GEO i AEO: jak pozostać widocznym w erze wyszukiwania AI

Zadaj dziś pytanie, a jest spora szansa, że nie zobaczysz listy dziesięciu niebieskich linków. Pytasz ChatGPT, Perplexity, Gemini albo AI Overviews od Google — i wraca jedna, złożona już odpowiedź: napisana, opatrzona źródłami i z góry rozstrzygająca, które firmy zostaną wspomniane, a które nie. Jeśli to nie Twoja treść zostaje w tej odpowiedzi zacytowana, jesteś praktycznie niewidoczny — nawet gdy na starej stronie wyników wciąż zajmujesz pierwsze miejsce. Wyrosły dwie dyscypliny, które odpowiadają dokładnie na tę zmianę: Answer Engine Optimization (AEO) i Generative Engine Optimization (GEO).

Czym są AEO i GEO

AEO — Answer Engine Optimization to bycie odpowiedzią, a nie linkiem do niej. Wyrosło z wyróżnionych fragmentów (featured snippets), asystentów głosowych i „pozycji zero", a dziś obejmuje także silniki odpowiedzi oparte na AI. Jego fundamentem są dane strukturalne oraz bezpośrednie, samodzielne treści w formie pytanie–odpowiedź, które maszyna może przejąć dosłownie.

GEO — Generative Engine Optimization jest nowsze i węższe: to praktyka bycia cytowanym, przywoływanym lub reprezentowanym wewnątrz odpowiedzi generowanej przez AI — w akapicie, który pisze ChatGPT, w streszczeniu składanym przez Perplexity, w ramce, którą Google AI Overviews pokazuje nad wynikami. Tam, gdzie AEO pyta „czy maszyna potrafi wydobyć moją odpowiedź?", GEO pyta „gdy model komponuje świeżą odpowiedź z wielu źródeł, czy moje się w niej znajdzie i zostanie przypisane?".

Żadne z nich nie zastępuje klasycznego SEO — nadbudowują się nad nim. Model wciąż musi zaindeksować i zrozumieć Twoją stronę, zanim ją zacytuje, więc fundamenty — indeksowalność, czysta struktura, realny autorytet — wciąż mają znaczenie. AEO i GEO dokładają jedynie nowy cel ponad rankingiem: być źródłem, które maszyna wybiera, by przemówić jego głosem.

flowchart TB
  subgraph SEOflow["Klasyczne wyszukiwanie · SEO"]
    direction LR
    Q1["Zapytanie"] --> L["Lista linków"]
    L --> CL["Kliknięcie w link"]
    CL --> P["Twoja strona"]
  end
  subgraph AIflow["Odpowiedź AI · AEO / GEO"]
    direction LR
    Q2["Zapytanie"] --> ENG["Silnik czyta<br/>wiele źródeł"]
    ENG --> ANS["Jedna gotowa odpowiedź<br/>z linkami do źródeł"]
    ANS --> CIT{"Czy Twoja treść<br/>jest cytowana?"}
    CIT -->|tak| VIS["Jesteś w odpowiedzi"]
    CIT -->|nie| INV["Jesteś niewidoczny"]
  end

Skąd i dlaczego się to wzięło

Jeszcze kilka lat temu żadna z tych dyscyplin nie miała nazwy. Zmiana układa się w krótką, gęstą oś czasu. Publiczna premiera ChatGPT w listopadzie 2022 roku niemal z dnia na dzień uczyniła konwersacyjne, syntetyzowane odpowiedzi codziennym nawykiem. Google odpowiedziało swoim Search Generative Experience, które dojrzało do AI Overviews — pokazywanych dziś nad zwykłymi wynikami dla sporej części zapytań. Perplexity zbudowało całą swoją tożsamość wokół hasła „answer engine", zwracając napisaną odpowiedź z cytowaniami zamiast strony linków. Wspólny mianownik to wzrost wyszukiwania zero-click: odpowiedź powstaje na stronie wyników, a użytkownik nigdy nie odwiedza źródła, z którego pochodzi.

flowchart LR
  A["Listopad 2022<br/>Premiera ChatGPT"] --> B["2023<br/>Google SGE —<br/>wyszukiwanie generatywne"]
  B --> C["Listopad 2023<br/>Praca naukowa<br/>«GEO»"]
  C --> D["2024<br/>Google AI Overviews<br/>nad wynikami"]
  D --> E["Teraz<br/>Perplexity i inne<br/>«silniki odpowiedzi»"]

Sam termin GEO pochodzi z badań. Akademicka praca z 2023 roku zatytułowana GEO: Generative Engine Optimization — autorstwa badaczy związanych z Princeton, Georgia Tech, Allen Institute for AI oraz IIT Delhi, później zaprezentowana na konferencji KDD 2024 — jako pierwsza sformalizowała ten problem i zmierzyła, które zmiany w treści faktycznie zwiększają to, jak często dane źródło jest cytowane wewnątrz generowanej odpowiedzi. Szczegóły warto przeczytać, ale najważniejsza jest sama zmiana perspektywy: cel przesunął się z wypozycjonowania strony, by człowiek w nią kliknął, na bycie zacytowanym w wygenerowanej odpowiedzi, w którą człowiek może nie kliknąć nigdy.

Czym GEO i AEO różnią się od klasycznego SEO

Klasyczne SEO optymalizuje stronę pod ranking — by pojawiła się wysoko na liście i człowiek w nią kliknął. AEO i GEO optymalizują pod bycie wydobytą lub zacytowaną odpowiedzią — tekstem, który maszyna powtarza, lub źródłem, które przypisuje. Skoro cel jest inny, zmieniają się też sygnały, które się liczą.

Struktura ponad słowa kluczowe. Strona pod ranking może ukryć odpowiedź trzy przewinięcia niżej; silnik odpowiedzi potrzebuje jej podanej wprost, wcześnie i w formie czytelnej dla maszyny.

Cytowalne fakty ponad perswazję. Modele przejmują jasne, samodzielne stwierdzenia. Zdanie, które broni się samo — definicja, liczba, bezpośrednie „tak" lub „nie" — ma znacznie większą szansę na cytat niż akapit, który ma sens tylko w kontekście.

Świeżość i klarowność ponad objętość. Aktualne, jednoznaczne, dobrze udokumentowane fakty zdobywają cytaty; ściany mglistej prozy nie.

Autorytet wciąż decyduje. E-E-A-T — doświadczenie, ekspertyza, autorytatywność, zaufanie — liczy się jak zawsze, bo model, niczym uważny redaktor, woli cytować źródło, któremu ma powód ufać.

Dostęp crawlerów to teraz sprawa pierwszej wagi. Silnik generatywny zacytuje tylko to, co jego crawler mógł przeczytać. Jeśli Twój robots.txt blokuje boty AI, samodzielnie wypisałeś się z odpowiedzi.

Jak stosujemy to w MiCode

Nie traktujemy tego jak pola do odhaczenia na jednej stronie — prowadzimy to jako praktykę obejmującą całe portfolio: tę stronę firmową i nasze witryny produktowe. Wzorzec jest na tyle spójny, że da się go opisać jak przepis.

flowchart LR
  SITE["Nasze strony<br/>mi-code.pl · eksiegowyai.pl · ai-budget.pl"] --> LLMS["llms.txt<br/>+ llms-full.txt"]
  SITE --> ROB["robots.txt<br/>wpuszcza boty AI,<br/>odgradza trasy prywatne"]
  SITE --> JLD["JSON-LD<br/>FAQPage · Organization"]
  SITE --> PRE["Trójjęzyczny prerender<br/>canonical + hreflang"]
  LLMS --> CRAWL["Crawler AI<br/>czyta stronę"]
  ROB --> CRAWL
  JLD --> CRAWL
  PRE --> CRAWL
  CRAWL --> ANS["Odpowiedź AI<br/>cytuje i wspomina o Tobie"]

Na mi-code.pl publikujemy wyselekcjonowany, uporządkowany plik llms.txt — tekstową mapę firmy, produktów, bloga i FAQ, napisaną tak, by modele językowe czytały ją wprost. Nasz robots.txt celowo wpuszcza crawlery AI — GPTBot, ChatGPT-User, ClaudeBot, anthropic-ai, PerplexityBot, Google-Extended, CCBot — zamiast je blokować, bo crawler, którego zamkniemy na klucz, to odpowiedź, w której nigdy się nie pojawimy. Każdy artykuł emituje dane strukturalne FAQPage (JSON-LD), wypiekane per-język w statycznym prerenderze, obok schematu Organization. Cała witryna jest prerenderowana do trzech realnych, indeksowalnych drzew językowych — /, /en/ i /ru/ — każde z samoodwołującym się canonicalem i wzajemnym hreflang (z x-default wskazującym na polski), więc silnik czytający w którymkolwiek z trzech języków trafia na czysty, indeksowalny URL. Sama treść jest semantyczna i skanowalna: nagłówki, wyróżnienia i FAQ z bezpośrednimi odpowiedziami, plus sitemap.

Na eksiegowyai.pl, naszym produkcie księgowym, ten sam przepis dostosowuje się do działającej aplikacji. Uporządkowany llms.txt mapuje produkt, poradniki, artykuły i firmę; robots.txt wpuszcza jeszcze szerszy zestaw crawlerów AI — między innymi GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot, Claude-User, anthropic-ai, PerplexityBot, Perplexity-User, Google-Extended, Applebot-Extended i CCBot — jednocześnie jawnie blokując prywatną część: trasy API, panel administracyjny, dashboard, czat, KSeF, ustawienia, subskrypcję i logowanie. Wiedza publiczna jest otwarta dla maszyn; dane użytkownika już nie.

Na ai-budget.pl, naszej aplikacji do budżetowania, idziemy o krok dalej i publikujemy zarówno zwięzły llms.txt, jak i llms-full.txt — pełne lustro treści w markdown dla modeli, które wolą kompletny tekst niż samą mapę. robots.txt znów wpuszcza szeroki zestaw crawlerów AI, a całość spina sitemap.

Kształt jest wszędzie ten sam i łatwo go skopiować: po pierwsze, uczyń witrynę czytelną dla maszyn dzięki llms.txt i danym strukturalnym; po drugie, świadomie wpuść crawlery AI, jednocześnie odgradzając trasy prywatne; po trzecie, odpowiadaj wprost na realne pytania — z FAQ i schematem w tle.

Praktyczna lista kontrolna

Jeśli chcesz, by Twoja własna treść przetrwała tę zmianę, kilka konkretnych ruchów pokrywa większość terenu.

Odpowiadaj wprost i wcześnie. Podaj odpowiedź w pierwszym akapicie, w zdaniu, które broni się samo. Reszta może rozwijać; cytowalne zdanie ma być pierwsze.

Dodaj prawdziwe FAQ ze schematem FAQPage. Zapisz pytania, które Twoi odbiorcy naprawdę zadają, odpowiedz na każde w samodzielnym akapicie i oznacz je danymi FAQPage (JSON-LD), by maszyna mogła je przetworzyć bez zgadywania.

Trzymaj fakty cytowalne i aktualne. Wybieraj jasne stwierdzenia, realne liczby i datowane źródła zamiast mglistej prozy. Aktualizuj je, gdy zmienia się rzeczywistość; nieświeży fakt to utracony cytat.

Opublikuj uporządkowany llms.txt. Daj modelom czystą, tekstową mapę tego, co oferujesz i gdzie to jest. Kosztuje niemal nic, a czyni witrynę zrozumiałą dla systemów, które dziś odpowiadają.

Wpuść crawlery AI — świadomie. Zezwól głównym botom AI w robots.txt, jednocześnie blokując trasy prywatne, aplikacyjne i logowania. Nie da się zostać zacytowanym przez silnik, który się zablokowało.

Używaj semantycznego HTML i JSON-LD. Prawdziwe nagłówki, listy i dane strukturalne (Organization, FAQPage) dają maszynom rusztowanie, by poprawnie zrozumieć i ponownie wykorzystać Twoją treść.

Buduj realny autorytet. E-E-A-T to nie sztuczka; publikuj z realną ekspertyzą, cytuj realne źródła i zapracuj na zaufanie, które sprawia, że model chętnie Cię cytuje.

Zastanawiasz się, jak Twój produkt lub treść wypada, gdy to AI odpowiada w Twoim imieniu? Budujemy strony i produkty czytelne zarówno dla ludzi, jak i dla maszyn — dane strukturalne, llms.txt, rozsądna polityka crawlerów i treść pisana tak, by dało się ją cytować. Napisz do nas na [email protected], a pomożemy Ci być znalezionym w odpowiedzi, nie tylko na stronie wyników.