Optymalizacja treści pod LLM – praktyczny poradnik

Jak LLM wybierają źródła do odpowiedzi?

Ponad 60% użytkowników ChatGPT traktuje odpowiedzi modelu jako gotowe źródło wiedzy – bez klikania w jakiekolwiek linki. To oznacza, że jeśli Twoja strona nie jest cytowana przez duże modele językowe, tracisz rosnący kanał ruchu i widoczności. Optymalizacja treści LLM to nowa dyscyplina, która uzupełnia tradycyjne SEO i decyduje o tym, czy Twoja marka w ogóle istnieje w odpowiedziach generowanych przez AI.

Modele językowe takie jak GPT-4, Claude czy Gemini nie działają jak wyszukiwarka Google. Nie przeszukują indeksu w czasie rzeczywistym (chyba że mają włączone browsing), lecz bazują na wiedzy zdobytej podczas treningu oraz – coraz częściej – na wynikach wyszukiwania pobieranych w momencie zapytania (RAG, Retrieval-Augmented Generation). To fundamentalna różnica, którą trzeba zrozumieć, zanim zaczniemy cokolwiek optymalizować.

Mechanizm selekcji źródeł w fazie treningu

Podczas treningu LLM przetwarza miliardy stron internetowych. Nie każda strona ma jednak taką samą „wagę" w modelu. Źródła, które pojawiają się częściej, są cytowane przez inne autorytatywne witryny i prezentują spójne, uporządkowane informacje, mają większy wpływ na parametry modelu. W praktyce oznacza to, że:

• Autorytet domeny ma znaczenie – strony z naturalnym profilem linków i długą historią są lepiej reprezentowane w danych treningowych. Budowanie profilu linkowego opisujemy szczegółowo w poradniku: Link building – co to jest i jak zdobywać linki?
• Konsensus tematyczny – jeśli Twoje treści powtarzają powszechnie akceptowane fakty w unikalny, dobrze ustrukturyzowany sposób, model chętniej „zapamięta" Twoje sformułowania
• Częstotliwość pojawiania się frazy w kontekście marki – im częściej nazwa Twojej firmy pojawia się obok określonej tematyki na różnych stronach, tym silniejsze skojarzenie w modelu
• Jakość struktury HTML – czyste nagłówki, listy, tabele i dane strukturalne ułatwiają ekstrakcję informacji podczas przetwarzania danych treningowych

RAG – pobieranie informacji w czasie rzeczywistym

Nowsze implementacje LLM (ChatGPT z browsing, Perplexity, Gemini z Google Search) korzystają z mechanizmu RAG. Model wysyła zapytanie do wyszukiwarki, pobiera fragmenty stron z wyników i na ich podstawie generuje odpowiedź. Tutaj klasyczne SEO spotyka się z optymalizacją pod LLM, ponieważ:

1. Strona musi najpierw rankować w wynikach wyszukiwania – jeśli nie ma Cię w top 10, model RAG Cię nie zobaczy
2. Fragment pobrany ze strony musi być czytelny i bezpośrednio odpowiadać na pytanie – LLM preferuje zwięzłe, jednoznaczne odpowiedzi
3. Dane strukturalne (schema.org) pomagają modelowi zidentyfikować typ treści i jej wiarygodność

W agencji Noril.pl obserwujemy, że strony zoptymalizowane jednocześnie pod Google i pod LLM zyskują przewagę w obu kanałach. Klasyczne pozycjonowanie strony stanowi fundament, na którym buduje się widoczność w modelach językowych.

Sygnały zaufania dla modeli językowych

LLM nie mają jednego algorytmu rankingowego jak Google. Zamiast tego kierują się kilkoma wzorcami wyuczonymi z danych treningowych:

• Cytowania i wzmianki – jeśli Twoja marka lub domena jest wymieniana w wielu niezależnych źródłach, model kojarzy ją z autorytetem
• Spójność informacji – jeśli dane na Twojej stronie są zgodne z konsensusem (np. definicje, statystyki, procesy), model chętniej je reprodukuje
• Aktualność – modele RAG preferują nowsze źródła, modele oparte na wiedzy treningowej mogą mieć opóźnienie 6-18 miesięcy
• Jednoznaczność odpowiedzi – zdania typu „X to Y, które służy do Z" są łatwiejsze do cytowania niż rozwlekłe akapity bez klarownej tezy

Różnice między optymalizacją pod Google a pod LLM

Wielu specjalistów SEO zakłada, że skoro LLM korzystają z danych internetowych, to wystarczy klasyczne pozycjonowanie. To błąd. Algorytm Google i model językowy przetwarzają treści w fundamentalnie odmienny sposób, co wymaga dostosowania strategii.

Indeksacja vs. trening

Google crawluje stronę, indeksuje ją i wyświetla w wynikach wyszukiwania w ciągu godzin lub dni. LLM przetwarza treść jednorazowo podczas treningu – i ta treść zostaje „zamrożona" w parametrach modelu na miesiące. Aktualizacja wiedzy modelu wymaga nowego cyklu treningowego lub fine-tuningu. Wyjątkiem są systemy RAG, które pobierają informacje na bieżąco, ale tutaj z kolei liczy się pozycja w wynikach wyszukiwania.

Od słów kluczowych do encji i kontekstu

Google przeszedł drogę od dopasowania ciągu znaków (string matching) do rozumienia intencji (intent matching). LLM idą o krok dalej – operują na poziomie encji i relacji semantycznych. Model nie szuka frazy „optymalizacja treści LLM" w tekście – on rozumie, że pytanie dotyczy procesu dostosowywania contentu do sposobu, w jaki modele językowe przetwarzają i reprodukują informacje.

To oznacza, że zamiast upychać frazę kluczową w każdym akapicie, trzeba budować bogatą sieć kontekstową. Artykuł o optymalizacji treści pod LLM powinien naturalnie poruszać tematy: dane strukturalne, schema markup, RAG, cytowania, autorstwo, E-E-A-T. Taka sieć powiązań semantycznych pomaga modelowi zrozumieć, że Twoja strona jest kompleksowym źródłem na dany temat. Więcej o wpływie AI na tradycyjne SEO znajdziesz w naszym artykule Jak AI zmienia SEO? Praktyczny przewodnik 2026.

Ruch bezpośredni vs. ruch referencyjny

Tradycyjne SEO generuje kliknięcia – użytkownik widzi Twoją stronę w wynikach i ją odwiedza. W przypadku LLM sytuacja jest inna. Użytkownik może otrzymać odpowiedź wygenerowaną na podstawie Twojej treści, ale nigdy nie odwiedzić Twojej strony. To paradoks: Twoja treść buduje odpowiedź, ale ruch trafia do ChatGPT, nie do Ciebie.

Dlatego optymalizacja pod LLM to nie tylko walka o ruch, ale przede wszystkim o widoczność marki. Jeśli model wymienia Twoją firmę jako źródło lub rekomenduje Twoje usługi, zdobywasz rozpoznawalność nawet bez bezpośrednich kliknięć. To mechanizm podobny do brand awareness w reklamach display – nie każde wyświetlenie prowadzi do konwersji, ale buduje zaufanie.

Dla firm inwestujących w pozycjonowanie strony oznacza to konieczność rozszerzenia strategii. Nie wystarczy być na pierwszej stronie Google – trzeba być też w odpowiedziach AI. A jak pokazuje analiza wpływu AI na SEO, oba kanały będą współistnieć jeszcze przez lata.

Struktura treści przyjazna modelom AI

Modele językowe przetwarzają tekst sekwencyjnie, token po tokenie. Nie „widzą" wizualnego layoutu strony – widzą surowy tekst i znaczniki HTML. To dlatego struktura dokumentu ma tak ogromne znaczenie. Dobrze ustrukturyzowana treść nie tylko pomaga LLM wyekstrahować informacje, ale zwiększa szansę, że model zacytuje właśnie Twoje sformułowanie.

Hierarchia nagłówków jako mapa semantyczna

Hierarchia H1 → H2 → H3 pełni rolę mapy tematycznej dla modelu. Każdy nagłówek H2 to odrębny „chunk" informacji, który model może przetworzyć niezależnie. Dlatego tak ważne jest, aby:

• Każdy H2 zawierał jasne, jednoznaczne sformułowanie tematu podsekcji
• H3 uszczegóławiały temat H2, tworząc logiczną hierarchię
• Pierwszy akapit po nagłówku zawierał bezpośrednią odpowiedź na pytanie implikowane przez nagłówek
• Nagłówki nie były „kreatywnymi" metaforami, lecz precyzyjnymi opisami zawartości

Model językowy analizując tekst pod pytanie „Czym jest optymalizacja treści pod LLM?" szuka fragmentu, który zaczyna się od odpowiedzi na to pytanie, a nie od historycznego wstępu. Dlatego wzorzec „pytanie w nagłówku → odpowiedź w pierwszym zdaniu → rozwinięcie → przykład" jest najskuteczniejszy.

Wzorzec „definicja → kontekst → przykład"

Analiza treści najczęściej cytowanych przez ChatGPT i Perplexity pokazuje powtarzający się wzorzec strukturalny. Fragmenty, które model wybiera do odpowiedzi, mają następujący schemat:

1. Definicja lub odpowiedź bezpośrednia (1-2 zdania) – np. „Optymalizacja treści pod LLM to proces dostosowywania struktury, formatu i semantyki treści internetowych do sposobu, w jaki modele językowe przetwarzają i reprodukują informacje."
2. Kontekst i wyjaśnienie (2-3 zdania) – dlaczego to jest ważne, jak się to ma do szerszego tematu
3. Konkretny przykład lub dane liczbowe – coś, co model może zacytować jako „dowód"

Ten wzorzec działa, ponieważ LLM generują odpowiedzi od ogółu do szczegółu. Model szuka najpierw zwięzłej definicji, a potem rozbudowuje ją o kontekst. Jeśli Twoja treść jest napisana w tym samym schemacie, model ma ułatwione zadanie – i częściej sięga po Twoje sformułowania.

Listy, tabele i formaty maszynowe

Listy punktowane i numerowane to jedne z najchętniej cytowanych formatów przez LLM. Modele z łatwością ekstrahują informacje z uporządkowanych list, ponieważ każdy punkt to zamknięta jednostka informacyjna. Analogicznie tabele – model może z nich wyciągnąć konkretne dane bez przetwarzania kontekstu.

Praktyczne wskazówki dotyczące formatowania:

• Listy procesowe – numerowane (krok 1, krok 2...) dla instrukcji i procedur
• Listy cech/elementów – punktowane dla wyliczeń bez hierarchii kolejności
• Tabele porównawcze – idealne do zestawień narzędzi, cen, parametrów (jak tabela Google vs. LLM powyżej)
• Wyróżnienia (bold) – kluczowe terminy i frazy warto pogrubić, ponieważ modele traktują je jako sygnał ważności
• Bezpośrednie odpowiedzi – format „Pytanie? Odpowiedź." jest preferowany przez systemy RAG budujące featured snippets i odpowiedzi AI

Warto pamiętać, że audyt SEO powinien dziś obejmować również ocenę struktury treści pod kątem czytelności dla modeli AI. To dodatkowy wymiar analizy, którego wiele agencji jeszcze nie uwzględnia.

Unikanie szumu informacyjnego

LLM mają ograniczone okno kontekstowe. Jeśli Twoja strona zawiera mnóstwo elementów nawigacyjnych, popupów, reklam i treści niezwiązanych z głównym tematem, model ma trudności z wyekstrahowaniem wartościowej odpowiedzi. Dlatego:

• Główna treść powinna być dominującym elementem strony pod względem objętości tekstu
• Sidebary, footery i elementy nawigacyjne powinny mieć odpowiednie znaczniki semantyczne (nav, aside, footer), które pomagają modelowi je zignorować
• Nie wstawiaj CTA i elementów sprzedażowych w środek merytorycznej treści – umieść je na początku lub na końcu

Dane strukturalne i ich rola w LLM

Schema markup to jeden z najbardziej niedocenianych elementów optymalizacji pod modele językowe. Podczas gdy w kontekście Google dane strukturalne służą głównie do generowania rich snippets, w kontekście LLM pełnią funkcję metadanych ułatwiających ekstrakcję i klasyfikację informacji.

Typy schema najważniejsze dla LLM

Nie każdy typ danych strukturalnych ma takie samo znaczenie dla modeli AI. Na podstawie analizy treści cytowanych przez ChatGPT i Perplexity, najważniejsze typy to:

• Article / BlogPosting – identyfikuje treść jako artykuł, podaje autora, datę publikacji i aktualizacji. Model wie, że ma do czynienia z contentem redakcyjnym, a nie stroną produktową
• FAQPage – bezpośrednio mapuje pytania na odpowiedzi. Systemy RAG mogą wyciągnąć gotową parę pytanie-odpowiedź bez analizy kontekstu
• HowTo – opis procedury krok po kroku. Idealne dla instrukcji i poradników, które LLM często reprodukują
• Organization / LocalBusiness – buduje skojarzenie marki z branżą i lokalizacją. Kluczowe, jeśli chcesz, aby model rekomendował Twoją firmę
• Review / AggregateRating – sygnał zaufania społecznego. Model może wspomnieć o ocenach jako potwierdzeniu jakości

Szczegółowy poradnik wdrażania danych strukturalnych znajdziesz w naszym artykule Schema markup – czym są dane strukturalne?. To absolutna podstawa zarówno dla klasycznego SEO, jak i optymalizacji pod modele AI.

Jak schema pomaga w ekstrakcji przez RAG?

Systemy RAG (np. Perplexity, ChatGPT z browsing) pobierają fragmenty stron i przetwarzają je w kontekst dla modelu. Dane strukturalne pomagają na kilku poziomach:

1. Identyfikacja typu treści – model wie, że czyta artykuł ekspercki, a nie forum dyskusyjne. To wpływa na wagę przypisaną informacji
2. Ekstrakcja autora i daty – model może zacytować „Według artykułu opublikowanego przez [autor] w [data]", co buduje wiarygodność
3. Mapowanie pytań na odpowiedzi – FAQPage schema pozwala systemowi RAG wyciągnąć gotową odpowiedź bez przetwarzania całego tekstu
4. Hierarchia informacji – dane strukturalne wskazują, co jest nagłówkiem, co treścią, co metadanymi. Model szybciej dochodzi do sedna

Praktyczna implementacja

Minimalna implementacja schema dla artykułu blogowego zoptymalizowanego pod LLM powinna obejmować:

• Article schema z polami: headline, author (z typem Person i URL profilu), datePublished, dateModified, publisher
• FAQPage schema dla sekcji pytań i odpowiedzi – to podwójna korzyść: rich snippets w Google + łatwość ekstrakcji przez LLM
• BreadcrumbList – pokazuje modelowi hierarchię strony i kontekst tematyczny
• Organization schema na stronie głównej – buduje entity (encję) marki w modelu

Warto pamiętać, że dane strukturalne to nie zamiennik dobrej treści. To warstwa metadanych, która pomaga modelom AI lepiej zrozumieć i skategoryzować Twój content. Bez wartościowej treści sama schema nic nie da.

Podejście E-E-A-T w kontekście LLM

Google od lat podkreśla znaczenie E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness). W kontekście LLM te sygnały nabierają nowego wymiaru. Model, wybierając źródło do zacytowania, „preferuje" treści, które w danych treningowych były skojarzone z sygnałami autorytetu:

• Artykuły z wyraźnym autorstwem (imię, nazwisko, bio, link do profilu)
• Treści publikowane na stronach z bogatym profilem linkowym
• Źródła cytowane przez inne autorytatywne witryny
• Strony z historią regularnych publikacji w danej tematyce

Dlatego strategia content marketingowa powinna obejmować nie tylko publikację treści, ale też budowanie autorytetu autora i marki w sieci. To inwestycja, która procentuje zarówno w Google, jak i w odpowiedziach AI.

Jak mierzyć widoczność w modelach językowych?

To jedno z najtrudniejszych pytań w całej dziedzinie optymalizacji pod LLM. W Google mamy Google Search Console, Ahrefs, Semrush – precyzyjne narzędzia do śledzenia pozycji, ruchu i widoczności. W świecie LLM narzędzia dopiero powstają, ale już teraz można stosować kilka metod pomiarowych.

Manualne testowanie promptów

Najprostsza metoda: zadaj modelowi pytania związane z Twoją branżą i sprawdź, czy Twoja marka lub domena pojawia się w odpowiedzi. Stwórz listę 20-50 pytań pokrywających Twoje kluczowe tematy i systematycznie je testuj na różnych modelach (ChatGPT, Claude, Gemini, Perplexity).

Przykładowe pytania dla agencji SEO:

• „Jakie są najlepsze agencje SEO w Polsce?"
• „Kto specjalizuje się w pozycjonowaniu stron w [mieście]?"
• „Jakie są sprawdzone metody optymalizacji treści pod LLM?"
• „Ile kosztuje pozycjonowanie strony w 2026?"

Zapisuj wyniki w arkuszu kalkulacyjnym z datą, modelem, promptem i informacją, czy Twoja marka została wymieniona. Po kilku miesiącach zobaczysz trendy – szczególnie po wdrożeniu zmian optymalizacyjnych.

Narzędzia do monitorowania widoczności w AI

Na rynku pojawiają się dedykowane narzędzia do śledzenia obecności marki w odpowiedziach LLM:

• Otterly.ai – monitoruje obecność marki w ChatGPT, Gemini i Perplexity. Pozwala śledzić, jak często marka jest wymieniana w odpowiedzi na określone prompty
• Profound – analizuje widoczność w wynikach AI, porównuje z konkurencją i śledzi zmiany w czasie
• Peec AI – skupia się na śledzeniu cytatów i rekomendacji marki w odpowiedziach chatbotów
• Scrunch AI – monitoruje widoczność w wyszukiwarkach AI, agreguje dane z wielu modeli

Narzędzia te są jeszcze we wczesnej fazie i nie mają takiej dokładności jak Search Console dla Google. Ale dają pierwsze punkty odniesienia, które pozwalają ocenić kierunek – czy Twoja widoczność w AI rośnie, stoi w miejscu, czy spada.

Analiza logów i ruchu referencyjnego

Perplexity i niektóre inne narzędzia AI wysyłają ruch referencyjny, który można śledzić w Google Analytics 4. Sprawdź w GA4:

• Ruch z domen: perplexity.ai, chat.openai.com, chatgpt.com, claude.ai, gemini.google.com
• Parametry UTM, które mogą towarzyszyć linkom z odpowiedzi AI
• Ruch z „(direct) / (none)" – część ruchu z AI chatbotów może być klasyfikowana jako bezpośredni

Dodatkowo monitoruj logi serwera pod kątem crawlerów AI: GPTBot (OpenAI), ClaudeBot (Anthropic), Google-Extended (Gemini). Jeśli te boty regularnie odwiedzają Twoje strony, to sygnał, że Twoje treści trafiają do danych wykorzystywanych przez modele. Kompleksowy audyt SEO powinien dziś uwzględniać również analizę dostępności strony dla botów AI.

Wskaźniki pośrednie

Poza bezpośrednim pomiarem warto śledzić wskaźniki pośrednie, które korelują z widocznością w LLM:

• Branded search volume – wzrost wyszukiwań nazwy Twojej marki może sygnalizować, że ludzie słyszą o niej z odpowiedzi AI
• Cytowania w sieci – narzędzia jak Brand24, Mention czy Google Alerts informują o wzmiankach o marce, co przekłada się na dane treningowe LLM
• Featured snippets w Google – treści wyświetlane jako featured snippet mają wyższe szanse na cytowanie przez modele RAG
• Pozycje na frazy pytające – „jak", „co to", „ile kosztuje" – to frazy, które użytkownicy najczęściej wpisują w chatboty AI

Praktyczna checklista optymalizacji pod LLM

Poniżej przedstawiamy kompletną checklistę, którą stosujemy w Noril.pl przy optymalizacji treści klientów pod modele językowe. To połączenie działań jednorazowych (konfiguracja) i cyklicznych (aktualizacja treści). Wdrożenie wszystkich punktów zajmuje zazwyczaj 2-4 tygodnie, a pierwsze efekty w postaci cytowań w AI pojawiają się po 1-3 miesiącach – znacznie szybciej niż w klasycznym pozycjonowaniu, gdzie realne terminy SEO sięgają kilku miesięcy.

Fundament: technika i dostępność

1. Pozwól botom AI crawlować stronę – sprawdź robots.txt pod kątem blokad GPTBot, ClaudeBot, Google-Extended. Nie blokuj ich, chyba że masz ku temu konkretny powód
2. Wdróż dane strukturalne – Article/BlogPosting schema na każdej stronie contentowej, FAQPage schema na stronach z pytaniami, Organization schema na stronie głównej
3. Zadbaj o Core Web Vitals – szybka strona jest lepiej crawlowana zarówno przez Googlebota, jak i boty AI. Szczegóły w poradniku Core Web Vitals – co to jest i jak poprawić?
4. Używaj czystego HTML – treść renderowana przez JavaScript może nie być widoczna dla crawlerów AI. Preferuj SSR lub SSG
5. Zoptymalizuj meta dane – title i meta description powinny jasno komunikować temat strony, bo są pierwszymi elementami analizowanymi przez systemy RAG

Treść: struktura i format

1. Stosuj wzorzec „definicja → kontekst → przykład" – każda sekcja powinna zaczynać się od bezpośredniej odpowiedzi na implikowane pytanie
2. Pisz „cytowalnie" – twórz zdania, które mogą samodzielnie funkcjonować jako odpowiedź. Testuj: czy to zdanie ma sens wyrwane z kontekstu?
3. Używaj list i tabel – formatuj dane porównawcze jako tabele, procedury jako listy numerowane, cechy jako listy punktowane
4. Dodawaj sekcje FAQ – pytania i odpowiedzi w formacie Q&A to najprostszy sposób na bycie zacytowanym przez model
5. Aktualizuj treści regularnie – zmieniaj datę modyfikacji i dodawaj nowe informacje. Modele RAG preferują aktualne źródła
6. Buduj kompletne hub-i tematyczne – zamiast jednego artykułu na temat, twórz klastry 5-10 powiązanych artykułów z wewnętrznym linkowaniem

Autorytet i widoczność marki

1. Buduj profil autora – każdy artykuł powinien mieć przypisanego autora z bio, zdjęciem i linkiem do profilu. Schema Person wzmacnia ten sygnał
2. Publikuj na zewnętrznych platformach – artykuły gościnne, komentarze eksperckie, wywiady. Im więcej wzmianek o marce w sieci, tym silniejsza encja w modelu
3. Buduj linki do treści – link building nadal ma znaczenie, bo linki budują autorytet domeny, który przekłada się na „wagę" w danych treningowych
4. Dbaj o spójność NAP – nazwa firmy, adres, telefon powinny być identyczne na wszystkich stronach i w katalogach. Spójność buduje zaufanie modelu do encji marki
5. Monitoruj wzmianki – reaguj na nieprawdziwe informacje o marce w sieci. Błędne dane mogą być przechwycone przez model i reprodukowane w odpowiedziach

Strategia treści pod LLM

1. Targetuj pytania – identyfikuj pytania, jakie użytkownicy zadają chatbotom AI w Twojej branży. Twórz treści odpowiadające na te pytania
2. Optymalizuj pod long-tail queries – w LLM użytkownicy formułują dłuższe, bardziej naturalne zapytania niż w Google
3. Twórz unikalne dane – oryginalne badania, ankiety, statystyki branżowe. Model nie może zacytować danych, które nie istnieją nigdzie poza Twoją stroną, dopóki ich nie „zobaczy"
4. Nie polegaj wyłącznie na AI-generated content – treści pisane z unikalną perspektywą ekspercką są trudniejsze do powielenia i bardziej wartościowe dla modeli. Warto wiedzieć, jak Google wykrywa treści AI i jakie są realne konsekwencje publikowania tekstów generowanych automatycznie

Case study – treści cytowane przez ChatGPT

Teoria to jedno, ale nic nie przekonuje tak jak konkretne wyniki. Poniżej przedstawiamy przykład wdrożenia strategii optymalizacji treści pod LLM, który przeprowadziliśmy dla klienta z branży prawniczej.

Punkt wyjścia

Klient: kancelaria prawna specjalizująca się w prawie spadkowym i rodzinnym. Strona miała przyzwoite pozycje w Google (top 10 na 35 kluczowych fraz), ale zerową obecność w odpowiedziach ChatGPT i Perplexity. Na pytania typu „Jak wygląda postępowanie spadkowe?" czy „Ile kosztuje sprawa o rozwód?" modele nie wymieniały kancelarii klienta – cytowały wyłącznie duże portale prawnicze (LEX, Infor, Money.pl).

Wdrożone zmiany

Przez 8 tygodni wdrożyliśmy następujące działania:

1. Restrukturyzacja 12 kluczowych artykułów – dodaliśmy wzorzec „definicja → kontekst → przykład", rozbudowaliśmy nagłówki H2/H3 o precyzyjne frazy pytające, dodaliśmy tabele porównawcze i listy krok po kroku
2. Implementacja schema markup – Article schema z autorem (radca prawny z imieniem, nazwiskiem i numerem wpisu), FAQPage schema na 8 artykułach, HowTo schema na 4 poradnikach proceduralnych
3. Sekcje FAQ na każdej podstronie – dodaliśmy po 5-8 pytań i odpowiedzi w formacie bezpośrednim (2-3 zdania na odpowiedź), odzwierciedlających realne zapytania klientów
4. Budowanie encji autora – profil autora na stronie kancelarii, linki do profilu na portalach prawniczych, publikacje gościnne na 4 branżowych portalach
5. Odblokowanie botów AI – klient blokował GPTBot w robots.txt. Usunęliśmy blokadę i dodaliśmy sitemap ze wszystkimi artykułami
6. Wewnętrzne linkowanie – stworzyliśmy hub tematyczny „prawo spadkowe" z 8 powiązanych artykułów linkujących do siebie nawzajem

Wyniki po 12 tygodniach

Monitorowaliśmy listę 30 pytań testowych zadawanych ChatGPT (GPT-4 z browsing) i Perplexity raz w tygodniu:

Kluczowe wnioski

Na podstawie tego wdrożenia oraz podobnych projektów realizowanych dla klientów z branży e-commerce i usługowej wyciągnęliśmy następujące wnioski:

• Perplexity reaguje szybciej niż ChatGPT – ponieważ Perplexity korzysta z wyszukiwarki w czasie rzeczywistym (RAG), zmiany na stronie przekładają się na cytowania w ciągu dni, a nie miesięcy
• FAQPage schema to „low-hanging fruit" – samo dodanie sekcji FAQ ze schema markup zwiększyło cytowania o 40% w Perplexity, bez innych zmian
• Optymalizacja pod LLM poprawia też wyniki w Google – lepsza struktura treści przełożyła się na wzrost featured snippets i pozycji organicznych. Search Generative Experience (SGE) Googla korzysta z tych samych sygnałów
• Budowanie encji marki to proces ciągły – jednorazowa optymalizacja daje efekty, ale trwała widoczność w AI wymaga regularnych publikacji i budowania autorytetu w sieci
• Nie trzeba rezygnować z tradycyjnego SEO – oba podejścia się uzupełniają. Koszty pozycjonowania, o których piszemy w artykule Ile kosztuje SEO miesięcznie?, obejmują coraz częściej również działania pod kątem widoczności w AI

Case study potwierdza, że optymalizacja treści LLM nie jest abstrakcyjną koncepcją przyszłości – to realna strategia, która daje mierzalne wyniki już w 2026 roku. Firmy, które zaczną wdrażać te zmiany teraz, zyskają przewagę nad konkurencją, która wciąż ogranicza się do tradycyjnego pozycjonowania. Jeśli prowadzisz sklep internetowy, optymalizacja pod LLM powinna być częścią Twojej strategii e-commerce – modele AI coraz częściej rekomendują konkretne produkty i sklepy.