Agencje SEO i GEO coraz częściej reklamują się liczbą publikowanych treści. „30 artykułów miesięcznie generowanych przez AI, zoptymalizowanych pod GEO” — to argument, który dobrze wygląda w ofercie handlowej. Problem w tym, że mechanizmy, na których działają modele generatywne, nie premiują wolumenu. Premiują coś innego.
Jak modele wybierają, co zacytować
Modele takie jak ChatGPT, Gemini czy Perplexity nie indeksują treści tak, jak robił to klasyczny Google. Zamiast rankingu URL-i mamy syntezę odpowiedzi — model agreguje informacje z wielu źródeł i tworzy unikalne streszczenie. W tym procesie liczy się coś, co bywa nazywane Information Gain Score: wartość, jaką dana treść wnosi ponad to, co model już „wie” z innych źródeł.
Jeśli tekst jest kolejną parafrazą tego, co można znaleźć na dziesięciu innych stronach, model nie ma powodu, by go wyróżnić. Nie chodzi o to, że taka treść jest „karana” — po prostu nie dodaje niczego, co uzasadniałoby jej cytowanie. Z perspektywy modelu to szum informacyjny, nie sygnał.
Drugi mechanizm to częstotliwość cytowań (citation frequency) — modele budują zaufanie do informacji, gdy ta sama treść lub dane są potwierdzane w wielu wiarygodnych źródłach. To premiuje konsystencję i autorytet, a nie samą liczbę własnych publikacji.
Co odróżnia treść cytowaną od ignorowanej
Z materiałów o optymalizacji pod konkretne modele wynika kilka powtarzających się wymogów, niezależnie od tego, czy mówimy o ChatGPT, Perplexity czy Gemini:
- Konkretna, unikalna wartość — autorskie dane, wyniki testów, case study, a nie streszczenie tego, co już istnieje w sieci.
- Struktura odpowiedzi — krótkie, nasycone faktami bloki (tzw. answer capsules), metoda BLUF (najważniejsza informacja na początku), pytania i odpowiedzi w formacie Q&A.
- Źródła i cytowania — treści odwołujące się do badań, raportów czy ekspertów są traktowane jako bardziej wiarygodne, szczególnie przez Perplexity.
- Świeżość — niektóre modele preferują treści aktualizowane cyklicznie, nie tylko publikowane raz i zapominane.
- Dostępność techniczna — jeśli bot nie ma dostępu do treści (blokady w robots.txt, zbyt wolne ładowanie, treść renderowana tylko w JavaScript), żadna optymalizacja merytoryczna nie ma znaczenia.
Żaden z tych czynników nie mówi „publikuj więcej”. Mówią „publikuj to, czego jeszcze nie ma, i zrób to w formie, którą model może łatwo przetworzyć”.
Gdzie masowa produkcja zaczyna szkodzić
Treści generowane hurtowo przez AI mają charakterystyczną cechę: są kompetentne, ale generyczne. Model wie, jak brzmi dobry artykuł o danym temacie, więc go napisze — ale rzadko wniesie coś, czego nie było już w danych treningowych. To właśnie odwrotność Information Gain.
Jest jeszcze drugi problem, mniej oczywisty. Przy dziesiątkach artykułów miesięcznie, pisanych szybko i bez pogłębionej weryfikacji, rośnie ryzyko niespójności faktów między treściami na stronie a informacjami w innych miejscach — profilu LinkedIn, wizytówce Google, materiałach na YouTube. Modele traktują taką niekonsekwencję jako sygnał niskiej wiarygodności i mogą pominąć źródło w rekomendacjach, nawet jeśli samo w sobie jest poprawne.
Do tego dochodzi kwestia techniczna — rozrost serwisu setkami podobnych podstron potrafi obciążać wydajność, wpływać na czas odpowiedzi serwera i utrudniać botom szybkie dotarcie do treści, które faktycznie mają wartość. W efekcie agencja realizuje plan publikacyjny, a widoczność w odpowiedziach AI się nie zmienia — bo problem nie leżał w liczbie tekstów.
Autorytet nie powstaje tylko na stronie klienta
Modele budują zaufanie do marki na podstawie tego, co o niej mówią inne, zaufane źródła — nie tylko treść na własnej domenie. Jeśli cała energia agencji idzie w produkcję artykułów na blogu klienta, a żadna w obecność w miejscach, z których modele faktycznie czerpią sygnały wiarygodności, efekt cytowań może się nie pojawić niezależnie od tego, ile tekstów powstanie.
To jeden z powodów, dla których pierwszastrona.io przy ocenie skuteczności agencji GEO nie bierze pod uwagę samej liczby publikowanych treści, tylko realną częstotliwość cytowań marki w odpowiedziach modeli oraz kontekst, w jakim się pojawia. Wolumen produkcji bez wzrostu tych wskaźników jest sygnałem ostrzegawczym, nie dowodem skuteczności.
Jak to sprawdzić u własnej agencji
Zanim zaakceptujesz plan „X artykułów miesięcznie pod GEO”, warto zadać kilka pytań:
- Co konkretnie nowego wnosi każdy artykuł względem tego, co już istnieje w sieci na ten temat?
- Czy treści są weryfikowane pod kątem zgodności z informacjami podanymi w innych miejscach (LinkedIn, Google Business, media)?
- Czy agencja monitoruje, jak zmienia się częstotliwość cytowań marki w odpowiedziach AI po publikacji, czy tylko raportuje liczbę wpisów?
- Czy dbałość o technikalia (dostęp botów, szybkość, dane strukturalne) idzie w parze z produkcją treści, czy jest traktowana jako osobny, odłożony temat?
Wniosek
Masowa produkcja treści AI pod GEO sama w sobie nie zwiększa cytowań — a przy braku unikalnej wartości i kontroli spójności faktów może działać odwrotnie do zamierzonego efektu. Modele generatywne premiują to, co wnosi nową informację i da się łatwo przetworzyć, nie to, co po prostu jest liczne. Jeśli agencja rozlicza się z liczby publikacji, a nie z realnego wpływu na widoczność w odpowiedziach AI, to sygnał, że mierzy niewłaściwą metrykę — swoją produktywność, nie skuteczność dla klienta.