Wynik 50 cytowan w ChatGPT w 60 dni nie jest magia, tylko efektem systemowej pracy nad strukturyzacja, semantyka i autorytetem. W tym studium przypadku rozkladamy na czesci pierwsze projekt B2B SaaS, ktory startowal z zerem rozpoznawalnosci w odpowiedziach generatywnych i konczyl kwartal z 50 unikalnymi cytowaniami w ChatGPT plus 18 w Perplexity i 9 w Gemini. Nie ma tu zadnej tajemnej formuly: jest dyscyplina edycyjna, mapa tematyczna i twardy proces pomiaru.
Caly framework opisany ponizej testowalismy na klientach z trzech branz (HR-tech, fintech, dev-tools) w 2025 i pierwszym kwartale 2026. Cytowania w LLM to dzisiaj realna metryka biznesowa: konwertuja zimne leady na ciepleejsze rozmowy, bo prospekt przychodzi z wiedza o produkcie zanim w ogole otworzy strone WWW. Wiecej kontekstu jak ten ekosystem dziala znajdziesz w analizie Perplexity Pages dla brandow 2026.
Punkt startowy: dlaczego zero cytowan to nie wstyd
Klient (anonimizujemy: SaaS B2B, HR-tech, ARR ok. 4 mln EUR, 38 osob) trafil do nas w styczniu 2026 z konkretnym bolem. Mial przyzwoity ruch organiczny (ok. 28 tysiecy sesji miesiecznie), solidnego bloga (84 artykuly), aktywny LinkedIn (jeden z founderow z 22 tys. followersami) i 90 percentyl wynikow w Lighthouse. A mimo to: zero cytowan w ChatGPT, zero w Perplexity, zero w Gemini. Audyt na frazach takich jak „best applicant tracking system for SMBs”, „ATS comparison 2026” czy „how to reduce time to hire” nie pokazywal go w ogole.
Pierwsza rzecz, ktora odkryli: brak cytowan w LLM nie koreluje wprost z brakiem rankingow Google. Klient zajmowal top 5 na 130 fraz transakcyjnych, a mimo to byl niewidoczny w odpowiedziach generatywnych. To nie jest paradoks, to logiczna konsekwencja roznych mechanizmow indeksowania. LLM nie reasumuje SERPa, tylko buduje wlasna reprezentacje wiedzy z kombinacji danych treningowych, retrievera (Bing/Google), zewnetrznych encyklopedii i sygnalow autorytetu.
Mowiac wprost: SEO buduje rankingi, AIO buduje cytowania. To dwa zachodzace na siebie, ale rozne projekty. I jeden nie zastapi drugiego. Wiecej o tej roznicy w pelnym ujeciu mamy w porownaniu przed/po na 30 artykulach edytowanych pod LLM.
Diagnoza wyjsciowa w liczbach
| Metryka | Start (styczen 2026) | Cel 90 dni |
|---|---|---|
| Cytowania w ChatGPT (unikalne URL) | 0 | 30+ |
| Cytowania w Perplexity | 0 | 15+ |
| Cytowania w Gemini | 0 | 5+ |
| Wystapienia w SGE / AI Overviews | 2 | 20+ |
| Ruch z LLM-referrer (logi serwera) | 0,4% calego ruchu | 4%+ |
| Brand mentions w odpowiedziach LLM (bez linku) | nieznane | 50+ miesiecznie |
Druga rzecz, ktora wyszla od razu: 84 artykuly na blogu, ale tylko 11 z nich mialo szanse w ogole zostac zacytowane. Reszta to byly typowe thought-leadership eseje, ktore nie odpowiadaja na zadne konkretne pytanie. LLM nie cytuje opinii, tylko fakty, definicje, procedury i benchmark. Edytowalismy 73 artykuly w 4 tygodnie.
Framework: cztery filary cytowania w LLM
Caly proces zorganizowalismy wokol czterech filarow, ktore traktujemy jako oddzielne projekty z osobnymi wlascicielami. Te cztery filary to: struktura tresci, autorytet zrodla, dystrybucja sygnalow, pomiar i feedback. Kazdy z nich jest niezbedny, zaden z nich nie jest wystarczajacy.
Filar 1: struktura tresci
LLM cytuje fragmenty, nie strony. Wiekszosc cytowan w ChatGPT to akapity 40 do 90 slow, ktore odpowiadaja precyzyjnie na pytanie zadane przez uzytkownika. Dlatego pierwsza i najwazniejsza zmiana, ktora robisz, to przepisanie artykulow w taki sposob, zeby kazda sekcja H2 odpowiadala na konkretne pytanie i zaczynala sie od bezposredniej, jednoakapitowej odpowiedzi. Reszta sekcji to rozwiniecie, ale ten pierwszy akapit musi byc samowystarczalny.
To brzmi banalnie, ale wymaga prawdziwej dyscypliny edycyjnej. W projekcie HR-tech edytowalismy artykul „How to reduce time to hire” siedem razy zanim w ChatGPT pojawil sie jako zrodlo. Co dzialalo: skrocony lead, jasny TL;DR w pierwszym akapicie, podziel akapity co maksymalnie 90 slow, dodaj tabele porownawcza, dodaj liste numerowana z konkretnym procesem (1 do 7 krokow), dodaj FAQ z 4 do 6 pytaniami.
Filar 2: autorytet zrodla
LLM (zwlaszcza ChatGPT i Perplexity) preferuja cytowac zrodla z silnymi sygnalami autorytetu. To moga byc sygnaly klasyczne (PageRank, linki zwrotne, wzmianki w Wikipedii) albo sygnaly specyficzne dla LLM (cytowania w innych modelach, obecnosc w datasetach treningowych, link z dokumentacji oficjalnej). W przypadku tego klienta wykorzystalismy 6 dzwigni: gosc na podcaste branzowym z 30 tys. odsluch, redakcja hasla na Wikipedii (zgodnie z zasadami), publikacja whitepaper z bibliografia na Zenodo, otwarte API z opublikowana dokumentacja na ReadMe.io, post na blogu OpenAI jako case study, i kolejne 3 wzmianki w research-driven blogach z autorytetem branzowym.
Filar 3: dystrybucja sygnalow
To filar, ktorego wiekszosc agencji w ogole nie rozumie. Cytowania w LLM rosna szybciej, gdy twoje tresci sa cytowane gdzies indziej w sieci. To znaczy: jezeli artykul Y jest cytowany przez Z innych artykulow, to ChatGPT z duzo wiekszym prawdopodobienstwem zacytuje Y. Dlatego po opublikowaniu kazdego flagowego artykulu uruchamialismy proces amplifikacji semantycznej: social media (LinkedIn, X), newsletter wlasny i partnerski, syndykacja na Substack i Medium z odpowiednia kanonikalizacja, gostka na webinarach branzowych z linkiem do glownego materialu, posty na Reddicie (subreddity branzowe, nie spam), wzmianki w Hacker News tam gdzie to ma sens.
Filar 4: pomiar i feedback
Bez pomiaru wszystkie powyzsze filary to ruch w ciemnosc. Pomiar cytowan w LLM jest trudniejszy niz pomiar rankingow Google, bo nie ma jednego standardowego narzedzia. Uzylismy stacku, ktory opisalismy w case dekompozycji 3x ruchu, plus dodatkowe API monitorujace ChatGPT i Perplexity. Mierzymy dziennie: liczba unikalnych cytowanych URL, srednia pozycja cytowania w odpowiedzi (1, 2, 3 miejsce), prompty na ktorych cytowanie sie pojawia, ruch LLM-referrer w logach serwera.
Jak to wdrozyc krok po kroku
Dla tego klienta wdrozenie podzielilismy na 8 tygodni. Kazdy tydzien mial konkretny output i mierzalne KPI. Ponizej dokladna chronologia, ktora powtorzylismy juz pozniej u dwoch innych klientow z porownywalnym sukcesem.
Tydzien 1: audyt i mapa pytan
Punktem wyjscia jest zawsze mapa pytan, ktore zadaje twoja idealna persona w LLM. Robimy to tak: budujemy liste 200 do 400 prawdziwych zapytan zadawanych przez kupcow B2B (zrodla: Reddit, Quora, kanaly Slack branzowe, transkrypty rozmow sprzedazowych, wewnetrzny CRM). Potem grupujemy je w 12 do 20 klastrow tematycznych. Kazdy klaster ma dokladnie jeden artykul flagowy (pillar) i 4 do 8 artykulow wspierajacych (supporting). To architektura hub-and-spoke, ktora w SEO znana jest od lat, a w AIO sprawdza sie jeszcze lepiej, bo LLM uwielbia klikac wewnetrzne linki.
Tydzien 2: edycja flagowych artykulow
Najpierw edytujesz 12 artykulow flagowych. Kazdy z nich dostaje peini przebudowy struktury: nowy H1, nowy lead (TL;DR w 60 slowach), 6 do 10 sekcji H2 z bezposrednimi odpowiedziami, tabele porownawcza, lista krok po kroku, sekcja FAQ z 4 do 6 pytaniami, podsumowanie z odnosnikami do artykulow wspierajacych. Czas: 8 do 12 godzin na artykul, jezeli masz dobrego edytora.
Tydzien 3: edycja artykulow wspierajacych (wave 1)
Pierwsza polowa artykulow wspierajacych, czyli okolo 36 sztuk w naszym przypadku. Te artykuly maja inny cel: byc szczegolowymi, samowystarczalnymi odpowiedziami na konkretne, dlugoogonowe pytania. Kazdy z nich linkuje w gore do artykulu flagowego i bocznie do 2 do 4 innych artykulow wspierajacych w tym samym klastrze.
Tydzien 4: edycja artykulow wspierajacych (wave 2)
Druga polowa artykulow wspierajacych. Po tym tygodniu masz juz pelny graf wewnetrznych linkow, ktory ChatGPT i Perplexity moga indeksowac. Zglaszasz mape strony do Bing Webmaster Tools (krytyczne, bo ChatGPT korzysta z Binga) i robisz reindex w Google Search Console.
Tydzien 5: kampania autorytetu
Tutaj startuje kampania linkbuildingowa zorientowana na cytowania, nie tylko na rankingi. Cel: 10 do 20 wzmianek w okresie 4 tygodni, najlepiej z linkami, ale wzmianki bez linkow tez sa cenne dla LLM. Uruchamiamy: outreach do branzowych newsletterow (kontakt z autorem, pitch konkretnego artykulu jako featured story), goscinne wpisy (2 do 3 sztuk na duzych blogach branzowych), updaty Wikipedii (tylko tam gdzie source jest legit i zgodny z guidelines), publikacja whitepaper na Zenodo z DOI, podcast appearance (1 do 2 wystepow).
Tydzien 6: amplifikacja
Caly tydzien skupiamy sie na dystrybucji tresci, ktore juz opublikowalismy. LinkedIn (1 post dziennie z kazdym z flagowych artykulow), X / Twitter (threads z najwazniejszymi insightami), newsletter wlasny do 12 tys. subskrybentow, syndykacja na Substack i Medium z odpowiednim rel=canonical, posty w grupach branzowych na Slacku i Discord.
Tydzien 7: pomiar i iteracja
W tym tygodniu zaczynamy widziec pierwsze cytowania (zwykle 5 do 12 w ChatGPT). Analizujemy ktore artykuly sa cytowane, na jakich promptach, na ktorej pozycji w odpowiedzi. Identyfikujemy artykuly, ktore „powinny” sie cytowac, ale jeszcze nie cytuja, i robimy im jeszcze jeden pass edycyjny.
Tydzien 8: skalowanie
Powtarzamy kampanie autorytetu i amplifikacji, ale tym razem na podstawie konkretnych danych z tygodnia 7. Wybieramy 5 do 8 artykulow, ktore maja najwiekszy potencjal i zasypujemy je sygnalami dystrybucji. Pod koniec tygodnia 8 mielismy juz 27 cytowan w ChatGPT, 11 w Perplexity i 5 w Gemini.
Najczestsze bledy i pulapki
Z naszego doswiadczenia z trzema projektami w tej kategorii widzimy zawsze te same bledy, ktore powtarzaja zespoly marketingu. Wymieniamy je tutaj, zeby oszczedzic Ci 2 do 3 miesiecy zmarnowanej pracy.
Pulapka 1: edycja bez mierzenia
Najwiekszy blad to edytowanie artykulow bez ustawienia baseline pomiaru. Bez baseline nie wiesz, ktora zmiana co dala, i kazda pozniejsza decyzja jest na czuja. Zacznij od ustawienia raportowania ChatGPT i Perplexity (proste skrypty z OpenAI API i Perplexity API) zanim cokolwiek edytujesz. Powtarzaj test codziennie, zapisuj do bazy, wizualizuj w prostym dashboardzie.
Pulapka 2: pisanie pod LLM zamiast pod czytelnika
Wielu marketerow probuje trickowac LLM przez wpychanie list, tabel i FAQ tam gdzie nie maja sensu. Efekt: artykul staje sie nieczytelny dla czlowieka, a LLM i tak go nie cytuje, bo brak naturalnych sygnalow zaangazowania. Pisz pod czytelnika, struktura ma sluzyc czytelnikowi, a nie udawac strukture.
Pulapka 3: ignorowanie Binga
ChatGPT korzysta z Binga jako retrievera. Jezeli nie jestes w Bingu, nie ma cie w ChatGPT. To tak proste. Zglos sitemap do Bing Webmaster Tools, popraw bledy crawlowania, dodaj IndexNow. Powtarzaj cykl raz na 2 tygodnie, az do uzyskania 100% indeksacji wszystkich artykulow flagowych.
Pulapka 4: traktowanie LLM jak jednej platformy
ChatGPT, Perplexity, Gemini i Claude maja rozne retrievery, rozne datasety treningowe i rozne preferencje cytowania. ChatGPT preferuje crisp, well-structured definicje. Perplexity preferuje dlugie, szczegolowe artykuly z wieloma zrodlami. Gemini preferuje tresci linkowane bezposrednio z Google Knowledge Graph. Claude waze mocno klasyczne sygnaly autorytetu naukowego.
Pulapka 5: brak iteracji
Cytowanie w LLM nie jest stanem binarnym (jest/nie ma), tylko ciaglym procesem. Trzeba co tydzien iterowac na podstawie tego co cytujesz, na ktorej pozycji, na jakich promptach. Bez iteracji wracasz do stanu wyjsciowego w 6 do 8 miesiecy.
Mierzenie efektow i KPI
Pomiar to filar 4, ale zasluguje na osobna sekcje, bo wiekszosc agencji robi go zle. Ponizej konkretne KPI, ktore monitorowalismy codziennie w tym projekcie i ktore polecamy kazdemu, kto chce powaznie podejsc do AIO.
KPI 1: liczba unikalnych cytowanych URL
Najprostsze i najwazniejsze KPI. Raz dziennie odpalasz skrypt z lista 100 do 300 promptow (twoja test suite), zbierasz cytowania, deduplikujesz po URL. Liczba unikalnych URL to twoj pierwszy wskaznik widocznosci. Skok z 0 do 5 jest jakosciowy, skok z 30 do 35 juz tylko ilosciowy.
KPI 2: pozycja cytowania w odpowiedzi
Drugie krytyczne KPI. ChatGPT zwraca zazwyczaj 3 do 8 zrodel w odpowiedzi. Pozycja zrodla nr 1 ma 5x wieksza szanse na klik niz pozycja nr 5. Mierz nie tylko „jestes / nie jestes”, ale „na jakim miejscu”, i celuj swiadomie w pozycje 1 do 3.
KPI 3: ruch LLM-referrer w logach
Trzecie KPI to ruch przychodzacy z chat.openai.com, www.perplexity.ai, gemini.google.com i pochodnych. To prawdziwy biznesowy sygnal, bo zlapuje moment, w ktorym uzytkownik LLM klika twoj link. Spodziewaj sie wzrostu z 0,4% calego ruchu do 4 do 8% w ciagu 6 miesiecy.
KPI 4: brand mentions w odpowiedziach (bez linku)
Czwarte KPI, niedoceniane przez wiekszosc zespolow. LLM moze wymienic twoj brand w odpowiedzi nawet bez zadnego linku. To jest cenne, bo buduje rozpoznawalnosc. Mierz to manualnie przez probkowanie 50 promptow tygodniowo i prowadz prosty arkusz z liczba wzmianek.
KPI 5: stosunek cytowan transakcyjnych do informacyjnych
Piate KPI, najbardziej zaawansowane. Dziel cytowania na intencje (informacyjne, porownawcze, transakcyjne). Cytowania transakcyjne („best ATS for SMB 2026”) sa 8 do 15x bardziej wartosciowe biznesowo niz informacyjne („what is ATS”). Trzymaj proporcje 1:2 na korzysc transakcyjnych w mapie tematycznej.
Wyniki po 60 dniach i 90 dniach
Ponizej dokladne dane z projektu. To nie sa marketingowe liczby z prezentacji sprzedazowej, tylko realne wyniki, ktore mozesz odtworzyc, jezeli pojdziesz droga opisana powyzej.
| KPI | Start | Dzien 30 | Dzien 60 | Dzien 90 |
|---|---|---|---|---|
| Cytowania ChatGPT (unikalne URL) | 0 | 14 | 32 | 50 |
| Cytowania Perplexity | 0 | 4 | 11 | 18 |
| Cytowania Gemini | 0 | 1 | 3 | 9 |
| Wystapienia w AI Overviews (Google) | 2 | 8 | 16 | 27 |
| Ruch LLM-referrer (% calego ruchu) | 0,4% | 1,2% | 3,1% | 4,8% |
| Brand mentions w odpowiedziach | 0 | 11 | 34 | 62 |
| Demo bookings z LLM-referrer | 0 | 3 | 11 | 27 |
27 demo bookings przypisanych do ruchu LLM to bezposrednia, mierzalna wartosc biznesowa. Przy sredniej konwersji demo na klienta 18% i sredniej wartosci kontraktu rocznego 24 tys. EUR, daje to bezposredni pipeline wart 117 tys. EUR rocznie, przy budzecie projektu 38 tys. EUR. Zwrot inwestycji widoczny w ciagu 90 dni.
Czego sie nauczylismy i co zmienilibysmy
Pomimo dobrego wyniku, kilka rzeczy zrobilibysmy inaczej, gdybysmy zaczynali dzisiaj.
Po pierwsze: szybsza edycja flagowych artykulow. Zaczelibysmy od 3 do 5 flagowych, nie 12. Lepiej miec 5 swietnie zrobionych niz 12 srednio zrobionych. Po drugie: wczesniejsze testy promptow. Spodziewaj sie, ze 30% twojej listy promptow okaze sie nierelewantna po pierwszym tygodniu pomiaru. Zacznij testowac wczesniej. Po trzecie: wieksza inwestycja w sygnaly autorytetu, mniejsza w wolumen tresci. Jezeli mialbym wybierac miedzy 50 artykulami a 20 artykulami plus 10 silnymi linkami z autorytetow, wybralbym to drugie.
Czwarta lekcja: indeksacja techniczna ma znaczenie nawet w AIO. Jezeli twoje strony nie sa indeksowane przez Binga, to ChatGPT nie ma ich gdzie znalezc. Sprawdz pelny przeglad tej kwestii w naszym studium e-commerce. Piata lekcja: zawsze rezerwujemy budzet na druga fale outreachu, bo pierwsza fala zwykle przynosi 60% potencjalnych linkow, a druga 40% domyka liste.
Dlaczego B2B SaaS to idealna kategoria do AIO
W tym projekcie B2B SaaS dzialal jako kategoria szczegolnie wdzieczna do optymalizacji pod cytowania, i warto powiedziec dlaczego, bo te wnioski przenosza sie na inne wertykaly. Po pierwsze, kupcy B2B robia obszerne research przed zakupem (srednio 11 do 14 zapytan przed pierwszym kontaktem ze sprzedaza). Po drugie, jezyk fachowy w B2B jest bogatszy i bardziej spojny niz w konsumenckich kategoriach, co LLM bardzo lubi. Po trzecie, wartosc pojedynczego klienta w B2B jest na tyle wysoka, ze pojedyncze cytowanie moze wprost przelozyc sie na pipeline kilkudziesieciu tysiecy euro.
Z naszych obserwacji w trzech projektach: HR-tech mial wartosc jednego cytowania ok. 2,3 tys. EUR przy LTV klienta, fintech ok. 4,1 tys. EUR, dev-tools ok. 1,8 tys. EUR. To duzo wiecej niz wartosc jednego klikniecia z Google Ads (zwykle 0,5 do 3 EUR w tych kategoriach), nawet po doliczeniu kosztu produkcji tresci i kampanii autorytetu.
Co dziala szczegolnie dobrze w B2B
Formaty tresci, ktore dzialaja najlepiej w B2B SaaS pod LLM, to: glosariusze (definicje terminow branzowych), porownania (vs. konkurencja, vs. inne podejscia), kalkulatory ROI (interaktywne narzedzia z eksportem PDF), case studies z liczbami, listy top N tools/methods, dokumentacja API publicznie indeksowalna, raporty branzowe z autorskim datasetem. Wsrod tych formatow case study z dokladnymi liczbami (jak ten artykul) jest jednym z najbardziej cytowanych.
To, co nie dziala, to: ogolne posty thought-leadership bez konkretow, generyczne listy bez prawdziwego porownania, krotkie posty newsowe (LLM woli analitykow niz reportazystow), opinie founderow w pierwszej osobie (chyba ze maja silny autorytet osobisty).
Jak utrzymac wynik w czasie
Cytowania w LLM to nie sa ustaw i zapomnij. Modele aktualizuja sie regularnie (ChatGPT odswieza dane miesiecznie, Perplexity czesciej, Gemini synchronizuje sie z Google). To znaczy, ze artykul, ktory jest cytowany dzisiaj, moze nie byc cytowany za 3 miesiace, jezeli pojawia sie lepsze alternatywy.
Z naszego doswiadczenia plan utrzymania widocznosci wymaga: kwartalnego refresh top 20 artykulow (3 do 4 godziny edycji kazdy), miesiecznej kampanii dystrybucji (1 do 2 nowych linkow / wzmianek na artykul flagowy), ciaglego monitoringu (codzienny test 100 promptow), miesiecznej rotacji nowych pytan (bo zmienia sie sposob, w jaki uzytkownicy formuluja zapytania).
Bridging w czasie zmian modeli
Kazdorazowo, gdy OpenAI lub Anthropic ogasza nowy model (np. ChatGPT 5, Claude 4.7), spodziewaj sie 2 do 3 tygodni turbulencji w cytowaniach. Stare cytowania znikaja, nowe pojawiaja sie powoli. To naturalny cykl. W tym czasie zwieksz frekwencje pomiaru (codzienne snapshoty) i nie panikuj, jezeli liczby spadna o 20 do 40%. Po stabilizacji zwykle wracaja do poziomu wyjsciowego, czesto wyzej.
Jakosc tresci kontra ilosc: rozliczenie
Najwazniejsza decyzja strategiczna w AIO to zawsze: jakosc kontra ilosc. W klasycznym SEO odpowiedz brzmi i to, i to. W AIO odpowiedz brzmi zawsze jakosc. Lepiej miec 30 swietnie zrobionych artykulow niz 200 srednio dobrych. LLM nie cytuje sredniaka, kropka.
To nie znaczy, ze masz wszystko skrocic do 30 artykulow. To znaczy, ze 30 artykulow flagowych dostaje 80% twojej uwagi, a pozostalych 50 do 200 to artykuly wspierajace, ktore istnieja po to, zeby zasilac graf wewnetrznych linkow i obslugiwac dlugi ogon. Te wspierajace moga byc krotsze (1000 do 1500 slow) i mniej dopracowane, ale nadal powinny miec porzadna strukture.
Co dalej i jak rozwinac wynik
Po 90 dniach klient mial 50 cytowan w ChatGPT, ale to nie jest sufit. Planujemy z nim wzrost do 120 cytowan w ciagu kolejnych 6 miesiecy. Strategia: druga fala edycji (artykuly 13 do 30 w priorytecie), publikacja oryginalnych dataset (3 do 5 raportow branzowych w roku), rozwoj otwartego API i dokumentacji, kontynuacja kampanii autorytetu, dodatkowy projekt brandingu w Perplexity (pelne pokrycie zapytan branzowych).
Wazne: w tej fazie zaczynamy myslec o cytowaniach w Claude i innych modelach drugiej fali. Claude (Anthropic) ma duzo mniejszy retriever niz ChatGPT, ale jego baza wiedzy z trainingu jest jakosciowo silniejsza. To znaczy, ze sygnaly typu Wikipedia entry, academic paper, open dataset wazy 3 do 5x wiecej w Claude niz w ChatGPT.
FAQ
Ile czasu zajmuje uzyskanie pierwszych cytowan w ChatGPT?
Przy systematycznej pracy zgodnie z opisanym frameworkiem pierwsze cytowania pojawiaja sie zwykle w 3 do 5 tygodniu od startu projektu. Pelny wynik (30+ cytowan) osiagasz w 60 do 90 dni. Klient, ktory startuje z zerowym ruchem i zerowym autorytetem, moze potrzebowac 4 do 6 miesiecy, zeby zlapac stabilna widocznosc.
Czy artykuly cytowane w ChatGPT to te same, co rankuja w Google?
Korelacja istnieje, ale jest slabsza niz wielu marketerow zaklada. W naszym projekcie 18 z 50 cytowanych artykulow nie bylo w top 10 Google na glowne frazy. ChatGPT i Perplexity korzystaja z innych sygnalow rankingowych niz Google, dlatego optymalizacja pod LLM to oddzielny projekt od klasycznego SEO.
Jakie narzedzia uzywaliscie do monitoringu cytowan?
Stworzylismy wlasne skrypty bazujace na OpenAI API i Perplexity API. Codziennie odpalamy 200 promptow i parsujemy zrodla z odpowiedzi. Dla Gemini uzywamy Google AI Studio API. Calosc zapisujemy do BigQuery z dashboardem w Looker Studio. Koszt narzedzi: okolo 80 USD miesiecznie.
Czy ten framework dziala dla branz nieanglojezycznych (np. polskich)?
Tak, ale z dwoma istotnymi roznicami. Po pierwsze, baza wiedzy LLM jest mniejsza i mniej swieza dla jezykow innych niz angielski, wiec autorytet zrodla wazy jeszcze bardziej. Po drugie, retrievery (Bing, Google) maja gorsze pokrycie dla niszowych branz w jezykach lokalnych, wiec strategia tresci musi obejmowac wieksza liczbe synonimow i parafraz.
Czy mozecie podac koszty tego projektu?
Caly projekt 90-dniowy: 38 tys. EUR. Z tego: edycja 84 artykulow (16 tys.), kampania autorytetu i linkbuilding (12 tys.), narzedzia i monitoring (1 tys.), zarzadzanie projektem i strategia (9 tys.). Klient zwrocil te inwestycje w pipeline biznesowy w ciagu 4 miesiecy.
Co zrobic, jezeli nie mam autorytetu i budzetu na linkbuilding?
Zacznij od filara 1 (struktura tresci) i filara 4 (pomiar). To dwie rzeczy, ktore mozesz zrobic za zero zlotych. Edytuj 5 do 10 artykulow zgodnie z opisanym frameworkiem, ustaw monitoring promptow, iteruj. Pierwsze cytowania pojawia sie nawet bez aktywnej kampanii linkbuilding, jezeli twoja tresc jest naprawde dobrze ustrukturyzowana. Pelniejsze podejscia do tego znajdziesz w analizie Perplexity Pages dla brandow 2026.