Pozycjonowanie pod LLM-y – czym jest i dlaczego SEO już nie wystarcza

Przez dwadzieścia lat widoczność w internecie oznaczała jedno: pozycję w Google. Od dwóch lat rośnie druga warstwa – odpowiedzi generowane przez duże modele językowe w ChatGPT, Gemini, Perplexity, modelu Claude czy Copilocie. Użytkownik otrzymuje gotową odpowiedź, a nie listę linków. Optymalizacja pod LLM-y, znana w branży jako GEO (Generative Engine Optimization), to dyscyplina, która odpowiada na pytanie: jak sprawić, żeby w tej odpowiedzi znalazła się Twoja marka.

Co się zmieniło w sposobie szukania informacji

Google od 2024 roku wyświetla AI Overviews nad wynikami, ChatGPT ma wbudowane wyszukiwanie, Perplexity od początku odpowiada z przypisami, a Gemini jest zintegrowane z systemem Android i przeglądarką Chrome. W każdym z tych miejsc użytkownik zadaje pytanie językiem naturalnym – „które biuro rachunkowe w Krakowie obsługuje spółki z o.o.” – i otrzymuje odpowiedź z dwiema lub trzema nazwami. Klasyczna pozycja w rankingu przestaje być jedyną walutą. Nową walutą jest wzmianka o marce (wystąpienie encji).

LLM-y nie mają rankingu – mają wagi i kontekst

Żeby zrozumieć, na czym polega pozycjonowanie pod LLM-y, trzeba wiedzieć, skąd model czerpie informacje. Odpowiadają za to dwa mechanizmy:

• Wagi modelu (dane treningowe) – wiedza wyuczona z ogromnego korpusu tekstów (strony, książki, media, fora). Jeśli o marce pisano w źródłach, które trafiły do treningu, model ją „zna” bez żadnego wyszukiwania. Ta wiedza jest ograniczona przez datę odcięcia wiedzy (knowledge cutoff) i odświeża się dopiero podczas douczania (fine-tuningu) lub premiery nowej wersji modelu.
• Kontekst z wyszukiwania (RAG) – gdy pytanie wymaga aktualnych informacji, model wykorzystuje generowanie wspomagane wyszukiwaniem (RAG). Sięga do indeksu wyszukiwarki (Bing dla ChatGPT i Copilota, Google dla Gemini, własny indeks wspierany zewnętrznymi API dla Perplexity), analizuje treść stron i pobiera z nich fragmenty (snippety). Do odpowiedzi trafiają wyselekcjonowane informacje, a nie całe witryny.

Z tego wynika najważniejsza różnica w stosunku do klasycznego SEO: jednostką, o którą walczysz, nie jest URL, lecz fragment tekstu i encja (marka), którą model kojarzy z daną kategorią.

Na czym polega pozycjonowanie pod LLM-y w praktyce

Dobrze prowadzony projekt obejmuje cztery obszary:

Audyt widoczności. Zestaw pytań, które zadają Twoi klienci, odpytywany w kilku modelach wielokrotnie (ponieważ generowanie odpowiedzi jest niedeterministyczne). Wynik: w jakim odsetku odpowiedzi pojawia się Twoja marka, kto pojawia się zamiast Ciebie i czy model opisuje Cię zgodnie z prawdą. Halucynacje na temat własnej firmy – błędne ceny, nieistniejące usługi, stary adres – to znacznie częstszy problem, niż się wydaje.

Optymalizacja treści pod modele językowe. Nie chodzi o upychanie słów kluczowych, ale o nasycenie faktami: liczby, daty, definicje i jednoznaczne stwierdzenia w pierwszych akapitach; sekcje FAQ z prawdziwymi pytaniami; tabele porównawcze; dane strukturalne Schema.org, które precyzyjnie opisują organizację, autora i treść. Tekst ma być łatwy do przetworzenia przez parsery i zacytowania bez utraty kontekstu.

Dostęp i infrastruktura. Crawlery AI muszą mieć wstęp na stronę. Należy jednak rozróżnić boty zbierające dane treningowe (GPTBot, ClaudeBot, Google-Extended) od botów wyszukujących w czasie rzeczywistym (OAI-SearchBot, PerplexityBot). Co ważne, AI Overviews od Google korzysta ze standardowego Googlebota. Strona musi odpowiadać błyskawicznie – systemy RAG mają rygorystyczne limity czasu odpowiedzi (często poniżej dwóch sekund). Do tego dochodzi indeksacja w Bingu, o której większość polskich firm wciąż zapomina.

Budowanie encji poza własną stroną. Wzmianki w mediach branżowych, katalogach, serwisach z opiniami, Wikipedii i na forach to materiał, z którego modele uczą się, że marka w ogóle istnieje. To najwolniejszy, ale najtrwalszy element – zasila dane treningowe przyszłych wersji LLM-ów.

Kompleksowe podejście do tych czterech obszarów, wraz z podziałem na poszczególne silniki – ChatGPT, model Claude, Gemini, Perplexity i Microsoft Copilot – opisuje serwis widocznosc.ai, który definiuje pozycjonowanie pod LLM jako usługę mierzalną tak samo jak klasyczne SEO: z audytem, planem i monitoringiem udziału marki w odpowiedziach.

Jak mierzyć efekty

W SEO mierzysz pozycje, ruch i CTR. W pozycjonowaniu pod LLM-y mierzysz:

• Share of Model (udział w odpowiedziach) – odsetek odpowiedzi na zdefiniowany zestaw pytań, w których marka jest wymieniona,
• Citation Rate (wskaźnik cytowań) – odsetek odpowiedzi, w których pojawia się aktywny link do Twojej domeny,
• Poprawność opisu – czy model podaje prawdziwe informacje o ofercie, cenach i lokalizacji,
• Ruch od crawlerów AI i z asystentów – wejścia botów (np. OAI-SearchBot) w logach serwera oraz wizyty z referrerów takich jak chatgpt.com, perplexity.ai czy gemini.google.com w analityce.

Pomiar musi być powtarzalny: te same pytania, ta sama częstotliwość, kilka próbek na pytanie. Jednorazowe sprawdzenie w oknie czatu to anegdota, a nie dane.

SEO i LLM-y – uzupełnienie, nie zamiana

Optymalizacja pod LLM-y nie istnieje bez fundamentów SEO. Strona musi być zaindeksowana, szybka i posiadać autorytet, żeby w ogóle trafić do puli źródeł, z której systemy RAG pobierają informacje. Różnica polega na tym, co robisz dalej: zamiast optymalizować wyłącznie pod ranking, optymalizujesz pod cytowalność i spójny obraz marki w wielu źródłach. Firmy, które zaczną teraz, zbudują przewagę, której nie da się nadrobić w miesiąc – ponieważ część tej pracy trafia do danych treningowych i wpływa na wagi modeli dopiero po ich aktualizacji.