Widoczność w AI a SEO: czy pozycja w Google wystarczy

Widoczność w AI i SEO mają wspólny fundament, ale dobra pozycja w Google nie wystarcza, żeby czaty AI wymieniały markę. W badaniu Ahrefs z początku 2026 roku tylko 38% stron cytowanych w AI Overviews znajdowało się w top 10 wyników dla tego samego zapytania. Pokazuje to też nasz case: Wapiennik „Węże” z Działoszyna miał rozbudowaną stronę z kilkudziesięcioma podstronami, a w czerwcu 2026 nie pojawił się w żadnej z odpowiedzi AI na 18 pytań o wapno. Po dopracowaniu istniejących treści, bez ani jednej nowej podstrony, we wrześniu był w 18 z 18, a modele cytowały jego stronę przy 94% fraz.

Ten tekst należy do przewodnika Widoczność marki w AI: jak działa i jak ją mierzyć. Definicje pojęć i różnice między nimi zebraliśmy w tekście SEO, GEO i AEO: czym się różnią. Tutaj skupiamy się na danych: co z pracy nad SEO przenosi się do odpowiedzi AI, a co trzeba dodać.

Co SEO i widoczność w AI mają wspólnego?

Oba zależą od tego, czy robot może wejść na stronę i ją zaindeksować. Oba nagradzają treści, które odpowiadają na pytanie konkretnie, z liczbami i przykładami. Oba korzystają z sygnałów zaufania: linków, wzmianek w innych serwisach, historii domeny.

Google pisze wprost w dokumentacji funkcji AI, że do AI Overviews i trybu AI stosuje się te same podstawowe zasady SEO co do zwykłych wyników. Strona musi być zaindeksowana i kwalifikować się do wyświetlenia z fragmentem opisu. Dodatkowych wymagań technicznych nie ma. Strona, która ma problem z indeksacją w Google, prawie na pewno ma go też w odpowiedziach AI.

Czym widoczność w AI różni się od pozycji w Google?

Największa różnica dotyczy stabilności. W Google strona na trzeciej pozycji jutro najpewniej będzie gdzieś w okolicy trzeciej. W czacie AI ta sama marka może być pierwsza, piąta albo nie pojawić się wcale przy kolejnych uruchomieniach tego samego pytania. W badaniu SparkToro i Gumshoe.ai ChatGPT i AI w Google podawały tę samą listę marek w mniej niż 1 na 100 prób. Szczegóły w tekście Dlaczego AI za każdym razem odpowiada inaczej.

Czy wysoka pozycja w Google przekłada się na cytowania w AI?

Pomaga, ale coraz słabiej. W badaniu Ahrefs z lipca 2025 roku 76% stron cytowanych w AI Overviews znajdowało się w top 10 dla tego samego zapytania. W aktualizacji z początku 2026 roku, przeprowadzonej na 863 tys. słów kluczowych i 4 mln adresów, ten odsetek spadł do 38%. Pozostałe cytowania rozkładały się niemal po równo między pozycje 11-100 (31,2%) i strony spoza pierwszej setki (31%). Część spadku wynika z lepszego wykrywania cytowań w narzędziu Ahrefs, więc oba wyniki nie są w pełni porównywalne. BrightEdge, inną metodą i na innych danych, oszacował pokrywanie się z top 10 na ok. 17% (omówienie w Search Engine Journal).

W ChatGPT mechanizm jest podobny. W badaniu AirOps z marca 2026 roku 32,9% cytowanych stron pojawiało się wyłącznie w wynikach zapytań pomocniczych, które model wygenerował w tle, a nie w wynikach dla pytania użytkownika. Strona może być wysoko na główną frazę i przegrać, bo model szukał czegoś węższego: ceny, parametru, normy. Jak działa ten mechanizm, opisuje tekst Jak czaty AI wybierają marki, które polecają.

Co pokazał case producenta wapna?

Wapiennik „Węże” to rodzinny producent wapna budowlanego i nawozowego z Działoszyna. Przed pierwszym pomiarem strona miała solidne podstawy SEO: osobne strony dla wapna budowlanego i nawozowego, stronę o normach, blog i kilkadziesiąt podstron lokalnych. Mimo to w czerwcu 2026 żaden model nie wymienił marki w odpowiedzi na 18 pytań o jej kategorię. Zamiast niej modele polecały dwóch największych producentów w kraju.

Raport pokazał, dlaczego. Nazwę własną flagowego produktu, wapna „Jurajskie Białe”, modele rozpoznawały, ale jako rodzaj wapna, a nie produkt konkretnej firmy. Takie rozjechanie nazwy produktu i marki opisujemy w haśle aliasy marki. W klasycznym SEO ten problem jest niewidoczny, bo strona może być wysoko na nazwę produktu, a mimo to model nie połączy jej z firmą.

Zmiany dotyczyły istniejących treści, nie ich liczby. Strona o normach dostała wyraźny zapis zgodności z normą PN-EN 459-1. Na stronie wapna budowlanego pojawiła się tabela parametrów i sekcja o cenie, bo fraza łącząca nazwę produktu z ceną i producentem miała w pierwszym raporcie najniższy wynik w zestawie. Najsłabsze podstrony lokalne dostały sygnał „producent” i cenę orientacyjną. Nie powstała ani jedna nowa podstrona.

Źródło: trzy raporty Aelo w czterech modelach (ChatGPT, Claude, Gemini, Perplexity), ten sam zamrożony zestaw zapytań, pytania bez nazwy marki (neutralny skan). Dane publikujemy za zgodą klienta.

Z tego case’u wynikają trzy wnioski dla każdego, kto łączy SEO z widocznością w AI:

• Problemem nie była ilość treści, tylko jej cytowalność. Modele potrzebowały faktów, które mogą przytoczyć: normy, parametrów, ceny. Kilkadziesiąt podstron bez takich konkretów nie dawało im nic do zacytowania. To obszar, który nazywamy AEO.
• Cytowania rosły szybciej niż rekomendacje. Wskaźnik cytowań urósł z 6% do 94% w 11 tygodni, a pierwsza rekomendacja pojawiła się dopiero w trzecim raporcie. Model może znać markę i cytować jej stronę, a mimo to jej nie polecać. Ten próg opisujemy w tekście Zna, ale nie poleca.
• Efekty przychodzą z opóźnieniem. Między pierwszym a trzecim raportem minęło 11 tygodni. Dlaczego zmian nie widać od razu, wyjaśnia tekst dlaczego zmiany wymagają czasu.

Trzy raporty jednej marki to za mało, żeby oddzielić efekt zmian na stronie od zmienności modeli i ich aktualizacji. Kierunek jest jednak spójny we wszystkich metrykach. Pełny opis znajdziesz w dwóch częściach case’u: Z zera do 63% widoczności w AI w pięć tygodni i Model AI po raz pierwszy poleca markę.

Co w AI ma większe znaczenie niż w klasycznym SEO?

Wzmianki, nie tylko linki

Model czyta tekst. Artykuł porównawczy, który opisuje markę bez linku, i tak mówi modelowi, że firma istnieje, czym się zajmuje i z kim konkuruje. W SEO taka wzmianka miała niewielką wartość. Właśnie brak takich niezależnych sygnałów najdłużej blokował rekomendację w case’ie producenta wapna.

Pytania bez wolumenu

95% zapytań pomocniczych ChatGPT w badaniu AirOps nie miało wolumenu w narzędziach do słów kluczowych. Pytania w rodzaju „czy wapno spełnia normę PN-EN 459-1” albo „ile kosztuje tona wapna nawozowego z dostawą” nie wyjdą w planie słów kluczowych, a właśnie takie model zadaje w tle.

Jednoznaczne połączenie produktu z marką

W SEO wystarczy, że strona jest wysoko na nazwę produktu. W odpowiedzi AI model musi jeszcze wiedzieć, czyj to produkt. Nazwa produktu powinna stać obok nazwy firmy w tytułach, opisach i danych strukturalnych, a opis firmy brzmieć tak samo na stronie, w Profilu Firmy w Google i w katalogach.

Indeks Bing

ChatGPT w trybie wyszukiwania przez długi czas korzystał z indeksu Bing (analiza Lily Ray opisuje, jak to się zmienia), a na Bing opiera się też Microsoft Copilot. Wiele polskich stron nie ma nawet zweryfikowanego konta w Bing Webmaster Tools ani wysłanej tam mapy strony. Od lutego 2026 roku narzędzie ma raport AI Performance, który pokazuje, które podstrony Copilot i odpowiedzi AI w Bing cytują i przy jakich zapytaniach.

Dostęp dla robotów AI

Robots.txt, który blokuje robota wyszukiwarki AI, odcina stronę od odpowiedzi, nawet jeśli w Google jest wysoko. OpenAI opisuje swoje roboty w dokumentacji: OAI-SearchBot odpowiada za wyszukiwanie w ChatGPT, GPTBot za dane treningowe. W analizie Vercel żaden z głównych robotów AI nie wykonywał JavaScriptu, więc treść doładowywana skryptem może być dla nich niewidoczna.

Czy trzeba osobno robić SEO i osobno widoczność w AI?

Nie jako dwa oddzielne projekty. Widoczność w AI to rozszerzenie dobrze prowadzonego SEO o elementy, które dotąd pomijano: pomiar obecności marki w odpowiedziach kilku modeli, pracę nad obecnością w cudzych serwisach, konkretne fakty pod pytania pomocnicze, indeksację w Bing i ustawienia robots.txt dla robotów AI. Case producenta wapna pokazuje, że często nie trzeba nowych podstron, tylko innego spojrzenia na istniejące.

Pierwszy krok to sprawdzenie stanu wyjściowego, opisane w tekście Jak sprawdzić, czy AI poleca Twoją markę. W Aelo mierzymy to w module Widoczność: zadajemy ten sam zestaw zapytań w czterech modelach (ChatGPT, Claude, Gemini, Perplexity) i pokazujemy, jak zmienia się obecność marki w czasie i na tle konkurencji. Wyniki trafiają do grafu wiedzy Synapsis, a na ich podstawie przygotowujemy konkretne działania w Tickets. Co z tego wdrożysz, decydujesz Ty.

Agencje, które chcą dołączyć ten obszar do obsługi SEO swoich klientów, znajdą szczegóły na stronie Aelo dla agencji, a właściciele mniejszych firm na stronie Aelo dla małych firm.

Pomiar możesz zacząć na darmowym koncie Free. Zarejestruj się

FAQ

Źródła

• Ahrefs, badanie cytowań w AI Overviews (lipiec 2025): https://ahrefs.com/blog/search-rankings-ai-citations
• Ahrefs, aktualizacja badania cytowań w AI Overviews (2026): https://ahrefs.com/blog/ai-overview-citations-top-10
• Search Engine Journal, omówienie badania Ahrefs i danych BrightEdge (marzec 2026): https://www.searchenginejournal.com/google-ai-overview-citations-from-top-ranking-pages-drop-sharply/568637/
• AirOps, raport o wyszukiwaniu, zapytaniach pomocniczych i cytowaniach w ChatGPT (marzec 2026): https://www.airops.com/report/influence-of-retrieval-fanout-and-google-serps-in-chatgpt
• Google Search Central, funkcje AI a Twoja strona: https://developers.google.com/search/docs/appearance/ai-features
• Search Engine Land, raport AI Performance w Bing Webmaster Tools (luty 2026): https://searchengineland.com/bing-webmaster-tools-ai-performance-report-468751
• SparkToro i Gumshoe.ai, badanie spójności rekomendacji marek w AI (styczeń 2026): https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/
• OpenAI, dokumentacja robotów: https://developers.openai.com/api/docs/bots
• Vercel, analiza zachowania robotów AI (grudzień 2024): https://vercel.com/blog/the-rise-of-the-ai-crawler
• Raporty Aelo dla Wapiennika „Węże” z 24 czerwca, 27 lipca i 10 września 2026