Generative Engine Optimization (GEO): kompletny przewodnik

Generative Engine Optimization (GEO) to praktyka dostosowywania treści tak, aby systemy odpowiedzi AI, takie jak ChatGPT, Perplexity, Gemini czy Przeglądy od AI w Google, mogły je łatwo znaleźć, zrozumieć i zacytować podczas pisania odpowiedzi. SEO walczy o miejsce na liście linków. GEO walczy o wzmiankę w samej odpowiedzi.

Ten przewodnik omawia, co wykazały badania stojące za GEO, jak te silniki wybierają źródła w zakresie, w jakim da się to udokumentować, co z tym zrobić (w kolejności zależnej od siły dowodów dla każdego działania) i jak sprawdzić, czy to zadziałało. Jeśli wolą Państwo najpierw wersję skróconą, proszę przeczytać Czym jest GEO? i wrócić tutaj.

Czym jest Generative Engine Optimization i dlaczego ma to znaczenie właśnie teraz?

Silnik generatywny pobiera informacje, a następnie pisze odpowiedź w języku naturalnym, zwykle z odnośnikami do użytych źródeł. Przykłady to wyszukiwanie ChatGPT, Perplexity, Gemini oraz Przeglądy od AI i Tryb AI w Google. Odbiorca czyta jedną zbiorczą odpowiedź zamiast przeglądać dziesięć linków. Dla właściciela witryny pytanie zmienia się więc z „czy jestem wysoko w wynikach?” na „czy moja strona jest jednym ze źródeł tej odpowiedzi?”.

Można też spotkać frazę „GEO SEO”. Obie dziedziny mają bardzo wiele wspólnych działań z klasyczną optymalizacją pod wyszukiwarki, co pokazuje poniższa tabela porównawcza. GEO najlepiej traktować jako SEO rozszerzone na nowy rodzaj wyników, a nie jako osobną dyscyplinę, która je zastępuje.

Dlaczego teraz? Skala użycia jest duża i rozkłada się na kilka produktów:

Ludzie korzystają z więcej niż jednego produktu AI, a ich proporcje się zmieniają. Optymalizacja pod jeden silnik to ryzykowny zakład. Więcej liczb wraz z metodami znajduje się na stronie statystyki wyszukiwania AI.

Jeszcze jeden fakt ustawia oczekiwania. Cloudflare obsługuje dużą część witryn w internecie i zmierzył, ile razy roboty firm AI pobierają strony w przeliczeniu na jedną wizytę, którą odsyłają z powrotem:

Dane pochodzą wyłącznie z sieci Cloudflare i łączą przeszukiwanie na potrzeby trenowania z przeszukiwaniem na potrzeby wyszukiwania. Mimo to odpowiedzi AI zwracają znacznie mniej wizyt w przeliczeniu na jedną przeczytaną stronę niż klasyczna wyszukiwarka. GEO to mniej zbieranie kliknięć, a bardziej obecność w odpowiedzi i trafny jej opis.

Skąd się wzięło GEO?

Termin pochodzi z badań, a nie z marketingu. W listopadzie 2023 r. Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan i Ameet Deshpande opublikowali w arXiv, otwartym archiwum, w którym badacze udostępniają prace przed recenzją i po niej, tekst „GEO: Generative Engine Optimization”. Praca ukazała się na KDD 2024, ważnej konferencji poświęconej analizie danych.

Co dokładnie testowała oryginalna praca o GEO?

Autorzy zrobili trzy rzeczy:

• Nazwali problem: twórcy treści nie mają sposobu, by wiedzieć, jak poprawić swoją widoczność w odpowiedziach pisanych przez silniki generatywne.
• Zbudowali GEO-bench, czyli benchmark (standardowy zestaw zapytań testowych) obejmujący 10 000 zapytań z około 25 dziedzin.
• Przeprowadzili eksperymenty optymalizacji metodą czarnej skrzynki: zmieniali treść stron internetowych i mierzyli, jak często zmienione strony pojawiały się w odpowiedziach silników, bez wglądu w to, jak te silniki działają wewnątrz.

Główny wynik: metody GEO mogą zwiększyć widoczność w odpowiedziach silników generatywnych nawet o 40%, a skuteczność zależy od dziedziny. Obie części mają znaczenie. Wartość nawet 40% to pułap osiągnięty przez najlepsze metody w najlepszych warunkach, a nie średnia. „Zależy od dziedziny” oznacza, że taktyka pomocna w jednym obszarze tematycznym w innym może niewiele zmienić.

Spośród dziewięciu testowanych metod najlepiej wypadły dodawanie cytatów, dodawanie statystyk i podawanie źródeł. Upychanie słów kluczowych dawało niewielką poprawę lub żadną.

Co dodały późniejsze badania i krytyka?

Kilka późniejszych prac komplikuje obraz. To one są też źródłem większości tego, co dziś można powiedzieć na podstawie dowodów.

Ustalenie	Badanie	Ograniczenie
Cytowania bywają niewiarygodne. Tylko 51,5% wygenerowanych zdań było w pełni poparte przypisanymi im cytowaniami, a tylko 74,5% cytowań poparło zdanie, do którego je dołączono.	Badanie z 2023 r. prowadzone przez Stanford (Liu, Zhang i Liang): ludzie oceniali cztery generatywne wyszukiwarki	Silniki od tego czasu się zmieniły. Mimo to link obok zdania nie dowodzi, że zdanie jest prawdziwe.
Silniki odpowiedzi mają problem z weryfikowalnością. Uczestnicy wskazali 16 ograniczeń. Zautomatyzowana ocena trzech silników wykazała częste halucynacje (zmyślone treści) i niedokładne cytowania.	Badanie z 2024 r. prowadzone przez Narayanana Venkita z Penn State, ze współautorami z Salesforce AI Research: test użyteczności z udziałem 21 uczestników	Mała próba, silniki w wersjach z 2024 r.
Cytowanie wiadomości obarczone jest błędami. Chatboty łącznie udzieliły błędnych odpowiedzi na ponad 60% zapytań. Perplexity pomylił się w 37% przypadków, a Grok-3 w 94%.	Tow Center for Digital Journalism przy Columbii, luty 2025 r.: 1600 zapytań w ośmiu narzędziach wyszukiwania AI (200 fragmentów artykułów z 20 wydawnictw, po jednym zapytaniu na narzędzie)	Autorzy przestrzegają przed uogólnianiem, a zadaniem było zidentyfikowanie źródła, nie napisanie dobrej odpowiedzi.
Dominują earned media. Pierwszy preprint opisuje „systematic and overwhelming bias towards Earned media” [systematyczne i przytłaczające uprzedzenie na rzecz earned media], czyli niezależnych publikacji osób trzecich, kosztem treści należących do marek i treści z mediów społecznościowych, inaczej niż w bardziej zrównoważonym miksie Google. Stwierdza też, że silniki różnią się różnorodnością domen, świeżością, stabilnością między językami i wrażliwością na sposób sformułowania pytania.	Dwa preprinty tej samej grupy badawczej z Toronto (Chen, Wang, Chen i Koudas) porównują wyszukiwanie AI z Google. Drugi, zaktualizowany w maju 2026 r., porównuje domeny źródłowe, typy treści, intencję zapytań i świeżość między Wyszukiwarką Google a czołowymi usługami generatywnej AI.	Abstrakty obu prac nie podają liczb, a oba teksty to preprinty, które nie przeszły pełnej recenzji.
Cechy na poziomie strony korelują z cytowaniem. Z cytowaniem najsilniej wiązały się metadane i świeżość, semantyczny HTML oraz cechy związane z danymi strukturalnymi.	Preprint z 2025 r. (Kumar i Palkhouski): 1702 cytowania w 1100 unikalnych adresach URL, na podstawie 70 pytań o intencji produktowej zadanych w Brave Summary, Przeglądach od AI w Google i Perplexity	Badanie obserwacyjne, obejmuje wyłącznie anglojęzyczne strony oprogramowania B2B, wykazuje związek, a nie przyczynę.

Podsumowując: pierwotne 40% jest prawdziwe, ale wąskie. Silniki są niespójne. Obecność w źródłach zewnętrznych wydaje się mieć bardzo duże znaczenie. A nikt nie opublikował kontrolowanego, powtarzalnego testu, który pokazywałby, że konkretna zmiana na stronie zapewni cytowania w każdym silniku.

Jak silniki generatywne wybierają i cytują źródła?

Żadna firma AI nie publikuje pełnych reguł doboru źródeł. To, co można powiedzieć, wynika z oficjalnej dokumentacji i kilku badań, czytanych z uwzględnieniem ich ograniczeń. Warto myśleć o czterech warstwach.

1. Czy silnik może dotrzeć do strony?

Robot (crawler) to automatyczny program czytający strony internetowe. Plik robots.txt to zwykły plik tekstowy w katalogu głównym witryny, który mówi robotom, co wolno im czytać. Każda firma AI uruchamia więcej niż jednego robota, o różnych zadaniach:

• OpenAI opisuje GPTBot (treści, które mogą służyć do trenowania modeli), OAI-SearchBot (wyświetlanie witryn w wyszukiwaniu ChatGPT) i ChatGPT-User (pobrania wywołane prośbą użytkownika). OpenAI informuje, że witryny, które wyłączą OAI-SearchBot, nie będą pokazywane w odpowiedziach wyszukiwania ChatGPT, a zmiana jest uwzględniana w około 24 godziny. W przypadku ChatGPT-User OpenAI zastrzega, że reguły robots.txt mogą nie obowiązywać.
• Anthropic opisuje trzy boty, po jednym do trenowania, do pobierania na polecenie użytkownika i do wyszukiwania, i deklaruje, że respektują one sygnały zakazu przeszukiwania zawarte w robots.txt.
• Perplexity podaje, że PerplexityBot służy do wyświetlania witryn w wyszukiwaniu i nie jest używany do trenowania modeli bazowych, a Perplexity-User, działający na prośbę użytkownika, zasadniczo ignoruje reguły robots.txt.
• Google stosuje Google-Extended jako mechanizm kontroli tego, czy treści są używane do trenowania przyszłych modeli Gemini i do ugruntowania odpowiedzi. Google podaje, że nie wpływa on na uwzględnienie witryny w Wyszukiwarce Google i nie jest sygnałem rankingowym.

Osobną sprawą jest to, czy boty się stosują.

Plik robots.txt należy traktować jako wyrażenie preferencji, a nie gwarancję.

2. Czy strona się kwalifikuje?

W przypadku Google dokumentacja jest jednoznaczna. Aby strona pojawiła się jako odnośnik wspierający w Przeglądach od AI lub w Trybie AI, musi być zaindeksowana i kwalifikować się do wyświetlania w Wyszukiwarce ze fragmentem. Google podaje, że nie ma dodatkowych wymagań i że nie jest potrzebne żadne specjalne oznaczenie schema.org (dane strukturalne, które opisują zawartość strony dla maszyn).

Mechanizmy kontroli są te same co dla fragmentów w Wyszukiwarce: nosnippet, data-nosnippet, max-snippet i noindex. Ruch z funkcji AI jest w Search Console zliczany w typie wyszukiwania „Web”, więc nie da się go oddzielić od reszty.

3. Co zwiększa szansę wyboru strony?

Tu dowodów jest najmniej. Najmocniejsze sygnały to te opisane wyżej: oryginalne eksperymenty GEO, uprzedzenie na rzecz earned media i związek cech strony z cytowaniem w GEO-16. Wytyczne samego Google w kwestii znaczników mówią coś przeciwnego, co wyjaśnia plan działań poniżej.

Jeden wynik jest pośredni. „Lost in the Middle” (Liu i współpracownicy, 2023) wykazało, że modele językowe często najlepiej wykorzystują informacje umieszczone na początku lub na końcu otrzymanego tekstu, a gorzej te ze środka. To eksperyment na tekście podawanym modelom, a nie na wynikach wyszukiwania. Warto go czytać jako analogię do umieszczania kluczowej odpowiedzi na początku, a nie dowód dotyczący kolejności cytowań.

4. Czy cytowanie jest poprawne?

Jak wspomniano wyżej, bycie cytowanym nie oznacza bycia opisanym trafnie. Dlatego każdy program GEO potrzebuje etapu, na którym człowiek czyta, co silniki mówią o firmie.

GEO, SEO i AEO: czym się różnią?

SEO (search engine optimization) dąży do pozycji na liście wyników wyszukiwania. AEO (answer engine optimization) to nieformalna etykieta dla zdobywania bezpośredniej odpowiedzi, jaką daje system, na przykład fragmentu wyróżnionego lub odpowiedzi głosowej. GEO dąży do tego, by zostać użytym i zacytowanym w odpowiedzi pisanej przez silnik generatywny.

Dokładniej omawia to nasze zestawienie SEO, AEO i GEO: różnice. Poniższa tabela jest jego streszczeniem.

	SEO	AEO	GEO
Pełna nazwa	Search engine optimization	Answer engine optimization	Generative engine optimization
Cel	Pozycja na liście wyników	Bycie bezpośrednią odpowiedzią	Bycie cytowanym w odpowiedzi napisanej przez AI
Typowa powierzchnia	Strony wyników Google i Bing	Fragmenty wyróżnione, odpowiedzi głosowe	ChatGPT, Perplexity, Gemini, Przeglądy od AI, Tryb AI
Co się zyskuje	Kliknięcie w link	Wyświetloną odpowiedź	Wzmiankę lub cytowanie w odpowiedzi
Główne czynniki	Możliwość przeszukania, trafność, linki, doświadczenie na stronie	Krótkie, jasne, bezpośrednie odpowiedzi	Dostęp dla robotów AI, jasne odpowiedzi, publikacje osób trzecich, trafność opisu
Sposób pomiaru	Pozycje, wyświetlenia, kliknięcia	Posiadanie fragmentu	Cytowania i wzmianki w stałym zestawie pytań
Status terminu	Ugruntowany	Nieformalny	Ukuty w pracy z 2023 r.; wciąż się kształtuje

Najważniejsza jest część wspólna. Indeksowanie, jasne pisanie i wiarygodne treści służą wszystkim trzem. Szerszy obraz strony AI w SEO daje nasz przewodnik po AI SEO.

Plan działań GEO uporządkowany według siły dowodów

Większość porad GEO w internecie nie mówi, jak mocne jest ich uzasadnienie. Tutaj każda taktyka ma jedną z trzech etykiet:

Etykieta	Co oznacza
Zmierzone w badaniu	Opublikowane badanie je testowało lub obserwowało. Badanie może mieć ograniczenia, które wskazujemy.
Oficjalne wytyczne	Dokumentacja samego silnika to zaleca lub opisuje.
Rozsądna praktyka, jeszcze niezmierzona	Sensowna i niskiego ryzyka, ale nie znaleźliśmy badania, które mierzyłoby jej wpływ na cytowania w AI.

Tabela podsumowująca

#	Taktyka	Etykieta dowodowa	Główne źródło i ograniczenie
1	Zdobywać niezależne publikacje osób trzecich	Zmierzone w badaniu	Preprinty z Toronto; abstrakty nie podają liczb
2	Dodawać do treści konkrety, cytaty i źródła	Zmierzone w badaniu	Oryginalna praca o GEO; silniki z 2023 r., nawet o 40%
3	Dbać o świeże metadane i czysty semantyczny HTML	Zmierzone w badaniu	Preprint GEO-16; obserwacyjny, strony oprogramowania B2B
4	Wpuszczać właściwe roboty	Oficjalne wytyczne	Dokumentacja OpenAI, Anthropic, Perplexity, Google
5	Dbać o indeksowalność kluczowych stron i kwalifikowanie się do fragmentów	Oficjalne wytyczne	Google Search Central
6	Poprawnie opisywać elementy interaktywne	Oficjalne wytyczne	Chrome Lighthouse (eksperymentalne)
7	Pisać naturalne treści dla ludzi	Oficjalne wytyczne	Google Search Central
8	Zaczynać każdą stronę od bezpośredniej odpowiedzi	Rozsądna praktyka, jeszcze niezmierzona	Tylko pośrednia analogia
9	Pokrywać powiązane pytania szczegółowe	Rozsądna praktyka, jeszcze niezmierzona	Nie znaleziono badania cytowań
10	Sprawdzać, co silniki mówią o firmie	Rozsądna praktyka, jeszcze niezmierzona	Uzasadnione badaniami dokładności
11	Publikować plik llms.txt	Zmierzone w badaniu (nie stwierdzono efektu)	SE Ranking, Ahrefs; Google neutralny

Zmierzone w badaniu

1. Zdobywać niezależne publikacje osób trzecich. W kontrolowanych eksperymentach grupy z Toronto wyszukiwanie AI wykazywało systematyczne i przytłaczające uprzedzenie na rzecz earned media kosztem treści należących do marek i treści z mediów społecznościowych. Jeśli to samo dotyczy danego rynku, recenzje, prasa, publikacje branżowe, katalogi i wypowiedzi ekspertów mogą ważyć w odpowiedziach AI więcej niż własne strony. Warto więc ustalić, które niezależne witryny silniki cytują w danym temacie, i zadbać o trafny opis firmy w tych miejscach.

2. Dodawać do treści konkrety, cytaty i źródła. Oryginalna praca o GEO testowała metody przepisywania treści i wykazała wzrost widoczności nawet o 40%, zależny od dziedziny. Dla małej firmy oznacza to uczynienie każdej strony bardziej konkretną i możliwą do sprawdzenia.

Należy podawać prawdziwe liczby wraz ze źródłem. Cytować osoby z imienia i nazwiska, jeśli zgodziły się na cytowanie. Linkować do źródeł pierwotnych.

Niczego nie wolno zmyślać. Zmyślona statystyka jest gorsza niż jej brak, a całe podejście opiera się na treściach, które zasługują na cytowanie.

3. Dbać o świeże metadane i czysty kod HTML. Preprint GEO-16 wykazał, że metadane i świeżość, semantyczny HTML (poprawne znaczniki nagłówków, list i tabel zamiast ostylowanych bloków) oraz dane strukturalne były cechami strony najsilniej powiązanymi z cytowaniem, w 1100 unikalnych adresach URL. Przykładowy próg wysokich wyników odpowiadał w jego danych znacznie wyższym wskaźnikom cytowania.

11. llms.txt: przetestowany, bez stwierdzonego efektu. Plik llms.txt to proponowany zwykły plik tekstowy w katalogu głównym witryny, który wymienia i streszcza kluczowe strony dla systemów AI. Wyjaśnia go w całości nasz poradnik o llms.txt, a własny plik można sprawdzić walidatorem llms.txt. Tutaj relacjonujemy wyłącznie to, co zmierzono.

• Badanie SE Ranking, obejmujące blisko 300 000 domen, nie wykazało korelacji między posiadaniem pliku a byciem cytowanym przez silniki AI, a model bez tej zmiennej lepiej przewidywał cytowania.
• Ahrefs, badając 137 210 domen, stwierdził, że 97% widzianych plików llms.txt nie otrzymało żadnych żądań w maju 2026 r. i że żaden bot AI nie żądał nieistniejących ścieżek.
• Google twierdzi, że llms.txt „will neither harm nor help” [ani nie zaszkodzi, ani nie pomoże] widoczności w Wyszukiwarce.

Wskaźniki wdrożenia różnią się znacznie, bo każde badanie mierzyło inną populację:

Autorzy Common Crawl zastrzegają, że ich wartości nie należy porównywać z wynikiem Web Almanac.

Oficjalne wytyczne

4. Wpuszczać właściwe roboty. Należy sprawdzić robots.txt i decydować bot po bocie. Dopuszczenie robota wyszukiwania, takiego jak OAI-SearchBot, to według dokumentacji warunek pojawiania się w odpowiedziach wyszukiwania ChatGPT. Zablokowanie robota do trenowania, takiego jak GPTBot, to osobna decyzja.

Konfiguracja hostingu lub zabezpieczeń może też blokować boty bez wiedzy właściciela, więc warto testować z zewnątrz. I pamiętać o opisanych wyżej granicach przestrzegania reguł.

5. Dbać o indeksowalność kluczowych stron i kwalifikowanie się do fragmentów. Google podaje, że aby strona pojawiła się w Przeglądach od AI lub w Trybie AI, musi być zaindeksowana i kwalifikować się do wyświetlania ze fragmentem. Należy upewnić się, że ważne strony zwracają normalne odpowiedzi, nie są oznaczone noindex i nie są ograniczone mechanizmami kontroli fragmentów, których nie zamierzano ustawiać.

6. Poprawnie opisywać elementy interaktywne. Narzędzie Google Lighthouse, które audytuje strony internetowe, dodało eksperymentalną kategorię „Agentic Browsing”. Jej dokumentacja stwierdza, że agenci opierają się na drzewie dostępności jako głównym modelu danych. Drzewo dostępności to ustrukturyzowana wersja strony używana przez czytniki ekranu: nazwy, role i stany przycisków, linków i pól formularzy. Audyty sprawdzają nazwy i etykiety, integralność drzewa oraz widoczność treści interaktywnych.

7. Pisać naturalne treści dla ludzi. Wytyczne Google dotyczące funkcji generatywnej AI mówią, że nie ma wymogu dzielenia treści na drobne fragmenty i że dane strukturalne nie są wymagane w generatywnym wyszukiwaniu AI. Dodają też, że nie trzeba tworzyć nowych plików czytelnych dla maszyn, plików tekstowych dla AI, znaczników ani Markdowna, aby pojawiać się w Wyszukiwarce Google. Search Engine Journal zauważył, że eksperymentalny audyt Lighthouse sprawdza obecność llms.txt, podczas gdy Wyszukiwarka twierdzi, że nie jest on potrzebny, i powiązał tę różnicę z widocznością w Wyszukiwarce wobec gotowości na agentów przeglądarkowych.

Rozsądna praktyka, jeszcze niezmierzona

Te kroki są tanie, niskiego ryzyka i zgodne z powyższymi źródłami, ale nie znaleźliśmy badania, które mierzyłoby ich wpływ na cytowania w AI.

8. Zaczynać każdą stronę od bezpośredniej odpowiedzi. Pod każdym nagłówkiem warto umieścić prostą odpowiedź w dwóch lub trzech zdaniach. Zdania powinny być zrozumiałe samodzielnie, z nazwanym podmiotem, aby dało się je zacytować bez otaczającego akapitu. Jedyny pokrewny dowód to eksperyment „Lost in the Middle”, który dotyczy tekstu podawanego modelowi, a nie pozycji w wynikach wyszukiwania.

9. Pokrywać powiązane pytania szczegółowe. Kto sprzedaje usługę, powinien odpowiedzieć na pytania, które kupujący zadaje wokół niej: koszt, przebieg, ryzyka, alternatywy, lokalne szczegóły. Najlepszym źródłem są prawdziwe pytania od klientów i zespołu sprzedaży. Żadne z przeanalizowanych badań nie testuje tego w odniesieniu do wskaźników cytowań.

10. Sprawdzać, co silniki mówią o firmie. Należy zapytać silniki, z których korzystają klienci, o firmę i jej kategorię oraz krytycznie czytać odpowiedzi. W świetle opisanych wyżej ustaleń dotyczących dokładności trzeba spodziewać się błędów. Poprawka zwykle leży w źródłach, z których czerpią silniki, w tym we własnych stronach.

Jak mierzyć GEO?

Nie ma standardowej metryki GEO. Oryginalna praca użyła własnych miar widoczności, a narzędzia komercyjne używają innych. Każda liczba pokazywana przez dostawcę zależy od jego metody, więc warto o nią zapytać. Praktyczne są dwa uzupełniające się pomiary.

1. Śledzenie widoczności w AI

Należy wybrać stały zestaw pytań, na przykład od 20 do 50, które klienci naprawdę zadają, i uruchamiać je według harmonogramu:

Search Console tego nie wyodrębni. Google zlicza ruch z funkcji AI w typie wyszukiwania „Web”, razem ze zwykłymi wynikami. W innych silnikach warto sprawdzać odesłania w analityce, pamiętając jednak o opisanych wyżej stosunkach przeszukań do odesłań: brak kliknięć nie oznacza braku cytowań.

Z danymi o kliknięciach należy w ogóle ostrożnie. Badania nie zgadzają się co do tego, ile kliknięć kosztują witryny streszczenia AI, a przyczyną jest metoda. Te wyniki nie tyle sobie przeczą, ile mierzą różne rzeczy:

Źródło	Co ustalono	Uwaga o metodzie
Pew	Kliknięcie linku w 8% wizyt w Google ze streszczeniem AI wobec 15% bez niego	Panel przeglądania
Ahrefs	Współczynnik klikalności (CTR) pierwszego wyniku przy obecności Przeglądu od AI o około 58% niższy od prognozy	Aktualizacja z 2026 r., która powtórzyła wcześniejszą metodę na dłuższym okresie (od grudnia 2023 r. do grudnia 2025 r.) i zaktualizowała wynik z 2025 r., wynoszący 34,5%
Google	Łączna liczba kliknięć organicznych rok do roku „relatively stable” [względnie stabilna]	Stwierdzenie bez opublikowanych liczb, mierzące łączny wolumen we wszystkich witrynach
Seer Interactive	Marki cytowane w Przeglądach od AI dostawały o około 35% więcej kliknięć organicznych niż te niecytowane	Jego autorzy nie twierdzą, że to związek przyczynowy

2. Struktura witryny i gotowość

Druga połowa to pytanie, czy silniki i agenci w ogóle mogą nawigować po witrynie i ją czytać. Obejmuje to dostęp robotów, indeksowalność, czytelną strukturę linków wewnętrznych, dzięki której ważne strony są osiągalne, opisowe nagłówki i dostępny kod. Tę warstwę szczegółowo wyjaśnia nasz tekst o nawigowalności agentowej (agentic navigability).

GraphoRank to narzędzie do tego drugiego pomiaru: przeszukuje witrynę z poszanowaniem robots.txt i ocenia w skali 0–100, jak dobrze agenci AI mogą po niej nawigować, ją czytać i ją cytować. Metodę i jej ograniczenia pokazuje strona Jak to działa.

Najczęstsze błędy

#	Błąd	Dlaczego szkodzi
1	Traktowanie GEO jako zamiennika SEO	Dokumentacja Google wiąże funkcje AI z indeksowaniem i kwalifikowaniem się do fragmentów. Jeśli wyszukiwarki nie mogą zaindeksować strony, wysiłek GEO na niej jest zmarnowany.
2	Domyślne blokowanie wszystkich botów AI	Roboty do trenowania, wyszukiwania i wywoływane przez użytkownika to różne rzeczy. Zablokowanie robotów wyszukiwania może wykluczyć witrynę z odpowiedzi, na których zależy. Zablokowanie robotów do trenowania to osobna, uprawniona decyzja.
3	Wiara, że robots.txt zatrzyma wszystko	Dokumentacja podaje, że niektóre mechanizmy pobierania wywoływane przez użytkownika mogą go nie stosować, a badanie wykazało, że roboty wyszukiwania AI rzadko go sprawdzają.
4	Pogoń za jednym silnikiem	Użycie rozkłada się na kilka produktów, a ich proporcje zmieniły się w ciągu roku.
5	Zmyślanie dowodów	Wymyślone statystyki, fałszywe recenzje i sztucznie wstawiane wzmianki to przeciwieństwo tego, co nagradzają dowody, a Google podaje, że nieautentyczne wzmianki nie są tak pomocne, jak się wydaje.
6	Wiara w obietnice gwarantowanego wzrostu	Najmocniejsza opublikowana liczba to nawet 40% z eksperymentów z 2023 r. Jeśli dostawca obiecuje stały przyrost, warto zapytać o metodę i próbę.
7	Dodawanie znaczników, bo tak napisał jakiś blog	Google podaje, że dane strukturalne nie są wymagane w jego funkcjach AI, a duże badanie nie wykazało związku llms.txt z cytowaniami. Te pliki są tanie i nieszkodliwe, ale nie powinny wypierać pracy nad dostępem, treścią i niezależnymi publikacjami.
8	Brak sprawdzania, co mówią silniki	Badania dokładności pokazują, że błędy są częste. Należy sprawdzać i poprawiać u źródła.
9	Jednorazowy pomiar	Wyniki różnią się między silnikami, uruchomieniami i sformułowaniami. Jeden zrzut ekranu nie jest pomiarem.
10	Ignorowanie dostępności	Według dokumentacji Google Lighthouse kod, którego nie rozumieją czytniki ekranu, może być też trudny w użyciu dla agentów.