Najważniejsze wnioski w pigułce
Skala zmian w mechanizmie wyszukiwania
- Po wdrożeniu ChatGPT 5.6 udział promptów generujących tylko jedno zapytanie fan-out spadł z 94,0% do 43,5% (Peec AI)
- Średnia liczba pobranych źródeł wzrosła z około 12 do 24 na odpowiedź
- Średnia liczba zapytań fan-out na prompt wzrosła z 2,17 do 7,61, a najdłuższy łańcuch zapytań — z 4 do 29 wyszukiwań (Nectiv)
Operator site: jako filtr jakości
- Udział operatora
site:w zapytaniach fan-out wzrósł z około 0,3% do około 23% (Peec AI) i do 64% w danych pobieranych przez API (Nectiv) - Słowa „site:”, „official” i „gov” znalazły się wśród najczęstszych pojedynczych tokenów w zapytaniach
- Strony produktowe stanowią już 16,39% pobieranych adresów URL, wyprzedzając listy typu „top 10”
Pobranie to nie cytowanie
- Liczba unikalnych domen cytowanych w jednej odpowiedzi spadła z 19 do 15 po aktualizacji 5.3 (Resoneo)
- Marki wymienione w pierwszym zapytaniu fan-out były cytowane w 68,9% przypadków, a strony jedynie pobrane — w 2,1%
- W 21 z 27 początkowych zapytań pojawiły się nazwy marek, których użytkownik nigdy nie wpisał w prompcie
Kontekst biznesowy
- Ponad 90% tygodniowych użytkowników ChatGPT korzysta z planu darmowego, więc zachowanie modelu domyślnego decyduje o widoczności marek
Fan-out, czyli jak ChatGPT naprawdę szuka informacji
Nie każde pytanie zadane ChatGPT uruchamia wyszukiwanie w sieci. Jeśli odpowiedź mieści się w danych treningowych modelu, system generuje ją natychmiast, bez sięgania po zewnętrzne źródła — to po prostu tańsze obliczeniowo. Dopiero pytania wymagające aktualnej wiedzy uruchamiają mechanizm RAG (generowanie wspomagane wyszukiwaniem), który pobiera dane z wyszukiwarek zewnętrznych oraz z wewnętrznego indeksu OpenAI.
Wtedy model rozkłada prompt użytkownika na zestaw własnych zapytań pomocniczych, uruchamia je równolegle i syntetyzuje odpowiedź z tego, co wróci. To właśnie są zapytania fan-out. Każde słowo, które model wybiera do takiego zapytania, i każdy zastosowany operator wyszukiwania mówi nam, czego system szuka i gdzie spodziewa się to znaleźć.
Dla nas jako agencji to fundamentalnie problem SEO — ChatGPT korzysta z wyszukiwarek, więc reguły widoczności w dużej mierze pozostają te same. Analiza zapytań fan-out jest dziś najbliższą dostępną metodą zrozumienia, dlaczego model przyciąga akurat te, a nie inne treści.
Pobranie a cytowanie — dwie metryki, które idą w przeciwnych kierunkach
W branżowych dyskusjach oba pojęcia bywają mylone, a różnica jest kluczowa. „Pobrana” (retrieved) to strona, którą ChatGPT pobrał podczas realizacji zapytań fan-out. „Cytowana” (cited) to strona, która trafiła do widocznej odpowiedzi jako link. Te dwie wartości zachowują się dziś odwrotnie: liczba pobieranych adresów URL rośnie, a liczba unikalnych domen cytowanych w odpowiedzi maleje.
Dane zespołu Resoneo pokazują spadek z 19 do 15 unikalnych cytowanych domen na odpowiedź po aktualizacji 5.3. Jednocześnie średnia liczba pobranych źródeł podwoiła się. Model rozważa coraz więcej stron, ale przyznaje kredyt coraz węższej grupie.
Praktyczna konsekwencja jest brutalnie prosta. Samo pobranie strony przez model niemal nic nie daje — według danych Suganthana Mohanadasana strony jedynie pobrane były cytowane w 2,1% przypadków, podczas gdy marki wymienione już w pierwszym zapytaniu fan-out trafiały do odpowiedzi w 68,9% przypadków. Czytając kolejne badania o AI search, zawsze warto sprawdzić, czy mierzą pobrania czy cytowania — większość rozbieżności między publikacjami bierze się właśnie stąd.
Operator site: jako narzędzie walki ze spamem
Najciekawszy trend to gwałtowny wzrost wykorzystania operatora site:. Według pomiarów Peec AI jego udział w zapytaniach fan-out skoczył z około 0,3% do około 23% w dniu, w którym ChatGPT 5.6 stał się modelem domyślnym. Chris Long z Nectiv, analizując około 4000 promptów pobranych przez API OpenAI, zanotował wynik jeszcze wyższy — 64%. Rozbieżność wynika prawdopodobnie z metody zbierania danych: API daje wyniki czyste i powtarzalne, interfejs konsumencki jest bliższy temu, co widzą realni użytkownicy.
Kierunek jest jednak ten sam w obu badaniach. Model coraz częściej sam zawęża wyszukiwanie do domen, którym już ufa. Przy pytaniach o opinie i recenzje produktów sięga po Reddit, w tym po konkretne subreddity. Przy tematach z kategorii YMYL — zdrowie, finanse, prawo — preferuje domeny .gov i .org. W jednej partii około 20 promptów z obszaru prawnego wszystkie zwróciły cytowania wyłącznie z domen rządowych.
Przy specyfikacjach i cenach model idzie prosto do marki. Zapytania w rodzaju site:sephora.com czy site:costco.com pojawiają się regularnie, często wobec najbardziej rozpoznawalnych graczy w danej kategorii — nawet jeśli użytkownik ich nie wymienił. To wygląda na świadomą próbę ograniczenia spamu w wynikach, przypominającą to, co Google robi z E-E-A-T, tylko w wykonaniu OpenAI.
Strony produktowe wypierają listy typu „top 10”
Zmienia się też struktura typów treści, po które sięga model. Strony produktowe stanowią obecnie 16,39% pobieranych adresów URL i wyprzedziły listy rankingowe. ChatGPT 5.6 idzie po specyfikacje i ceny bezpośrednio do producenta, zamiast przepuszczać wszystko przez artykuły zbiorcze.
Typy stron tracące udział w pobraniach — listy „najlepszych”, poradniki how-to i strony porównawcze — to dokładnie te formaty, które przez ostatnie dwa lata były najintensywniej spamowane pod kątem GEO. Trudno uznać to za przypadek. Modele uczą się rozpoznawać treści tworzone pod algorytm, a nie pod użytkownika.
Dla właścicieli sklepów i marek producenckich to dobra wiadomość. Dopracowana, kompletna strona produktowa z jasno podanymi parametrami, cenami i dostępnością ma dziś większą szansę trafić do odpowiedzi AI niż wzmianka w cudzym zestawieniu. Dla wydawców treści porównawczych to sygnał ostrzegawczy — sama formuła przestaje wystarczać.
Model decyduje, zanim zacznie szukać
Najmocniejszy wniosek z badań ruchu sieciowego brzmi: ChatGPT ma zdanie jeszcze przed pierwszym wyszukiwaniem. W analizie 57 konwersacji i 3554 pobranych stron w 21 z 27 początkowych zapytań pojawiły się nazwy marek, których użytkownik nigdy nie wpisał — w 11 z 13 kategorii produktowych.
Przykład jest wymowny. Przy pytaniu o najlepszą aplikację do notatek wspieraną przez AI pierwsze zapytanie fan-out zawierało już nazwy Granola, Notion AI, Otter, Fireflies, Fathom, Mem i Limitless. Model nie szukał kandydatów — szukał potwierdzenia dla listy, którą miał w danych treningowych.
To przesuwa punkt ciężkości działań marketingowych. Optymalizacja pojedynczej strony pod konkretne zapytanie ma sens, ale prawdziwą stawką jest obecność marki w danych treningowych i w powszechnej świadomości branżowej. Wzmianki w mediach, obecność na forach, w Wikipedii i w opracowaniach eksperckich budują tę bazę. Warto też pamiętać, że ponad 90% tygodniowych użytkowników ChatGPT korzysta z planu darmowego — zachowanie tańszego modelu domyślnego decyduje więc o tym, co widzi zdecydowana większość odbiorców.
Podsumowanie
ChatGPT wyraźnie zawęża krąg zaufanych źródeł, jednocześnie zwiększając liczbę przeszukiwanych stron — więcej pobrań, mniej cytowań. Wygrywają marki rozpoznawalne, treści z domen autorytatywnych i dopracowane strony produktowe, a tracą masowo produkowane zestawienia i poradniki pisane pod algorytm. Dla firm oznacza to jedno: budowanie realnego autorytetu marki jest dziś skuteczniejszą inwestycją niż optymalizacja pod pojedyncze zapytania.
Źródło: Lily Ray, „What We Can Learn from Evolving ChatGPT Fan-Out Queries” — lilyraynyc.substack.com
