Jak trafić do odpowiedzi ChatGPT: GEO dla stron B2B

12 października 2026 · Bartłomiej Spasowski, Założyciel, modulla · PL

Czym jest GEO i dlaczego ChatGPT ignoruje Twoją stronę?

Generative Engine Optimization (GEO) to zestaw działań optymalizacyjnych, które sprawiają, że strona internetowa jest cytowana i rekomendowana przez modele językowe takie jak ChatGPT, Perplexity czy Google Gemini. W odróżnieniu od klasycznego SEO, które walczy o pozycję na liście linków, GEO walczy o to, by marka znalazła się w syntetyzowanej odpowiedzi generowanej przez AI [1][4].

Powiedzmy sobie wprost: ChatGPT nie przegląda Twojej strony tak jak Google. Pobiera fragmenty tekstu, które wcześniej zaindeksował, ocenia ich gęstość informacyjną i na tej podstawie buduje odpowiedź. Jeśli Twoja treść nie jest zbudowana pod ten mechanizm, możesz mieć doskonałą pozycję w Google i zerową obecność w odpowiedziach AI.

Problem biznesowy: ruch, którego nie widzisz w analityce

W Polsce z modeli językowych korzysta regularnie ponad 13 milionów użytkowników miesięcznie [9]. Klienci coraz częściej pomijają tradycyjne wyszukiwarki i pytają asystentów AI bezpośrednio o rekomendacje usług, porównania produktów i porady decyzyjne [9][10].

Mechanizm jest prosty i bolesny dla nieświadomych firm: ChatGPT wymienia 2-3 marki w odpowiedzi na pytanie zakupowe. Jeśli Twojej nazwy tam nie ma, tracisz klienta zanim wejdzie na Twoją stronę [9]. Co więcej, gdy klient przejdzie na stronę po rekomendacji AI, analityka GA4 zapisze ten ruch jako bezpośredni (Direct) lub brandowy, ukrywając prawdziwe źródło pozyskania w tzw. ciemnym lejku (Dark Funnel) [9][10].

Do tego dochodzi prognoza Gartnera zakładająca 25-procentowy spadek wolumenu tradycyjnych zapytań w wyszukiwarkach na rzecz konwersacyjnych asystentów AI [8]. Klasyczne SEO nie zniknie, ale przestaje być jedyną ligą, w której warto grać.

Podejście	Klasyczne SEO	GEO (AI Search)
Cel	Pozycja na liście linków (SERP)	Cytowanie w syntetyzowanej odpowiedzi AI
Waluta sukcesu	Kliknięcia (CTR)	Cytowania, wzmianki o marce
Główny sygnał	Słowa kluczowe, linki zwrotne	Gęstość informacyjna, autorytet encji
Format treści	Długa strona z keywordami	Odwrócona piramida, Q&A, dane z atrybucją
Pomiar	Pozycja frazy, CTR organiczny	Answer Presence (AP), AI Citation Frequency (AICF)
Konwersja z ruchu	Średnio 1,76% dla ruchu organicznego Google [8]	14,2–15,9% dla ruchu z ChatGPT [8]

Jak działa ChatGPT Search: architektura RAG w skrócie

ChatGPT Search opiera się na wieloetapowym procesie zwanym RAG (Retrieval-Augmented Generation) [1][4]. Działanie wygląda następująco: zapytanie użytkownika jest dzielone na mniejsze zapytania semantyczne, silnik przeszukuje zewnętrzne indeksy w poszukiwaniu pasujących fragmentów stron, a algorytm rerankingu selekcjonuje najwartościowsze akapity, które trafiają do modelu jako kontekst do budowania odpowiedzi [1][4].

Tu zaczyna się różnica: model nie ocenia całej strony, lecz fragmenty tekstu. Fragment, który w ciągu pierwszych kilkudziesięciu słów nie zawiera precyzyjnej, weryfikowalnej informacji, wypada na etapie rerankingu. Badania pokazują, że 44,2% wszystkich cytowań generowanych przez modele LLM pochodzi z pierwszych 30% objętości strony [8][10]. Kluczowa odpowiedź musi stać bezpośrednio pod nagłówkiem, nie na końcu sekcji.

Ważna zależność techniczna: aż 87% stron cytowanych w ChatGPT Search pokrywa się z czołowymi wynikami organicznego indeksu Bing [10]. Firmy skupione wyłącznie na Google, które zaniedbują Bing Webmaster Tools, nie wchodzą nawet do puli kandydatów na etapie retrieval [10].

Cztery filary GEO: jak to robi rynek

1. Dostęp techiczny: roboty i indeksowanie

Pierwszym krokiem jest otwarcie dostępu w pliku robots.txt dla botów OpenAI. Warto rozróżnić dwa osobne roboty: GPTBot odpowiada za trenowanie modeli bazowych, natomiast OAI-SearchBot i ChatGPT-User obsługują wyszukiwanie na żywo [5][14]. Zablokowanie tych drugich usuwa stronę z wyników ChatGPT Search całkowicie [5][14].

Równolegle warto zgłosić sitemapę w Bing Webmaster Tools. Ze względu na zależność ChatGPT Search od indeksu Bing, brak zgłoszenia oznacza brak wejścia do puli kandydatów w systemie RAG [10].

2. Inżynieria treści: dane, cytaty, odwrócona piramida

Badacze z Princeton University, Georgia Tech i IIT Delhi (Aggarwal et al., KDD 2024) stworzyli benchmark GEO-bench obejmujący 10 000 zapytań i udowodnili, że ustrukturyzowana modyfikacja treści podnosi widoczność w odpowiedziach AI o 30–40% [3][4][10]. Trzy taktyki dają największe efekty:

Dodawanie twardych danych liczbowych zamiast deklaracji jakościowych: wzrost widoczności w odpowiedziach AI o +37–40% [3][4][10].
Cytowanie autorytatywnych źródeł z odsyłaczem inline: wzrost widoczności o +30–40% [3][4][10].
Dosłowne cytaty eksperckie z przypisanym autorem: wzrost widoczności o +30–32,8% [3][4][10].

Odwrotna strona: stosowanie nadmiernych powtórzeń fraz kluczowych (keyword stuffing) obniża spójność semantyczną i powoduje spadek widoczności o 12,4% [10]. Subiektywne hasła marketingowe bez oparcia w danych (najlepszy w swojej klasie) skutkują spadkiem o 18,2% [10].

3. Dane strukturalne: JSON-LD i grafy semantyczne

Modele językowe operują na encjach, nie na słowach kluczowych [1][6]. Encja to zdefiniowany podmiot: marka, osoba, produkt, artykuł. Połączone dane strukturalne JSON-LD z węzłami @id jednoznacznie definiują relacje między autorem, organizacją a treścią, eliminując niejednoznaczność semantyczną w indeksie wektorowym [12][21][22].

Praktyczny zestaw typów Schema.org przydatny dla stron B2B: Organization, Person, Article lub TechArticle, FAQPage, Service. Połączenie tych węzłów linkami sameAs do Wikidata, LinkedIn czy profili branżowych wzmacnia autorytet encji w systemach RAG [12][21][25].

4. Plik llms.txt: skrót dla agentów AI

Standard llms.txt to plik tekstowy w formacie Markdown umieszczany w katalogu głównym serwisu (/llms.txt) [13][27][28]. Jego zadanie jest proste: udostępnić agentom AI skondensowaną wiedzę o stronie w formacie niskim kosztowo obliczeniowo, bez konieczności parsowania ciężkiego HTML [13][26][28].

Plik zawiera typowo: opis marki i oferty, linki do kluczowych podstron z jednozdaniowym opisem każdej, podstawowe fakty o organizacji i jej zasięgu. To nie jest wymóg techniczny ChatGPT, lecz ułatwienie, które obniża koszt tokenowy parsowania i zwiększa prawdopodobieństwo poprawnej interpretacji przez model [26][27][30].

Praktyczne zastosowania: co robi rynek B2B

Wyniki wdrożeń dokumentowane przez praktyków GEO pokazują trzy wzorce, które działają niezależnie od branży:

Strony definiujące kategorię

Kiedy AI tłumaczy kategorię („czym jest X?"), cytuje najkompletniejszą, najbardziej autorytatywną definicję w indeksie [7][8]. Firmy B2B, które budują dedykowane podstrony definiujące swoją kategorię produktową (a nie tylko opisujące własny produkt), wygrywają cytowania nawet przy niższej pozycji w Google.

Dowodem jest obserwacja z rynku: w jednym z analizowanych wdrożeń strona zajmująca 5. miejsce w organicznym SERP, po dodaniu rzetelnych cytowań i twardych danych, odnotowała wzrost widoczności w odpowiedziach AI o 115,1% [4][10].

Strony porównawcze i macierze funkcji

Użytkownicy zadają pytania porównawcze („X czy Y dla firmy produkcyjnej?"). Strukturalne tabele porównań z precyzyjnie opisanymi różnicami funkcji są bardzo chętnie cytowane przez systemy RAG na etapie rerankingu [7][8]. To szczególnie skuteczne w segmencie B2B, gdzie decyzja zakupowa obejmuje porównanie wielu rozwiązań.

Grounding Pages: strony faktograficzne

Grounding Pages to dedykowane podstrony zawierające zwięzłe, weryfikowalne fakty o organizacji: zakres usług, dane o zespole, osiągnięcia, definicje kluczowych pojęć [11]. Ich rola jest precyzyjna: zapobiegają halucynacjom AI i kotwiczą modele do dokładnych danych o marce [11]. Jedna z dokumentowanych implementacji pozwoliła nowej domenie bez zaplecza linków osiągnąć aktywne cytowania w ChatGPT, Perplexity i Google Gemini w ciągu trzech tygodni [11].

Jak mierzyć widoczność w AI: metryki, które zastąpią pozycje fraz

Klasyczne śledzenie pozycji frazy kluczowej nie ma sensu w środowisku generatywnym, bo odpowiedź modelu jest probabilistyczna i zmienia się między zapytaniami [8]. Rynek wypracował własne metryki:

Answer Presence (AP): czy marka pojawiła się w odpowiedzi na dane zapytanie (tak/nie).
AI Citation Frequency (AICF): jak często konkretny URL jest cytowany w kontrolowanej próbie zapytań [8].
Share of Model (SoM): procentowy udział cytowań marki wobec konkurencji w tej samej próbie [8].

Pomiar wymaga regularnego odpytywania zestawu 25–100 zapytań o intencji zakupowej, tygodniowo lub miesięcznie, z zapisem wyników. Jednokrotne sprawdzenie jest tylko fotografią migawkową i nie daje podstaw do wniosków o trendach [8].

Osobnym wyzwaniem jest atrybucja ruchu. Do GA4 warto dodać niestandardowe grupy kanałów obejmujące sesje z chatgpt.com, perplexity.ai, gemini.google.com i claude.ai, aby wydobyć ruch AI z worka Direct [8].

Przewaga pierwszego gracza i co z niej wynika

Sednem jest co innego: GEO to nie kolejny kanał do optymalizacji, to walka o to, czyją markę AI uzna za autorytatywne źródło w danej kategorii. Ponad 47% marek nie ma jeszcze żadnej strategii GEO [10]. Wczesne wdrożenie pozwala utrwalić markę w indeksach RAG i bazach wiedzy modeli, budując przewagę, która rośnie z każdym nowym artykułem i każdą nową Grounding Page [10].

Korelacja między pozycją w Google a cytowaniem przez AI słabnie. W połowie 2025 roku około 75% stron cytowanych przez AI pochodziło z pierwszej dziesiątki wyników organicznych Google; na początku 2026 roku wskaźnik ten spadł do 17–38% [8]. Wysoka pozycja w Google przestała automatycznie oznaczać obecność w AI [8].

FAQ: Pozycjonowanie strony w ChatGPT

Czy GEO zastępuje klasyczne SEO?

Nie zastępuje, lecz je uzupełnia. ChatGPT Search indeksuje strony głównie przez Bing, więc dobra pozycja organiczna wciąż zwiększa szansę na wejście do puli RAG [10]. GEO dodaje warstwę inżynierii treści i danych strukturalnych, która decyduje o tym, czy strona jest cytowana, nie tylko zaindeksowana.

Jak szybko widać efekty działań GEO?

Udokumentowane case studies pokazują wyniki w przedziale 3–12 tygodni. Nowa domena z poprawnie wdrożonymi Grounding Pages i JSON-LD osiągnęła aktywne cytowania w trzech silnikach AI w ciągu trzech tygodni [11]. Przy istniejącej domenie z autorytetem, efekty pojawiają się szybciej, choć mierzenie ich wymaga regularnego monitoringu AP i AICF [8].

Co to jest plik llms.txt i czy każda strona go potrzebuje?

Plik llms.txt to skondensowany skrót wiedzy o stronie w formacie Markdown, umieszczany w katalogu głównym serwisu [13][28]. Nie jest wymogiem technicznym, lecz ułatwieniem dla agentów AI, które obniża koszt tokenowy parsowania i zwiększa precyzję interpretacji treści przez model [26][27][30]. Dla stron B2B z złożoną ofertą, to jedno z najszybszych i najtańszych wdrożeń GEO.

Czy można trafić do odpowiedzi ChatGPT bez obecności w Google?

Tak, choć to trudniejsza droga. Nowe domeny z zerowym profilem linków, ale z poprawną strukturą techniczną, Grounding Pages i JSON-LD osiągały cytowania w kilka tygodni [11]. Dla większości firm praktyczniejsze jest połączenie: solidna pozycja w Bing (poprzez Bing Webmaster Tools), otwarty dostęp dla botów OpenAI i dobrze zbudowana treść pod mechanizm RAG [10][14].

Jeśli chcesz sprawdzić, jak Twoja marka prezentuje się w odpowiedziach AI i co zmienić w pierwszej kolejności, napisz do nas.