Case: jak podniesliśmy cytowalność w Perplexity 3× w 90 dni

W ciągu 90 dni (grudzień 2025 – luty 2026) nasz zespół zwiększył cytowalność marki klienta w Perplexity z 9% do 31% dla listy 60 kluczowych fraz branżowych. Ten tekst opisuje konkretnie, co robiliśmy, co zadziałało, co nie zadziałało, i jakie wnioski można przełożyć na własne wdrożenia AIO. Case jest z branży B2B SaaS (fintech), ale większość taktyk sprawdzi się w innych branżach.

Kluczowa obserwacja: wzrost cytowalności w Perplexity nie wymagał napisania dziesiątek nowych artykułów. Wymagał strukturalnej refaktoryzacji istniejących treści (47 artykułów), poprawy technicznej (schema, llms.txt, autorzy) i budowy E-E-A-T sygnałów (profile autorów, zewnętrzne cytowania). Klient miał już solidny fundament SEO – ten case pokazuje, co trzeba dodać, żeby fundament SEO przekuć w fundament AIO.

W skrócie

Baseline: 9% cytowalność Perplexity dla 60 fraz branżowych (grudzień 2025). Tzn. na 60 zapytań Perplexity zwracało naszą markę w 5-6 przypadkach.
Po 90 dniach: 31% cytowalność. Tzn. w 18-19 przypadkach na 60. Wzrost 3,4×.
Kluczowe działania: refaktoryzacja 47 istniejących artykułów (dodanie TL;DR, FAQ, tabel), wdrożenie author schema dla 4 autorów, budowa 23 zewnętrznych cytowań (guest posty, wywiady), llms.txt.
Nie zadziałało: próba „ghost writing” – publikacja AI-generated contentu bez human authorship. Perplexity wyłapało i nie cytowało.
Dodatkowe efekty uboczne: wzrost cytowalności w ChatGPT (12% → 24%), Google AI Overviews (8% → 19%), klasyczne SEO – wzrost ruchu organicznego 47%.

Stan wyjściowy: co klient miał w grudniu 2025

Klient to polska firma B2B SaaS w fintech (~25 mln PLN ARR). Stan na grudzień 2025:

Ruch organiczny: 78 000 sesji/mc, stabilnie od 6 miesięcy.
Blog: 340 artykułów, 18 nowych miesięcznie, zespół 4 autorów + 1 redaktor.
Pozycje w top 10 dla 380 fraz branżowych (silne klasyczne SEO).
Domain Rating (Ahrefs): 54. Backlinki: 2800 referring domains.
AI metryki: 9% cytowalność w Perplexity (baseline), 12% w ChatGPT, 8% w AI Overviews.
Techniczne SEO: solidne (Core Web Vitals zielone, schema Article, sitemap ok).
Autorstwo: artykuły podpisane ogólnym „Zespół [Firma]”, brak profili autorów.
llms.txt: brak.
Struktura treści: klasyczne artykuły SEO (H2, H3, prose) bez TL;DR, bez FAQ, ale z good on-page optimization.

Hipoteza: SEO fundamenty są mocne, ale AIO elementy nie. Artykuły są napisane dla Google, nie dla LLM-ów. Dlatego SEO działa, AIO nie. Plan: dodanie elementów AIO-friendly przy zachowaniu istniejącej bazy SEO.

Ten case jest przykładem dokładnie tego, co opisywaliśmy w przewodniku po optymalizacji pod ChatGPT, Claude i Perplexity – teraz z konkretnymi liczbami z wdrożenia.

Wybór taktyk: co zrobić w 90 dni przy ograniczonym budżecie

Budżet projektu: 85 tys. PLN na 90 dni. To równowartość pół etatu dedykowanego specjalisty plus narzędzia i trochę zewnętrznych działań PR.

Priorytetyzacja taktyk według ROI (szacowane na podstawie poprzednich projektów i branżowej wiedzy):

Refaktoryzacja 30-50 istniejących artykułów (AIO-friendly structure). Najwyższy ROI – leverage istniejącego autorytetu stron.
Author schema + profile autorów. Wysoki ROI – LLM-y silnie faworyzują authored content.
llms.txt + robots.txt (polityka LLM crawlerów). Niski koszt, podstawowa konfiguracja, bez której nic nie działa.
Zewnętrzne cytowania (guest posty, wywiady). Średni ROI – efekt budowany przez 3-6 miesięcy, ale bez zewnętrznych sygnałów E-E-A-T LLM-y cytują ograniczenie.
Nowe pillary AIO-first. Wysoki ROI, ale długi efekt (6-12 miesięcy). W 90 dniach napisalismy 3 pillary, efekt ich widoczny dopiero za kilka miesięcy.

Nie robiliśmy:

Link buildingu na większą skalę (nie było w budżecie, ten obszar był już dość dobrze pokryty).
Redesignu strony (nie priorytet, front-end był OK).
Pełnego audytu technicznego (już było wykonane kwartał wcześniej).

Tydzień 1-2: audyt i priorytetyzacja

Pierwsze dwa tygodnie zeszły na dokładny audit, który znaliśmy tylko wysokopoziomowo z danych klienta.

Audyt LLM-owy: 60 fraz branżowych × 5 LLM-ów = 300 data points. Manualne testowanie (bez narzędzi automatycznych w tej fazie, żeby zobaczyć kontekst odpowiedzi). Wynik: mapa dokładnie, gdzie jesteśmy i gdzie nas nie ma.

Audyt artykułów: 340 artykułów ocenionych na AIO-readiness w skali 0-10. Wyniki: średnia 3,4/10. Najgorsze elementy: brak TL;DR (96% artykułów bez), brak FAQ (91%), brak tabel porównawczych (79%), długie akapity 6-9 zdań (74%), brak autorstwa osobowego (100%).

Priorytetyzacja do refaktoryzacji: 47 artykułów wybranych na podstawie (a) top ruchu organicznego, (b) top cytowalność potencjalna (dla Perplexity), (c) fraz branżowych, w których chcemy być widoczni.

Tydzień 3-8: refaktoryzacja 47 artykułów

Core action projektu. Każdy z 47 artykułów przeszedł pełny AIO-makeover:

Przepisanie intro: pierwsze 2-3 zdania od razu delivery value.
Dodanie „W skrócie” TL;DR z 3-5 bullets na górze.
Przepisanie H2 jako pytań konkretnych („Jak wybrać X?” zamiast „X – podstawy”).
Dodanie sekcji FAQ (5-8 pytań z answers 80-150 słów).
Dodanie co najmniej jednej tabeli porównawczej.
Dodanie co najmniej jednej listy numerowanej.
Skrócenie akapitów do 2-4 zdań.
Konkretyzacja liczb i dat.
Przypisanie konkretnego autora (z 4 autorów w zespole) zamiast „Zespół”.

Tempo: 10-12 artykułów tygodniowo × 1 redaktor dedykowany + częściowa pomoc 2 autorów. Średni czas na artykuł: 2,5-4 godziny (zależnie od długości i stanu wyjściowego).

Wstępne efekty po 4 tygodniach (pierwsze 20 refakturowanych artykułów): brak widocznego wzrostu cytowalności. Lekka panika w zespole. Założyliśmy, że efekt przyjdzie opóźniony (Perplexity indeksuje z 2-4-tygodniowym delay’em).

Tydzień 5-6: profile autorów + schema Person

Równolegle z refaktoryzacją zacząłliśmy budować profile autorów.

Zespół 4 autorów otrzymał zadanie napisać rozbudowane bio (300-500 słów każdy) z:

Historią zawodową (konkretne stanowiska, firmy, lata).
Obszary specjalizacji (wąsko, konkretnie – nie „marketing digital ogólnie”, tylko „payment integration i compliance w fintechu”).
Linkami do profili zewnętrznych: LinkedIn, X, osobista strona (dla 2 z 4 autorów), ORCID (dla 1).
Listą wystąpień (konferencje, webinary z ostatnich 3 lat).
Profesjonalnym zdjęciem.

Implementacja techniczna: dedykowane strony bio pod URL /autor/{imie-nazwisko}/ ze schema Person. Każdy artykuł na blogu ma teraz author link do strony bio i author schema w JSON-LD.

Plugin RankMath w WordPress wygenerował schema automatycznie po uzupełnieniu pól. 4 strony bio + ~340 artykułów z author schema = 1 dzień pracy.

Tydzień 7-8: llms.txt + polityka crawlerów

Stworzyliśmy plik /llms.txt w roocie domeny. Zawartość (skrócona):

Nazwa firmy i krótki opis (co robimy).
Primary topics: 12 głównych obszarów tematycznych, które pokrywamy.
Top pages: linki do 10 głównych pillarów.
Contact: e-mail dla zapytań.
Allowed use: „Cytowania w odpowiedziach AI dozwolone z podaniem źródła i linka”.

W robots.txt: zezwolenie dla Perplexity-User, ChatGPT-User, Google-Extended; blokada GPTBot (training), CCBot (Common Crawl).

Rozwiązanie kompromisowe: zezwalamy LLM-om, które cytują z linkiem, blokujemy te, które tylko trenują się na content.

Tydzień 9-10: pierwsze wyniki i eksperyment z AI-generated content

Pierwsze realne wyniki po ~8 tygodniach od startu: cytowalność Perplexity 18% (z 9%). Podwojenie.

W tym momencie przetestowaliśmy hipotezę: czy publikacja 5 artykułów AI-generated (bez human edit) z jasnym autorstwem AI (pole author: „AI Assistant”) zwiększa cytowalność. Cel: sprawdzić, czy transparent AI authorship jest akceptowalne.

Wynik po 3 tygodniach: 0 nowych cytowań z tych artykułów. Perplexity wyraźnie faworyzuje human-authored content. Publikacja z author „AI Assistant” to sygnał low-trust.

Wniosek: AI w procesie – OK (hybrid writing), ale pod human author (redaktor merytoryczny). Pełna AI-authorship – nie działa dla cytowalności.

Tydzień 11-13: zewnętrzne cytowania i PR

Ostatnie 3 tygodnie skupiliśmy na budowie zewnętrznych sygnałów E-E-A-T. Współpraca z działem PR klienta.

Działania:

4 guest posty w branżowych mediach polskich (Cashless, Fintek, Money.pl, Puls Biznesu). Każdy podpisany przez konkretnego autora z zespołu z link do strony bio.
3 wywiady medialne (podcasty branżowe, jeden artykuł ekspertowy).
2 wystąpienia na webinarach branżowych (zapisy dostępne online).
Update LinkedIn profile wszystkich 4 autorów (regularne posty, engagement w branży).
Wikipedia: update artykułu o firmie (stan faktów, dane finansowe – nie „marketingowy push”, tylko czysto merytoryczny update).

Czas realizacji: 3 tygodnie. Koszt: ~18 tys. PLN (czas zespołu PR + stawki za guest posty).

Finalny pomiar: dzień 90

Pomiar cytowalności powtórzony dokładnie jak baseline:

Platforma	Baseline (dzień 0)	Dzień 90	Wzrost
Perplexity	9%	31%	3,4×
ChatGPT	12%	24%	2,0×
Google AI Overviews	8%	19%	2,4×
Claude	7%	15%	2,1×
Gemini	5%	13%	2,6×

Dodatkowe metryki (efekty uboczne):

Ruch organiczny: 78k → 114k sesji/mc (+46%).
Średni czas na stronie: 2:15 → 3:02 (+35%).
Bounce rate: 68% → 54% (-14 pp).
Nowe backlinks: +47 (głównie z zewnętrznych cytowań).
Domain Rating: 54 → 57.
Nowe konwersje (leady): +32%.

Efekty większe niż oczekiwane. Wyniki są zgodne z obserwowanymi przez nas w podobnych wdrożeniach – szczegóły tego, dlaczego LLM-y cytują treści ze strukturalnym formatowaniem, opisujemy w przewodniku o strukturalnym formatowaniu pod LLM.

Co zadziałało najbardziej: attribution analysis

Analiza, która akcja dała najwięcej wzrostu cytowalności. Używając danych tygodniowych i timelines akcji, oszacowaliśmy procentowy wkład każdej grupy działań:

Refaktoryzacja 47 artykułów: ~45% wzrostu.
Author schema + profile: ~25% wzrostu.
Zewnętrzne cytowania (guest posty, PR): ~18% wzrostu.
llms.txt + robots.txt: ~8% wzrostu.
Nowe pillary: ~4% wzrostu (efekt głównie w przyszłych miesiącach).

Kluczowy wniosek: największy ROI daje refaktoryzacja istniejącego contentu, nie produkcja nowego. Jeśli klient ma solidną bazę artykułów, ale bez AIO-friendly struktury, pierwsze działanie to przepisanie tych artykułów, nie pisanie nowych.

Najczęstsze błędy, których uniknęliśmy

Uniknięte pułapki, które widzimy w innych projektach:

Masa nowych artykułów zamiast refaktoryzacji. Zespół chciał publikować 20+ nowych. Zdecydowaliśmy inaczej – lepiej naprawić 47 istniejących.
Keyword stuffing „pod AIO”. Pokusa, żeby upychać frazy. Nie zrobiliśmy – LLM-y i Google to wykrywają, nie faworyzują.
Fake authors. Pokusa, żeby stworzyć 10 „nazwisk” dla sygnalizowania większego zespołu. Nie zrobiliśmy – realni autorzy z weryfikowalnymi profilami są dużo mocniejsi.
Kupowanie linków z sieci PBN. Szybka droga do wzrostu DR, ale ryzykowna. Poszliśmy path slower, ale trwałą.
Ignorowanie mobile. Refaktoryzacja musiała działać i na desktop, i na mobile – w 2026 większość ruchu z AI overviews jest mobile.

Co zrobilibyśmy inaczej w perspektywie wstecznej

Kilka rzeczy, które zrobilibyśmy inaczej gdybyśmy startowali projekt dziś:

Więcej time na pierwsze 10 artykułów refactored – w tym, co robiliśmy pierwsze, jest oczywiście więcej błędów niż w ostatnich. Zaczęlibyśmy od wolniejszego tempa (5 artykułów w tygodniu) i przyspieszyli, gdy proces jest ustalony.
Wcześniejszy start zewnętrznych cytowań – zaczęliśmy w tygodniu 11, powinniśmy w tygodniu 4. Guest posty mają long tail, warto jak najwcześniej.
Więcej fokusu na Gemini i Claude – nie mieliśmy dedykowanej pracy na te platformy, a one się też poprawiły. Bardziej planowana optymalizacja mogłaby dać jeszcze większe wzrosty.
Więcej czasu na community engagement (LinkedIn, X, branżowe grupy) – to ma duże efekty E-E-A-T, a kosztuje mało.

Budżet i ROI

Całkowity koszt 90-dniowego projektu: 85 tys. PLN. Podział:

Redaktor dedykowany (pół etatu): 30 tys. PLN.
Czas 4 autorów na pomoc + bio: 15 tys. PLN.
PR/outreach (guest posty, wywiady): 18 tys. PLN.
Narzędzia (Otterly, Ahrefs, Semrush): 8 tys. PLN.
Zewnętrzne koszty (fotografie autorów, design bio pages): 4 tys. PLN.
Konsulting (audyt, briefy): 10 tys. PLN.

Wartość zwrotu (pierwsze 90 dni): 32% więcej leadów, czyli ~45 dodatkowych leadów × wartość leada w tej branży (~800 PLN LTV) = 36 tys. PLN dodatkowej wartości pipeline.

ROI krótkoterminowo: ujemne (-57%). To OK – efekty AIO budują się długoterminowo.

Projekcja 12-miesięczna: utrzymanie 30% cytowalności i 46% wyższego ruchu organicznego. Wartość dodatkowa: ~450 tys. PLN w ciągu 12 miesięcy. ROI 12-miesięczny: ~430%.

FAQ – najczęstsze pytania o ten case

Czy ten wynik można powtórzyć w innej branży?

Podobne taktyki są skuteczne w większości branż. Skala wzrostu zależy od: (a) stanu wyjściowego (im wyżej baseline, tym trudniej o 3× wzrost), (b) konkurencyjności branży (bardziej konkurencyjne = wolniejszy wzrost), (c) jakości contentu baseline (dobry content łatwiej refactor’ować). Wzrost 2-3× w 90 dniach jest realistyczny dla firm z solidnym SEO fundamentem ale bez AIO.

Ile artykułów refactoring to minimum dla widocznych efektów?

Minimum ~20-30 artykułów. Poniżej efekty są marginalne. Top 30-50 stron po ruchu daje najlepszy ROI – już 10% wzrost CTR × 30 stron = mierzalny ogólny wzrost ruchu. Refactoring 5-10 artykułów nie da widocznego efektu w ogólnych metrykach.

Czy małej firmie (budżet 15-25 tys. PLN) da się osiągnąć podobne?

Mniejsze efekty, ale podobne proporcjonalnie. Mała firma może zrobić: refactor 15 artykułów (zamiast 47), 1 autora z rozbudowanym profile, 1-2 guest posty. Wzrost cytowalności realny 1,5-2× zamiast 3× – ale wciąż wartościowy.

Jakie narzędzie do monitoringu cytowalności w LLM-ach polecacie?

Otterly.ai w tym case’ie dobrze się sprawdziło. Alternatywy: Profound, AIPRM for SEO, własne skrypty na LLM API. Wybór zależy od skali – dla 50-100 fraz Otterly wystarcza, dla 500+ fraz lepiej własne automatyzacje.

Czy efekty są trwałe, czy trzeba ciągle pracować?

Częściowo trwałe. Struktura artykułów i author schema – trwałe. Zewnętrzne cytowania – wymagają odświeżania (nowe guest posty 1-2 na kwartał). Monitoring – ciągły. Po osiągnięciu pewnego poziomu cytowalności (typowo 30-40%), utrzymanie wymaga ~20-30% pierwotnego wysiłku miesięcznie.

Co zrobić, gdy po 90 dniach efekty są znacznie mniejsze?

Diagnoza trzystopniowa: (1) czy baseline był dobrze zmierzony – może było wyżej niż myśleliście, (2) czy realnie zrealizowaliście wszystkie działania (częsty problem: zaczęliśmy ale nie dokończyliśmy), (3) czy jest zewnętrzny czynnik (core update Google, zmiana polityki Perplexity). Bez 3× wzrostu nie ma tragedii – 1,5-2× nadal jest znaczący.

Czy warto powtarzać taki projekt co 90 dni?

Nie w tej samej intensywności. Pierwsze 90 dni to intensywna transformacja. Następne 90 dni to utrzymanie + dalsza optymalizacja (nowe pillary, kolejne 15-20 artykułów refactoringu). Po 12-18 miesiącach firma wchodzi w „ongoing AIO optimization mode” – ciągła, mniej intensywna praca 10-15 godzin tygodniowo.

Co dalej

Jeśli Wasza firma ma solidne klasyczne SEO i chce się szybko rozwinąć na polu AIO, ten case daje konkretny template. Pierwsze kroki: audyt baseline cytowalności w LLM-ach (2-3 godziny pracy) i lista 30-50 top artykułów do refactoringu. Po wdrożeniu tego planu warto wrócić do pełnego przewodnika AIO 2026, żeby mieć kontekst długoterminowy, oraz zobaczyć podstawy AIO, jeśli zespół potrzebuje wyrównania terminologii.