Treści generowane przez AI: co działa, a co jest karane

Dlaczego metoda produkcji nie decyduje o pozycji w rankingu

W B2B pytanie „Czy Google karze za treści AI?” jest źle postawione. Analiza 600 000 stron pokazuje, że 86,5% stron z najwyższymi pozycjami zawiera pewną część treści generowanych przez AI, ale tylko 4,6% to strony w całości wygenerowane przez AI. Zdecydowana większość, 81,9%, korzysta z połączenia obu podejść, a 13,5% to teksty napisane wyłącznie przez ludzi. Korelacja między udziałem AI a pozycją w rankingu wynosi 0,011, czyli praktycznie zero.

Te międzynarodowe dane prowadzą do jasnego wniosku: Google ocenia jakość, a nie pochodzenie treści. Dla firm w Europie ma to znaczenie, bo AI od dawna jest w marketingu standardem. Według badania AI Readiness 2025 przeprowadzonego przez Handelsverband i Google Austria z AI korzysta 68% ankietowanych austriackich firm, a najczęstszym zastosowaniem jest tworzenie tekstów, wskazywane przez 49%. Autorzy sami zaznaczają, że badanie nie jest reprezentatywne, ale pokazuje kierunek. Kto korzysta z AI, nie traci na tym. Kto jednak skaluje AI bez kontroli redakcyjnej, ryzykuje kary.

Gdzie Google wyznacza granicę między wsparciem AI a nadużyciem

Google nie karze za technologię, lecz za nadużycia. Kluczowa kategoria nazywa się Scaled Content Abuse. W oficjalnych zasadach dotyczących spamu Google wprost podaje jako przykład „wykorzystywanie narzędzi generatywnej AI do tworzenia wielu stron bez wartości dodanej dla użytkowników”. Definicja nie odnosi się do narzędzia, lecz do intencji: masowej produkcji w celu manipulowania rankingiem, bez żadnej użyteczności.

Dla redakcji B2B istotne są trzy wzorce spamu:

Scaled Content Abuse: masowe tworzenie stron, których głównym celem jest manipulowanie rankingiem. Granica nie zależy od liczby stron, lecz od braku wartości dodanej każdej z nich. Dziesięć rzetelnych artykułów eksperckich tworzonych z pomocą AI to nie nadużycie, ale tysiąc generycznych wariantów słów kluczowych już tak.

Site Reputation Abuse: umieszczanie niskiej jakości treści stron trzecich w uznanej domenie, aby wykorzystać jej autorytet. W B2B dotyczy to na przykład kupionych „sekcji partnerskich” albo outsourcowanych części bloga.

Expired Domain Abuse: wykupywanie wygasłych domen, aby nadużywać ich profilu linków na potrzeby nowych treści, często skalowanych za pomocą AI.

Ta polityka przynosi mierzalne efekty. Wraz z aktualizacją Core Update z marca 2024 i towarzyszącymi jej zasadami dotyczącymi spamu Google początkowo spodziewał się o 40% mniej treści niskiej jakości, a po zakończeniu wdrażania poinformował nawet o 45% mniej nieoryginalnych treści niskiej jakości w wynikach wyszukiwania. Przekaz dla B2B jest jednoznaczny: skalowanie bez merytorycznej wartości jest systematycznie deprecjonowane.

E-E-A-T jako kryterium oceny treści AI

Skoro nie liczy się metoda, liczy się udokumentowana jakość. Google ocenia ją według kryteriów E-E-A-T: Experience, Expertise, Authoritativeness i Trust. Każdy z tych wymiarów można celowo wzmocnić w treściach tworzonych z pomocą AI.

Experience: własne doświadczenie to wymiar, którego model językowy nie jest w stanie zapewnić. LLM nigdy sam nie używał narzędzia ani nie prowadził projektu. To tu człowiek wnosi najwięcej: konkretne przykłady projektów, własne zrzuty ekranu, udokumentowane wyniki z prawdziwych zleceń.

Expertise: fachową głębię trzeba potwierdzić weryfikowalnymi stwierdzeniami. Właśnie tu zawodzi tekst AI przejęty bez sprawdzenia, bo modele generują szczegóły, które brzmią wiarygodnie, ale są nieprawdziwe.

Authoritativeness: sygnały autorskie mają kluczowe znaczenie. Prawdziwa biografia autora z kwalifikacjami, podlinkowana strona profilu i spójny autorytet tematyczny w wielu artykułach pokazują, że za tekstem stoi konkretna, możliwa do zidentyfikowania osoba.

Trust: źródła, aktualność, nota prawna i poprawność. Zaufanie to nadrzędny wymiar, który spaja wszystkie pozostałe.

Rynek niemiecki pokazuje, że istnieje tu luka: według Bitkom Research 52% firm twierdzi, że w działach marketingu często brakuje kompetencji potrzebnych do sensownego wykorzystania AI. Jednocześnie 51% jest przekonanych, że generatywna AI już dziś przejmuje znaczną część kreatywnej pracy marketingowej. To połączenie, intensywne użycie przy niskich kompetencjach, tworzy dokładnie takie środowisko, w którym Scaled Content Abuse powstaje niezamierzenie.

Information Gain: kluczowy czynnik wyróżniający

Information Gain oznacza dodatkową wartość informacyjną, jaką strona oferuje w porównaniu z treściami już zaindeksowanymi. Generyczny tekst z LLM ma z definicji niski Information Gain, bo czerpie z tych samych danych treningowych co tysiące innych tekstów. Kto chce pozostać widoczny w B2B, musi aktywnie tworzyć tę wartość dodaną.

Konkretne dźwignie Information Gain:

Oryginalne dane: własne ankiety, wskaźniki branżowe, zanonimizowane dane klientów lub analizy z własnego stacku narzędzi. Tych liczb nie ma w żadnym zbiorze danych treningowych.

Case studies: udokumentowane scenariusze „przed i po” z prawdziwych projektów, najlepiej z kontekstem branży, sytuacji wyjściowej i wyniku.

Przykłady z praktyki: konkretne zastosowania zamiast abstrakcyjnych zasad. Prawdziwy workflow redakcyjny jest cenniejszy niż lista generycznych dobrych praktyk.

Własna analiza: uzasadnione eksperckie stanowisko, które wykracza poza streszczenie istniejących źródeł.

Information Gain to prawdopodobne wyjaśnienie, dlaczego strony z najwyższymi pozycjami mają zwykle nieco mniej treści AI. Na samym szczycie o wyniku decyduje prawdopodobnie to, co mogą wnieść tylko ludzie z prawdziwym doświadczeniem.

Hybrydowy workflow w praktyce

Udowodnioną skuteczność ma podejście hybrydowe: AI odpowiada za skalowanie i prace przygotowawcze, a człowiek dba o jakość i E-E-A-T. Praktyczny proces redakcyjny dla treści B2B można podzielić na cztery fazy.

Faza 1, research i struktura (AI): research tematów, mapowanie intencji wyszukiwania, propozycje konspektu i pokrycie semantycznych słów kluczowych. Tu AI działa szybko i dokładnie.

Faza 2, szkic (AI z briefem): pierwsza wersja tekstu na podstawie precyzyjnego briefu, który określa ton, grupę docelową i własne dane do uwzględnienia. Szkic to surowiec, a nie produkt końcowy.

Faza 3, weryfikacja faktów i wzbogacenie (człowiek): każda liczba, każde badanie i każde stwierdzenie są sprawdzane w rzeczywistym źródle. Tu dochodzą własne dane, case studies i przykłady z praktyki, których model nie zna.

Faza 4, kontrola jakości (człowiek): ton, poprawność językowa, sygnały E-E-A-T, przypisanie autora i ostateczne zatwierdzenie. Tekst zostaje opublikowany dopiero po tej fazie.

Obowiązkowe kryteria jakości przed publikacją: każda statystyka poparta zweryfikowanym źródłem, żadnych zmyślonych badań, jasno przypisany autor, potwierdzone doświadczenie w tekście i wyraźny Information Gain w porównaniu z tym, co wygenerowałby standardowy LLM.

Częste błędy: thin content, zduplikowane treści i halucynacje

Zautomatyzowana produkcja niesie ze sobą trzy powtarzające się źródła błędów. Każde z nich można wychwycić przed publikacją.

Halucynacje AI: modele językowe wymyślają statystyki, badania, cytaty i źródła, które brzmią przekonująco, ale nie istnieją. To najgroźniejsze źródło błędów, bo bezpośrednio niszczy sygnał Trust. Środek zaradczy: weryfikacja źródeł bez wyjątku. Żadna liczba nie trafia do tekstu bez możliwego do sprawdzenia oryginalnego źródła.

Thin content: AI wypełnia akapity poprawnymi, ale bezwartościowymi ogólnikami. Tekst wydaje się kompletny, ale nie wnosi żadnego Information Gain. Środek zaradczy: sprawdź każdy akapit pod kątem tego, czy zawiera coś, czego nie ma w dziesięciu innych artykułach.

Zduplikowane treści: ponieważ wiele firm korzysta z tych samych modeli i podobnych promptów, powstają niemal identyczne teksty. Środek zaradczy: znaczący własny wkład, własne dane i własna ekspercka perspektywa.

Skuteczna kontrola jakości przed publikacją systematycznie sprawdza: czy wszystkie liczby mają źródła? Czy każde cytowane badanie naprawdę istnieje? Czy tekst odróżnia się od generycznych odpowiedzi LLM? Właśnie na tym progu przydatne treści hybrydowe oddzielają się od Scaled Content Abuse.

AI Act: obowiązki w zakresie przejrzystości od sierpnia 2026

Dla firm B2B w Europie dochodzi do tego wymiar prawny. Artykuł 50 unijnego AI Act reguluje obowiązki w zakresie przejrzystości dotyczące treści generowanych przez AI i obowiązuje od 2 sierpnia 2026 r. To, który obowiązek ma zastosowanie, zależy od roli. Oznakowanie syntetycznych treści w formacie nadającym się do odczytu maszynowego to obowiązek dostawców generatywnych systemów AI (ust. 2), a nie firm, które piszą teksty przy użyciu cudzych narzędzi. Kto tworzy własny system AI i oddaje go do użytku pod własną nazwą, nawet tylko na własne potrzeby, może sam być dostawcą w rozumieniu art. 3. Zgodnie z ust. 4 firmy korzystające z AI muszą ujawniać deepfake'i i oznaczać teksty wygenerowane przez AI, które mają informować opinię publiczną o sprawach leżących w interesie publicznym. Obowiązek dotyczący tekstów nie ma zastosowania, jeśli człowiek sprawdził tekst lub poddał go kontroli redakcyjnej, a osoba lub firma ponosi odpowiedzialność redakcyjną za publikację.

Co firmy powinny wdrożyć już teraz:

Przejrzystość: jasna praktyka pokazująca, jak i gdzie AI jest wykorzystywana w procesie tworzenia treści. Hybrydowy sposób pracy z ludzką odpowiedzialnością redakcyjną jest tu zaletą, bo człowiek pozostaje wyraźnie wskazaną instancją odpowiedzialną. Właśnie pod tym warunkiem obowiązek oznaczania tekstów nie ma zastosowania.

Obraz, dźwięk i wideo: deepfake'i trzeba ujawniać jako sztucznie wygenerowane lub zmanipulowane (ust. 4).

Dokumentacja procesu: wewnętrzna wytyczna, która określa, kto sprawdza i zatwierdza teksty tworzone z pomocą AI, dowodzi kontroli redakcyjnej i jest zarazem narzędziem zapewniania jakości.

Ponieważ konkretna interpretacja i stosowanie przepisów w szczegółach wciąż się kształtują, ocenę prawną w konkretnym przypadku warto skonsultować ze specjalistą. Strategiczny wniosek pozostaje bez zmian: kto i tak stawia na udokumentowane procesy z odpowiedzialnością redakcyjną, jest dobrze przygotowany na wymogi przejrzystości.

Zero-Click i GEO: widoczność w odpowiedziach AI

Widoczność przesuwa się od kliknięć do wzmianek. Analiza Pew Research oparta na danych z przeglądania 900 dorosłych Amerykanów pokazuje, że gdy w wynikach pojawia się podsumowanie AI, użytkownicy klikają w klasyczny wynik wyszukiwania tylko podczas 8% wizyt, a bez podsumowania AI podczas 15%, czyli prawie dwa razy częściej. W link w samym podsumowaniu klikają tylko podczas 1% wizyt. Analiza Ahrefs obejmująca 300 000 słów kluczowych daje podobny obraz: obecność AI Overview koreluje ze średnio o około 58% niższym CTR pierwszego wyniku.

Strategiczna odpowiedź to Generative Engine Optimization. Według badania GEO celowa optymalizacja może zwiększyć widoczność w odpowiedziach generatywnych nawet o 40%. Skuteczne są treści zbudowane tak, by dało się je cytować:

Statystyki: konkretne, poparte źródłami liczby, które system AI może przejąć bezpośrednio.

Cytaty i źródła: jasno przypisane wypowiedzi i podlinkowane oryginalne źródła zwiększają prawdopodobieństwo cytowania.

Przejrzysta struktura: precyzyjne definicje, jednoznaczne odpowiedzi na zapytania i uporządkowany układ z wyrazistymi śródtytułami.

Strategia lokalna: dlaczego generyczne treści AI nie wystarczą w B2B

W europejskim B2B argumenty przeciwko skalowaniu bez merytorycznej wartości są jeszcze mocniejsze. Decydujące są trzy cechy rynku.

Język i lokalizacja: lokalna odmiana języka, lokalne pojęcia i ramy prawne, takie jak AI Act, odróżniają się od generycznych tekstów z AI, często tłumaczonych z angielskiego. Kto kieruje ofertę na konkretny rynek, musi myśleć lokalnie, a nie tłumaczyć.

Ścieżka zakupowa B2B: decyzje zakupowe B2B zapadają długo, wymagają intensywnego doradztwa i opierają się na zaufaniu. Generyczne treści nie przekonują fachowych nabywców, bo brakuje im właśnie potwierdzonego doświadczenia, którego wymaga E-E-A-T.

Specyfika rynku: kontekst branżowy, szczególne wymogi regulacyjne i regionalne referencje decydują o zakupie. Tę głębię zapewnia tylko ludzka wiedza ekspercka, a nie globalnie trenowany model.

Właśnie tu leży szansa: jeśli duża część rynku produkuje generyczne treści AI, lokalnie zakorzenione treści oparte na doświadczeniu wyróżniają się tym bardziej.

Predictive SEO i architektura topic clusterów

Największą uzasadnioną wartość AI wnosi w strategiczne prace przygotowawcze, a nie w niesprawdzone pisanie. Szczególnie owocne są trzy obszary zastosowań.

Topic clustery i pillar pages: AI pomaga w pełni zmapować obszary tematyczne, zaplanować pillar page z powiązanymi artykułami klastra i zidentyfikować luki semantyczne.

Mapowanie intencji wyszukiwania: systematyczne przypisywanie słów kluczowych do intencji informacyjnej, nawigacyjnej, transakcyjnej lub komercyjnej można z pomocą AI znacznie przyspieszyć.

Semantyczne słowa kluczowe i encje: AI odkrywa powiązane pojęcia, encje i tematyczne sąsiedztwa, które strona powinna obejmować, aby wyczerpująco omówić swój temat.

We wszystkich tych przypadkach kluczowa pozostaje kontrola człowieka: AI dostarcza hipotez i struktury, a człowiek weryfikuje je na podstawie rzeczywistych danych rynkowych i własnego doświadczenia.

Pomiar i monitoring: jak prawidłowo diagnozować spadki pozycji

Kto skaluje treści AI, potrzebuje monitoringu, który odróżnia normalne wahania od rzeczywistych kar. Pragmatyczne podejście:

Porównaj z aktualizacjami Core Update i Spam Update: przy spadkach pozycji najpierw sprawdź, czy zbiegają się w czasie ze znaną aktualizacją Google. Spadek równoległy do Spam Update wskazuje na problem z jakością lub skalowaniem.

Sprawdzaj działania ręczne: Google Search Console pokazuje działania ręczne bezpośrednio. Zgłoszone działanie ręczne z powodu Scaled Content Abuse wymaga oczyszczenia stron, których dotyczy, i złożenia prośby o ponowne rozpatrzenie.

Śledź jakość treści AI: obserwuj na poziomie poszczególnych stron, które treści tracą widoczność. Jeśli spadki kumulują się na słabo dopracowanych stronach opartych głównie na AI, to sygnał, że brakuje Information Gain.

Reaguj na obniżenie pozycji: zamiast usuwać strony, których dotyczy problem, gruntownie je przeredaguj, o ile temat pozostaje istotny. Uzupełnij własne dane, case studies i potwierdzone doświadczenie, a usuń słaby, masowo produkowany tekst.

Nadrzędna zasada pozostaje taka sama dla wszystkich metryk: Google mierzy użyteczność, a nie metodę produkcji. Dlatego monitoring, który stawia w centrum jakość i Information Gain, jest skuteczniejszy niż szukanie jednego progu AI, który nie istnieje.

Dalsza lektura

W B2B tworzenie treści z pomocą AI nie stanowi ryzyka dla pozycji w rankingu, dopóki zapewnione są ludzka kontrola redakcyjna, E-E-A-T i Information Gain. Warto zgłębić tematy: E-E-A-T i sygnały autorskie, Information Gain jako strategia wyróżnienia, unikanie thin content i zduplikowanych treści, strategia Zero-Click i GEO oraz wymogi prawne AI Act dla firm w UE.