35 cytowań w ChatGPT w 90 dni – to wynik, który polska firma B2B SaaS z branży marketing automation osiągnęła wdrażając strategię AIO od zera. Na starcie projektu (październik 2025) żaden z 47 artykułów na blogu firmy nie był cytowany przez ChatGPT, Perplexity ani Gemini. Po 90 dniach systematycznej pracy 12 artykułów generowało łącznie 35 unikalnych cytowań tygodniowo w odpowiedziach ChatGPT na zapytania związane z marketing automation, email marketingiem i personalizacją treści.
Ten case study opisuje krok po kroku co zrobiliśmy, jakie metryki śledziliśmy, ile to kosztowało i jakie wnioski wyciągnęliśmy. Prezentowane dane pochodzą z okresu październik 2025 – styczeń 2026 i dotyczą domeny z DR 32 (Ahrefs), 47 artykułami blogowymi i ruchem organicznym na poziomie 8 500 sesji miesięcznie. Nie jest to domena z wysokim autorytetem, nie jest to znany brand — co czyni ten case bardziej realistycznym punktem odniesienia niż case studies dużych firm z DR 70+.
W skrócie
- Punkt startowy: 0 cytowań w ChatGPT, DR 32, 47 artykułów, 8 500 sesji organicznych/miesiąc.
- Wynik po 90 dniach: 35 cytowań tygodniowo w ChatGPT, 12 cytowań w Perplexity, wzrost ruchu organicznego o 22%.
- Koszt wdrożenia: 28 000 PLN (120 godzin pracy redakcyjno-strategicznej + narzędzia).
- Kluczowe działania: przeformatowanie 15 artykułów pod cytowalność, napisanie 8 nowych artykułów, budowa FAQ sections, dodanie danych strukturalnych.
- Najważniejszy wniosek: gęstość faktoidów i format answer-first miały większy wpływ na cytowania niż pozycja w Google czy autorytet domeny.
Stan wyjściowy – audyt przed projektem
Profil strony na starcie
Firma (nazwa zanonimizowana, dalej: „Klient”) to polski dostawca platformy marketing automation dla segmentu MŚP. Strona firmowa działa od 2019 roku, blog prowadzony regularnie od 2021 roku. Na starcie projektu w październiku 2025 blog miał 47 artykułów o łącznej długości około 145 000 słów. Ruch organiczny: 8 500 sesji miesięcznie, głównie z fraz informacyjnych typu „co to jest marketing automation”, „email marketing poradnik”, „segmentacja klientów”.
Profil techniczny strony: WordPress 6.4 z RankMath jako wtyczką SEO, CDN Cloudflare, LCP poniżej 2,5 s na mobile (zielone Core Web Vitals). Schema.org zaimplementowany tylko na poziomie WebSite i Organization – brak Article/BlogPosting schema na poszczególnych artykułach. Brak profilu autora na stronie — artykuły publikowane bez podpisu, co obniżało sygnały E-E-A-T. Więcej o znaczeniu sygnałów autorstwa w kontekście AIO opisujemy w przewodniku po E-E-A-T 2026.
Audyt cytowalności – punkt zero
Przed rozpoczęciem pracy przeprowadziliśmy audyt cytowalności: dla 25 najważniejszych fraz klienta (po ruchu organicznym i wartości biznesowej) sprawdziliśmy, co odpowiada ChatGPT, Perplexity i Gemini. Wynik audytu: na żadne z 25 zapytań żaden z modeli nie cytował strony klienta. ChatGPT cytował głównie anglojęzyczne źródła (HubSpot, Mailchimp, Zapier). Perplexity cytował polskojęzyczne źródła – ale konkurencyjne blogi, nie klienta. Gemini mieszał źródła polskie i angielskie.
Przyczyny braku cytowań zidentyfikowane w audycie treści: (1) artykuły pisane w formacie „storytellingowym” z długimi wstępami i brakiem bezpośrednich odpowiedzi na pytania, (2) brak sekcji FAQ, (3) niska gęstość faktoidów (większość artykułów miała 0-2 konkretne liczby na 3 000 słów), (4) brak tabel porównawczych, (5) akapity 5-8 zdań (za długie do chunk-owania przez LLM), (6) brak danych strukturalnych Article/BlogPosting.
Strategia – co postanowiliśmy zrobić
Podział na trzy etapy
Projekt podzieliliśmy na trzy etapy po 30 dni, z konkretnymi celami mierzalnymi na koniec każdego etapu. Struktura etapów wynikała z priorytetyzacji: najpierw optymalizacja istniejącej treści (szybkie efekty), potem nowa treść (dłuższa praca, ale większy potencjał), na końcu budowanie sygnałów autorytetu (efekt kumulatywny).
| Etap | Okres | Główne działanie | Cel mierzalny | Budżet godzinowy |
|---|---|---|---|---|
| 1. Optymalizacja istniejącej treści | Październik 2025 | Przeformatowanie 15 artykułów | 5 cytowań w LLM-ach | 45 godzin |
| 2. Nowa treść pod cytowalność | Listopad 2025 | 8 nowych artykułów answer-first | 15 cytowań łącznie | 50 godzin |
| 3. Autorytet i dystrybucja | Grudzień 2025 | Digital PR, profile autora, schema | 30 cytowań łącznie | 25 godzin |
Kryteria wyboru artykułów do optymalizacji
Z 47 istniejących artykułów wybraliśmy 15 do przeformatowania na podstawie trzech kryteriów ważonych. Kryterium 1 (waga 40%): pozycja w Google – artykuły rankujące w top 20 mają wyższą szansę na crawlowanie przez systemy RAG. Kryterium 2 (waga 35%): potencjał cytowalności – artykuły porównawcze, definicyjne i how-to mają 4-6x wyższy wskaźnik cytowań niż storytellingowe. Kryterium 3 (waga 25%): wartość biznesowa – frazy związane z core produktem klienta (marketing automation, email marketing) mają priorytet nad frazami peryferyjnymi.
Wynik selekcji: 15 artykułów do przeformatowania (7 definicyjnych, 5 how-to, 3 porównawcze), 8 nowych tematów do napisania od zera (zidentyfikowane jako luki treściowe – tematy, na które ChatGPT odpowiadał cytując konkurencję, a klient nie miał treści), 24 artykuły bez zmian (niski potencjał cytowalności lub niska wartość biznesowa).
Etap 1: Przeformatowanie istniejącej treści (miesiąc 1)
Proces przeformatowania artykułu – szablon
Każdy z 15 artykułów przeszedł przez ten sam 8-krokowy proces przeformatowania. Średni czas na artykuł: 3 godziny (od analizy do publikacji zaktualizowanej wersji). Techniki formatowania opisane w tym case pokrywają się z podejściem opisanym w naszym przewodniku po formatowaniu treści pod LLM.
- Analiza zapytań – dla jakiego zapytania artykuł rankuje w Google (GSC) i co ChatGPT/Perplexity odpowiadają na to zapytanie.
- Skrócenie akapitów – każdy akapit powyżej 4 zdań podzielony na 2-3 krótsze. Redukcja długości akapitu z mediany 6,2 zdań do 2,8 zdań.
- Dodanie answer-first – każda sekcja H2 dostała nowy pierwszy akapit z bezpośrednią odpowiedzią na pytanie postawione w nagłówku. Usunięte wstępy kontekstowe i zdania przejściowe.
- Wzbogacenie faktoidami – dodanie konkretnych liczb, dat, nazw narzędzi i wyników badań. Średnio 8-12 nowych faktoidów na artykuł. Źródła: raporty branżowe (Litmus, Mailchimp, HubSpot), własne dane klienta, badania akademickie.
- Dodanie tabel – każdy artykuł bez tabeli dostał minimum jedną tabelę porównawczą. Łącznie dodano 18 tabel do 15 artykułów.
- Dodanie/rozbudowa FAQ – 9 artykułów nie miało FAQ. Dodano sekcje FAQ z 5-7 pytaniami w formacie details/summary. 6 artykułów miało FAQ z 2-3 pytaniami – rozbudowano do 5-7.
- Dodanie schema Article – każdy artykuł dostał schema BlogPosting z polami: headline, datePublished, dateModified, author (z url i name), publisher, inLanguage: „pl”.
- Dodanie profilu autora – utworzono stronę autora (/autor/imie-nazwisko/) z bio, zdjęciem, linkami do LinkedIn i publikacji. Każdy artykuł podpisany imieniem i nazwiskiem z linkiem do profilu.
Przykład transformacji artykułu
Artykuł „Co to jest marketing automation” (3 200 słów, pozycja 7 w Google na frazę „marketing automation co to”): przed przeformatowaniem 0 cytowań w ChatGPT, po przeformatowaniu 4 cytowania tygodniowo. Kluczowe zmiany: dodanie definicji w pierwszym zdaniu (answer-first), dodanie tabeli porównawczej 5 platform marketing automation z cenami, dodanie 7 FAQ, skrócenie akapitów z mediany 7 zdań do 3 zdań, dodanie 14 faktoidów (wcześniej 1).
Drugi przykład: artykuł „Email marketing vs marketing automation” (2 800 słów, pozycja 12 w Google): przed – 0 cytowań, po – 6 cytowań tygodniowo w ChatGPT i 3 w Perplexity. Ten artykuł miał najwyższy wskaźnik cytowań ze wszystkich przeformatowanych – prawdopodobnie dlatego, że format porównawczy (X vs Y) jest jednym z najczęściej wyszukiwanych w LLM-ach, a polska treść porównawcza na ten temat była rzadkością.
Wyniki etapu 1
Po 30 dniach (sprawdzenie na koniec października 2025): 7 z 15 przeformatowanych artykułów pojawiło się jako cytowane źródło w ChatGPT (łącznie 11 cytowań tygodniowo). 4 artykuły cytowane w Perplexity (łącznie 6 cytowań). 2 artykuły w Gemini. Cel etapu (5 cytowań) przekroczony 2x. Dodatkowy efekt: wzrost ruchu organicznego o 8% (z 8 500 do 9 180 sesji/miesiąc) – prawdopodobnie wynikający z poprawy jakości treści i dodania FAQ (nowe pozycje na long-tail frazach).
Etap 2: Nowa treść pod cytowalność (miesiąc 2)
Identyfikacja luk treściowych
Luki zidentyfikowaliśmy metodą „reverse engineering LLM citations”: dla 50 zapytań związanych z marketing automation zadaliśmy pytania ChatGPT i Perplexity, zapisując cytowane źródła. Następnie zidentyfikowaliśmy tematy, na które LLM-y cytowały konkurencję, a klient nie miał treści. Wynik: 12 tematów z lukami, z których wybraliśmy 8 z najwyższą wartością biznesową.
Tematy nowych artykułów obejmowały: „marketing automation dla e-commerce – integracja z platformami sprzedażowymi”, „automatyzacja lead scoringu krok po kroku”, „RODO a marketing automation – wymagania prawne 2026″, „porównanie 7 narzędzi marketing automation dla MŚP”, „personalizacja emaili dynamiczna vs statyczna”, „retencja klientów przez marketing automation”, „raportowanie ROI marketing automation” i „integracja CRM z marketing automation – architektura danych”.
Framework pisania nowych artykułów
Nowe artykuły pisaliśmy od zera z zastosowaniem wszystkich technik cytowalności od pierwszego draftu. Każdy artykuł miał: 3 500-4 500 słów, minimum 2 tabele porównawcze, 6-8 pytań FAQ w details/summary, gęstość faktoidów minimum 1 na akapit, format answer-first w każdej sekcji H2, schema BlogPosting z autorem, linkowanie wewnętrzne do istniejących artykułów i nowych artykułów wzajemnie. Podejście do pisania treści łączyło techniki SEO i AIO opisane w frameworku pogodzenia dwóch odbiorców.
Średni czas na nowy artykuł: 6,25 godziny (research 1,5h, outline 0,5h, pisanie 3h, review i formatowanie 1,25h). Łączny czas na 8 artykułów: 50 godzin. Artykuły publikowane z backdatingiem rozłożonym na 4 tygodnie (2 tygodniowo) – nie wszystkie na raz, żeby dać Google czas na indeksację i ocenę każdego z osobna.
Wyniki etapu 2
Na koniec listopada 2025 (60 dni od startu): łącznie 23 cytowania tygodniowo w ChatGPT (wzrost o 12 vs koniec etapu 1). 8 cytowań w Perplexity. 4 cytowania w Gemini. Nowe artykuły zaczęły być cytowane średnio po 3-4 tygodniach od publikacji — szybciej niż oczekiwaliśmy. Najczęściej cytowany nowy artykuł: „porównanie 7 narzędzi marketing automation dla MŚP” (8 cytowań tygodniowo w ChatGPT) – format porównawczy z tabelą cen okazał się strzałem w dziesiątkę. Ruch organiczny wzrósł do 10 400 sesji/miesiąc (wzrost 22% od startu).
Etap 3: Autorytet i dystrybucja (miesiąc 3)
Budowanie sygnałów E-E-A-T
Trzeci etap skupił się na wzmocnieniu autorytetu strony i autora – czynnikach, które wpływają na cytowanie pośrednio (Google wyżej rankuje strony z silnym E-E-A-T, a wyższe pozycje korelują z większą liczbą cytowań w LLM-ach). Konkretne działania obejmowały: rozbudowę strony autora (dodanie publikacji, wystąpień konferencyjnych, certyfikatów), pozyskanie 4 wzmianek/cytatów eksperckich w polskich portalach branżowych (Marketing przy Kawie, Nowy Marketing, Sprawny Marketing, Brief.pl), dodanie schema Person z sameAs linkami do LinkedIn i Twitter, oraz aktualizację wszystkich artykułów o nowe dane za Q4 2025.
Digital PR ukierunkowany na LLM visibility
Klasyczny digital PR (pozyskiwanie linków z mediów) wspieraliśmy ukierunkowanym podejściem: komentarze eksperckie publikowane w mediach branżowych zawierały odniesienia do artykułów na blogu klienta, tworząc sieć external citations. Gdy ChatGPT lub Perplexity napotyka wzmiankę o źródle w wielu miejscach, zwiększa wagę tego źródła w procesie groundingu. W ciągu miesiąca pozyskaliśmy 4 cytowania eksperckie z linkami dofollow (DR 35-52) i 6 wzmianek bez linku (ale z nazwą brandu). Łączny koszt digital PR: 8 000 PLN (copywriter + outreach specialist).
Wyniki etapu 3 i podsumowanie 90 dni
Na koniec grudnia 2025 (90 dni od startu): 35 cytowań tygodniowo w ChatGPT (cel 30 przekroczony), 12 cytowań w Perplexity, 6 cytowań w Gemini. Ruch organiczny: 11 200 sesji/miesiąc (wzrost 32% od startu). 12 artykułów (z 55 łącznie – 47 starych + 8 nowych) generowało cytowania regularnie. Trzy artykuły odpowiadały za 50% wszystkich cytowań: porównanie narzędzi (8), email marketing vs marketing automation (6), definicja marketing automation (4).
Koszty i ROI projektu
Rozbicie kosztów
| Pozycja | Godziny | Koszt (PLN) | Udział w budżecie |
|---|---|---|---|
| Przeformatowanie 15 artykułów | 45 | 9 000 | 32% |
| Napisanie 8 nowych artykułów | 50 | 10 000 | 36% |
| Digital PR i outreach | 15 | 5 000 | 18% |
| Narzędzia (monitoring cytowań, schema) | – | 2 000 | 7% |
| Zarządzanie projektem i analityka | 10 | 2 000 | 7% |
| Łącznie | 120 | 28 000 | 100% |
ROI i wartość biznesowa
Bezpośredni ROI z cytowań w LLM-ach jest trudny do zmierzenia, bo ChatGPT nie przekierowuje ruchu na stronę (cytuje źródło, ale użytkownik nie zawsze klika). Mierzalne efekty: wzrost ruchu organicznego o 32% (z 8 500 do 11 200 sesji/mies.) wygenerował szacunkowo 15 dodatkowych demo requestów miesięcznie (konwersja 0,55% z ruchu organicznego). Przy wartości leada 2 500 PLN to 37 500 PLN dodatkowego pipeline miesięcznie. ROI w pierwszym kwartale po wdrożeniu: (37 500 × 3 – 28 000) / 28 000 = 302%.
Pośredni efekt (trudny do kwantyfikacji, ale obserwowany): wzrost branded search o 18% w Q1 2026 vs Q4 2025. Hipoteza: użytkownicy, którzy zobaczyli markę klienta cytowaną w ChatGPT, szukali jej potem w Google. Ten efekt „brand lift z LLM citations” jest nowym zjawiskiem, którego branża dopiero uczy się mierzyć.
Najważniejsze wnioski i co zrobilibyśmy inaczej
Co zadziałało najlepiej
- Artykuły porównawcze z tabelami – format X vs Y z tabelą cen/funkcji generował 3x więcej cytowań niż artykuły how-to lub definicyjne. LLM-y chętnie cytują dane tabelaryczne, bo są łatwe do ekstrakcji i weryfikacji.
- FAQ w details/summary – pytania z FAQ odpowiadały na long-tail zapytania, na które główna treść artykułu nie była bezpośrednio zoptymalizowana. Jedno FAQ mogło wygenerować cytowanie na zapytanie, którego nie przewidzieliśmy w keyword research.
- Przeformatowanie istniejącej treści – stosunek wysiłku do efektu był najlepszy w etapie 1 (3 godziny na artykuł, szybkie efekty). Nowe artykuły wymagały 6+ godzin, ale generowały cytowania na nowe frazy.
- Profil autora z E-E-A-T – dodanie autora z bio i profilem LinkedIn zwiększyło cytowania o ~15% (porównanie przed/po na tych samych artykułach). LLM-y uwzględniają sygnały autorstwa przy groundingu.
Co zrobilibyśmy inaczej
- Wcześniej zacząć monitoring cytowań – przez pierwszych 2 tygodnie sprawdzaliśmy cytowania ręcznie. Automatyczny monitoring (Otterly.ai) wdrożyliśmy dopiero w tygodniu 3. Straciliśmy dane z pierwszych 2 tygodni, co utrudniło pomiar efektów etapu 1.
- Skupić się na mniejszej liczbie artykułów – 15 artykułów do przeformatowania to dużo. Z perspektywy czasu 8-10 najlepszych dałoby 80% efektu przy 60% kosztów. Zasada Pareto sprawdziła się w pełni.
- Dodać treści wideo – artykuły z embedded YouTube (nawet prosty screencast) wydają się mieć wyższe cytowania, ale nie testowaliśmy tego systematycznie. To hipoteza na kolejny kwartał.
- Więcej artykułów porównawczych – gdyby budżet pozwalał na 12 nowych artykułów zamiast 8, dodatkowe 4 byłyby porównaniami (X vs Y) ze względu na najwyższy wskaźnik cytowań tego formatu.
FAQ — najczęstsze pytania o budowanie cytowań w ChatGPT
Czy mała strona (DR poniżej 30) może być cytowana przez ChatGPT?
Tak. Nasz klient startował z DR 32 i osiągnął 35 cytowań tygodniowo. ChatGPT nie rankuje stron po Domain Rating – ocenia jakość treści, gęstość faktoidów i dopasowanie do zapytania. Strona z DR 15 ale z jedyną polskojęzyczną treścią porównawczą na dany temat ma wyższą szansę na cytowanie niż strona z DR 60 z ogólnikowym artykułem. Kluczowe jest bycie najlepszym źródłem na dany temat w danym języku.
Ile czasu zajmuje pojawienie się cytowania po publikacji?
W naszym case study nowe artykuły pojawiały się w cytowaniach ChatGPT po 3-4 tygodniach od indeksacji w Google. Przeformatowane artykuły (już zaindeksowane) pojawiły się szybciej – po 2-3 tygodniach od aktualizacji. Perplexity cytował szybciej (1-7 dni), bo korzysta z real-time search. Gemini miał najdłuższy lag (4-8 tygodni). Te czasy mogą się różnić w zależności od harmonogramu aktualizacji modeli.
Jak mierzyć cytowania w ChatGPT?
Ręcznie: zadawaj kluczowe zapytania w ChatGPT co tydzień i sprawdzaj, czy twoja strona pojawia się jako źródło. Automatycznie: Otterly.ai, Peec.ai i Profound monitorują cytowania w ChatGPT, Perplexity i Gemini dla zdefiniowanych fraz i domen. Koszt narzędzi: 50-200 USD/miesiąc. Ręczny monitoring jest akceptowalny na start (do 20 fraz), ale przy większej skali automatyzacja jest niezbędna.
Czy optymalizacja pod ChatGPT szkodzi pozycjom w Google?
Nie – techniki optymalizacji pod cytowanie w LLM-ach (answer-first, faktoidy, tabele, FAQ) pokrywają się z technikami poprawiającymi jakość treści dla Google. W naszym case study ruch organiczny wzrósł o 32% równolegle ze wzrostem cytowań w ChatGPT. Jedyny potencjalny konflikt: LLM-y preferują krótsze akapity (2-3 zdania), a Google tradycyjnie premiował dłuższy tekst – ale 2-4 zdania na akapit to akceptowalne optimum dla obu kanałów.
Jakie typy artykułów są najczęściej cytowane?
W naszym case: (1) porównania z tabelą (8 cytowań/tyg.), (2) definicje z answer-first (4-6 cytowań/tyg.), (3) how-to z numerowanymi krokami (3-5 cytowań/tyg.), (4) case studies z liczbami (2-3 cytowania/tyg.). Artykuły opiniotwórcze i storytellingowe nie były cytowane w ogóle. Ogólna zasada: im bardziej obiektywny i oparty na danych jest artykuł, tym wyższa cytowalność.
Co dalej
Ten case study pokazuje, że budowanie cytowań w ChatGPT jest osiągalne dla polskich firm z ograniczonym budżetem i średnim autorytetem domeny. Kluczowe to systematyczne podejście: audyt cytowalności, przeformatowanie istniejącej treści, nowa treść w formatach cytowalnych i budowanie sygnałów E-E-A-T. Jeśli rozważasz podobne wdrożenie, zacznij od audytu – sprawdź co ChatGPT i Perplexity cytują na twoje kluczowe frazy i gdzie jest twoja luka. Framework optymalizacji pod LLM-y, który zastosowaliśmy, jest szczegółowo opisany w kompletnym przewodniku AIO 2026.