Semantyczne SEO nie jest nowym wynalazkiem. Pojęcie krąży po branży od lat, ale dopiero teraz, przy okazji boomu na GEO i AI Overviews, agencje masowo wrzucają je do cenników jako osobną pozycję. Problem w tym, że pod tą samą nazwą kryją się dwie zupełnie różne usługi: jedna wymaga pracy na wektorach i grafie wiedzy, druga to wymiana słów kluczowych na ich synonimy w tym samym, niezmienionym tekście.
Warto rozebrać to na czynniki pierwsze, bo różnica w cenie zwykle nie odpowiada różnicy w nakładzie pracy.
Co się realnie zmieniło w sposobie czytania tekstu przez maszyny
Jeszcze dekadę temu wyszukiwarki liczyły, ile razy fraza pojawia się na stronie. Dziś architektury takie jak BERT czy modele embeddingowe nie liczą wystąpień słów - zamieniają tekst na liczby.
Każdy fragment treści jest kodowany jako wektor, czyli lista liczb zmiennoprzecinkowych opisująca jego znaczenie jako pozycję w wielowymiarowej przestrzeni. Modele embeddingowe OpenAI produkują wektory o 1536 lub 3072 wymiarach, przyjmując do 8192 tokenów na wejściu. Teksty o zbliżonym znaczeniu lądują blisko siebie w tej przestrzeni, nawet jeśli nie mają ze sobą wspólnych słów. Zdanie "jak poprawić pozycję strony" i "co pomaga witrynie wyskoczyć wyżej w Google" mają niemal zerowe pokrycie leksykalne, ale wysoką zgodność wektorową, bo wyrażają tę samą intencję.
To jest fundament, na którym powinno opierać się "semantyczne SEO". Nie chodzi o to, żeby tekst zawierał więcej synonimów danej frazy, tylko o to, żeby fragment tekstu jako całość wskazywał w tym samym kierunku semantycznym co zapytanie użytkownika.
Jak to wygląda w praktyce: chunking i wyszukiwanie
Systemy AI nie czytają całych stron. Dzielą je na fragmenty (chunki), zamieniają każdy fragment na wektor i w momencie zapytania porównują go z wektorem pytania, wybierając te o najwyższym podobieństwie kosinusowym.
Stąd konkretne, policzalne konsekwencje dla struktury tekstu:
- Jeden temat na sekcję. Nagłówek H2 łączący trzy luźno powiązane wątki tworzy rozmyty wektor, który nie trafia dobrze w żadne zapytanie.
- Odpowiedź na początku akapitu. Pierwsze zdanie sekcji nadaje kierunek semantyczny całemu fragmentowi.
- Unikanie zaimków międzysekcyjnych. "Jak wspomniano wyżej" albo "to podejście" tworzy fragment, którego nie da się wyodrębnić i zrozumieć samodzielnie - a to właśnie robi mechanizm chunkowania.
- Definiowanie pojęć w miejscu użycia. Wektor frazy "rekurencyjny podział tekstu" jest mocniejszy niż wektor zaimka "ta metoda".
To jest konkretna, techniczna robota redakcyjna - nie dopisywanie fraz, tylko przebudowa struktury akapitów pod sposób, w jaki maszyna je kroi i odczytuje.
Warstwa encji: druga połowa prawdziwego semantycznego SEO
Embeddingi to tylko jedna strona medalu. Druga to encje - jednoznacznie zidentyfikowane byty, takie jak marka, osoba czy produkt, powiązane w grafie wiedzy z ich atrybutami. Google od lat łączy encję "Nowy Jork" z atrybutem "liczba ludności" - to jest ulubiona struktura danych silnika, bo da się ją jednoznacznie zweryfikować.
Prawdziwa praca na encjach wygląda konkretnie:
- jeden identyfikator @id dla marki, spójny na stronie głównej, w schemacie i w artykułach,
- atrybuty sameAs prowadzące do źródeł potwierdzających tożsamość (Wikidata, LinkedIn, profil firmowy),
- dane NAP (nazwa, adres, telefon) identyczne we wszystkich miejscach,
- treści budowane w strukturze fakt-odpowiedź (kto, co, kiedy, gdzie), zamiast opisowej prozy.
Brak spójnego @id oznacza, że Google i modele AI widzą kilka osobnych firm zamiast jednej rozpoznawalnej marki. To błąd, który żadna liczba synonimów w tekście nie naprawi.
Co agencje robią zamiast tego
Wklejenie dziesięciu razy frazy "tanie samochody" nie ma żadnej wartości matematycznej w przestrzeni wektorowej - i dokładnie tyle samo wartości ma zamiana tej frazy na pięć jej synonimów w tym samym, niezmienionym akapicie.
Typowe praktyki sprzedawane dziś jako "semantyczne SEO", które niczego nie zmieniają w sposobie, w jaki tekst jest odczytywany przez maszyny:
- dopisanie listy synonimów i pokrewnych fraz do istniejącego tekstu bez zmiany jego struktury,
- przerobienie tytułów sekcji bez zmiany ich zawartości,
- jednorazowe uruchomienie narzędzia do "analizy semantycznej" i wrzucenie wyniku do raportu bez wdrożenia zmian,
- deklaracja "budujemy topical authority" bez pokazania modelu klastrów tematycznych i powiązań encji.
Ze starych praktyk różni je głównie nazwa w umowie i pozycja w cenniku.
Jak to zweryfikować bez znajomości uczenia maszynowego
Nie trzeba być data scientistem, żeby odróżnić realną robotę od przechrzczenia starej usługi. Kilka konkretnych pytań do agencji i kilka rzeczy do sprawdzenia samodzielnie:
- Poproś o pokazanie narzędzia do analizy encji (np. Google Cloud NLP API) i wyniku dla Twojego tekstu - salience score, lista rozpoznanych encji.
- Sprawdź, czy agencja pokazuje mapę klastrów tematycznych, a nie tylko listę fraz.
- Zapytaj, czy @id i sameAs Twojej marki są spójne we wszystkich miejscach - to sprawdzisz sam w kodzie źródłowym strony.
- Porównaj strukturę akapitów przed i po "optymalizacji semantycznej" - czy zmieniła się kolejność informacji i granice sekcji, czy tylko słownictwo.
- Zapytaj wprost, czy agencja uruchamiała test podobieństwa kosinusowego między treścią a docelowymi zapytaniami, czy opiera się wyłącznie na intuicji.
W rankingu pierwszastrona.io przy ocenie agencji patrzymy właśnie na ten rozdźwięk między deklaracją usługi a jej realnym wykonaniem - nie na samo słowo "semantyczny" w ofercie, tylko na to, czy po wdrożeniu zmienia się coś mierzalnego w widoczności i cytowaniach, a nie tylko w słowniku używanym w raporcie.
Wniosek
Semantyczne SEO jako usługa ma sens tylko wtedy, gdy obejmuje dwie rzeczy naraz: przebudowę struktury treści pod logikę chunkowania i embeddingów oraz spójną warstwę encji w grafie wiedzy. Jeśli agencja proponuje "pakiet semantyczny", a jedyną zmianą ma być dopisanie synonimów do istniejącego tekstu, płacisz za nową nazwę starej usługi. Zanim podpiszesz umowę, poproś o konkretny dowód pracy na poziomie struktury i danych - nie o deklarację w PDF-ie.