Perplexity Pages to format edytorski, w którym silnik wyszukiwarki Perplexity sam komponuje stronę odpowiedzi i podpisuje ją źródłami. Dla zespołów marketingowych w 2026 roku jest to nowy interfejs widoczności: jeśli marka nie pojawi się jako cytowane źródło lub temat strony, traci ekspozycję u milionów użytkowników, którzy zaczynają ścieżkę zakupową od pytania w czacie zamiast od listy 10 niebieskich linków.
Ten przewodnik tłumaczy, jak skonfigurować widoczność marki w Perplexity Pages: od warstwy technicznej (jak silnik dobiera źródła), przez framework redakcyjny (co publikować, by być cytowanym), aż po pomiar efektów. Materiał uzupełnia szerszą strategię opisaną w tekście Strategia AIO 2026: roadmapa od audytu do cytowań, do której warto wrócić, gdy ułożymy taktykę dla samego Perplexity.
Czym są Perplexity Pages dla brandów
Perplexity Pages, uruchomione w połowie 2024 roku i rozwijane od tamtej pory, to wygenerowane przez model strony, które łączą podsumowania (tzw. answer cards), fragmenty cytowań, sekcje powiązane i odnośniki do źródeł zewnętrznych. W odróżnieniu od klasycznego SERP użytkownik dostaje gotową narrację, a marka pojawia się w niej w trzech rolach: jako cytowane źródło wewnątrz akapitu, jako kafelek „Related” lub jako podmiot, o którym akapit traktuje wprost.
Z perspektywy brandu znaczenie ma rozróżnienie między byciem cytowanym a byciem opisanym. Cytowanie podnosi autorytet i ruch, opisanie buduje rozpoznawalność i pozycję eksperta. Optymalna strategia obejmuje obie warstwy, ponieważ Perplexity łączy je w jednej karcie odpowiedzi i pokazuje obok siebie.
Architektura odpowiedzi w Perplexity
Pod maską Perplexity działa kilka modeli (m.in. własne warianty Sonar oraz dostępne opcjonalnie GPT-4.x i Claude). Niezależnie od wyboru modelu pipeline jest podobny: zapytanie trafia do warstwy retrieval, która pobiera kandydatów ze świeżego indeksu webu, następnie reranker wybiera najwyżej oceniane fragmenty, a model językowy syntetyzuje z nich akapit i przypisuje ponumerowane cytowania. Z tego względu sama jakość treści to za mało: liczy się też to, czy fragment daje się łatwo wyciąć i wstawić jako blok cytatu.
Mechanikę chunkowania i sygnałów retrieval rozpisałem w osobnym tekście Treści pod retrieval: chunkowanie, embeddingi, schema 2026. Tutaj zatrzymujemy się na poziomie, który wystarcza marketerowi: pisz krótkimi akapitami, opatrzonymi konkretnymi danymi, a model będzie mógł je zacytować bez parafrazy.
Czym Perplexity Pages różni się od Google AI Overviews
Najczęstszym błędem jest traktowanie Perplexity jak kolejnej wyszukiwarki Google. Tymczasem oba systemy mają inną logikę: Google AI Overviews preferuje strony już rankujące w klasycznym SERP, a Perplexity dynamicznie buduje korpus źródeł na każde zapytanie i nie ogranicza się do pierwszej dziesiątki. Konsekwencja praktyczna: w Perplexity szansę dostają strony niszowe, dobrze oznakowane i ze świeżymi danymi, nawet jeśli mają niski autorytet domeny.
Anatomię cytowań w Google opisałem w Optymalizacja pod Google AI Overviews: anatomia source boxa. Po lekturze obu materiałów łatwiej zaplanować spójną strategię, bo część działań (schema, semantyczna struktura) działa w obu systemach, a część (np. częstotliwość aktualizacji) wymaga rozdzielenia.
Najważniejsze zasady i framework
Framework, który stosuję na rynku polskim od początku 2026 roku, ma cztery filary. Każdy z nich można zoperacjonalizować i delegować w zespole, co pozwala wyjść poza pojedyncze działania ad hoc i zbudować powtarzalny proces optymalizacji pod Perplexity.
Filar 1: Faktografia i atrybucja
Perplexity faworyzuje teksty bogate w fakty: liczby, daty, nazwy własne, cytaty branżowe. Marka, która produkuje raporty roczne, dane z własnych badań lub benchmarki produktów, dostarcza modelowi gotowe materiały do cytowania. Kluczowe jest, by te dane były atrybutowane (źródło, data pomiaru, próba), bo model preferuje cytaty pochodzące z opisanego tła metodologicznego.
Filar 2: Granularność i nagłówki
Strony skanowane przez retrieval są pocięte na bloki wyznaczane przez nagłówki H2 i H3. Bloki muszą być niezależne semantycznie: tytuł nagłówka powinien zawierać jednostkę intencji (np. „Jak liczyć ROI z Perplexity Pages”), a pierwszy akapit powinien dawać odpowiedź samodzielnie, bez konieczności czytania poprzednich akapitów. Brak granularności powoduje, że kandydatami do cytowania zostają fragmenty losowe lub wcale.
Filar 3: Encje i relacje
Modele językowe operują na grafach encji, dlatego w treści powinny pojawiać się jasno wskazane encje: produkty, osoby, miejsca, technologie, w połączeniu z relacjami opisanymi w naturalnym języku („Producent X dostarcza moduł Y firmie Z”). Spójna sieć encji w obrębie domeny zwiększa szansę, że model rozpozna markę jako autoryta tematyczną, a nie pojedynczą stronę.
Filar 4: Świeżość i sygnały aktualizacji
Perplexity wyraźnie preferuje treści świeże: ranking source boxa zauważalnie ciąży ku publikacjom z ostatnich 30 do 90 dni, zwłaszcza w zapytaniach zawierających rok lub słowo „aktualnie”. Marka, która chce być stale cytowana, potrzebuje zatem rytmu publikacji oraz polityki aktualizowania kluczowych stron (np. raz na kwartał z widoczną datą „ostatnia aktualizacja”).
Jak to wdrożyć krok po kroku
Poniższy harmonogram zakłada zespół trzyosobowy (autor, edytor SEO, programista wspierający), 8 tygodni i jasno zdefiniowany cluster tematyczny. Można go przyspieszyć przy zaangażowaniu agencji, ale logika kroków pozostaje ta sama.
Krok 1. Audyt obecnej obecności w Perplexity
Wpisz w Perplexity 30 do 50 zapytań związanych z Twoją kategorią produktową (po polsku i po angielsku, jeśli grasz na rynku globalnym). Dla każdego zapytania zapisz: które domeny zostały zacytowane, w jakim kontekście, czy Twoja marka pojawia się jako źródło lub temat. Wynik trzymaj w arkuszu z kolumnami: zapytanie, cytowane źródła, ranga marki (0 do 5), notatki.
Krok 2. Wybór klastrów tematycznych
Skup wysiłek na dwóch lub trzech klastrach z największym potencjałem konwersji. Dla każdego klastra zdefiniuj 6 do 12 konkretnych pytań, na które chcesz, by Perplexity cytował Twoją markę. Przykład: dla SaaS analitycznego klastrem może być „atrybucja w marketingu”, a pytaniem „jak liczyć MMM w 2026 roku”.
Krok 3. Produkcja artykułów filarowych
Dla każdego klastra napisz jeden artykuł filarowy o objętości 2500 do 4500 słów, z gęstą siatką podlinków do artykułów wspierających. Filarowy ma być rozbudowany, ale podzielony na bloki H2/H3 odpowiadające bezpośrednio na pytania z arkusza. Każdy blok zaczyna się od dwuzdaniowej odpowiedzi (tzw. lead chunk) i dopiero potem rozwija temat.
Krok 4. Schema i znaczniki techniczne
Dodaj na każdej stronie schemę Article z atrybutami datePublished, dateModified, author (z osobnym profilem osoby) oraz citation, jeśli powołujesz się na zewnętrzne raporty. Dla treści typu FAQ użyj FAQPage tylko wtedy, gdy pytania faktycznie pojawiają się w intencjach wyszukiwania (Perplexity karci za sztuczne FAQ). Wsparcie LLM dla pełnej JSON-LD jest częściowe, ale poprawia jakość parsowania metadanych.
Krok 5. Sygnały zaufania poza domeną
Perplexity buduje obraz autorytetu na podstawie wzmianek krzyżowych: sprawdza, czy marka jest opisywana w niezależnych źródłach (Wikipedia, raporty branżowe, podcasty, materiały konferencyjne). Plan działania obejmuje wpisy w katalogach branżowych, gościnne artykuły w mediach o wysokim autorytecie i, jeśli to możliwe, hasło na Wikipedii dla marki spełniającej kryteria notowalności.
Krok 6. Aktualizacje i monitoring
Po publikacji każdy artykuł wraca do kalendarza aktualizacji co 90 dni. Zmieniaj statystyki, dopisuj nowe sekcje, podbijaj dateModified. Równolegle prowadź comiesięczny test 30 zapytań kontrolnych z kroku 1, by zobaczyć, czy ranga marki rośnie. Punkty kontrolne audytowe omawiam szczegółowo w tekście Audyt SEO pod AIO 2026: dodatkowe punkty kontroli.
Najczęstsze błędy i pułapki
Wdrożenia, które obserwowałem u klientów w pierwszym kwartale 2026 roku, najczęściej zatrzymywały się na kilku powtarzających się problemach. Warto je rozpoznać wcześnie, bo każdy z nich potrafi zniweczyć kilkanaście godzin pracy redakcji.
Błąd 1. Pisanie pod ogólne intencje, nie konkretne pytania
Ogólne teksty typu „wszystko o atrybucji” rzadko trafiają do source boxa, bo model nie wie, który fragment wybrać. Lepsza taktyka: rozbicie tematu na 8 do 12 osobnych podstron, każda z jasno postawionym pytaniem w tytule i w pierwszym H2.
Błąd 2. Brak danych własnych
Strony oparte wyłącznie na parafrazie zewnętrznych źródeł są przez Perplexity traktowane jako wtórne. Marka, która nie udostępnia własnych benchmarków, ankiet lub danych użycia, dostaje cytowania incydentalnie. Inwestycja w jeden raport roczny z liczbami zwraca się szybciej niż 30 generycznych artykułów blogowych.
Błąd 3. Słownictwo nieprzystające do języka pytań
Perplexity dopasowuje source box do języka zapytania. Jeśli użytkownicy pytają „ile kosztuje wdrożenie X”, a Twoja strona używa wyłącznie żargonu produktowego („konfiguracja modułu Y”), retrieval ma problem z dopasowaniem. Dobrą praktyką jest wpisanie w arkuszu pytania w obu wariantach językowych (potoczny i ekspercki) i upewnienie się, że oba pojawiają się w tekście.
Błąd 4. Zbyt skomplikowane HTML i CSS
Niektóre buildery generują hipertekst w formie głęboko zagnieżdżonych div z dynamicznie ładowaną zawartością, której crawler Perplexity nie odtworzy w pełni. Sprawdzaj eksperymentalnie, czy Twoja strona renderuje się poprawnie w „view source” oraz po pobraniu przez prosty fetcher (np. curl). Treść kluczowa musi być w pierwotnym HTML.
Błąd 5. Pomijanie autora
Perplexity coraz bardziej dba o sygnały eksperckości: imię i nazwisko autora, biografia, profil społecznościowy w schemie. Strony anonimowe lub podpisane „Redakcja” są częściej pomijane na rzecz konkurencji, która ma wskazanego eksperta. Warto zatem zbudować w zespole 3 do 5 stałych autorów z pełnymi profilami.
Błąd 6. Nadprodukcja kosztem jakości
Tempo publikacji liczy się dla świeżości, ale jeszcze bardziej liczy się gęstość informacji w jednym artykule. Lepsza dynamika wzrostu cytowań pojawia się przy 4 mocnych artykułach miesięcznie niż przy 20 słabych. Pułapka skalowania generatywnego polega na tym, że model wewnętrzny rozpoznaje wzorce wytrenowanego tekstu i obniża ranking treści zbyt „modelowych”.
Mierzenie efektów i KPI
Perplexity nie udostępnia jeszcze pełnego API dla brandów (stan na pierwszy kwartał 2026), więc pomiar opiera się na hybrydzie własnych testów, narzędzi zewnętrznych i analizy ruchu z domen Perplexity. Poniższe KPI sprawdziły się u klientów, których prowadzę przez program AIO.
KPI 1. Citation Share
Mierzysz odsetek zapytań kontrolnych z arkusza, w których Twoja marka pojawia się jako cytowane źródło. Ustaw 30 do 50 zapytań, sprawdzaj co tydzień, raportuj jako wartość procentową. Cel zależny od branży: dla nasyconych kategorii zdrowy wynik to 25 do 40 procent po 6 miesiącach pracy.
KPI 2. Topic Share
Drugi wskaźnik to udział marki w odpowiedziach jako podmiot opisany (a nie tylko cytowany). Mierzysz, w ilu zapytaniach Perplexity pisze o marce w treści odpowiedzi, niezależnie od tego, czy linkuje do strony. Ten wskaźnik jest trudniejszy do podniesienia, bo wymaga obecności marki w wielu źródłach trzecich.
KPI 3. Ruch z perplexity.ai
Sprawdź segment ruchu z domen referer perplexity.ai, www.perplexity.ai i mobilnej aplikacji w Google Analytics 4 lub Plausible. Filtruj wejścia, dla których strona docelowa jest cytowanym artykułem. Dobrym sygnałem jest stabilny, rosnący wolumen, nawet jeśli liczby są jednocyfrowe procentowo: użytkownicy z Perplexity konwertują częściej niż z klasycznego SEO, bo trafiają na stronę po przeczytaniu rekomendacji.
KPI 4. Czas do cytowania (TTC)
Mierz, ile dni od publikacji artykułu Perplexity zaczyna cytować jego fragmenty w testowych zapytaniach. W praktyce przy poprawnej optymalizacji TTC mieści się w przedziale 7–21 dni. Dłuższy oznacza, że strony nie są jeszcze odkryte przez crawler lub że ich struktura semantyczna jest nieczytelna.
KPI 5. Brand Mention Lift
Niezależnie od kliknięć śledź wzrost zapytań brandowych w Google Search Console (nazwa marki, marka plus produkt). Perplexity działa często jak warstwa „discovery”: użytkownik czyta odpowiedź, zapamiętuje markę, a kupuje przez Google. Lift sięgający 15 do 30 procent kwartał do kwartału jest realnym celem dla brandów aktywnie inwestujących w AIO.
KPI 6. Cytowania jakościowe
Nie wszystkie cytowania są równe. Cytat w pierwszym akapicie odpowiedzi przynosi więcej ruchu i autorytetu niż wzmianka w bloku „Related”. Klasyfikuj wyniki testów na trzy poziomy: cytowanie główne (w treści odpowiedzi), cytowanie poboczne (w bibliografii pod tekstem), wzmianka tematyczna (kafelek „Related”). Raport miesięczny powinien pokazywać udział każdego poziomu, bo strategia ich pozyskiwania się różni.
KPI 7. Współczynnik konwersji z ruchu Perplexity
Mierz konwersję na cele biznesowe (rejestracja, zapytanie, zakup) w segmencie ruchu z Perplexity i porównaj z konwersją z klasycznego SEO. W praktyce u klientów, których prowadzę, konwersja z Perplexity jest 1,4 do 2,2 raza wyższa niż z Google. Powodem jest filtr intencyjny po stronie modelu: użytkownik dostaje rekomendację, więc trafia na stronę z postawą decyzyjną, nie eksploracyjną.
| KPI | Cel po 3 miesiącach | Cel po 6 miesiącach | Cel po 12 miesiącach |
|---|---|---|---|
| Citation Share | 10–15% | 25–35% | 40–55% |
| Topic Share | 5% | 15% | 25% |
| Ruch z perplexity.ai | 2x baseline | 5x baseline | 10x baseline |
| TTC (mediana) | 21 dni | 14 dni | 7–10 dni |
Powyższe widełki są szacunkowe i należy je dostroić do branży: kategorie regulowane (zdrowie, finanse) rozwijają się wolniej, B2B SaaS i tech rosną szybciej.
Modele decyzyjne, które warto przyjąć w zespole
Strategia AIO pod Perplexity wymaga decyzji, których nie da się oddelegować w pełni do narzędzi. Chodzi o wybór, na ile inwestować w treści filarowe vs nowe formaty (np. webinary, dane otwarte), kiedy publikować raport, a kiedy artykuł, jak rozdzielić budżet między content i PR. Trzy modele decyzyjne pomagają zachować spójność.
Model 1. Pyramid of Evidence
Każdy klaster opieraj na piramidzie: u podstawy znajduje się jedno duże źródło danych (raport, badanie, otwarty zestaw danych), wyżej 3 do 5 artykułów filarowych odwołujących się do tego źródła, a u góry 15 do 30 artykułów wspierających rozwijających poszczególne wątki. Taki układ daje retrieval modelu Perplexity jednoznaczny sygnał: marka jest źródłem oryginalnych danych, nie zaledwie redystrybutorem cudzych.
Model 2. Author of Record
Wybierz jedną osobę w zespole jako „autora kierującego” tematu. Niech będzie podpisany pod większością artykułów filarowych, niech ma profil Person ze zdjęciem, biografią, publikacjami i linkiem do LinkedIn. W długim okresie buduje to skojarzenie eksperckie, które Perplexity rozpoznaje przez powtarzające się wzmianki w sieci.
Model 3. Content Refresh Sprint
Co 90 dni przeznacz tydzień zespołowy na sprint odświeżania. W tym czasie autor dorzuca nowe akapity i dane do każdego filarowego artykułu, edytor SEO dopisuje nowe pytania w FAQ, a programista podbija dateModified. Sprint kończy się testem 30 zapytań kontrolnych i raportem do zarządu. Rytm kwartału utrzymuje świeżość bez wypalenia zespołu.
Studium przypadku: jak SaaS B2B podniósł Citation Share o 38 punktów
Na początku 2026 roku prowadziłem program AIO dla średniej wielkości spółki SaaS z branży marketing automation. Punkt startowy: 0 cytowań w 50 testowych zapytaniach, 18 tysięcy odsłon miesięcznie z Google, brak ruchu z Perplexity. Po 5 miesiącach wynik wyglądał inaczej: 38 procent Citation Share w 50 zapytaniach, 1900 odsłon miesięcznie z Perplexity, wzrost zapytań brandowych o 22 procent.
Co konkretnie zrobiliśmy
Pierwszy miesiąc przeznaczyliśmy na audyt i mapowanie klastrów. Wytypowaliśmy 3 klastry tematyczne (atrybucja, lead scoring, segmentacja w czasie rzeczywistym) i 38 konkretnych pytań, na które chcieliśmy być cytowani. Każde pytanie zostało rozpisane na arkuszu z kolumnami: pytanie, intencja, słownictwo eksperckie, słownictwo potoczne, oczekiwany format odpowiedzi.
Drugi i trzeci miesiąc to produkcja: 9 artykułów filarowych (po 3 na klaster), 27 artykułów wspierających (po 9 na klaster), reorganizacja kategorii w blogu i wdrożenie schemy Article, Person, FAQPage oraz Organization. Równolegle zespół PR uruchomił 6 publikacji gościnnych w mediach branżowych.
Czwarty miesiąc poświęciliśmy aktualizacjom: każdy filarowy dostał świeże dane z wewnętrznego badania klientów (n=420), nowe wykresy oraz dwa dodatkowe akapity FAQ. Piąty miesiąc to monitoring i drobne korekty: rozbudowa profili autorów, dopisanie kilku encji do tekstów (np. nazwy konkurencji w kontekście porównań).
Wnioski z projektu
Trzy obserwacje, które przeniosły się do mojego standardowego playbooka. Pierwsza: dane własne (badanie n=420) okazały się katalizatorem cytowań, bo Perplexity preferowało nasz tekst nad innymi, gdy pytanie dotyczyło konkretnej liczby. Druga: artykuły z imieniem i nazwiskiem autora zyskały o 60 procent więcej cytowań niż artykuły podpisane „Redakcja”. Trzecia: aktualizacja co 90 dni działała jak reset, bo strony znów były skanowane z wyższym priorytetem świeżości.
Praktyczna lista kontrolna do wdrożenia
Poniższa lista to operacyjny skrót przewodnika. Można ją wykorzystać jako checklistę do redakcji, briefu dla copywritera lub punkt rozmowy z agencją. Wszystkie pozycje pochodzą z realnych projektów wdrożeniowych z 2026 roku.
- Każdy artykuł ma podpisanego autora (imię i nazwisko, biografia, profil zewnętrzny).
- Pierwszy akapit każdej sekcji H2 lub H3 odpowiada na pytanie wprost (lead chunk).
- Tekst zawiera co najmniej 3 dane liczbowe z atrybucją źródła i datą.
- Schema
ArticlezdatePublishedidateModifiedjest wdrożona. - Strona renderuje się poprawnie po pobraniu przez prosty fetcher (bez JS).
- Wewnętrzny link graph łączy filar z 5 do 12 artykułami wspierającymi.
- Co najmniej dwa zewnętrzne źródła autorytetowe są cytowane w treści.
- Tytuł H2 zawiera jednostkę intencji wyrażoną językiem pytań użytkownika.
- Zdjęcie lub grafika ma alt text z głównym słowem kluczowym i kontekstem.
- Strona jest dodana do kalendarza aktualizacji (rytm 90 dni).
- Test 30 zapytań kontrolnych jest powtarzany co 30 dni.
Narzędzia, które realnie pomagają
Rynek narzędzi pod AIO i Perplexity dopiero się formuje, ale kilka rozwiązań sprawdza się w polskich zespołach. Wymieniam je w kolejności użyteczności w typowym wdrożeniu, zaczynając od tych, bez których trudno startować.
Pierwsza grupa to narzędzia do testowania zapytań i zbierania danych z Perplexity (np. własny skrypt korzystający z API Perplexity Sonar lub manualna obserwacja w arkuszu). Druga grupa to klasyczne narzędzia SEO (Ahrefs, Senuto, Semrush) używane do mapowania klastrów i monitorowania ruchu w Google. Trzecia grupa to systemy CMS i schemy (RankMath, Yoast, Schema Pro), które ułatwiają wdrożenie znaczników bez ingerencji programisty.
Ważne, by nie ulec pokusie nadmiernego stacku. Na początek wystarczą trzy elementy: arkusz z zapytaniami kontrolnymi, klasyczne narzędzie SEO oraz CMS ze schemą. Dopiero przy skali powyżej 60 artykułów warto inwestować w dedykowane platformy AIO.
Co zrobić w pierwszym tygodniu
Jeśli ten przewodnik czytasz w roli osoby decyzyjnej i potrzebujesz konkretnego pierwszego ruchu, rekomenduję następujący tydzień zerowy. Dzień pierwszy: ułożenie listy 50 zapytań kontrolnych w arkuszu i wpisanie ich w Perplexity, zapis wyników. Dzień drugi: identyfikacja 3 klastrów z największym deficytem cytowań i potencjałem konwersji. Dzień trzeci: przegląd istniejących artykułów pod kątem siatki nagłówków, leadów i schemy. Dzień czwarty: rozpisanie kalendarza redakcyjnego na 8 tygodni z konkretnymi tytułami i autorami. Dzień piąty: spotkanie kick off z zespołem (autor, edytor, programista) i jasne ustalenie roli każdego w procesie. To wystarczy, by w drugim tygodniu wystartować z produkcją.
Po dwóch tygodniach od startu wypada przegląd pierwszych KPI: czy Citation Share zaczął rosnąć, czy TTC dla nowych artykułów mieści się w przedziale, jak zmienia się Brand Mention Lift. Drobne korekty wprowadzaj raz w tygodniu, większe rewizje strategii raz na kwartał. Reszta to dyscyplina i powtarzalność.
FAQ
Czy Perplexity Pages ma reklamy lub płatne pozycjonowanie?
Na pierwszy kwartał 2026 Perplexity nie wprowadziło jeszcze pełnoprawnego modelu reklamowego. Trwają testy formatów sponsorowanych w niektórych kategoriach, ale nie wpływają one na zwykłe cytowania. Z perspektywy brandu jedynym wiarygodnym sposobem dostania się do source boxa jest dziś organiczna optymalizacja treści.
Jak długo trwa, zanim nowy artykuł zostaje cytowany?
Mediana w testach polskich zespołów to 10 do 14 dni od publikacji, pod warunkiem że strona ma poprawną schemę, świeżą datę i odpowiednie pokrycie tematyczne. Strony bardzo niszowe potrafią zostać cytowane szybciej, bo konkurencja w retrieval jest mniejsza.
Czy artykuły generowane przez AI są karane w Perplexity?
Nie ma kary „z definicji”, ale model wewnętrzny rozpoznaje wzorce wytrenowanego tekstu i obniża ranking źródeł, których styl wygląda na czysto generatywny. Recepta to dane własne, konkretne liczby, autor podpisany imieniem, redakcja przed publikacją. Generatywny szkielet jest dopuszczalny, ale jako szkic, nie produkt finalny.
Jakie znaczniki schema są najważniejsze pod Perplexity?
Najważniejsze są Article z polami datePublished i dateModified, profil autora z Person oraz citation dla powołań na raporty. Schemat FAQPage stosuj wyłącznie tam, gdzie pytania faktycznie pojawiają się w intencjach. Dodatkowy plus daje schemat Organization z linkami do oficjalnych profili marki.
Czy potrzebuję obecności w mediach społecznościowych, żeby Perplexity widział markę?
Pomaga, ale nie jest warunkiem koniecznym. Najsilniejszym sygnałem są niezależne wzmianki w mediach branżowych, w katalogach i, jeśli marka spełnia kryteria, na Wikipedii. Profil w mediach społecznościowych potraktuj jako uzupełnienie autorytetu, a nie podstawę.
Czy strategia działa też dla małych i lokalnych marek?
Tak, a wręcz częściej małe marki mają w Perplexity większą szansę niż w klasycznym SEO, bo retrieval nie filtruje twardo po autorytecie domeny. Warunek to gęste pokrycie wąskiego klastra tematycznego, świeżość treści i autor z wiarygodnym profilem. Dla lokalnych biznesów dodatkowo działają cytowania w lokalnych mediach i katalogach.