AI Search – jak to działa
AI Search to nowy sposób wyszukiwania, w którym użytkownik nie przegląda już dziesiątek linków, tylko zadaje pytanie i dostaje gotową odpowiedź wygenerowaną przez system AI. Coraz częściej są to pytania „kogo polecasz?”, „co wybrać?”, „jak to zrobić?”, a AI tworzy shortlistę, porównanie albo instrukcję krok po kroku. W praktyce oznacza to, że widoczność przestaje być wyłącznie walką o „pozycję w TOP10”, a staje się walką o to, żeby Twoja marka była w odpowiedzi – jako rekomendacja, przykład lub cytowane źródło.
To nie jest teoria. Trend „zero-click” (wyszukiwań bez kliknięcia w stronę) jest już bardzo mocny: w badaniu SparkToro dla 2024 r. na 1000 wyszukiwań tylko 360 (USA) i 374 (UE) kończyło się kliknięciem do „otwartego internetu”.
Do tego dochodzą AI Overviews/AI Mode: Semrush w analizie dużej próbki (10M+ słów kluczowych) wskazywał, że udział zapytań z AI Overviews ustabilizował się w okolicach ~16%.
Wniosek jest prosty: jeśli część użytkowników nie klika, to klasyczne „SEO = ruch” staje się niewystarczające. Dlatego pojawia się GEO/AI Search: działania, które zwiększają szanse, że marka będzie uwzględniona w odpowiedziach generowanych przez AI.
Co naprawdę zmienia AI Search i dlaczego część firm traci CTR
W klasycznym SEO użytkownik widział listę wyników i wybierał, w co kliknąć. W AI Search odpowiedź pojawia się „na miejscu”, a kliknięcie bywa opcjonalne. To wpływa na CTR – i mamy na to konkretne dane.
Seer Interactive (opisywane przez Search Engine Land) pokazało, że dla zapytań z AI Overviews CTR organiczny spadł z 1,76% do 0,61% (ok. –61%), a płatny z 19,7% do 6,34% (ok. –68%). Jednocześnie marki cytowane w AI Overviewsmiały średnio +35% kliknięć organicznych i +91% kliknięć płatnych vs. marki niecytowane. To klucz: w erze AI bardziej niż „być w wynikach” liczy się „być w źródłach odpowiedzi”.
AI Search „od kuchni”: skąd AI bierze odpowiedź i jak „wybiera” marki
To, co często jest mało zrozumiałe, to fakt, że AI nie „wymyśla” rekomendacji z powietrza. Większość systemów działa hybrydowo:
1) Najpierw rozumienie intencji
Model interpretuje pytanie: czy użytkownik chce rekomendacji („kogo polecasz”), porównania („co lepsze”), instrukcji („jak zrobić”), czy listy kryteriów („jak wybrać”).
2) Potem retrieval – pobranie źródeł
W wielu narzędziach AI działa mechanizm Retrieval-Augmented Generation (RAG): zanim AI coś napisze, wyszukuje i pobiera fragmenty treści z dokumentów/stron/baz. To jest powód, dla którego indeksowalność, dostępność i struktura treści wciąż są fundamentem.
I tu jest techniczny szczegół, który robi różnicę: treść w RAG zwykle jest dzielona na „chunk’i” (fragmenty). Przykładowo w dokumentacji/implementacjach RAG spotyka się ustawienia typu chunk size ~800 tokenów z overlap ~400 tokenów (nakładką kontekstu). Źle pocięta treść = gorsze „trafienie” w odpowiedź.
W praktyce narzędzia do wdrożeń często zaczynają od prostych wartości w stylu 1000 znaków + 200 znaków overlap(żeby nie ucinać sensu zdania/definicji).
3) Reranking i filtrowanie jakości (mało znany etap)
W nowoczesnych systemach wyniki potrafią przejść dodatkowy „odsiew” (reranking). W opisie mechaniki rankingów Perplexity pojawia się m.in. wielowarstwowy reranking (L3) dla zapytań encyjnych (firmy, osoby, pojęcia) – czyli sytuacja, gdzie AI nie bierze pierwszych lepszych wyników, tylko je ponownie ocenia i potrafi odrzucić cały zestaw, jeśli jakość/dopasowanie jest zbyt słabe. Dla marek to sygnał: nie wystarczy „być gdzieś wspomnianym” – trzeba być wspomnianym sensownie, w dobrym kontekście i w treści, która odpowiada na intencję.
4) Synteza odpowiedzi + cytowania
Na końcu AI tworzy odpowiedź, czasem dodając cytowania do źródeł. Jeśli marka ma:
- spójny opis oferty,
- treści „do cytowania” (FAQ, definicje, checklisty),
- potwierdzenia w wiarygodnych miejscach,
to rośnie szansa, że zostanie uwzględniona.
5) Entity resolution – AI „łączy kropki”
AI myśli „encjami”. Marka to byt: nazwa, oferta, lokalizacja, opinie, powiązania. Jeśli dane są rozjechane (różne NAP, różne opisy), AI ma problem z jednoznacznym rozpoznaniem. To jeden z najczęstszych, a jednocześnie najbardziej niedocenianych powodów, dla których AI i Google „nie biorą” marki do odpowiedzi.
I jeszcze jedno: wyszukiwarki zmieniają się bez przerwy. Google podaje, że w 2023 r. zrobił ponad 700 000 eksperymentów, co przełożyło się na ponad 4 000 ulepszeń w Search. Dlatego AI Search to nie „akcja”, tylko proces iteracyjny.
Co to znaczy „pozycjonowanie w AI” w praktyce
W FunkyMedia nie sprzedajemy obietnicy „miejsca #1 w ChatGPT”, bo AI nie działa jak klasyczny ranking TOP10. My robimy to, co realnie zwiększa prawdopodobieństwo, że marka będzie rekomendowana lub cytowana:
- porządkujemy informacje na stronie (AI Ready),
- budujemy autorytet tematyczny (topical authority),
- wzmacniamy potwierdzenia marki w sieci (brand mentions/cytowania),
- a potem mierzymy, iterujemy i domykamy luki.
Nasze podejście opiera się na dwóch filarach:
AI First – najpierw sprawdzamy, jak AI opisuje kategorię i czego oczekuje użytkownik, a dopiero potem układamy działania.
AI Ready – przygotowujemy stronę i komunikację w sposób jednoznaczny: tak, żeby łatwo było streścić ofertę, porównać ją z innymi i zaufać jej.
Jak wygląda proces AI Search w FunkyMedia
Z zewnątrz to wygląda jak „SEO + content”. Od środka to jest spójny system: czytelność marki + autorytet tematyczny + potwierdzenia w sieci.
Zaczynamy od audytu AI Search. Patrzymy, jak AI „widzi” Twoją firmę i kategorię. Szukamy luk: czy marka jest jednoznaczna jako encja, czy oferta nie jest zbyt ogólna, czy są treści domykające decyzję („jak wybrać”, „ile to kosztuje”, „kiedy ma sens”), czy są elementy zaufania (proces, standardy, case studies), czy dane firmy są spójne, czy strona jest technicznie gotowa do indeksacji.
Potem robimy AI Ready na stronie. Dopracowujemy strony usług i ofertę tak, żeby były konkretne: zakres, proces, dla kogo, czego nie robimy, efekty, odpowiedzi na obiekcje. Dodajemy formaty, które AI lubi cytować: FAQ, definicje, checklisty, porównania, „krótka odpowiedź” + „wersja rozwinięta”.
Następnie budujemy topical authority. Tworzymy klastry treści, które pokrywają temat „od A do Z”: od edukacji, przez porównania, po decyzję zakupową. To sprawia, że marka staje się „oczywista” w kategorii, bo ma komplet odpowiedzi, a nie pojedynczy artykuł.
Równolegle pracujemy off-site: brand mentions i potwierdzenia. W AI Search autorytet nie kończy się na stronie. Wzmacniamy obecność marki w miejscach, które budują wiarygodność: publikacje, profile, wzmianki w kontekście tematycznym, spójność NAP, a także sygnały reputacji (opinie/recenzje). To często odblokowuje „sufit” widoczności.
Na końcu – monitoring i iteracje. Sprawdzamy, gdzie marka się pojawia, gdzie nie, jakie argumenty AI przytacza, czy nie ma przekłamań, i wzmacniamy to, co realnie wpływa na odpowiedzi.
Jak wygląda start współpracy
W pierwszych tygodniach porządkujemy fundamenty: audyt, priorytety, szybkie poprawki, spójność danych marki i pierwsze elementy AI Ready. W drugim etapie dopracowujemy ofertę i tworzymy treści „pod odpowiedzi” (FAQ, porównania, scenariusze wyboru) oraz pierwsze klastry tematyczne. W trzecim etapie skalujemy: kolejne klastry, autorytet off-site i iteracje na danych.
FAQ – najczęstsze pytania o AI Search
Czy da się „wbić” na stałe do odpowiedzi AI?
AI nie jest rankingiem jak TOP10. Da się natomiast zwiększać prawdopodobieństwo poleceń i cytowań: spójność encji, treści AI-Ready, topical authority, wiarygodne źródła zewnętrzne i iteracje na danych.
Czy AI Overviews zmniejsza ruch?
Dla części zapytań tak – dlatego rośnie znaczenie bycia cytowanym w odpowiedziach. Dane pokazują spadki CTR, ale też przewagę marek cytowanych.
Czy AI Search zastępuje SEO?
Nie. To kolejna warstwa. SEO (technika, indeksacja, treści, autorytet) jest fundamentem, na którym buduje się widoczność w AI.
Czy brand mentions są konieczne?
W AI Search bardzo pomagają, bo są zewnętrznym potwierdzeniem istnienia i wiarygodności marki. Bez nich wiele firm trafia na „sufit” widoczności.
Co mierzycie w AI Search?
Monitorujemy pojawianie się marki w odpowiedziach na kluczowe pytania kategorii, kontekst i argumenty, a równolegle klasyczne KPI: ruch, zapytania/leady, konwersje.