Najważniejsze wnioski w pigułce
Co waży najwięcej
- Dostęp crawlerów i zgoda na wykorzystanie treści w snippetach to czynnik oceniony najwyżej: +2,20 w siedmiostopniowej skali od -3 do +3.
- Dopasowanie treści do pytania użytkownika (+2,15) oraz obecność marki w pamięci modelu (+2,08) zajęły kolejne miejsca.
- Konkretne, możliwe do zacytowania fakty uzyskały +2,07 - eksperci zgodnie wskazują, że ogólniki nie dają się cytować.
Przecięcie z klasycznym SEO
- Rankingi na zapytania pochodne z query fan-out otrzymały +1,91, a pozycja w klasycznych wynikach organicznych +1,89.
- Reputacja wydawcy (+1,78) działa w AI podobnie jak autorytet domeny w tradycyjnym wyszukiwaniu.
- Struktura treści ułatwiająca ekstrakcję (+1,69) i wyeksponowanie odpowiedzi na początku strony (+1,65) wciąż mają znaczenie.
Czego nie warto przeceniać
- Dane strukturalne dostały tylko +0,80, choć w obszarze produktowym i Shopping Graph realnie pracują.
- Plik llms.txt zamknął zestawienie z wynikiem +0,05, czyli praktycznie zerowym wpływem.
- Chunking treści padł w komentarzach osiem razy i niemal wszyscy uznali go za niepotrzebny zabieg.
Skąd pochodzą te dane
Badanie przeprowadził Cyrus Shepard w ramach ankiety Google Ranking Factors, do której zaproszono ponad 130 specjalistów zajmujących się wyszukiwaniem. Każdy z uczestników oceniał wpływ poszczególnych czynników na to, czy strona lub źródło zostanie wybrane i zacytowane w AI Overviews albo AI Mode. Skala obejmowała siedem punktów: od -3 (silnie negatywny wpływ) do +3 (silnie pozytywny). Do ocen liczbowych dołączono komentarze otwarte, które często okazują się ciekawsze niż same średnie.
Wynik zbiorczy tworzy obraz zaskakująco spójny z klasycznym SEO. Cztery z pięciu najwyżej ocenionych czynników to sprawy, o których mówimy od lat: dostępność techniczna, dopasowanie do intencji, wiarygodność źródła i jakość informacji. Nowością jest jedynie pamięć parametryczna modelu oraz zapytania pochodne generowane w tle. To dobra wiadomość dla firm, które nie chcą budować równoległej strategii „pod AI”.
Dostęp i dopasowanie do pytania, czyli warunki wstępne
Najwyżej oceniony czynnik brzmi banalnie: Google musi móc zaindeksować stronę i mieć zgodę na wykorzystanie jej treści we fragmentach generowanych przez AI. Fili Wiese z Search Brothers opisuje to jako twardą bramkę poprzedzającą jakiekolwiek rozważania rankingowe. Problem narasta, bo Google wprowadza kolejne user agenty i narzędzia wykluczania treści, a wiele firm blokuje je przypadkiem, przy okazji walki ze scraperami. Warto zweryfikować ten obszar w ramach audytu SEO i sprawdzić, czy reguły w robots.txt nie odcinają nas od widoczności w odpowiedziach AI.
Drugi w kolejności czynnik to bezpośrednie dopasowanie treści do pytania, na które Google próbuje odpowiedzieć. Natzir ujął to zwięźle: bez dopasowania pytania do odpowiedzi nie ma czego cytować. W tradycyjnej ankiecie o czynnikach rankingowych intencja wyszukiwania zajęła pierwsze miejsce, więc mamy tu wyraźną ciągłość. Praktyczny wniosek jest prosty: strona powinna odpowiadać na jedno konkretne pytanie w sposób, który da się wyjąć z kontekstu bez utraty sensu. Więcej o technikach formułowania takich fragmentów piszemy w materiale o direct answer w Google .
Pamięć modelu, czyli najtrudniejszy do ruszenia czynnik
Trzecie miejsce zajęła siła reprezentacji marki, osoby lub encji w istniejącej wiedzy modelu. Dan Petrovic z DEJAN nazywa to pierwotnym nastawieniem, które popycha model w stronę rekomendowania marki albo od niej odciąga. Jego zdaniem nawet obecność w zbiorze źródeł pobranych przez system nie gwarantuje rekomendacji, jeśli model po prostu nas nie zna. Wejście do danych treningowych określa jako zadanie znacznie trudniejsze niż link building.
Ross Simmonds z Foundation nazywa pamięć modelu zmienną uśpioną, którą większość marek ignoruje. Jan-Willem Bobbink dodaje istotny szczegół: żeby w ogóle zostać uwzględnionym w zapytaniach pochodnych, trzeba najpierw istnieć w pamięci modelu lub w personalizacji zalogowanego użytkownika. To argument za konsekwentnym budowaniem rozpoznawalności encji w całym internecie - wzmianek, profili, spójnych danych. Fundamentem pozostaje tu poprawnie opisana encja w Google Knowledge Graph , bo to od niej zaczyna się rozumienie marki przez systemy Google.
Dowody, unikalność i konsensus
Czynnik „możliwe do zacytowania fakty” uzyskał +2,07, a „unikalne informacje własne” +1,85. Geoff Kenyon z Pomar zauważa, że oceniano je osobno, ale dopiero ich połączenie jest naprawdę skuteczne: konkretna liczba, która krąży już po całym internecie, nie daje powodu do cytowania. Melissa Popp z RicketyRoo opisuje to obrazowo - jeśli dziesięć stron mówi mniej więcej to samo, jedenasta musi wnieść coś nowego: własne dane, przeprowadzony test, obserwację z pierwszej ręki albo nazwany proces z krokami. Nitin Manchanda podsumowuje: poprawność zaczyna się liczyć dopiero wtedy, gdy jesteś łatwy do zacytowania i niemożliwy do zastąpienia.
Jednocześnie konsensus międzywitrynowy dostał +1,81. Jeśli twierdzimy coś, czemu przeczy reszta sieci, system raczej nam nie uwierzy. Everett Sizemore ostrzega jednak, że pogoń za zgodnością bywa pułapką - trudno wnieść wartość, powtarzając to samo, co wszyscy, a bywa i tak, że wszyscy się mylą. Zdrowa równowaga polega na zgodności co do faktów podstawowych i unikalności w warstwie analizy oraz danych własnych. To także argument za inwestowaniem w jakościowy content zamiast w masową produkcję tekstów.
Rankingi organiczne i zapytania pochodne
Zapytania pochodne (query fan-out) oraz klasyczna pozycja organiczna uzyskały niemal identyczne oceny: +1,91 i +1,89. Wiese wyjaśnia mechanizm wprost - AI Overviews i AI Mode działają w oparciu o generowanie wspomagane wyszukiwaniem, osadzone w podstawowych systemach rankingowych Google, a pod każdą odpowiedzią pracuje zestaw wygenerowanych podzapytań. Konsekwencja jest bezpośrednia: strony są cytowane, ponieważ rankują - na zapytanie widoczne albo na te ukryte pod spodem. Mechanikę tego procesu opisujemy szerzej w tekście o tym, czym jest RAG .
Maryanna Franco trafnie definiuje zmianę jednostki optymalizacji: nie chodzi już wyłącznie o to, żeby strona rankowała na zapytanie, ale o to, by była najlepszym źródłem wspierającym jedną lub kilka potrzeb informacyjnych wygenerowanych przez to zapytanie. Praktycznie oznacza to mapowanie tematu na wiązkę powiązanych pytań i pokrycie ich treścią o odpowiedniej głębokości. Kto zbudował solidną widoczność organiczną, startuje z lepszej pozycji także w AI Mode .
Czego nie warto przeceniać
Dane strukturalne zamknęły się na +0,80 - wyraźnie niżej niż mogłoby sugerować zainteresowanie tym tematem w branży. Andy Chadwick wskazuje jednak istotny wyjątek: dane produktowe i sprzedawcy zasilają Shopping Graph i realnie pracują w zakupowych wynikach AI Mode. Dla e-commerce to nadal obszar wart nakładów, dla pozostałych raczej higiena techniczna niż dźwignia widoczności.
Najniżej oceniono plik llms.txt: +0,05, czyli w praktyce brak wpływu. Andrew Shotland kwituje to żartem, że plik llms.txt i osiem dolarów wystarczą na przyzwoitą bubble tea. Przemysław Charchan powołuje się na siedem niezależnych badań obejmujących blisko pół miliona domen - żadne nie wykazało, by boty AI samodzielnie sięgały po ten plik. Podobnie ma się rzecz z chunkingiem: pojawił się w komentarzach osiem razy i niemal wszyscy uznali, że dzielenie treści na porcje „pod AI” nie jest Google potrzebne. Liczy się natomiast klarowna organizacja - nagłówki, tabele, listy i poprawna składnia, czyli klasyczne on-page SEO .
Podsumowanie
Badanie pokazuje, że widoczność w odpowiedziach Google AI w dużej mierze wyrasta z tych samych fundamentów co klasyczne SEO: dostępności technicznej, dopasowania do intencji, reputacji i jakości informacji. Nowym elementem jest pamięć modelu, której nie da się zmienić szybko ani jednym działaniem. Warto też pamiętać o zastrzeżeniu, które padło w komentarzach - jak zauważa Will Critchlow, przy wielu z tych czynników uczciwą odpowiedzią byłoby „nie wiemy”, bo temat jest wciąż świeży i wymaga testowania.
Źródło: Google AI Ranking Factors, Cyrus Shepard, Zyppy Signal
