Optymalizacja cytowań w AI: jak modele LLM wybierają marki

Klasyczne SEO optymalizuje pod algorytm rankingowy, który sortuje dziesięć linków. Optymalizacja cytowań w AI optymalizuje pod model językowy, który formułuje odpowiedź i wymienia w niej tylko kilka źródeł. To zupełnie inna gra, z własnymi regułami. Ten artykuł wyjaśnia, jak modele LLM, takie jak ChatGPT, Perplexity i Google AI Overviews, wybierają marki i źródła, dlaczego wzmianki o marce bez linku stają się przy tym najważniejszą walutą, które dźwignie on-page i off-page mają potwierdzone działanie oraz jak firma B2B może budować i mierzyć swoją widoczność w AI.

Dlaczego optymalizacja cytowań w AI ma znaczenie dla B2B

Wyszukiwanie wymiernie przesuwa się od klasycznej listy linków w stronę odpowiedzi generatywnej. Według reprezentatywnego badania Bitkom w Niemczech już co druga osoba (50 procent) przynajmniej czasami korzysta z czatu z AI zamiast klasycznej wyszukiwarki internetowej, 7 procent przeważnie, a 5 procent nawet wyłącznie. Badanie obejmuje tylko Niemcy, ale trend uznaje się za wyznaczający kierunek dla całego regionu DACH (Niemcy, Austria, Szwajcaria). Kto nie pojawia się w tych odpowiedziach AI, traci właśnie tę widoczność, którą wcześniej zapewniał ranking organiczny.

Decydujące jest to, że systemy AI wybierają inne źródła niż Google. Międzynarodowa analiza 15 000 promptów long tail pokazuje, że tylko 12 procent linków cytowanych przez ChatGPT, Gemini i Copilot pojawia się w top 10 Google dla tego samego promptu, a około 80 procent tych cytowań w ogóle nie pojawia się w Google dla pierwotnego zapytania. Dobra pozycja w Google nie gwarantuje więc cytowania przez AI. Boisko jest nowe i częściowo nagradza inne sygnały.

Dla rynku B2B oznacza to, że kto wcześnie postawi na cytowalność w AI, zapewni sobie widoczność w kanale, w którym konkurencja nie jest jeszcze tak duża jak w klasycznym SERP. Dlatego warto dokładnie zrozumieć mechanizm, który za tym stoi.

Jak modele LLM wybierają źródła: retrieval, grounding i query fan-out

Cytowanie w AI powstaje technicznie inaczej niż ranking w Google. Współczesne odpowiedzi AI łączą dwa źródła wiedzy. Po pierwsze wiedzę parametryczną, zapisaną w samym modelu i pochodzącą z danych treningowych. Po drugie bieżący retrieval, w którym system na żywo pobiera strony internetowe i opiera na nich swoją odpowiedź. Ten drugi krok nazywa się groundingiem: odpowiedź zostaje zakotwiczona w pobranych źródłach i poparta cytowaniami.

Najważniejsza różnica w stosunku do rankingu Google tkwi w query fan-out. Zamiast odpowiadać na pojedyncze zapytanie, system rozkłada pierwotne zapytanie na kilka pytań cząstkowych i wariantów, a następnie pobiera strony pasujące do tego wachlarza. Badanie Ahrefs dotyczące pokrywania się wyników opisuje ten mechanizm jako powód, dla którego AI pobiera strony na podstawie kilku wariantów zapytania, a nie tylko dokładnego pierwotnego pytania. Źródło, które dostarcza solidnych treści dla wielu powiązanych pytań cząstkowych, ma przez to większą szansę na cytowanie niż takie, które mocno rankuje tylko na jedno słowo kluczowe.

Z tego wynika kluczowy wniosek strategiczny. Nie wystarczy być numerem jeden na jedno słowo kluczowe. Marka musi być obecna w sieci jako encja szeroko, spójnie i w powiązaniu ze swoimi kluczowymi tematami, aby w całym query fan-out została rozpoznana jako istotne źródło. Właśnie tu wkracza Entity SEO.

Sygnały marki i Entity SEO jako fundament

Pod względem widoczności w Google AI Overviews wzmianki o marce wyraźnie wyprzedzają backlinki. Międzynarodowa analiza Ahrefs pokazuje, że branded web mentions wykazują najsilniejszą korelację spośród wszystkich badanych sygnałów brandingowych (0,664), podczas gdy liczba backlinków osiąga tylko 0,218. To stosunek około 3 do 1 na korzyść wzmianek. Jeszcze wyraźniej efekt widać w górnej części skali: w badaniu obejmującym 75 000 marek marki z górnego kwartyla pod względem wzmianek w sieci mają średnio 169 wzmianek w Google AI Overviews, ponad dziesięć razy więcej niż marki z drugiego kwartyla od góry, które mają 14.

Przyczyna tkwi w sposobie działania modeli. Modele LLM uczą się encji i relacji między nimi na podstawie częstotliwości i kontekstu, w którym marki, tematy i pojęcia występują razem. To współwystępowanie (co-occurrence) jest językiem, który model językowy rozumie. Spójny profil encji buduje się z kilku elementów:

• Spójne wzmianki o marce: Nazwa firmy, jej pisownia, adres i główna usługa muszą być identyczne we wszystkich źródłach. Sprzeczne dane rozmywają encję w Knowledge Graph.
• Wikidata i Wikipedia: Ustrukturyzowane bazy wiedzy są głównym źródłem wiedzy parametrycznej. Poprawnie opisana encja w Wikidata oraz, jeśli spełnione są kryteria encyklopedyczności, hasło w niemieckojęzycznej Wikipedii zakotwiczają markę w Knowledge Graph.
• Współwystępowanie z tematami: Marka powinna regularnie pojawiać się w tym samym kontekście co jej kluczowe tematy. Austriacki dostawca B2B, który chce być cytowany w danej dziedzinie, musi być tam wyraźnie powiązany z tym tematem.
• Dane strukturalne: Znaczniki Organization i sameAs jednoznacznie łączą witrynę z profilami marki i pomagają systemom prawidłowo zidentyfikować encję.

Znaczenie ustrukturyzowanych źródeł wiedzy widać w treningu i w cytowaniach. W zbiorze treningowym GPT-3 anglojęzyczna Wikipedia miała wagę 3 procent i była przetwarzana około 3,4 raza, częściej niż jakiekolwiek inne źródło danych. W odpowiedziach ChatGPT Wikipedia była jednocześnie najczęściej cytowanym pojedynczym źródłem, jak pokazuje analiza Profound obejmująca 680 milionów cytowań z okresu od sierpnia 2024 do czerwca 2025. Kto istnieje tam jako poprawnie opisana encja, jest bliżej źródła wiedzy parametrycznej.

Wzmianki o marce bez linku (unlinked brand mentions) jako waluta AI

W klasycznym SEO liczy się przede wszystkim odnośnik w formie linku. W przypadku modeli LLM ta zasada obowiązuje tylko w ograniczonym zakresie. Model językowy przetwarza tekst. Rozpoznaje markę i jej kontekst także wtedy, gdy wzmianka nie zawiera linku. Dzięki temu wzmianka o marce bez linku, czyli unlinked brand mention, staje się samodzielną walutą widoczności w AI. To właśnie wyjaśnia, dlaczego w danych korelacyjnych branded web mentions wyraźnie wygrywają z backlinkami.

W praktyce przesuwa to punkt ciężkości z samego link buildingu na digital PR i earned media. Celem nie jest już tylko link, ale wzmianka z mocnym kontekstem w wiarygodnych źródłach. Można to osiągnąć na kilka sposobów:

• Digital PR: Działania prasowe, które prowadzą do publikacji redakcyjnych, generują wzmianki o marce w wiarygodnych mediach, często w kontekście tematycznym.
• Treści oparte na danych: Własne badania, ankiety czy dane branżowe są cytowane przez innych i wielokrotnie łączą markę z jej specjalizacją.
• Prasa fachowa i portale branżowe: Artykuły, wywiady i wzmianki w odpowiednich mediach fachowych umieszczają markę we właściwym otoczeniu tematycznym.
• Monitoring wzmianek bez linku: Istniejące wzmianki bez linku można wyszukiwać i pielęgnować, na przykład ujednolicając pisownię i doprecyzowując kontekst.

Konsekwencja strategiczna: publikacja PR, która kiedyś liczyła się tylko ze względu na link, ma dziś dodatkową wartość jako sygnał dla AI, nawet jeśli nie zawiera linku. To zasadniczo zmienia ocenę earned media.

Taktyki GEO on-page: tworzenie treści, które nadają się do cytowania

Off-page decyduje o tym, czy marka zostanie rozpoznana jako istotna encja. On-page decyduje, czy konkretna strona nadaje się do zacytowania jako źródło. Naukową podstawę daje tu badanie z konferencji KDD 2024 dotyczące Generative Engine Optimization. Pokazuje ono, że GEO może zwiększyć widoczność w odpowiedziach generatywnych nawet o 40 procent. Skuteczne taktyki polegają na takim przygotowaniu treści, aby model językowy mógł je łatwo wyodrębnić i zacytować:

• Statystyki ze źródłem: Konkretne, udokumentowane liczby bardzo dobrze nadają się do cytowania, bo precyzują odpowiedź. Każdą liczbę trzeba opatrzyć jasnym wskazaniem źródła.
• Cytaty ekspertów: Wypowiedzi przypisane wymienionym z nazwiska specjalistom zwiększają wiarygodność i dostarczają modelowi elementów, które może zacytować.
• Źródła i dowody: Przejrzyste odesłania do źródeł pierwotnych sygnalizują wiarygodność, a to jedno z kluczowych kryteriów doboru źródeł.
• FAQ i ustrukturyzowane odpowiedzi: Jasno sformułowane bloki pytań i odpowiedzi odpowiadają dokładnie formatowi, w jakim systemy AI składają odpowiedzi.
• Znaczniki Schema.org: Dane strukturalne, takie jak FAQPage, Article czy Organization, sprawiają, że znaczenie treści staje się czytelne dla maszyn.
• Bloki treści nadające się do cytowania: Bezpośrednia odpowiedź na konkretne pytanie, zwięzła i kompletna, pod trafnym śródtytułem, zwiększa szansę, że zostanie przejęta dosłownie.

Wspólnym mianownikiem tych taktyk jest łatwość ekstrakcji. Treści, które odpowiadają na pytanie jednoznacznie i z dowodami, są preferowanym źródłem zarówno dla featured snippets, jak i dla odpowiedzi AI.

Specyfika platform: ChatGPT, Perplexity i Google AI Overviews

Optymalizacja cytowań w AI nie jest jednolitą dyscypliną. Główne platformy wybierają źródła na różne sposoby, co ma bezpośrednie konsekwencje dla taktyki.

ChatGPT mocno opiera się na ugruntowanej wiedzy encyklopedycznej. Według analizy Profound obejmującej 680 milionów cytowań (od sierpnia 2024 do czerwca 2025) Wikipedia była najczęściej cytowanym źródłem ChatGPT, z 7,8 procent wszystkich cytowań i 47,9 procent cytowań wśród dziesięciu najczęściej cytowanych domen. Międzynarodowy 2025 AI Citation & LLM Visibility Report firmy The Digital Bloom pokazuje też, że 87 procent cytowań SearchGPT pokrywa się z top 10 wyników Bing. Kto chce być tu widoczny, potrzebuje poprawnie opisanej encji w Wikipedii i Wikidata oraz solidnej obecności w Bing.

Perplexity mocniej stawia na retrieval w czasie rzeczywistym i treści tworzone przez użytkowników. W tej samej analizie Profound w Perplexity prowadził Reddit z 6,6 procent wszystkich cytowań, a wśród dziesięciu najczęściej cytowanych domen z 46,7 procent. Perplexity w większym stopniu uwzględnia też klasyczne rankingi: według badania dotyczącego pokrywania się wyników w Perplexity prawie co trzecie cytowanie wskazuje na strony z top 10. Tu aktualne treści i obecność w społecznościach działają razem z dobrym rankingiem w Google.

Google AI Overviews coraz częściej czerpią cytowania z szerszej puli niż tylko najwyższe wyniki. Według danych Ahrefs przeanalizowanych przez Search Engine Journal udział cytowań w AI Overviews pochodzących ze stron z najwyższych pozycji spadł z 76 procent w lipcu 2025 do 38 procent, przy bazie danych obejmującej 863 000 słów kluczowych i 4 miliony adresów URL z AI Overviews. Pozostałe cytowania rozkładają się na pozycje od 11 do 100 (31,2 procent) i pozycje dalsze niż 100 (31,0 procent). Także Google nagradza więc tematyczną szerokość, wykraczającą poza wąskie skupienie na rankingu.

Jak niewiele platformy mają ze sobą wspólnego, pokazuje jedna liczba: według AI Citation Report tylko 11 procent domen jest cytowanych przez ChatGPT ORAZ Perplexity. Źródło silne na jednej platformie często nie jest silne na innej. Strategie dopasowane do konkretnej platformy to więc konieczność, a nie dodatek.

Kontekst DACH i Austrii: lokalne źródła autorytetu jako baza cytowań

Na rynku austriackim kluczowe jest pytanie, które niemieckojęzyczne źródła uchodzą za autorytety. Ponieważ w analizie Profound Wikipedia była najczęściej cytowanym źródłem ChatGPT, niemieckojęzyczna Wikipedia jest centralnym punktem zakotwiczenia. Oprócz tego w regionie DACH istnieją specyficzne źródła autorytetu, które służą jako baza cytowań:

• Profil WKO i Firmen A-Z: Kompletny, spójny profil w katalogu firm Austriackiej Izby Gospodarczej dostarcza wiarygodnych, ustrukturyzowanych danych o encji na rynku austriackim.
• Niemieckojęzyczna prasa fachowa i portale branżowe: Wzmianki w odpowiednich publikacjach fachowych łączą markę z właściwym kontekstem tematycznym i językowym.
• Lokalne katalogi i izby: Branżowe rejestry i profile w izbach wzmacniają spójność danych marki.
• Niemieckojęzyczna Wikipedia i Wikidata: Jeśli spełnione są kryteria encyklopedyczności, hasło w niemieckojęzycznej Wikipedii z powiązaną encją w Wikidata jest najstabilniejszym zakotwiczeniem w Knowledge Graph.

Zaletą skupienia się na regionie DACH jest mniejsza konkurencja. Międzynarodowe źródła anglojęzyczne są mocno oblegane, a spójne sygnały encji w języku niemieckim można budować w bardziej ukierunkowany sposób.

Zarządzanie reputacją i opiniami zgodne z RODO

Sygnały marki i sygnały dla AI powstają także z opinii, działań prasowych i zewnętrznych źródeł danych. W regionie DACH działania te podlegają RODO, co wymaga postępowania bezpiecznego pod względem prawnym. Opinie i dane o reputacji są cennymi sygnałami współwystępowania, ale muszą być zbierane i wykorzystywane zgodnie z przepisami o ochronie danych:

• Pozyskiwanie opinii zgodnie z prawem: Opinie klientów powinny opierać się na jasnej podstawie prawnej, być zbierane w przejrzysty sposób i nie mogą być manipulowane. Fałszywe opinie są ryzykowne prawnie i podważają sygnał zaufania.
• Uwaga na dane osobowe: Przy działaniach prasowych i case study trzeba uzyskać zgodę wymienionych osób, a dane osobowe wykorzystywać oszczędnie.
• Weryfikacja źródeł danych: Zewnętrzne źródła danych do monitoringu marki muszą być zgodne z RODO. Podstawa prawna przetwarzania powinna być udokumentowana.
• Przejrzystość: Kompletna nota prawna, jasna polityka prywatności i spójne dane firmy wzmacniają jednocześnie wiarygodność jako encji.

Bezpieczeństwo prawne i widoczność w AI nie wykluczają się. Wręcz przeciwnie: przejrzyste, spójne i weryfikowalne dane to dokładnie te cechy zaufania, których wymaga RODO i które systemy AI preferują przy wyborze źródeł.

Od klasycznego backlinku do sygnału AI: nowy podział budżetu

Wraz z wyszukiwaniem opartym na AI i wnioskami z wycieku dokumentacji Google API zmienia się waga działań off-page. Sam backlink nie traci swojego działania, ale nie jest już dominującym sygnałem widoczności w AI. Dane korelacyjne są jednoznaczne: branded web mentions korelują z widocznością w AI Overviews na poziomie 0,664, backlinki tylko na poziomie 0,218. To przemawia za realokacją budżetu.

W praktyce oznacza to przesunięcie trzech punktów ciężkości. Po pierwsze mniej odizolowanego link buildingu, nastawionego wyłącznie na link. Po drugie więcej digital PR i earned media, które generują wzmianki o marce z mocnym kontekstem, niezależnie od linku. Po trzecie dedykowane działania GEO na własnej stronie, które sprawiają, że treści nadają się do cytowania. Backlink pozostaje częścią miksu, ale dzieli teraz budżet z dyscyplinami, które bardziej bezpośrednio przekładają się na sygnał AI.

Ważna jest trzeźwa ocena: klasyczne SEO i optymalizacja pod AI się nie wykluczają. Silna encja, udokumentowane treści i sygnały zaufania działają w obu światach. Kwestia budżetu nie jest decyzją typu „albo, albo”, tylko kwestią rozłożenia akcentów na korzyść sygnałów, które skalują się w wyszukiwaniu opartym na AI.

Praktyczny workflow dla B2B: od encji do pomiaru

Realistyczne wdrożenie przebiega w jasnej kolejności i wymaga czasu. Pierwsze efekty są zwykle widoczne po upływie od trzech do sześciu miesięcy, bo sygnały encji i wzmianki muszą najpierw trafić do modeli i do retrievalu.

• Konfiguracja encji (1. miesiąc): Ujednolicić dane marki, sprawdzić i zbudować encję w Wikidata, uspójnić profil WKO i wpisy w katalogach, wdrożyć schemat Organization i sameAs.
• GEO on-page (od 1. do 2. miesiąca): Przygotować kluczowe strony do cytowania, z udokumentowanymi statystykami, przypisanymi cytatami, blokami FAQ i poprawnymi znacznikami Schema.
• Digital PR i earned media (od 2. do 4. miesiąca): Celowo publikować treści oparte na danych i prowadzić działania prasowe, aby generować wzmianki o marce w mediach fachowych, z linkiem lub bez.
• Konfiguracja monitoringu (od 1. miesiąca, na bieżąco): Zdefiniować zestawy promptów, śledzić widoczność w AI i udział w cytowaniach, obserwować sentyment wzmianek.
• Iteracje (od 3. miesiąca): Na podstawie danych pomiarowych korygować działania dla poszczególnych platform, na przykład wzmacniać obecność w Wikipedii pod kątem ChatGPT albo aktualne treści pod kątem Perplexity.

Ten workflow nie jest projektem jednorazowym. Platformy stale się zmieniają, co pokazuje spadek udziału cytowań z top 10 Google z 76 do 38 procent, dlatego dostosowywanie działań powinno być stałą rutyną.

Najczęstsze błędy w optymalizacji cytowań w AI

• Stawianie wyłącznie na backlinki: Kto nadal inwestuje budżet głównie w linki, ignoruje silniejszy sygnał. Wzmianki o marce korelują na poziomie 0,664 wobec 0,218 w przypadku backlinków.
• Jedna strategia dla wszystkich platform: ChatGPT, Perplexity i Google wybierają źródła inaczej. Ponieważ tylko 11 procent domen jest cytowanych wspólnie przez ChatGPT i Perplexity, jednolite podejście zawodzi.
• Poleganie na dobrym rankingu w Google: Wysoka pozycja nie wystarczy. Około 80 procent cytowań w AI w ogóle nie pojawia się w Google dla pierwotnego pytania.
• Treści nieprzygotowane do cytowania: Bez udokumentowanych statystyk, jasnych odpowiedzi i struktury brakuje łatwości ekstrakcji. GEO może zwiększyć widoczność nawet o 40 procent, jeśli taktyki są konsekwentnie wdrażane.
• Niespójna encja: Sprzeczne dane marki rozmywają profil w Knowledge Graph i osłabiają sygnały współwystępowania.
• Ignorowanie ryzyk związanych z RODO: Zmanipulowane opinie lub nieprzejrzyste źródła danych są ryzykowne prawnie i podważają sygnał zaufania, który oceniają systemy AI.

Wskaźniki i pomiar widoczności w AI

Widoczność w AI da się zmierzyć, ale wymaga ona innych wskaźników niż klasyczne SEO. Kluczowe są cztery wielkości. Po pierwsze udział w cytowaniach, czyli to, jak często marka jest wymieniana lub linkowana w odpowiedziach na zdefiniowany zestaw promptów. Po drugie AI share of voice, który mierzy własny udział we wzmiankach na tle konkurencji. Po trzecie sentyment, czyli ton, w jakim marka jest wspominana. Po czwarte dynamika branded web mentions jako wskaźnik wyprzedzający.

Podstawą metodyczną jest starannie zdefiniowany zestaw promptów: stała lista pytań, które potencjalni klienci w kontekście B2B rzeczywiście by zadali. Ten zestaw regularnie sprawdza się na odpowiednich platformach i analizuje udział w cytowaniach. Narzędzia takie jak Ahrefs Brand Radar czy funkcje AI w Semrush wspierają śledzenie wzmianek o marce i widoczności w AI w czasie.

Przy interpretacji kluczowy jest kontekst platformy. Ponieważ dobór źródeł w systemach dynamicznie się zmienia, co pokazuje spadek udziału cytowań z top 10 Google z 76 do 38 procent, pojedynczy pomiar mówi mniej niż trend z kilku miesięcy. Wyprzedzającą dźwignią pozostaje przy tym liczba wzmianek o marce, bo marki z górnego kwartyla pod względem wzmianek są w Google AI Overviews wymieniane ponad dziesięć razy częściej niż marki z drugiego kwartyla od góry.

Co dalej

Optymalizacja cytowań w AI to logiczne rozszerzenie SEO off-page na świat, w którym wyboru dokonują modele językowe. Fundamentem pozostaje silna, spójna encja, zakotwiczona w sieci dzięki wzmiankom o marce, ustrukturyzowanym źródłom wiedzy i tematycznemu współwystępowaniu. Na tym opierają się treści nadające się do cytowania i taktyki dopasowane do platform. Sensowne kolejne kroki dla firmy B2B to audyt własnych sygnałów encji, zdefiniowanie zestawu promptów do monitoringu i stopniowa realokacja budżetu off-page z odizolowanego link buildingu na digital PR, earned media i GEO. Kto połączy te dyscypliny, zbuduje widoczność w kanale, który coraz częściej uzupełnia klasyczne wyszukiwanie.