Nie wiem, czy rozsądnym pomysłem jest opublikowanie ponad 300 filmów w ciągu kilku miesięcy.
Wiem natomiast, że gdybym próbował zrobić z każdego z nich „dobry film na YouTube”, ten eksperyment prawdopodobnie skończyłby się po kilkunastu materiałach.
Nie chciałem zostać youtuberem. Nie budowałem studia. Nie planowałem kariery twórcy. Chciałem sprawdzić coś zupełnie innego: czy YouTube może stać się dodatkową publiczną warstwą wiedzy, w której nazwisko autora, marka FunkyMEDIA i moje tezy o AI Search są wielokrotnie łączone w jednym kontekście.
W moim eksperymencie YouTube nie pełnił przede wszystkim funkcji klasycznego kanału społecznościowego. Traktowałem go jako dodatkową powierzchnię publikowania własnych tez o AI Search. Avatar pozwolił zwiększyć tempo publikacji, a każdy film zostawiał publiczny zestaw informacji: autora, temat, wypowiedź, tytuł, opis i kontekst kanału. Zacząłem nazywać YouTube „mediatorem AI Search”, ponieważ w moich testach widziałem przypadki, w których materiały z tej platformy pojawiały się jako źródła w odpowiedziach AI. Nie jest to dowód, że YouTube ma uniwersalną przewagę nad własną domeną ani gwarancja cytowania. Jest to opis tego, czego nauczył mnie konkretny eksperyment FunkyMEDIA.
Nie chciałem zostać youtuberem
Na początku problem był banalny.
Miałem coraz więcej obserwacji dotyczących AI Search i coraz mniej ochoty, żeby każdą z nich zamieniać w pełnoprawny artykuł, prezentację albo klasycznie nagrany film.
Wideo ma swoją cenę. Trzeba przygotować temat, stanąć przed kamerą, zrobić kilka podejść, zadbać o dźwięk, obraz, światło, montaż, miniaturę, publikację. Jeżeli robi się to porządnie, pojedyncza myśl szybko staje się małą produkcją.
A mnie interesowała właśnie myśl.
Nie kadr.
Nie perfekcyjny montaż.
Nie to, czy wyglądam odpowiednio dobrze po kilku godzinach pracy.
Chciałem publikować wtedy, kiedy pojawiała się obserwacja warta zapisania.
Nie: „czy jestem w stanie wyprodukować kolejny film?”
Tak: „czy ta myśl powinna zostać publicznie zapisana?”
Avatar zdjął problem produkcji z równania
Wykorzystanie avatara nie było próbą przekonania kogokolwiek, że nagrywam tradycyjnie.
Twarz i głos były powiązane ze mną, natomiast sama animowana forma była syntetyczna. Wiedziałem też, że rezultat wizualny będzie słabszy od dobrze nagranego człowieka przed kamerą.
Zaakceptowałem to.
W tym konkretnym projekcie kompromis był prosty:
| Model klasyczny | Model eksperymentalny |
|---|---|
| wyższa jakość pojedynczego materiału | większa liczba opublikowanych tez |
| kamera i studio | avatar |
| więcej pracy produkcyjnej | więcej pracy koncepcyjnej |
| film jako produkt | film jako jednostka wiedzy |
Gdybym wybrał pierwszy model, prawdopodobnie miałbym kilkanaście lepiej wyglądających filmów.
Wybrałem drugi i powstało ich ponad 300.
Kanał stał się publicznym notatnikiem
Dopiero po pewnym czasie zrozumiałem, że nie buduję klasycznego kanału eksperckiego.
Budowałem coś bardziej podobnego do publicznego dziennika zmian własnego myślenia.
AI Search rozwijał się wtedy tak szybko, że wiele tez zmieniało się w trakcie obserwacji. Jednego dnia analizowałem Brand Mentions. Innego — sposób, w jaki AI opisuje firmy. Potem ścieżkę klienta, rekomendacje, cytowania, reputację, encje i chaos terminologiczny wokół GEO.
Nie wszystkie materiały były równoważne.
Niektóre zawierały wniosek, którego byłem już pewien. Inne były próbą nazwania zjawiska. Jeszcze inne dokumentowały pytanie, na które dopiero szukałem odpowiedzi.
Observation → Thesis → Publication → Next Observation → Correction → Stronger Model.
Z perspektywy czasu właśnie ta ciągłość jest dla mnie ciekawsza niż pojedyncze filmy.
Wtedy zaczynałem rozdzielać AI Search od kolejnej etykiety SEO
Duża część branży próbowała — i nadal próbuje — zamknąć zmianę wyszukiwania w nowym skrócie.
GEO. AISO. AI SEO. LLMO. Kolejna nazwa, kolejna usługa, kolejny slajd sprzedażowy.
Mnie interesowało inne pytanie:
Czy zmieniła się tylko technika optymalizacji, czy zmienił się sam sposób, w jaki klient dochodzi do decyzji?
Im więcej obserwowałem, tym mocniej skłaniałem się ku drugiej odpowiedzi.
W klasycznym modelu użytkownik często przechodził:
Query → SERP → Click → Website → Comparison → Decision.
W AI Search część tej pracy może odbywać się wcześniej:
Need → AI → Comparison → Shortlist → Verification → Decision.
To właśnie ten kierunek zaczął dominować na kanale.
Nie chciałem nagrywać o technologii. Chciałem nagrywać o konsekwencjach
Najbardziej interesowało mnie nie to, jak działa kolejny model językowy, lecz co jego obecność robi z procesem zakupowym.
Dlatego pojawiały się tematy:
Z czasem te obserwacje stały się częścią szerszego sposobu myślenia FunkyMEDIA o AI Search jako odrębnej kategorii wyszukiwania i podejmowania decyzji.
Potem wydarzyło się coś, czego na początku nie planowałem
Eksperyment miał dokumentować tezy.
Nie zakładałem, że jednym z najciekawszych pytań stanie się sama platforma.
Podczas testowania odpowiedzi AI zacząłem trafiać na sytuacje, w których źródłem wykorzystywanym w odpowiedzi był materiał z YouTube.
To zwróciło moją uwagę, ponieważ podobna myśl mogła istnieć także na stronie firmowej.
Nie przeprowadziłem wtedy kontrolowanego eksperymentu, który pozwalałby powiedzieć:
„YouTube jest cytowany przez systemy AI X razy częściej niż blog firmowy.”
Nie mam podstaw, żeby formułować taki uniwersalny wniosek.
Mam natomiast udokumentowaną obserwację z własnej pracy: materiały YouTube pojawiały się w testowanych przeze mnie odpowiedziach jako źródła i dlatego zacząłem analizować platformę również jako powierzchnię AI Search.
Tak powstało określenie „mediator AI Search”
To moje robocze określenie, a nie oficjalny termin Google, YouTube czy OpenAI.
„Mediator” opisuje rolę pośrednią.
powstaje własna teza
teza staje się wypowiedzią
materiał otrzymuje kontekst YouTube
materiał może zostać odnaleziony
system może go wykorzystać
Kluczowe słowo to może.
Publikacja filmu nie powoduje automatycznie cytowania. Nie daje gwarancji indeksacji w każdym systemie. Nie tworzy rekomendacji autora ani marki.
Ale tworzy kolejne publiczne miejsce, w którym istnieje konkretna wypowiedź połączona z konkretną osobą i konkretnym tematem.
Dlaczego YouTube był interesującym miejscem tego eksperymentu?
Nie dlatego, że posiada jakąś magiczną „moc AI Search”.
Interesujący był zestaw elementów występujących w jednym środowisku:
Autor
Kanał pozwala konsekwentnie łączyć materiały z tym samym twórcą.
Tytuł i opis
Film posiada tekstowy kontekst określający temat materiału.
Wypowiedź
Treść wideo zawiera konkretne zdania i argumenty autora.
Ciągłość
Setki materiałów tworzą powtarzalny kontekst tematyczny.
Publiczna platforma
Materiał istnieje poza własną domeną autora.
Inny format
Ta sama specjalizacja nie jest reprezentowana wyłącznie przez artykuły.
Każdy film zacząłem traktować jak małą jednostkę znaczenia
To był jeden z ważniejszych zwrotów w moim myśleniu.
Film przestał być dla mnie wyłącznie materiałem do obejrzenia.
Stał się zestawem relacji:
Rafał Cyrański → mówi o → AI Search → na kanale FunkyMEDIA → w określonym kontekście → w określonym czasie.
Jeden film nie tworzy z tego szczególnie silnego wzorca.
Sto materiałów o przypadkowych tematach również nie musi go stworzyć.
Ale setki materiałów skupionych wokół podobnego obszaru zaczynają dokumentować coś innego: ciągłość zainteresowania autora i marki konkretną kategorią wiedzy.
Z czasem powstała mapa skojarzeń
Powtarzały się określone encje i relacje:
To nie dowodzi, że dowolny system AI na podstawie kanału utworzy dokładnie taki graf.
Pokazuje natomiast sposób, w jaki sam projektowałem publikację: nie jako serię przypadkowych filmów, lecz jako wielokrotne publiczne łączenie autora i marki z określoną specjalizacją.
Dane z YouTube Studio potwierdziły przynajmniej skalę eksperymentu
W tym miejscu warto oddzielić dwie rzeczy.
Dane YouTube nie dowodzą wpływu kanału na odpowiedzi AI.
Pokazują natomiast, że projekt nie ograniczał się do kilku testowych publikacji.
Według eksportu YouTube Studio obejmującego okres od 1 stycznia do 10 lipca 2026 roku materiały FunkyMEDIA wygenerowały:
wyświetleń
czasu oglądania
subskrypcje w eksporcie
materiałów w analizowanym eksporcie
Równolegle cały projekt przekroczył 300 opublikowanych filmów, a kanał przekroczył poziom 5 tys. subskrybentów.
Skalę publikacji i realne dotarcie materiałów. Nie potwierdzają związku przyczynowego pomiędzy liczbą filmów a widocznością marki w AI.
Jeden materiał odpowiadał za bardzo dużą część oglądalności
Film „AI Search w 2026 roku” uzyskał w analizowanym eksporcie 555 488 wyświetleń i ponad 1 786 godzin oglądania.
Mocne wyniki uzyskały również materiały dotyczące:
To dało mi dodatkową obserwację.
Najsilniejsze reakcje odbiorców pojawiały się często wtedy, gdy AI Search przestawał być abstrakcyjną technologią, a zaczynał dotyczyć sprzedaży, wyboru firmy i decyzji klienta.
To obserwacja tego kanału, nie uniwersalna prawidłowość dla YouTube.
Shorts okazały się czymś więcej niż formatem rozrywkowym
W ostatnich 28 dniach analizowanego okresu Shorts odpowiadały za około 199,9 tys. z 256,2 tys. wyświetleń kanału.
Dla mnie ważniejsze od samego udziału było jednak coś innego.
Krótki materiał pozwalał opublikować jedną myśl bez konieczności rozciągania jej do pełnego artykułu albo kilkunastominutowego filmu.
One question → one thesis → one example → one public artifact.
Nie każda obserwacja potrzebuje 3000 słów.
Czasem najwartościowsza jest właśnie możliwość powiedzenia jednej rzeczy jasno.
Największym odkryciem nie była liczba wyświetleń
Gdybym patrzył na ten projekt jak youtuber, najważniejsze byłyby zapewne wyświetlenia, subskrypcje, utrzymanie widza i dynamika kanału.
Patrzyłem inaczej.
Interesowało mnie, czy po kilku miesiącach powstaje publiczna warstwa, z której można odtworzyć:
I pod tym względem eksperyment osiągnął cel.
Nie chodziło o więcej contentu
Po kilkuset publikacjach łatwo dojść do przewrotnego wniosku:
firmy prawdopodobnie nie potrzebują po prostu jeszcze więcej treści.
Internet ma już ogromną liczbę poprawnych, podobnych poradników.
Problem zaczyna się wtedy, gdy po usunięciu logo z materiału nie sposób rozpoznać, kto go stworzył.
Jeżeli ten sam artykuł mógłby zostać opublikowany przez 50 konkurentów bez istotnej zmiany, to marka zostawia w nim bardzo mało własnego śladu.
To doprowadziło mnie do zmiany definicji celu contentu
Przez lata podstawowym zadaniem content marketingu w SEO było zdobycie widoczności i kliknięcia.
W AI Search kliknięcie nadal może mieć znaczenie, ale nie jest jedynym efektem.
| Model klasyczny | Dodatkowy cel w AI Search |
|---|---|
| zdobyć ranking | zostać rozpoznanym w kontekście tematu |
| zdobyć kliknięcie | pozostawić użyteczną informację |
| ściągnąć użytkownika na domenę | funkcjonować również na innych powierzchniach |
| opublikować odpowiedź | opublikować coś przypisywalnego autorowi |
Treść nie powinna tylko zdobywać kliknięcia. Powinna również zostawiać rozpoznawalny ślad autora, marki, doświadczenia lub własnej informacji.
Ślad nie oznacza sztucznego powtarzania nazwiska
Łatwo byłoby sprowadzić tę ideę do błędnej taktyki: powtarzaj markę i autora wszędzie, gdzie się da.
Nie o to chodzi.
Rozpoznawalność ma wynikać ze związku:
Author + Topic + Original Observation + Repetition + Evidence.
Jeżeli jedyną oryginalną informacją w materiale jest nazwisko autora, powtarzanie nazwiska nie stworzy autorytetu.
Dlatego ważniejszy od wolumenu stał się własny język
Chciałem, żeby na kanale powtarzały się nie tylko tematy, lecz także własne rozróżnienia.
Na przykład:
Nie dlatego, że samo wymyślenie terminów daje przewagę.
Własny język ma wartość wtedy, kiedy rzeczywiście porządkuje obserwowane zjawisko.
YouTube nie zastąpił mojej domeny
To bardzo ważne rozgraniczenie.
Eksperyment nie doprowadził mnie do wniosku:
„Blogi przestały mieć znaczenie. Wszystko trzeba przenieść na YouTube.”
Własna domena pełni funkcje, których kanał zewnętrzny nie przejmuje:
YouTube stał się dodatkową warstwą, a nie zamiennikiem domeny.
Model, który wyłonił się z eksperymentu
Own Domain → External Platform → Independent Sources → Search / AI Surfaces → User Verification.
Marka nie musi istnieć tylko na swojej stronie.
Może posiadać kilka różnych powierzchni publicznej obecności, z których każda pełni inną funkcję.
To podejście łączy się z szerszą strategią budowania Brand Mentions i zewnętrznych potwierdzeń marki, ale YouTube jest tu przypadkiem szczególnym: marka sama publikuje treść, korzystając jednocześnie z infrastruktury cudzej platformy.
Czy nazywałbym dziś YouTube „parasite”?
W pierwotnej wersji artykułu użyłem określenia „parasite pod AI Search”.
Rozumiem, skąd ono się wzięło. W SEO termin „parasite” opisuje wykorzystanie silnej domeny zewnętrznej do uzyskania widoczności.
Dzisiaj do tego eksperymentu bardziej pasuje mi określenie:
Platform-mediated publishing — publikowanie własnej wiedzy przez zewnętrzną powierzchnię posiadającą własny ekosystem odkrywania i dystrybucji.
Nie chodzi o wykorzystywanie cudzej domeny do spamu.
Chodzi o opublikowanie rzeczywistej wiedzy w miejscu innym niż własna strona.
Co zrobiłbym inaczej, gdybym zaczynał jeszcze raz?
Nie zmieniłbym decyzji o dużej skali.
Zmieniłbym sposób organizacji materiałów.
Najważniejszą zmianą byłoby lepsze zaprojektowanie eksperymentu
Gdy zaczynałem, chciałem publikować.
Dzisiaj chciałbym jeszcze dokładniej mierzyć.
zapisz tezę
opublikuj na stronie
opublikuj na YouTube
ustal panel zapytań
zapisuj źródła odpowiedzi
wykonuj powtórzenia
porównuj powierzchnie
Dopiero taki model pozwalałby mocniej odpowiedzieć na pytanie, czy konkretna platforma jest częściej wykorzystywana jako źródło w danym środowisku.
Czego ten eksperyment nie udowodnił?
To ważne, bo bez tych granic ciekawy case study bardzo szybko zamieniłby się w fałszywą receptę.
Co eksperyment pokazał bez większych wątpliwości?
To był również eksperyment z autorytetem autora
Z perspektywy klastra E-E-A-T właśnie ten element wydaje mi się dziś szczególnie ciekawy.
Profil eksperta mówi, że dana osoba zajmuje się określonym tematem.
Publikacje pokazują, czy rzeczywiście ten temat rozwija.
Setki publicznych wypowiedzi tworzą zapis tego rozwoju w czasie.
Profile Claim → Repeated Work → Public Artifacts → Topical Association → External Verification.
Dlatego historia kanału naturalnie łączy się z szerszym materiałem o budowaniu rozpoznawalnej encji eksperta.
Film nie musi być perfekcyjny, ale nie może być pusty
Eksperyment nie jest argumentem za publikowaniem dużej ilości słabych treści.
Wręcz przeciwnie.
Jeżeli skala ma sens, każda jednostka powinna zostawiać coś własnego:
Trzysta powtórzeń tego samego nie tworzy wartości źródłowej. Trzysta różnych elementów jednego spójnego obszaru wiedzy może już tworzyć publiczny dorobek.
Największy wniosek: publikacja nie kończy się na naszej stronie
Przez lata bardzo mocno wierzyłem w model:
Nasza wiedza → nasza domena → Google → użytkownik.
Dzisiaj nadal uważam własną domenę za fundament.
Ale już nie za jedyną powierzchnię.
Internet, z którego systemy wyszukiwania i AI mogą pobierać informacje, jest większy niż nasz serwis.
Dlatego interesuje mnie obecnie model:
Own Website + YouTube + Podcasts + Media + External Publications + Brand Mentions → distributed public evidence.
Nie wszystkie źródła pełnią tę samą rolę. Nie wszystkie mają taką samą wartość. Nie wszystkie będą wykorzystywane przez każdy system.
Ale marka istniejąca wyłącznie na własnej stronie pozostawia mniej niezależnych punktów odniesienia niż marka obecna w wielu rzeczywistych kontekstach.
Nie budowałbym dzisiaj „kanału dla AI” dosłownie
Tytuł „ponad 300 filmów dla AI” dobrze opisuje prowokacyjną ideę eksperymentu, ale wymaga doprecyzowania.
Nie da się tworzyć wartościowej obecności w AI Search, ignorując ludzi.
System AI nie jest usprawiedliwieniem dla publikowania treści pozbawionych wartości dla odbiorcy. Najlepszym źródłem dla AI nadal powinien być materiał, który przekazuje konkretną i prawdziwą informację.
„Dla AI” oznaczało w moim eksperymencie coś innego:
projektowałem także pod możliwość odczytania, przypisania i ponownego wykorzystania publicznej wypowiedzi, a nie wyłącznie pod klasyczne metryki społecznościowe.
Czy dzisiaj zrobiłbym to jeszcze raz?
Tak.
Tylko lepiej zaprojektowałbym pomiar.
Nie dlatego, że 300 jest magiczną liczbą.
Nie dlatego, że YouTube jest magiczną platformą.
I nie dlatego, że avatar rozwiązuje problem jakości treści.
Zrobiłbym to ponownie, ponieważ projekt zmusił mnie do publicznego formułowania myśli wtedy, kiedy AI Search dopiero nabierał kształtu.
Zamiast czekać, aż będę miał gotowy podręcznik, publikowałem proces dochodzenia do własnego modelu.
Nie wszystkie tezy przetrwały w tej samej formie.
I właśnie dlatego uważam ten zapis za wartościowy.
Najcenniejszy efekt był mniej oczywisty niż milion wyświetleń
Milion wyświetleń dobrze wygląda na wykresie.
Ale z punktu widzenia tego eksperymentu ważniejsze jest coś innego.
Powstał publiczny zapis tego, jak:
Tego nie da się opisać pojedynczą statystyką kanału.
Mój model YouTube jako mediatora AI Search
Original Thought → Identifiable Author → Repeatable Topic → Public Video → Platform Context → Discoverability → Possible Retrieval → Citation / Mention → Verification.
Model nie mówi, że każdy film przejdzie cały ten proces.
Mówi, dlaczego zacząłem traktować platformę inaczej niż tylko jako miejsce zdobywania wyświetleń.
Mediatorem jest dla mnie każda zewnętrzna powierzchnia, która pozwala przenieść własną informację z prywatnego doświadczenia autora do publicznego ekosystemu źródeł w sposób jednoznacznie przypisywalny osobie lub marce.
Model końcowy: nie więcej contentu, lecz więcej własnych dowodów
Experience → Observation → Original Thesis → Author → Publication → Multiple Surfaces → External Context → Retrieval Opportunity → Recognition → Verification.
Kiedy zaczynałem, chciałem sprawdzić, czy da się nagrać ogromną liczbę filmów i potraktować YouTube jako powierzchnię dla AI Search.
Po kilku miesiącach odpowiedź stała się bardziej złożona.
Nie wiem, ile z tych filmów wpłynęło na konkretną odpowiedź AI.
Nie wiem, czy YouTube byłby najlepszą platformą dla każdej marki.
Nie wiem też, czy 300 filmów było optymalną liczbą.
Wiem natomiast, co rzeczywiście powstało:
I chyba właśnie dlatego ten projekt jest dla mnie ważniejszy niż statystyki kanału.
AI ma dostęp do ogromnej liczby tekstów mówiących mniej więcej to samo. Znacznie trudniej znaleźć coś, co pochodzi z konkretnego doświadczenia, ma konkretnego autora i pozostawia za sobą serię możliwych do prześledzenia publicznych artefaktów.
Ponad 300 filmów było moją próbą stworzenia właśnie takiego śladu.
