Sztuczna inteligencja nie zastępuje specjalisty SEO. Wykorzystujemy ją do analizy danych, klasyfikowania treści i wykrywania zależności między adresami URL.
Na małej stronie analizujemy zwykle kilkanaście–kilkadziesiąt URL-i, a w e-commerce proces obejmuje setki lub tysiące adresów. LLMy pomagają nam uporządkować materiał. Za interpretację, strategię i decyzje nadal odpowiada specjalista SEO.
AI pomaga nam szybciej analizować serwis
W pracy SEO łączymy dane techniczne, treści, zapytania, kliknięcia, pozycje, linkowanie wewnętrzne i konwersje. Liczy się nie tylko techniczny stan strony, ale też jej treść, intencje użytkowników, struktura, linkowanie wewnętrzne, widoczność i rola poszczególnych podstron. Z AI możemy zestawiać elementy i szybciej wskazywać miejsca wymagające dokładniejszego sprawdzenia.
Analiza może wskazać pojedynczy URL, grupę stron o podobnych embeddingach, lukę tematyczną albo klaster bez linków wewnętrznych.
Przy większych witrynach przewaga rośnie, bo podobne zależności możemy analizować na setkach lub tysiącach adresów URL jednocześnie. Nie oznacza to jednak, że AI zaczyna mieć sens dopiero przy takiej skali.
Embeddingi pokazują nam podobieństwo znaczeniowe treści
Dwie strony nie muszą używać tych samych słów, żeby odpowiadać na podobną intencję.
W takich analizach wykorzystujemy embeddingi, czyli numeryczne reprezentacje znaczenia tekstu. Pozwalają nam porównywać treści semantycznie, a nie tylko na podstawie powtarzających się fraz.
Ustalamy próg similarity score i grupujemy strony przekraczające założony próg. Dzięki temu możemy szybciej wskazać strony, które:
- mocno pokrywają się tematycznie,
- mogą odpowiadać na bardzo podobną intencję,
- należą do tego samego klastra,
- są słabo powiązane z resztą serwisu.
Similarity score porządkuje pary stron według podobieństwa; wyszukiwanie wektorowe zwraca najbliższe dokumenty, a re-ranking ustala ich kolejność.
Technologia wskazuje relację. My oceniamy, co z niej wynika.
Jak AI wykrywa kanibalizację, duplikację i luki contentowe?
Duplikacja nie jest problemem, jeśli strony mają różne intencje, np. poradnikową i transakcyjną, oraz prowadzą do odmiennych działań użytkownika.
Artykuł poradnikowy i strona sprzedażowa mogą dotyczyć tego samego produktu, ale odpowiadać na zupełnie różne potrzeby użytkownika. Dlatego samo podobieństwo nie wystarcza nam do podjęcia decyzji.
Łączymy embeddingi treści z kliknięciami, wyświetleniami i pozycjami z GSC, aby wskazać URL-e o podobnej treści i spadającej widoczności. Dzięki temu łatwiej znaleźć sytuacje, w których dwie strony rzeczywiście konkurują ze sobą w kontekście widoczności na zapytania albo przeciwnie, w danym obszarze brakuje treści odpowiadającej na ważną intencję.
W małej witrynie może to dotyczyć kilku kluczowych podstron. W dużej problem może obejmować całe grupy URL-i. Mechanizm pozostaje ten sam, zmienia się skala analizy.
Wsparcie podczas budowy klastrów i architektury informacji
Architektura serwisu powinna łączyć strony nadrzędne z podstronami szczegółowymi za pomocą linków wewnętrznych. Grupujemy treści według similarity score, wspólnych zapytań, linków wewnętrznych i relacji nadrzędna–szczegółowa, a użytkownik powinien móc przechodzić od szerokiego zagadnienia do coraz bardziej szczegółowych odpowiedzi.
AI wykorzystujemy do analizy takich relacji.
Embeddingi, grafy wiedzy i analiza semantyczna pozwalają nam spojrzeć na serwis nie tylko przez strukturę menu, ale również przez rzeczywiste zależności między tematami, pojęciami i intencjami.
Możemy dzięki temu szybciej zauważyć:
- brak strony nadrzędnej dla ważnego tematu,
- słabe połączenie między powiązanymi treściami,
- chaotyczne rozłożenie podobnych materiałów,
- obszary nadmiernie rozbudowane i takie, które wymagają uzupełnienia.
AI nie projektuje za nas całej architektury informacji. Pomaga nam zobaczyć, gdzie obecna struktura serwisu wymaga uwagi i gdzie warto ją uporządkować.
Site Focus i Site Radius - ocena spójności tematycznej
Duża liczba publikacji nie oznacza koncentracji tematycznej, jeśli treści mają niski udział wspólnych tematów względem głównego klastra. Z drugiej strony nawet niewielka witryna może mieć dobrze uporządkowany, spójny profil tematyczny.
W naszych analizach możemy spojrzeć na Site Focus, czyli stopień koncentracji treści wokół najważniejszych tematów, oraz Site Radius, który pokazuje, jak daleko kolejne materiały odchodzą od głównego rdzenia tematycznego.
Automatyzacja pozwala zastosować ten sam model analizy do nieograniczonej ilości URL-i zamiast ręcznie porównywać każdą stronę
Pozwala znaleźć treści mocno powiązane z głównymi obszarami biznesowymi, ale także takie, które funkcjonują na ich obrzeżach albo nie wspierają żadnego istotnego klastra.
Nie oznacza to, że każda dalsza tematycznie treść jest zbędna. Może pozyskiwać wartościowy ruch albo wspierać użytkownika na wcześniejszym etapie decyzji.
To specjalista SEO ocenia, jaką rolę dana treść pełni w całym serwisie.
Zestawienie danych z różnych narzędzi
Crawler pokazuje strukturę techniczną serwisu. Google Search Console dostarcza danych o zapytaniach i kliknięciach. Narzędzia widoczności pokazują pozycje i konkurencję, a analityka mówi więcej o zachowaniu użytkowników.
Każde źródło pokazuje tylko część obrazu. Crawler dostarcza danych o statusach HTTP, canonicalach i linkach; Search Console — o kliknięciach, wyświetleniach i zapytaniach; analityka — o sesjach i konwersjach. AI te informacje zestawia.
Dzięki temu szybciej możemy zauważyć, że problem widoczny w treści łączy się ze zmianą ruchu, słabym linkowaniem wewnętrznym albo inną rolą biznesową danej strony.
To ważne, ponieważ pojedynczy wskaźnik bardzo rzadko wystarcza do dobrej decyzji SEO.
Research i analiza wsparta modelem językowym
Modele językowe klasyfikują intencje, grupują pytania i porównują treści według wcześniej zdefiniowanych etykiet.
Wykorzystujemy je między innymi do rozpoznawania intencji, grupowania pytań użytkowników, porównywania treści i przygotowywania materiału do dalszej analizy.
Duże znaczenie ma tutaj prompt engineering.
Nie chodzi o tworzenie jednego „idealnego promptu”, ale o jasne określenie, jakie dane model ma analizować, czego szukamy i czego nie powinien zakładać.
Dobry model pracujący na złych danych nadal może dać złą odpowiedź.
Dlatego w naszej pracy AI traktujemy jako warstwę wspierającą analizę, a nie źródło prawdy.
Research i planowanie treści zgodnych z intencją użytkownika
Sztuczną inteligencję wykorzystujemy również przy researchu i planowaniu contentu.
Pomaga nam analizować wyniki wyszukiwania, porządkować pytania użytkowników, grupować tematy i sprawdzać, jakich informacji brakuje w istniejących materiałach.
Może też wspierać przygotowanie briefu, ocenę struktury tekstu albo wychwytywanie sekcji, które powtarzają tę samą myśl.
Nie pozwalamy jednak modelowi wymyślać doświadczenia marki, danych ani przykładów.
Jeśli firma nie posiada konkretnego case study, statystyki czy doświadczenia, AI nie powinno ich tworzyć tylko po to, aby tekst brzmiał bardziej ekspercko.
AI może pomóc nam lepiej pokazać E-E-A-T. Nie może go wymyślić.
Information Gain czyli brakujące elementy wiedzy
Długa treść nie musi być lepsza. Jeżeli powtarza to samo, co konkurencja, tylko innymi słowami, jej wartość pozostaje ograniczona.
Porównujemy materiały i określamy obszary, w których konkurencja odpowiada bardzo podobnie, a także pytania, ograniczenia czy przykłady, których brakuje. Porównujemy sekcje konkurencyjnych stron i oznaczamy pytania, przykłady oraz ograniczenia nieobecne w analizowanym materiale.
AI Search i AI Overviews - kolejny obszar analizy widoczności
Dziś użytkownik nie zawsze przechodzi od zapytania do klasycznej listy wyników. Coraz częściej otrzymuje odpowiedź generowaną przez AI, która wykorzystuje informacje z kilku źródeł.
Dlatego w naszych działaniach patrzymy również na to, czy marka pojawia się w takich odpowiedziach, z jakimi tematami jest kojarzona i jakie źródła są wykorzystywane zamiast niej.
AI pomaga nam prowadzić takie analizy w większej skali, ale może być równie przydatne przy pojedynczych, strategicznie ważnych tematach. Możemy badać widoczność marki dla różnych typów pytań, porównywać odpowiedzi systemów generatywnych oraz sprawdzać, czy treści są cytowane, wspominane czy pomijane.
Nie jest to klasyczny ranking pozycji. To dodatkowa warstwa informacji o tym, jak marka funkcjonuje w środowisku AI Search.
Treść przygotowana dla użytkownika jest również łatwiejsza do wykorzystania przez AI
AI Search nie wymaga tworzenia zupełnie innego rodzaju tekstów. Dlatego nie traktujemy optymalizacji pod systemy generatywne jako osobnego świata oderwanego od SEO.
Dobre treści nadal powinny jasno odpowiadać na pytania, zawierać konkretne informacje, przykłady, źródła oraz czytelną strukturę.
Jeśli każda sekcja ma jasno określony temat i daje konkretną odpowiedź, łatwiej korzysta z niej zarówno użytkownik, jak i system generatywny.
Nie chodzi więc o „pisanie pod AI”. Chodzi o tworzenie treści, które są jednoznaczne, dobrze uporządkowane i rzeczywiście pomocne.
AI znajduje zależności. Pozycjoner podejmuje decyzje
Największą przewagą sztucznej inteligencji w naszej pracy SEO nie jest automatyzacja, a możliwość szybszego przetwarzania informacji, porównywania różnych źródeł i wychwytywania zależności, które trudno zauważyć przy ręcznej analizie.
W niewielkim serwisie może to oznaczać lepszy research, szybszą ocenę kilku ważnych podstron czy dokładniejsze planowanie contentu. Przy rozbudowanej witrynie te same możliwości stosujemy na znacznie większym zbiorze danych.
Embeddingi pomagają nam analizować znaczenie treści. Grafy wiedzy pokazują relacje między tematami. Modele językowe wspierają research i klasyfikację. AI pomaga łączyć dane z wielu źródeł oraz analizować widoczność w klasycznym wyszukiwaniu i AI Search.
Ale nadal ktoś musi zrozumieć, co te dane znaczą.
I właśnie tutaj pozostaje najważniejsza rola naszych specjalistów.
AI wykrywa zależności między treścią, widocznością i linkowaniem, których nie analizujemy ręcznie dla każdego URL-a. To SEO-wiec decyduje, co z tą wiedzą zrobić.
