem zewnętrznym.

Do tego pułapki techniczne z logów Peec AI (nagrali sesje ChatGPT Deep Research przez WebSocket):

• GPTBot to nie OAI-SearchBot. Pierwszy służy trenowaniu, drugi wyszukiwaniu. Odblokowanie jednego nie zmienia drugiego. To najczęstszy błąd w robots.txt.
• Agent nie klika. W całej próbie komenda click została użyta zero razy. Akordeony, taby, filtry i treść renderowana po stronie klienta dla agenta nie istnieją. Jeśli jedyną drogą do treści jest kliknięcie — tej treści nie ma.
• ChatGPT nie renderuje JavaScriptu. SPA bez SSR to dla niego pusta skorupa.
• Nawigacja zjada budżet czytania. Przy <20 linkach treść to ~78% pierwszego odczytu, przy 60+ linkach już tylko 33% — dwie trzecie odczytu to menu.
• Alt-text jest czytany jako pełnoprawna treść. Agent wyciągnął ocenę „Defaqto 5-star” z alt-textu obrazka i na niej działał. Ta sama infografika z alt="" jest niewidzialna.

Ostatni punkt jest ważniejszy, niż wygląda. Jeśli twoje najlepsze dane siedzą na infografikach, a infografiki mają puste alty — te dane nie istnieją dla AI.

Warstwa 2 — Selekcja: tu działa inżynieria

Gdy dostęp jest zapewniony, zaczyna się warstwa, którą faktycznie da się zoptymalizować w tygodniach. Najmocniejsze dźwignie z badań:

Nagłówek ma dosłownie odpowiadać na zapytanie. Podobieństwo nagłówka do zapytania ≥0,90 daje 41% cytowań wobec ~30% przy <0,60 — przy kontroli rangi to +19 punktów procentowych (AirOps). Tytuł pokrywający ≥50% zapytania: 20,1% cite-rate wobec 9,3% przy <10% — różnica 2,2×. Pojedynczy pomiarale na próbie 353 799 stron.

Format ma pasować do etapu lejka, nie tylko do tematu (AirOps, 217 508 stron):

Wspólny mianownik wszystkich etapów: listy i krótkie zdania. Pojedynczy pomiarjedno badanie, ale z kontrolą DA i regresją.

Struktura ma mierzalną wagę. Sekwencyjne nagłówki korelują z 2,8× wyższą cytowalnością, 87% cytowanych stron ma pojedynczy H1, ~80% zawiera listy (AirOps). Schema JSON-LD dodaje +6,5 pp jako niezależny sygnał; Digital Applied mierzy 2,3× dla Article + BreadcrumbList po kontroli DA. Potwierdzonedwa niezależne źródła, zbieżny kierunek.

Jedna strona = jedno pytanie. To najbardziej kontrintuicyjny wynik w całym korpusie: strony pokrywające 26–50% fanoutów wygrywają (38,2%) ze stronami pokrywającymi 100% (34,0%). Dopasowanie 3–4 podnagłówków do fanoutów obniża cytowania o 6 pp. Wracamy do tego w sekcji o sprzecznościach, bo brzmi to jak zaprzeczenie innych badań.

Information gain: ile oryginalności ma naprawdę twoja konkurencja

Wszystkie powyższe dźwignie dotyczą formy. Jest jeszcze pytanie o treść — i pierwszy publiczny pomiar tego, ile nowego wnoszą strony, z którymi konkurujesz.

Pojęcie pochodzi z patentu Google „Contextual Estimation of Link Information Gain” (US 11 354 342 B2): dokumenty można oceniać po tym, ile dokładają ponad to, co użytkownik już zobaczył. Patent opisuje zdolność, nie potwierdzony system rankingowy — i tak trzeba go czytać.

On-Page.ai zmierzyło to na żywym SERP-ie: 150 stron z pozycji top-3, dla 50 fraz w 10 branżach, skan 12 czerwca 2026. Metoda porównuje semantycznie — parafraza cudzej treści liczy się jako powtórzenie, nie jako oryginalność. Wyniki są nieprzyjemne dla całej branży:

Trzy wnioski, które zmieniają kalkulację.

Po pierwsze: oryginalność nie jest warunkiem rankowania. Pozycja w obrębie top-3 nie ma z nią żadnego związku — mediany dla pozycji 1, 2 i 3 to 52 / 51,5 / 52. Strony z wynikiem zerowym trzymają top-3 w czterech branżach. Cokolwiek utrzymuje te rankingi, nie wymaga wnoszenia nowej informacji.

Po drugie: własne dane liczbowe to najsilniejszy korelat oryginalności. Gradient jest monotoniczny — strony z co najwyżej jedną unikalną liczbą mają średnio 40,2, strony z piętnastoma i więcej: 62,1. Autorzy uczciwie zaznaczają, że korelacja liniowa jest słaba (Pearson r=0,17, bo oba rozkłady są mocno skośne), ale różnica między koszykami to pełne pasmo oceny. Zaznaczają też, że dosypanie śmieciowych liczb dodaje liczb, nie informacji.

Po trzecie, i najbardziej praktyczne: wolne miejsce jest zmierzone i duże. W 90% badanych SERP-ów co najmniej jedno typowe pytanie z tematu zostało bez odpowiedzi u każdej skanowanej strony z top-3 — w 60% SERP-ów takich pytań były co najmniej trzy. Do tego rozrzut wewnątrz jednego SERP-a wynosi średnio 31,6 punktu: prawie każdy ma wyraźnego lidera oryginalności i wyraźnego maruderа, a przewaga jest trzymana cienko.

Wolnego miejsca jest najwięcej dokładnie tam, gdzie treści jest najwięcej. Mediany per branża rozpinają się na dwadzieścia punktów: legal 62, technology 60, food 58, travel 56, marketing/SEO 55 — a na dole personal finance 46, B2B SaaS 44, ecommerce 43 i health 42. Strony konkurujące o frazy komercyjne powtarzają się bardziej niż informacyjne (mediana 48 vs 54) — porównania i rankingi „best of” są mocno szablonowe.

Warto też odnotować, czego to badanie nie mówi: długość prawie nic nie wyjaśnia. Najdłuższa tercja ma medianę 57,5 wobec 50,5 w najkrótszej, ale tercja środkowa łamie wzorzec (49). Dokładanie znaków nie jest dokładaniem informacji — co spina się z wnioskiem o budżecie groundingu.

Pojedynczy pomiarn=150, jeden dzień, jeden rynek, a metryka jest własnością vendora i mierzy wkład semantyczny względem kohorty, nie żaden wewnętrzny sygnał Google. Autorzy nie twierdzą o przyczynowości i zapowiadają edycję na 300 fraz i pozycje 1–10. Traktuj jako mapę terenu, nie jako dźwignię.

Praktyczne przełożenie jest jednak niezależne od tych zastrzeżeń: poprzeczka, którą musisz przeskoczyć, to cztery unikalne liczby. Tyle ma mediana strony, z którą konkurujesz.

Warstwa 3 — Prior: to, w co model wierzy, zanim zacznie szukać

Dejan nazywa to primary bias: nieugruntowane przekonanie modelu o encji, uformowane w treningu i zapieczone w wagach. Odpala się w momencie zadania pytania, zanim cokolwiek zostanie pobrane. Według jego badań to największy pojedynczy czynnik decydujący o tym, czy twoja treść zostanie wybrana. Koncept: 1 źródłoale jego konsekwencje potwierdzają cztery niezależne badania poniżej.

Mocna marka wygrywa selekcję mierną treścią. Słaba przegrywa mimo treści relewantnej.

Dane to potwierdzają z czterech niezależnych stron:

• 85% wzmianek marek pochodzi z domen third-party — sześć i pół raza większa szansa na widoczność przez cudze treści niż własne (AirOps). Około 90% z nich to listicle, porównania i recenzje.
• Wzmianki na YouTube to najsilniejszy korelat widoczności AI (~0,737) — na wszystkich trzech badanych platformach, nie tylko w Google. Branded web mentions: 0,66–0,71 (Ahrefs, 75 tys. marek).
• Keywordy na twojej stronie to najsłabszy z 13 badanych sygnałów (ρ=0,072) — ostatnie miejsce (OppAlerts, 145 branż × 105 tys. promptów). Obecność zewnętrzna bije treść on-site.
• AI cytuje 70–92% earned media, podczas gdy Google 31–54% (badanie University of Toronto, 1000 promptów × 5 silników).

Dochodzi do tego wynik, który zmienia kalkulację link buildingu: nofollow ≈ dofollow dla widoczności w AI (Spearman 0,509 vs 0,504). Model traktuje linki jako sygnał rozpoznania, nie jako równanie PageRanku. Liczy się szerokość rozpoznania, nie typ linku. Pojedynczy pomiarale zbieżny z tym, że liczba podstron serwisu koreluje z widocznością na poziomie ~0,194, czyli niemal zero.

Zegar tej warstwy jest bezlitosny. Prior żyje w wagach, a te aktualizuje się przy trenowaniu. Autorytet buduje się 3–6 miesięcy, duże modele wychodzą mniej więcej raz w roku. Nie ma tu skrótu i trzeba to mówić klientom wprost.

Puenta: branża sprzedaje warstwę drugą, udając, że to trzecia

Warstwa 2 jest adresowalna od zaraz, więc wszyscy ją sprzedają. Ale rekomendacja mieszka w warstwie 3.

Dowód, że to nie teoria, tylko zmierzone zjawisko:

• Ahrefs opublikował 34 strony self-promo o dwóch markach i przeanalizował 9886 odpowiedzi AI. 43% odpowiedzi cytujących stronę promocyjną w ogóle nie wymieniło promowanej marki — AI użyło strony jako źródła i poleciło konkurenta z tej samej listy.
• Strony found-but-not-cited (wciągnięte do retrievalu, ale niepokazane) backfire’ują najmocniej: 74% takich odpowiedzi pominęło promowaną markę.
• Lily Ray zmierzyła to niezależnie w Google AI Overviews: marki stawiające siebie na #1 własnego listicle’a były cytowane, ale niepolecane w 69% przypadków.

Potwierdzonetrzy niezależne pomiary tego samego mechanizmu.

Karmisz konsensus konkurencji własnym contentem.

Jest jeszcze jeden niuans, który ratuje tę taktykę przed całkowitym skreśleniem. Self-promo działa dla marki, której AI nie zna: nowa konferencja Ahrefs weszła w 72 wcześniej puste sloty, z czego 82% wzmianek cytowało własne strony. Dla marki uznanej — tylko 6%. To pomost z „brak wzmianki” do „wzmianka”, a nie wzmacniacz istniejącej widoczności.

Że to nie jest nasze zrzędzenie, tylko obserwowalny rozjazd rynku, widać w ankiecie SEOFOMO wśród ponad 60 praktyków (~70% z ponad dziesięcioletnim stażem). Mark Williams-Cook podsumowuje w niej dane, które sam zebrał: przytłaczająca większość ekspertów mówi, że dźwignie widoczności w AI to nadal fundamenty SEO — a mimo to budżety na klasyczne SEO są płaskie lub w dół, podczas gdy pieniądze płyną w zakupy narzędzi AI. Jego zdanie: „shiny thing zjadło więcej niż rozsądną część budżetu”, a w 2026 nastąpi rebalans, w którym firmy inwestujące w markę, PR i oryginalną treść odjadą tym, które „inżynierują” to, co już mają. Barry Adams w tej samej ankiecie stawia sprawę ostrzej: wartość biznesowa optymalizacji pod AI dopiero czeka na udowodnienie, a przenoszenie tam całego wysiłku kosztem kanałów, które dziś działają, to droga donikąd.

Opinie, nie pomiar, nie pomiar — ankieta jest samoselekcyjna, a pytani są ludzie zawodowo zainteresowani odpowiedzią. Podajemy je jako mapę nastrojów branży, nie jako dowód. Warto jednak zauważyć, w którą stronę ten bias działa: gdyby SEO-wcy zmyślali, zmyślaliby raczej na korzyść nowej, lepiej płatnej dyscypliny.

To najbardziej niewygodna sekcja tego artykułu, bo pokazuje, że badania o AI SEO regularnie sobie przeczą — i że da się większość tych sprzeczności rozstrzygnąć.

Potwierdzone — minimum dwa niezależne źródła

Sporne — i jak to rozstrzygnąć

Siedem miejsc, gdzie badania mierzą to samo i dostają różne wyniki. Przy każdym — nasze rozstrzygnięcie.

Polski rynek ma problem, którego nie ma żaden rynek anglojęzyczny, i praktycznie nikt lokalnie o nim nie pisze.

Peec przeanalizował 64,77 mln cytowań Reddita w odpowiedziach AI z 20 krajów. Reddit maszynowo tłumaczy własne wątki i publikuje je pod adresami z parametrem ?tl=. Pytanie brzmiało: jak często silniki serwują te tłumaczenia zamiast lokalnej treści.

W Polsce 71,7% cytowań Reddita w AI Overviews to maszynowe tłumaczenia angielskich wątków. W AI Mode — 54,9%. Wyżej od nas jest tylko Norwegia (73,0%). W rynkach anglojęzycznych ten odsetek wynosi poniżej 1%.

Bariera językowa, która chroniła polską treść w wynikach, na Google funkcjonalnie zniknęła. Twoja polska strona konkuruje teraz z całym anglojęzycznym Redditem — po polsku.

To nie jest zjawisko marginalne ani niszowe. W klasyfikacji rynkowej tłumaczony Reddit siedzi w komercyjnym sercu wyszukiwań: moda, hardware, audio, gaming, motoryzacja, oprogramowanie B2B. A koncentracja jest ekstremalna — jeden wątek rekomendacyjny potrafi zebrać pięciocyfrową liczbę cytowań w cztery miesiące.

Mechanizm ma dwa niezależne wzmocnienia:

Korpus treningowy jest angielski. Około 41% stron najnowszego crawla Common Crawl to angielski, a po filtrach jakości jeszcze więcej. Kluczowe: wąskim gardłem jest retriever, nie generator — to warstwa wyszukująca rankuje angielskie, wysokoautorytetowe strony ponad ich lokalne odpowiedniki.

Silniki zachowują się różnie. ChatGPT na rynkach nieanglojęzycznych miesza źródła angielskie z lokalnymi, podczas gdy AIO trzyma się języka zapytania. Do tego OpenAI coś zmieniło na przełomie kwietnia i maja 2026: udział tłumaczonego Reddita spadł u nich z 6,14% do 0,30%. Google AIO trzyma 8–11%. Perplexity ma strukturalne zero.

Potwierdzonetrzy niezależne mechanizmy: dwa osobne badania Peec i analiza korpusu Common Crawl.

Praktyczna konsekwencja jest kontrintuicyjna: obecność w kluczowych anglojęzycznych wątkach Reddita działa teraz również na polski rynek. A mocna angielska edycja stron filarowych przestaje być fanaberią i staje się dźwignią widoczności.

Czego uczciwie nie wiemy: Polski nie ma w próbie badań zero-click. Po biasie unijnym (76% AIO w UE wobec 90,3% poza) można ostrożnie zakładać, że jesteśmy bliżej poziomów niemieckich niż amerykańskich — ale to ekstrapolacja, nie dane, i tak to trzeba nazywać.

Ciekawostka, która pokazuje, że to nie jest wyrok natury: Francja ma 0% AIO. Jedyny duży rynek bez AI Overviews.

Kolejność działań wynika nie z tego, co najważniejsze, tylko z tego, co ma najkrótszy zegar.

Dziś — warstwa Dostępu. Sprawdź robots.txt pod kątem GPTBot, OAI-SearchBot, ClaudeBot i Google-Extended. Zweryfikuj, czy CDN lub firewall nie blokuje botów na brzegu — bot dostaje 403, a w twoich plikach nic nie widać. Wyłącz JavaScript i sprawdź, co zostaje z treści. Policz linki przed treścią w źródle HTML. Uzupełnij alty infografik o liczby, które na nich są. To jest binarne: albo działa, albo cała reszta pracy jest bezprzedmiotowa.

Tygodnie — warstwa Selekcji. Nagłówki dosłownie odpowiadające na zapytania. Odpowiedź na starcie sekcji, nie po trzech akapitach rozbiegu. Sekcje samowystarczalne, bo ekstrakcja idzie po zdaniach, a nie po stronach. Tabele w porównaniach, listy w walidacji, statystyki w treści awareness. Rewizja normy długości: gęsto zamiast długo.

Zaczynasz teraz, bo trwa lata — warstwa Prioru. Wzmianki poza własną domeną, obecność na YouTube, earned media, obecność w tych kilku listiclach, które silniki faktycznie cytują. Badanie Peec (~200 tys. odpowiedzi, 8 silników) pokazuje, że pięć mocnych obecności w listiclach, które AI realnie pobiera, znaczy więcej niż pięćdziesiąt w artykułach, których nigdy nie cytuje.

I sufit, który trzeba nazwać wprost: primary bias ma sufit i nie naprawisz go treścią. GEO nie jest projektem na miesiąc. Każdy, kto sprzedaje ci widoczność w AI w kwartał, sprzedaje warstwę drugą pod nazwą trzeciej.

Jak to wygląda, gdy ktoś naprawdę to robi: eksperymenty Ramp

Cały korpus powyżej to badania korelacyjne robione z zewnątrz. Jest w nim jeden materiał pierwszoosobowy — i to jedyny, który opisuje własne porażki.

Zastrzeżenie na wstępie, bo inaczej ta sekcja łamałaby zasady całego artykułu: wystąpienie George’a Bonaciego, VP of Growth w Ramp, to nie jest badanie. To relacja z firmowych eksperymentów, wygłoszona na konferencji partnera komercyjnego (Profound), z liczbami podawanymi bez baz bezwzględnych i bez możliwości weryfikacji. Nie traktujemy jej jako dowodu i nie liczymy do tez „potwierdzonych”. Ma jednak wartość, której nie ma żadne badanie korelacyjne: pokazuje sekwencję decyzji i moment, w którym coś przestało działać. Ramp ma ponad 40 tys. klientów na produktach kartowych, więc mówimy o realnej skali, a Bonaci jest z wykształcenia chemikiem analitycznym i widać to w konstrukcji testów.

Sekwencja wygląda tak:

1. Zerowy wolumen zadziałał (opisane wyżej przy Bramce 1) — pierwszy sygnał, że AEO i SEO rozjeżdżają się na poziomie doboru tematów.
2. Pogłębienie pod „job to be done” zadziałało. Rozszerzyli tę treść, wiążąc ją z konkretnym bólem prospekta i wplatając dane. Widoczność kohorty testowej wzrosła o około 25%. Kluczowe zastrzeżenie samego Bonaciego: to nie było wydłużanie tekstu, tylko dowiązanie go do problemu.
3. Skalowanie tego samego w ciemno nie zadziałało — i to jest najcenniejszy fragment. Poszli „insanely narrow, insanely deep” na treści o produkcie do obsługi zobowiązań. LLM-y kompletnie się tym nie zainteresowały. Retrospektywa: zgubili „job to be done” i element ludzki — treść była głęboka, ale nie odpowiadała na niczyj problem. Po ponownym zakotwiczeniu w bólach użytkownika i dosypaniu danych share of voice wrócił i urósł o ~10% w dwa miesiące.
4. Największy zwrot dały dane własne. Ramp wystawił insighty z dziesiątek milionów transakcji (np. jak zmieniały się ceny licencji popularnego oprogramowania), zrobił je crawlowalnymi i auto-aktualizowanymi. Efekt: ~150% wzrostu sesji na tych stronach — a w cytowaniach obok „zwykłych podejrzanych” pojawił się Ramp i nie pojawili się jego konkurenci. Nie mieli czym.

To ostatnie doprowadziło ich do zbudowania Ramp Rate — produktu przeznaczonego głównie do konsumpcji przez LLM-y, nie przez ludzi. Anatomia strony, do której doszli testami, jest sama w sobie ciekawa: wykres szeregu czasowego odświeżany możliwie na żywo, pod nim narracyjne podsumowanie pisane przez zatrudnionego na etacie ekonomistę, a pod tym tabela surowych danych — „bardziej strawna dla LLM niż wykres”. Bonaci przyznaje, że chciał to wszystko wystawić jako czysty markdown albo JSON i że zespół go nie posłuchał, i dobrze — co zresztą spina się z naszą sekcją „Obalone” o llms.txt.

Trzy wnioski, które z tego wyciągnął, warto zestawić z resztą artykułu:

• „Fresh data really wins”. Próby na danych historycznych „po prostu nie miały znaczenia”; skoki cytowań pojawiały się przy odświeżaniu tygodniowym i miesięcznym. To brzmi jak zaprzeczenie naszego rozstrzygnięcia sporu o świeżość — i nie jest. Ramp mówi o danych z natury czasowych (ceny, trendy), gdzie aktualność jest częścią samej informacji. Digital Applied mierzył wszystkie AIO łącznie, w tym treść evergreen. Nasza hipoteza godząca oba wyniki: świeżość jest dźwignią warunkową — działa tam, gdzie informacja ma wymiar czasowy, a poza tym jest sygnałem utrzymania. To hipoteza, nie ustalenie.
• „Name your metric”. Każda firma powinna ustalić, jaką ma — albo może wygenerować — własną, autorską metrykę, którą AI da się zacytować. Dla Ramp to „Ramp Rate”. Bonaci uważa, że to pytanie należy rozstrzygnąć przed startem projektu, nie po.
• „Design a loop”. Realnym unlockiem nie była treść, tylko skala: tysiące cytowanych stron dają powierzchnię do równoległego eksperymentowania i uczenia się szybciej niż konkurencja.

Zestaw to z pomiarem On-Page.ai, a układanka się domyka: mediana strony z top-3 niesie cztery unikalne liczby, bo większość firm nie ma pomysłu, skąd wziąć piątą. Ramp miał — z własnej bazy transakcyjnej. Pytanie „jakie dane mamy, których nie ma nikt inny?” jest w tym świetle ważniejsze niż cała warstwa druga razem wzięta, bo jako jedyne prowadzi tam, gdzie konkurencja nie może pójść za tobą.

Nie znaczy to, że każdy ma bazę transakcyjną. Znaczy, że prawie każda firma siedzi na jakichś danych — cenach, czasach realizacji, odsetkach reklamacji, wynikach klientów — i traktuje je jako księgowość, a nie jako treść.

Najwyższy poziom widoczności w AI to moment, w którym model wpisuje twoją markę do własnych zapytań.

Wil Reynolds z Seer zauważył coś, co porządkuje całą tę układankę. ChatGPT 5.5 zaczął wstawiać nazwy marek do fanoutów dla niebrandowych promptów: zamiast szukać „top GEO agencies”, generuje zapytanie „Lily Ray GEO strategy”.

Model zdecydował, że pewne marki są synonimem tematu. A jedyną dobrą odpowiedzią na fanout „Lily Ray GEO strategy” jest treść Lily Ray. Żaden listicle builder nie ma jak w tym zapytaniu wystartować.

Jak to ujmuje Reynolds: jeśli ChatGPT generuje fanout z twoją nazwą, nie jesteś w wyniku — jesteś wynikiem.

To była obserwacja jednego człowieka i przez jakiś czas zostawialiśmy ją tu z gwiazdką. Tę gwiazdkę można już zdjąć, bo ten sam mechanizm zobaczył niezależnie ktoś inny, zupełnie inną metodą. W eksporcie surowej rozmowy Mindful Conversion (tym samym, który dał nam tabelę katalogów przy Bramce 2) jeden z sześciu wygenerowanych przez model fanoutów brzmiał:

Washington dental malpractice attorney Seattle Scott Hughes SGB medical malpractice Colburn Law

Model sam wpisał do własnego zapytania nazwiska konkretnych prawników i nazwy kancelarii. Nie odkrył ich przez wyszukiwanie — wyszukiwał, żeby zweryfikować encje, które już miał w głowie. Wszystkie trzy trafiły potem do odpowiedzi. Prompt użytkownika nie zawierał żadnej z tych nazw; brzmiał „żona ucierpiała u dentysty, szukam prawnika w Seattle”.

Potwierdzonedwie niezależne obserwacje, dwie metody: Seer analizował wzorce fanoutów przy promptach niebrandowych, Mindful Conversion wyeksportował zapis pojedynczej rozmowy. Uwaga epistemiczna, bo ktoś słusznie zapyta o próbę: to jest twierdzenie o istnieniu, nie o skali. Żeby pokazać, że zjawisko zachodzi, wystarczy jedna dobrze udokumentowana obserwacja. Ile procent fanoutów zawiera marki i dla jakich branż — tego nadal nie wie nikt.

To domyka też pętlę z warstwą trzecią. Marka w fanoucie jest primary biasem — tyle że widocznym gołym okiem. Model nie „szuka i znajduje” Colburn Law; on wie o Colburn Law, zanim zacznie szukać, a wyszukiwanie służy mu do potwierdzenia. Dokładnie to opisuje Dejan, tylko od strony wag.

To dopisuje czwarty szczebel do drabiny wartości: cytat < wzmianka < rekomendacja < marka w fanoucie.

Najważniejszy touchpoint może być tym, którego twoja analityka nigdy nie zobaczy.

Similarweb zrobiło pierwszy pomiar efektu downstream: urządzenia, które widziały rekomendację marki w odpowiedzi AI, były o 7,2% (American Express) i 14,2% (Capital One) bardziej skłonne odwiedzić stronę tej marki w ciągu 7 dni.

Kluczowe jest jednak to, jak ten efekt się manifestuje: jako direct i branded search, nie jako referral z ChatGPT. Twój GA4 pokaże wzrost wejść bezpośrednich i zapytań brandowych, a nie ruch z AI. Pojedynczy pomiar, i to na dużych markach — dla MŚP efekt pozostaje nieznany. Autorzy sami to zaznaczają.

Trzy filary pomiaru, skoro odpowiednika Search Console nie ma:

1. Ruch referencyjny z AI — zawsze niedoszacowany, bo platformy gubią referrer. ChatGPT in-content wysyła no-referrer, Perplexity przekazuje z weba, ale nie z desktopu, Grok nie przekazuje w ogóle. Potrzebny własny kanał w GA4 na regex domen.
2. Logi serwera — trzy typy botów odpowiadają trzem etapom widoczności: treningowe (GPTBot, CCBot), indeksujące (OAI-SearchBot) i retrievalowe na żądanie użytkownika (ChatGPT-User). Brak któregoś typu mówi ci, na którym etapie masz lukę. Analiza „crawl × cytowania” wskazuje strony rozważane, ale niewybierane.
3. Self-reported attribution — pytanie „skąd o nas wiesz?” z opcją AI. U Ahrefs to ~3% konwersji, których inaczej nie da się zobaczyć.

Do tego jedno darmowe narzędzie, które w Polsce robi mało kto: Bing Webmaster Tools ma raport AI Performance pokazujący cytowania per URL wraz z grounding queries, które do nich doprowadziły. Dla ChatGPT Bing jest jedynym kanałem retrievalu — retrieval Deep Research idzie w 100% przez Bing.

Ten trzywarstwowy pomiar — dostęp botów, cytowania, efekt downstream — to dokładnie to, co robimy w ramach analizy widoczności AI i LLM dla klientów, więc jeśli nie chcesz składać tego samodzielnie, wiesz, gdzie nas szukać.

I ostatnia rzecz o metrykach: nie oceniaj widoczności AI po jednym sprawdzeniu. Tylko 30% marek utrzymuje widoczność między kolejnymi odpowiedziami, a 20% przez pięć przebiegów pod rząd. Ponad połowa tych, które wypadły, wraca w ciągu dwóch przebiegów. Marki z dualnym sygnałem — wzmianką i cytatem naraz — mają o 40% większe szanse na powrót, a takich odpowiedzi jest tylko ~28%.

Widoczność w AI to rozkład prawdopodobieństwa. Mierz trend, nie snapshot.

Ten artykuł jest wart tyle, ile jego ograniczenia — więc wykładamy je wprost.

Korpus: 75 not badawczych z około 33 niezależnych źródeł, zebranych między grudniem 2025 a lipcem 2026. Źródła pierwotne obejmują recenzowany paper z KDD 2024, papers arXiv (University of Toronto, testbed E-GEO), patent Google, reverse-engineering dokumentacji i kodu (Dejan AI), oficjalny przewodnik Common Crawl Foundation, badania platform trackingowych (Peec AI, Profound, AirOps, Similarweb, Semrush, Ahrefs, Seer, BrightEdge, Amsive, GrowthSRC, OppAlerts, Local Falcon, Digital Applied, On-Page.ai), badanie UX z obserwacją użytkowników (iPullRank/The Difference Engine), ankietę branżową (SEOFOMO) oraz analizy i relacje praktyków.

Jak oceniamy: teza dostaje status „potwierdzone” dopiero przy dwóch niezależnych domenach z niezależnymi danymi pierwotnymi. Dwie domeny powołujące się na to samo źródło wtórne to nie potwierdzenie, tylko echo. Liczby przepisujemy ze źródeł pierwotnych, nie z cudzych cytowań — właśnie tak powstają błędy w rodzaju „połowa Perplexity to Reddit”.

Jak wygląda ten filtr w praktyce (bo to nie jest deklaracja): przy tej edycji przejrzeliśmy 35 materiałów o AI search wskazanych automatycznie przez NotebookLM jako źródła do tematu — z założeniem, że skoro wybrała je maszyna Google’a, coś w nich jest. Do korpusu weszło pięć. Jeden już w nim był. Około dwudziestu okazało się treścią wtórną, która recyklinguje dokładnie te badania, które opisujemy wyżej: „Princeton +30–40%” jako świeży insight (to paper z KDD 2024), „AIO tnie CTR o 34,5%” bez podania, że to pomiar Ahrefs na własnym blogu, przekręcony Gartner. Jeden z materiałów — ranking „Top 50 ekspertów AEO” z liczbami w rodzaju „metodologia dająca średnio 920% wzrostu ruchu z AI”, bez metodologii i bez możliwości weryfikacji — jest niemal na pewno treścią wygenerowaną pod cytowanie przez AI, czyli żywym okazem mechanizmu, który opisujemy w sekcji o self-promo. Maszyna Google’a wciągnęła go jako źródło.

Dwa wnioski z tego ćwiczenia, oba niewygodne. Po pierwsze: automatyczny dobór źródeł optymalizuje trafność tematyczną, nie jakość dowodową — i nie da się go użyć jako filtra. Po drugie: ekosystem treści o AI SEO żywi się garstką badań pierwotnych. Przewaga nie bierze się z czytania większej liczby artykułów, tylko z docierania do oryginałów. Dlatego przy każdym trafionym materiale przeglądamy cały portal, z którego pochodzi — w tym przeglądzie to dało więcej niż cała lista. Najlepsze rzeczy nigdy nie były tym, co ktoś nam podsunął: iPullRank został wskazany artykułem o linkowaniu wewnętrznym ze stycznia 2023, podczas gdy na tym samym portalu leżało badanie UX adopcji AI Mode, które trafiło do sekcji o hype’ie.

Czego uczciwie nie wiemy:

• Większość liczb w tej branży to pojedyncze pomiary. Badania robią firmy sprzedające narzędzia do mierzenia tego, co badają. Nikt ich nie replikuje.
• To korelacje, nie przyczynowość. Nawet najlepsze badania to zaznaczają — Seer wprost pisze, że nie dowodzi, iż cytowanie powoduje wyższy CTR.
• Snapshoty się starzeją, i to szybko. Ahrefs unieważnił własny wynik (76% → 37,9%) w rok. Wszystko, co tu przeczytałeś, ma datę.
• Mamy własny bias selekcji. Przeczytaliśmy to, co przeczytaliśmy. Nie twierdzimy, że to kompletny obraz badań o AI search.
• Niemal wszystko powyżej zmierzono na rynkach anglojęzycznych. Wyjątkiem są dane Peec dla Polski. Przenoszenie reszty na PL to założenie, nie wiedza.
• Nie wiemy, czy AI Overviews dalej rosną. Nasze dane pokazują wzrost (Peec: 56,9% → 86,7%), ale Tom Capper ze STAT/Moz twierdzi, że występowanie AIO wypłaszczyło się lub jest w odwrocie, a Google testuje bardziej klikalne Web Guides. To opinia praktyka wobec pomiaru vendora — nie rozstrzygamy i sprawdzimy przy następnej edycji.
• Nie wiemy, czy nasza hipoteza o świeżości warunkowej jest prawdziwa. Godzi sprzeczne wyniki (Ramp vs Digital Applied), ale nikt jej nie testował wprost. Zgłaszamy ją jako hipotezę, nie jako ustalenie.
• Nie wiemy, jak często model wstawia marki do fanoutów. Wiemy, że to robi — dwie niezależne obserwacje. Skala, rozkład per branża i próg, od którego marka „wchodzi do słownika” modelu, są nieznane. To najciekawsze otwarte pytanie w całym korpusie.

Jeśli masz dane, które przeczą którejś z tych tez — napisz. Zaktualizujemy artykuł i dopiszemy to do changelogu. Ta strona jest wersjonowana i odświeżana kwartalnie.

Uwaga o tym artykule (bo sam łamie własne wnioski)

Piszemy tu, że gęstość bije długość i że sweet spot to 500–2000 słów, a sam materiał ma około 8800. To wymaga wyjaśnienia, bo inaczej wygląda na niekonsekwencję.

Sweet spot 500–2000 słów dotyczy stron konkurujących o pojedyncze cytowanie. Materiał referencyjny to inna robota. Wikipedia wygrywa cytowania mimo długości — ekstremalną gęstością (4383 słowa, 31 list, 6,6 tabeli w typowym artykule) i tym, że jest punktem odniesienia. Nasza odpowiedź na budżet groundingu to modułowość: każdy nagłówek H2 tutaj jest samodzielną jednostką ekstrakcji z odpowiedzią na starcie, a nie fragmentem rozlanej prozy.

Świadomie akceptujemy tu jeden koszt: przy tej długości żadne pojedyncze zapytanie nie wyciągnie z tej strony więcej niż kilkanaście procent treści — dokładnie tak, jak sami opisujemy w sekcji o groundingu. To jest wybór, nie przeoczenie. Ta strona nie konkuruje o jedno cytowanie; ma być miejscem, do którego wraca się po konkretną liczbę i po kontekst, którego nie da żadna pojedyncza statystyka. Gdybyśmy chcieli wygrać frazę „AI SEO statystyki”, napisalibyśmy co innego i krócej.

Reszta tego artykułu też jest zbudowana według własnych wniosków: nagłówki dosłownie odpowiadają na pytania, tabele stoją w sekcjach porównawczych, alty infografik niosą liczby, a strona ma schema Article i FAQPage. Jeśli metoda nie działa na materiale, który ją opisuje, to nie warto jej sprzedawać.

O autorze / dlaczego my. Double Digital jest agencją performance marketingu i SEO, Google Premier Partner 2026 — w top 3% agencji w Polsce. Tę bazę badawczą utrzymujemy na własny użytek: zasila nasze briefy, audyty i decyzje contentowe klientów. Publikujemy ją, bo uważamy, że rynek potrzebuje mniej statystyk, a więcej kontekstu.

Changelog v1.1 (2026-07-16) — korpus rozszerzony do 75 badań. Nowa sekcja o information gain (On-Page.ai, 150 stron top-3) i o eksperymentach Ramp. Dwie tezy awansowały na „potwierdzone”: niska adopcja AI Mode (dołożona obserwacja behawioralna iPullRank/Bostic) oraz marki w fanoutach (dołożony eksport rozmowy Mindful Conversion — puenta artykułu nie stoi już na jednym źródle). Doprecyzowany spór o dowody: rozdzielenie „odznak” od „własnych danych”. Nowa pozycja w „Obalone”: przekręcona prognoza Gartnera. Opisany filtr doboru źródeł na przykładzie przeglądu 35 materiałów z NotebookLM. v1.0 (2026-07-16) — pierwsza publikacja. Korpus: 70 badań, stan na lipiec 2026.