Pojawienie się modułów sztucznej inteligencji wywróciło rynek do góry nogami. Szybko zmienia się sposób, w jaki wyszukiwarki przetwarzają i prezentują informacje. Moduły AI, takie jak np. Google AI Overviews, Microsoft Copilot czy SearchGPT od OpenAI, z miesiąca na miesiąc zyskują coraz większy udział w ruchu. To wszystko sprawia, że powoli wyłania się nowy obszar do zagospodarowania – GEO, czyli pozycjonowanie w modułach AI. Na czym polega GEO, czym różni się od SEO i czy faktycznie może je kiedyś całkowicie wyprzeć?
Pozycjonowanie GEO w modułach sztucznej inteligencji
Pojawienie się publicznej, powszechnie dostępnej wersji ChatGPT pod koniec 2022 r. dodaje zupełnie nowe kanały informacyjne dla użytkowników. Choć od tego wydarzenia dzielą nas zaledwie dwa lata, można śmiało powiedzieć, że zmieniło się w tym czasie wszystko. ChatGPT od OpenAI przetwarza miesięcznie ponad 3 miliardy promptów. To mniej więcej tak, jakby 1/3 populacji naszej planety choć raz w miesiącu wpisała zapytanie do ChatGPT. Rośnie też konkurencja: Google Gemini, Perplexity czy coraz wydajniejszy Claude.
Zmiany widać również na poziomie wyszukiwarek. Giganci dodają moduły AI, które łączą potencjał modeli językowych z zaawansowanym przetwarzaniem indeksu wyszukiwania i informacji typu SGE. Copilot czy AI Overviews mają swoje problemy, ale jedno jest pewne: wyznaczają trwały kierunek, w jakim podążają wyszukiwarki. Jeśli tak, to oznacza to, że coraz ważniejsze staje się wykonywanie takich czynności, które umożliwią nam znalezienie się w odpowiedziach generowanych przez chatboty.
Za proces wpływania na zwiększenie szans znalezienie się w odpowiedziach modułów AI odpowiada proces, który nazywamy GEO. Podobieństwo brzmieniowe do SEO nie jest tu przypadkiem. GEO (Generative Engine Optimization) to dosłownie generatywna optymalizacja wyszukiwania. Mniej dosłownie, a zgodnie z podstawowym znaczeniem, możemy przetłumaczyć GEO jako pozycjonowanie w modułach AI. Proces ten ma takie same cele, jak SEO – zwiększenie wyświetleń i widoczności. Różni się jednak obszar jego przeznaczenia. Działania GEO nie są wymierzone we wzrost pozycji stron w indeksach wyszukiwania, ale wzrost częstotliwości pojawiania się w odpowiedziach modułów AI na konkretne pytania użytkowników.
To, co najbardziej fascynujące w kontekście GEO, to fakt, że wciąż mało wiemy o tym, w jaki sposób modele językowe przetwarzają nasze informacje. Można jednak wyróżnić kilka głównych wytycznych, które zwiększą szansę na pojawienie się w odpowiedziach. Poniżej prezentujemy pięć najważniejszych!
Pozycjonowanie GEO na tle SEO i SGE – porównanie
GEO nie jest rewolucją, która nagle wymusza zmianę wszystkich dotychczasowych działań marketingowych. Jest bardziej sposobem odpowiedzi na konkretny problem – zwiększenie częstotliwości pojawiania się strony w wynikach generowanych przez moduły sztucznej inteligencji, takie jak Copilot w Bing czy AI Overviews w Google Search. Aby lepiej zrozumieć różnice w podejściu do optymalizacji w zależności od celów, jakie wybierzemy, warto porównać tradycyjne pozycjonowanie SEO, optymalizację pod generatywne wyszukiwanie SGE i pozycjonowanie pod moduły AI – GEO.
| Aspekt | Optymalizacja pod kątem wyszukiwarek (SEO) | Generatywne doświadczenie wyszukiwania (SGE) | Generatywna optymalizacja wyszukiwania (GEO) |
|---|---|---|---|
| Definicja | Praktyka optymalizowania stron internetowych i treści, aby osiągnąć wyższe pozycje w wynikach wyszukiwania i przyciągnąć więcej organicznego ruchu. | Ulepszanie doświadczenia wyszukiwania dzięki technologiom generatywnej AI, aby dostarczać bardziej trafne, kontekstowe lub kompleksowe odpowiedzi na zapytania. | Adaptacja strategii optymalizacji treści w celu dostosowania ich do możliwości i wymagań wyszukiwarek opartych na sztucznej inteligencji. |
| Główny cel | Zwiększenie widoczności i ruchu na stronie z wyszukiwarek internetowych. | Poprawa efektywności, dokładności i przyjazności dla użytkownika procesu wyszukiwania poprzez generowane przez AI odpowiedzi i narzędzia. | Zapewnienie, że treści są odkrywane, dokładnie interpretowane i korzystnie oceniane przez wyszukiwarki wspierane przez sztuczną inteligencję. |
| Grupa docelowa | Webmasterzy, twórcy treści i specjaliści ds. marketingu cyfrowego. | Użytkownicy końcowi korzystający z wyszukiwarek do pozyskiwania informacji. | Twórcy treści i marketerzy, którzy chcą poprawić wydajność swoich treści w środowisku wyszukiwarek opartych na sztucznej inteligencji. |
| Kluczowe techniki | Badanie słów kluczowych, optymalizacja na stronie (meta tagi, nagłówki, jakość treści), optymalizacja poza stroną (backlinki) oraz techniczne SEO. | Integracja AI w wyszukiwarkach w celu generowania odpowiedzi, streszczeń lub interakcji konwersacyjnych na podstawie zapytań użytkowników. | Łączenie tradycyjnych technik SEO z wiedzą na temat sposobu, w jaki generatywne modele AI przetwarzają i priorytetyzują treści. |
| Obszar zainteresowania | Optymalizacja pod kątem algorytmów wyszukiwarek. | Usprawnianie interakcji użytkownika i satysfakcji z odpowiedzi generowanych przez AI w trakcie procesu wyszukiwania. | Dostosowanie treści, aby były bardziej kompatybilne z technologiami wyszukiwania opartymi na AI, zwiększając ich szanse na przychylne traktowanie przez te systemy. |
| Rezultat | Wyższe pozycje w wynikach wyszukiwania (SERP), zwiększony organiczny ruch. | Bardziej efektywne i satysfakcjonujące odpowiedzi, które doceniają użytkownicy. | Lepsza widoczność, zaangażowanie i ranking treści w wynikach wyszukiwania AI. |
Rola podmiotów w pozycjonowaniu w modułach AI
Pierwszym kluczowym obszarem, który trzeba zredefiniować w ramach GEO są podmioty. Idea “podmiotów, a nie ciągów znaków” powstała w 2012 roku, kiedy Google zaczęło rozwijać inną, nadrzędną koncepcje – grafów wiedzy (Knowledge Graphs). Była to przełomowa zmiana, która przesunęła nacisk z dopasowywania ciągów znaków w tekście na rozpoznawanie odrębnych „rzeczy” – takich jak ludzie, miejsca, produkty czy idee. W 2013 r. Google opatentowuje system podmiotów powiązanych (Related Entities) jako jeden ze schematów relacji obiektów w obrębie systemu wyszukiwania Google Search.
Teraz podmioty ponownie zmieniają zarówno swoje znaczenie, jak i rolę, jaką pełnią. Podmioty i ich relacje są osadzone w sieciach wiedzy – takich jak grafy wiedzy Google Knowledge Graph, Wikipedia, Wikidata i inne zaufane źródła. Moduły AI strukturyzują powiązania podmiotów i relacje między nimi i ich atrybutami. To właśnie te zależności tworzą podstawowe ramy odniesienia, które wpływają na sposób, w jaki model językowy odpowiada na zapytanie. Podmioty pozwalają AI zrozumieć charakter promptu. Sztuczna inteligencja rozpoznaje te powiązania i tworzy sieć, która łączy idee, kontekst oraz ich znaczenie.
Aby uzmysłowić sobie lepiej, jak przekładają się podmioty na system generowania odpowiedzi przez model językowy, warto posłużyć się przykładem. Jeśli ktoś wyszukuje frazę pt. „Jaki rower dla początkujących do pracy Warszawie?”, AI nie traktuje tego jako ciągu niepowiązanych słów. Tego typu fraza jest typowym długim ogonem, ale nie jest ona rozpatrywana jako jednolity ciąg, a blok składający się z różnych znaczeń. Model językowy identyfikuje różne powiązania, w tym przypadku m.in.:
podmiot ← produkt ← rower,
podmiot ← lokalizacja – Polska ← Warszawa,
atrybut ← poziom doświadczenia ← dla początkujących,
atrybut ← cel produktu ← dojazdy do pracy.
Sztuczna inteligencja uwzględnia więc, że rower dla początkujących do Warszawy nie musi dobrze radzić sobie z pagórkami i jazdą szosową, ale powinien mieć opony przystosowane do jazdy po mieście. Bazując na poziomie doświadczenie model wywnioskuje, że kluczowe cechy produktu to wygodna obsługa, ergonomia czy łatwa zmiana biegów. W rezultacie AI nie prezentuje listy przypadkowych modeli, lecz uwzględnia kontekst zapytania i intencje użytkownika.
W tym kontekście pozycjonowanie strony w modelach językowych wymaga solidnego oznaczania podmiotów. Ważne jest to, aby wpierw poprawnie je zidentyfikować, a następnie odpowiednio opisać. Nie mówimy tu jednak o standardowych opisach produktów, ale przede wszystkich optymalizacji treści z wykorzystaniem tagów schema i innych oznaczeń, które pozwolą crawlerom modeli AI lepiej zrozumieć relacje między poszczególnymi atrybutami.
Technologia RAG – pozycjonowanie z naciskiem na aktualność treści
Duże modele językowe trenowane są na ogromnych zbiorach danych szkoleniowych, które obejmują zarówno bazy strukturalne (np. encyklopedie, literaturę, bazy programistyczne itp.), jak i strony internetowe i treści tworzone przez użytkowników (SGE). LLM “uczą się”, w jaki sposób poszczególne podmioty i zależności współdziałają ze sobą w różnych kontekstach znaczeniowych. Aby generować odpowiedzi kontekstowe, kluczowym procesem jest mapowanie relacji podmiotów, czyli rozpoznawanie powiązań między nimi i ich atrybutami.
W tym momencie pojawia się jednak istotny problem. Chociaż modele językowe są potężne, mają ograniczenia polegające m.in. na generowaniu przestarzałych informacji lub odpowiedzi niewiarygodnych. Pomijając w tym momencie osobny problem tworzenia tzw. halucynacji, wynika to często z tego, że dane na konkretny temat mogą być przestarzałe. Rozwiązaniem tego problemu jest technologia rozszerzonego generowania (Retrieval-augmented Generation; RAG). Zapewnia ona modelom sztucznej inteligencji rozszerzone, generatywne wyszukiwanie informacji, umożliwiając AI dostęp do bieżących danych w czasie rzeczywistym.
RAG odpowiada za to, że możliwe jest dostarczanie odpowiedzi zgodnych z bieżącymi trendami i potrzebami użytkowników. W tym kontekście kluczem dla pozycjonowania GEO są aktualne materiały dotyczące podmiotów, np. produktów. Znaczenie ma więc odpowiednio zoptymalizowana treść, która regularnie pojawia się, gdy np. asortyment powiększa się o nowe produkty. Analogicznie treść ma znaczenie w przypadku pozycjonowania działalności usługowych.
Pozycjonowanie GEO – drugie życie dla oznaczeń strukturalnych
Rewolucja AI odświeżyła znaczenie danych strukturalnych. Znaczniki schema są jednym z najważniejszych elementów procesu pozycjonowania GEO. Wynika to z faktu, że to właśnie te znaczniki są gruntownie analizowane przez crawlery modeli językowych. Oznaczenia strukturalne pozwalają AI lepiej interpretować zawartość strony i identyfikować różne powiązania między podmiotami a grafami wiedzy. Pod tym względem dla GEO najważniejsze jest:
- definiowanie kluczowych podmiotów za pomocą tagów schema – crawlery AI powinny łatwo dostrzegać i wyróżniać osoby, miejsca i produkty na stronie,
- łączenie elementów ze źródłami zaufanymi – zastosowanie atrybutów relacji, np. sameAs, pomaga algorytmom rozpoznawać powiązać i tworzyć szersze systemy relacji, które zwiększą prawdopodobieństwo pojawienie się danego elementu w odpowiedzi modelu AI w wyszukiwarce,
- wzmacnianie wiarygodności profili – kluczowym elementem jest także tworzenie powiązań w mediach społecznościowych w taki sposób, aby wzajemnie się ze sobą łączyły, co zwiększy ich wiarygodność,
- wyróżnianie najważniejszych informacji – dobrze jest stosować także te znaczniki schema, które nie wchodzą do kanonu podstawowych; używanie znaczników także na podstronach do oznaczenia ważnych informacji czy miejsc także będzie korzystne pod względem pozycjonowania strony w modelach językowych AI.
Budowanie wiarygodności i pozyskiwanie ważnych linków
Cechą łączącą SEO i GEO jest link building. W obydwu procesach zdobywanie linków ma fundamentalne znaczenie. W przypadku GEO jednak jakość odnośników, a właściwie rodzaj strony, które przenoszą link juice, jest jeszcze ważniejsza. Linkowanie to jeden ze sposobów na to, aby osadzać elementy marki w sieciach wiedzy Google. GEO kładzie nacisk przede wszystkim na autorytatywne strony internetowe, takie jak np. oficjalne witryny rządowe, encyklopedie, źródła naukowe (artykuły w bazach naukowych), czy strony eksperckie. Aby zwiększyć szansę na pojawienie się naszej domeny w odpowiedziach modułów sztucznej inteligencji, dobrze jest postarać się o publikacje w wysoko ocenianych portalach merytorycznych.
Portale, z których będą wychodziły linki, muszą być zgodne tematycznie z naszą stroną. W przeciwnym razie nie uzyskamy takiego efektu. To spora różnica, której przyczyną są właśnie omawiane wcześniej grafy wiedzy Google. Informacje modeli językowych muszą być przede wszystkim spójne, dlatego tak duży nacisk kładziony jest na zgodność tematyczną sieci powiązań. Chociaż jest to bardzo trudne, warto spróbować pojawić się w Wikipedii oraz podobnych źródłach encyklopedycznych i informacyjnych. Jeśli będą tam wzmianki o firmie, modele AI w wyszukiwarkach uznają stronę za nieco bardziej wiarygodną.
Budowanie wiarygodności w obrębie pozycjonowania GEO oznacza także ciągłe pozyskiwanie wzmianek we wiarygodnych źródłach. Im więcej informacji o stronie w branżowych mediach, na zaufanych profilach mediów społecznościowych itd., tym lepiej. Warto więc skupić się na:
- tworzeniu wartościowej treści – publikowanie materiałów zachęcających do cytowania marki (linkowania) wspomaga pozycjonowanie GEO. Trzeba pamiętać o tym, aby treści odpowiednio oznaczyć tagami schema i zoptymalizować pod kątem słów kluczowych,
- współpracy z influencerami, autorytetami branżowymi, specjalistami i liderami opinii – artykuły, wywiady, podcasty czy webinary pozwalają algorytmom tworzyć połączenia w grafach wiedzy, dzięki czemu marka zaczyna pojawiać się w kontekście wiarygodnych podmiotów. W rezultacie, podobnie jak one, może częściej być wybierana do odpowiedzi w modułach sztucznej inteligencji,
- obecność w publikacjach – pozycjonowanie GEO jeszcze bardziej niż SEO kładzie nacisk na obecność w literaturze, przy czym znaczenie ma przede wszystkim jakość. Najlepszy wpływ będzie widoczny po obecności w literaturze naukowej.
Dostosowanie pozycjonowania do wyszukiwania multimodalnego
Pojawienie się modeli językowych zaowocowało m.in. wzrostem znaczenia wyszukiwania modalnego. Użytkownicy coraz częściej korzystają z wyszukiwania za pomocą głosu, obrazów, wideo czy audio, co jeszcze kilka lat temu było trudne do wyobrażenia. Obserwujemy rosnącą popularność takich funkcji, jak np. wbudowany w przeglądarkę Chrome obiektyw – Google Lens. Obecnie dostarcza on ponad 20 miliardów wyszukiwań wizualnych miesięcznie, a to przecież tylko jeden przykład tego typu narzędzi.
Moduły AI wykorzystują różne formaty. Nie bazują wyłącznie na pisanych treściach. W procesie analizy powiązań między różnymi podmiotami modele integrują obrazy, teksty, filmy i inne media w spójne systemy informacji. Pozycjonowanie GEO wykorzystuje dostępność różnych treści, w tym m.in.:
- obrazy – grafiki na stronie należy zoptymalizować, korzystając z alternatywnego tekstu i opisu oraz schema ImageObject,
- wyszukiwanie głosowe – ogromne znaczenie mają tagi schema, zwłaszcza dla kluczowych sekcji stron internetowych, np. FAQ, Q&A itd.,
- wideo – ułatwieniem dla crawlerów modeli językowych będzie dodanie transkrypcji, napisów i schema VideoObject,
- treści audio – warto je także uzupełniać transkrypcjami i dodawać tag AudioObject.
Pozycjonowanie predykcyjne w AI
Sposób działania modeli AI opiera się na próbie przewidzenia ostatecznego celu użytkownika na podstawie jego promptu. Nie zawsze od razu jest on związany z potrzebą występującą w początkowym zapytaniu. Aby pojawić się w modelach AI, GEO proponuje podejście oparte na predykcji.
Wyszukiwanie predykcyjne polega na dostosowaniu się do modelu językowych w sposobie przekazywania informacji. Modele AI nie tylko dopasowują wyniki do preferencji użytkownika, ale także przewidują jego potrzeby na podstawie wcześniejszych zachowań, zainteresowań i aktywności w sieci. Przykładowo, osoba, która planuje stworzenie ogrodu obok domu, może na początku wyszukać frazę typu “najlepsze warzywa do posadzenia wiosną”, a nie konkretne zapytanie, takie jak “od czego zacząć przygotowywania ogrodu”. Wyszukiwanie predykcyjne opiera się na dynamicznych profilach podmiotów, które stale adaptują się do nowych danych. AI wzbogaca te profile o świeże informacje, dzięki czemu są one dokładne i aktualne. Z perspektywy pozycjonowania niezwykle istotne jest więc tworzenie treści nie tylko elastycznych, ale i takich, które mogą być dostosowane do różnych celów. Trzymając się powyższego przykładu z ogrodem, chodzi zarówno o treść, która sprawdzi się dla osoby, która szuka inspiracji do posadzenia czegoś koło domu, jak i tej, która zmierza w kierunku opracowania konkretnego harmonogramu prac.
Z podejściem tym jest tylko jeden poważny problem: jak tworzyć treści kompleksowe, które jednocześnie nie są klasyfikowane jako evergreen content, bo będą cały czas konkretne i aktualne? Rozwiązaniem jest coś, co określilibyśmy jako pozycjonowanie predykcyjne. W tej chwili jest to coraz popularniejsza koncepcja, która składa się z trzech głównych filarów: mapowania, klastrowania i zaangażowania. Poniżej wyjaśniamy krótko, na czym polega każdy z nich!
Mapowanie
Pierwsza technika to mapowanie treści na ścieżce użytkownika. W obrębie pozycjonowania GEO oznacza to tworzenie takich treści, które odpowiadają na potrzeby użytkownika na każdym etapie jego ścieżki zakupowej lub informacyjnej. Ważna jest identyfikacja potencjalnych pytań użytkownika, które mogą się pojawić na różnych etapach tej ścieżki, a odpowiedzi do nich mogą potencjalnie być wykorzystane w treści generowanej przez moduły AI.
Klastrowanie
Treści muszą także być ze sobą powiązane tematycznie i stanowić część większego „klastra” wiedzy na dany temat. Przykładowo, firma zajmująca się sprzedażą ekologicznych produktów spożywczych powinna treści nie tylko o samych produktach, ale również o sposobach ekologicznej uprawy warzyw, korzyściach zdrowotnych wynikających z ekologicznego rolnictwa, wpływie diety na zdrowie, kwestii środowiskowych itd. Treści nie mogą do siebie nie pasować, gdyż wpływa to na problemy z ich identyfikacją i przynależnością do konkretnego klastra. Jeżeli na jednej stronie mamy artykuły poświęcone zdrowej żywności i jednocześnie ogumienia samochodowego, to prawidłowo działające crawlery modeli językowych nie powinny klasyfikować takich treści do generowanych odpowiedzi.
Zaangażowanie
Ostatnim etapem jest tworzenie zaangażowania – i bynajmniej nie chodzi tu o to, by treści dostępne na stronach były czytane z wypiekami na twarzy. Trzeci filar pozycjonowania predykcyjnego dotyczy raczej wychodzenia o krok na przód, tzn. wskazywania na różnych etapach ścieżki użytkownika kolejnych możliwych rozwiązań. Innymi słowy, chodzi o sprawne przechodzenie z tematu do tematu w obrębie jednego klastra tematycznego.
Zaangażowanie ma też jednak wymiar związany z formą treści. Z pewnością warto inwestować w interaktywne formaty, takie jak quizy, kalkulatory (np. BMI – w kontekście przykładu ze zdrową żywnością) czy aplikacje, które zwiększają zaangażowanie użytkowników. Elementy te będą wspierać proces budowania autorytetu marki, co także przekłada się na skuteczne pozycjonowanie GEO.
Czy GEO zastąpi tradycyjne SEO? Podsumowanie
To nie jest koniec SEO. Ale z pewnością nadszedł czas na zmiany. Popularyzacja modeli AI w wyszukiwarkach sprawia, że trzeba zacząć pozycjonować się bezpośrednio z myślą o nich. Powinniśmy również zacząć myśleć o nich priorytetowo – jako długoterminowo ważniejsza część pozycjonowania, niż tradycyjne SEO. Wynika to z prostej obserwacji. Jeżeli tuż pod zapytaniem mamy pole z modułem AI, później wyniki sponsorowane i dopiero dalej najlepsze wyniki organiczne, to jasne jest, że to właśnie treść wygenerowana przez AI jest najważniejsza. Jeżeli pojawi się tam marka, polecane produkty itd., to możemy być pewni, że AI zabierze 90% ruchu. A pozostałe “okruchy” rozdzielą się na reklamy i pierwsze kilka wyników organicznych.
Nie jest to zbyt optymistyczna perspektywa. Kolejny raz czeka nas gigantyczna zmiana, a jej konsekwencje będą stanowiły ogromne, nowe wyzwania, które najbardziej odczują – znowu – wszystkie mniejsze firmy. Na szczęście jednak sam proces pozycjonowania w modułach AI nie różni się aż tak bardzo od tradycyjnego pozycjonowania w wyszukiwarce. Czy tego chcemy, czy nie, przyszłość wyszukiwania jest multimodalna, spersonalizowana, predykcyjna i oparta na sieciach połączeń. Każdy z tych elementów, które w tym artykule nieco przybliżyliśmy, jest równie istotny. Wszystkie też wskazują na jeden, nadrzędny wniosek: wyszukiwanie ewoluuje, a adaptacja do tych zmian jest niezbędna.
