Producent maszyn do obróbki drewna z Wielkopolski zgłosił się do nas w styczniu 2026 roku z problemem, którego nie mierzą klasyczne narzędzia SEO. Firma miała przyzwoite pozycje w Google na zapytania katalogowe, ale jej handlowcy coraz częściej słyszeli: „pytałem ChatGPT o producentów takich maszyn i was tam nie było”. Po sześciu miesiącach pracy nad treścią techniczną firma pojawia się w odpowiedziach Perplexity na 23 zapytania branżowe. Poniżej przebieg wdrożenia, bez zaokrąglania liczb w górę.
Sytuacja wyjściowa i cele klienta
Klient to spółka z około 90 pracownikami, produkująca centra obróbcze CNC i piły formatowe dla zakładów meblarskich. Sprzedaż prowadzi w Polsce, Czechach i Niemczech, głównie przez dział handlowy i targi branżowe. Strona internetowa liczyła 41 podstron: opisy ośmiu linii produktowych, zakładka o firmie, kontakt, kilka aktualności z 2023 roku. Bloga nie było i nikt w firmie nie chciał go prowadzić.
Stan wyjściowy w liczbach, zmierzony w pierwszym tygodniu audytu:
| Wskaźnik | Styczeń 2026 |
|---|---|
| Podstrony w indeksie Google | 38 |
| Zapytania w Search Console z wyświetleniami | 412 |
| Cytowania w Perplexity (test 60 zapytań) | 0 |
| Wzmianki marki w odpowiedziach ChatGPT (test 60 zapytań) | 2, oba z katalogów firm |
| Zapytania ofertowe z formularza, średnia miesięczna | 11 |
Cel ustaliliśmy wąsko, bo „być widocznym w AI” jest niemierzalne. Firma chciała pojawiać się jako źródło w odpowiedziach na zapytania parametrowe i porównawcze: ile wynosi dokładność pozycjonowania w centrach obróbczych tej klasy, czym różnią się konfiguracje, czego wymaga fundament pod maszynę. Takie pytania zadaje inżynier lub kierownik produkcji zbierający wiedzę, nie gotowy kupujący.
Audyt: dlaczego model nie widział firmy
Audyt zajął dwa tygodnie: test zapytań, analiza tego, co modele cytowały zamiast klienta, oraz przegląd treści pod kątem przydatności jako materiału źródłowego.
Test zapytań: 60 pytań w trzech językach (polski, czeski, niemiecki), zadanych w Perplexity i ChatGPT, z zapisem cytowanych domen. W 48 z 60 odpowiedzi modele cytowały jedno z czterech źródeł: Wikipedię, portal branżowy, dokumentację niemieckiego konkurenta i forum techniczne. Strona klienta nie pojawiła się ani razu.
Przyczyna nie była techniczna. Robots.txt nie blokował crawlerów AI, strona ładowała się w 1,4 sekundy, treść renderowała się serwerowo. Problem leżał w samym tekście: opisy produktów to hasła marketingowe i tabele parametrów bez kontekstu. Zdanie „wysoka precyzja obróbki” nie daje modelowi niczego do zacytowania. Zdanie „powtarzalność pozycjonowania ±0,02 mm na osi X przy długości roboczej 3200 mm, mierzona zgodnie z VDI/DGQ 3441” już daje: konkretna wartość, warunek pomiaru i norma.
To ta sama diagnoza, którą opisaliśmy w studium przypadku firmy B2B, która przeszła od zera do 50 cytowań w ChatGPT, choć tam punktem wyjścia był istniejący blog, a nie dokumentacja techniczna leżąca w szufladzie.
Trzecia część audytu okazała się najważniejsza. Zapytaliśmy dział techniczny, jakie dokumenty powstają w firmie i nigdzie nie są publikowane. Odpowiedź: instrukcje obsługi, karty katalogowe, wytyczne dla instalatorów, protokoły odbioru i baza odpowiedzi serwisu prowadzona od 2019 roku. Razem około 900 stron materiału pisanego przez inżynierów, z liczbami i normami. Nikt nie pomyślał, że to treść.
Dokumentacja techniczna jako materiał źródłowy
Podstawowa decyzja projektowa: nie piszemy nowych artykułów, przerabiamy istniejącą dokumentację na strony internetowe. To skraca produkcję i eliminuje największe ryzyko w treściach technicznych, czyli copywritera wymyślającego parametry.
Proces dla każdego dokumentu wyglądał tak:
- Inżynier wskazywał fragment dokumentu odpowiadający na jedno konkretne pytanie.
- Redaktor przepisywał fragment na stronę internetową: nagłówek w formie pytania, odpowiedź w pierwszym akapicie, dopiero potem rozwinięcie.
- Inżynier weryfikował każdą liczbę i każde odwołanie do normy.
- Strona dostawała tabelę parametrów, listę warunków pomiaru i datę ostatniej weryfikacji.
Kluczowa jest kolejność: odpowiedź przed rozwinięciem. Model pobiera fragment z odpowiedzią, nie cały dokument, więc wartość ukryta w dziesiątym akapicie po wstępie o historii firmy traci szansę na cytowanie. Zasada identyczna jak w podejściu do pricingu i dokumentacji w firmach SaaS: strona ma odpowiadać w pierwszym ekranie.
Drugi element to jawne nazwanie norm i metod pomiaru. Google Search Central opisuje to w wytycznych o treściach przydatnych jako demonstrowanie wiedzy eksperckiej. W modelach językowych norma działa dodatkowo jako punkt zaczepienia: zapytanie o dokładność pozycjonowania często zawiera jej nazwę, więc strona trafia w zapytanie dosłownie.
Trzeci element dotyczył zgód. Część dokumentacji zawierała dane klientów i rozwiązania objęte poufnością, więc dział prawny przejrzał każdy dokument przed publikacją. Wydłużyło to projekt o trzy tygodnie, czego zwykle nikt nie planuje.
Strony specyfikacji i porównań
Z 900 stron dokumentacji powstały 34 nowe podstrony, podzielone na cztery typy.
Strony specyfikacji (12 sztuk). Jedna strona na model maszyny, z pełną tabelą parametrów: pole robocze, moc, prędkości posuwu, dokładność z metodą pomiaru, wymagania zasilania i fundamentowe. Każdy parametr z jednostką i warunkiem. Cytowane najszybciej, bo odpowiadają na pytania parametrowe jednoznacznie.
Strony porównawcze (7 sztuk). Porównania konfiguracji w obrębie linii produktowej, na przykład wersji z jedną i dwiema głowicami wiertarskimi, z opisem, dla jakiej skali produkcji każda się opłaca. Porównań z konkurencją świadomie nie pisaliśmy: wymagają danych, których nie mamy.
Strony procedur (9 sztuk). Przygotowanie posadzki, wymagania odciągu, kalibracja po transporcie, przeglądy okresowe, z wytycznych dla instalatorów. Efekt niespodziewany: ruch z zapytań o eksploatację maszyn innych producentów.
Strony pytań serwisowych (6 sztuk). Zgrupowane odpowiedzi z bazy serwisu, po jednym temacie na stronę, w układzie pytanie plus zwięzła odpowiedź.
Na każdej stronie wdrożyliśmy dane strukturalne: Product dla specyfikacji, HowTo dla procedur, FAQPage dla pytań serwisowych. Ich wpływ na cytowanie w Perplexity trudno rozdzielić od wpływu samej treści, ale porządkują stronę i nic nie kosztują. Osobno uruchomiliśmy obecność w Perplexity Pages, co opisujemy w tekście o ustawianiu widoczności marki w Perplexity Pages.
Harmonogram wdrożenia
Projekt trwał od stycznia do końca czerwca 2026 roku. Rozkład prac:
| Okres | Zakres | Efekt na koniec okresu |
|---|---|---|
| Styczeń | Audyt, test 60 zapytań, inwentaryzacja dokumentacji | 0 cytowań, lista 34 tematów |
| Luty | Zgody prawne, szablon strony specyfikacji, 4 pierwsze strony | 0 cytowań, pierwsze indeksacje |
| Marzec | 12 stron specyfikacji gotowych, dane strukturalne | 3 cytowania w Perplexity |
| Kwiecień | 7 stron porównawczych, przebudowa linkowania wewnętrznego | 9 cytowań |
| Maj | 9 stron procedur | 16 cytowań |
| Czerwiec | 6 stron serwisowych, aktualizacja specyfikacji | 23 cytowania |
Dwie obserwacje o tempie. Pierwsze cytowanie pojawiło się po dziewięciu tygodniach od publikacji pierwszej strony, nie po dwóch. Przyrost nie był liniowy, lecz skokowy, z przyspieszeniem w maju, przy ponad 20 stronach technicznych w serwisie. Wygląda to na efekt progowy, choć jeden przypadek tego nie dowodzi.
Wyniki: cytowania i zapytania ofertowe
Pomiar z końca czerwca 2026, ten sam zestaw 60 zapytań, ten sam sposób testu co w styczniu:
| Wskaźnik | Styczeń | Czerwiec |
|---|---|---|
| Cytowania w Perplexity (60 zapytań) | 0 | 23 |
| Wzmianki w ChatGPT (60 zapytań) | 2 | 14 |
| Podstrony w indeksie Google | 38 | 71 |
| Zapytania w Search Console z wyświetleniami | 412 | 1 847 |
| Kliknięcia organiczne, średnia miesięczna | 390 | 1 120 |
| Zapytania ofertowe z formularza, średnia miesięczna | 11 | 19 |
Uczciwa interpretacja: wzrost zapytań ofertowych z 11 do 19 miesięcznie nie jest w całości zasługą widoczności w modelach, bo w tym samym okresie firma była na dwóch targach i uruchomiła kampanię w LinkedIn. Dział handlowy notuje jednak źródło kontaktu i w drugim kwartale pojawiło się sześć zgłoszeń, w których klient sam powiedział, że trafił na firmę przez ChatGPT lub Perplexity. To policzalna część wyniku, nie szacunek z modelu atrybucji.
Efekt uboczny okazał się cenniejszy, niż zakładaliśmy. Handlowcy przestali wysyłać PDF z parametrami i zaczęli wysyłać link, a klient dostawał odpowiedź przed rozmową. Średni czas od pierwszego kontaktu do oferty spadł z 9 do 5 dni roboczych. Tego nie było w celach projektu.
Warto też wymienić, co nie zadziałało. Dwie strony porównawcze napisane jako zestawienie z konkurencją usunęliśmy po miesiącu, bo opierały się na parametrach z cudzych materiałów marketingowych, których nie mogliśmy zweryfikować. Nie przyniosły cytowań i stwarzały ryzyko. Nie zadziałały też aktualności: pięć wpisów o udziale w targach nie dostało żadnego cytowania ani ruchu organicznego, co zgadza się z całą resztą obrazu. Model cytuje odpowiedź na pytanie, nie komunikat firmy o sobie.
Wnioski dla innych producentów
Wnioski przenoszą się na firmy produkcyjne o podobnym profilu: niszowy produkt, mała strona, dużo dokumentacji technicznej, brak chęci do prowadzenia bloga.
- Zacznij od inwentaryzacji dokumentów, nie od briefu na artykuły. Materiał już istnieje, w PDF i w wiadomościach serwisu. Pisanie od zera jest tu najdroższą opcją.
- Liczba z warunkiem pomiaru bije każde zdanie marketingowe. „Wysoka wydajność” nie jest cytowalne, „4200 obrotów na minutę przy obciążeniu ciągłym” jest.
- Odpowiedź w pierwszym akapicie. Struktura pytanie, krótka odpowiedź, rozwinięcie wygrywa ze strukturą wstęp, kontekst, odpowiedź.
- Weryfikacja inżynierska jest obowiązkowa. Jeden błędny parametr na stronie specyfikacji to problem handlowy, nie SEO.
- Zarezerwuj czas na zgody prawne. U nas trzy tygodnie, bywa dłużej.
- Mierz tym samym testem przed i po. Stały zestaw zapytań co miesiąc, bo w narzędziach SEO tych danych nie ma.
- Nie porównuj się z konkurencją bez własnych danych. Ryzyko przewyższa korzyść.
Czego ten przypadek nie dowodzi: że każde 34 strony dokumentacji dadzą 23 cytowania. Branża jest wąska, konkurencja w treści technicznej niemal nie istnieje, a modele miały mało materiału do cytowania. W kategorii nasyconej ten sam nakład dałby mniej. Wniosek metodyczny zostaje ten sam: w AIO wygrywa strona, która odpowiada konkretną, weryfikowalną wartością.
FAQ
Ile trwa, zanim firma produkcyjna zacznie pojawiać się w odpowiedziach Perplexity?
Pierwsze cytowanie pojawiło się po dziewięciu tygodniach od publikacji pierwszej strony technicznej, a zauważalny przyrost po czwartym miesiącu, przy około 20 stronach. Czas zależy od tempa indeksacji i liczby źródeł już odpowiadających na dane zapytanie.
Czy trzeba prowadzić bloga, żeby zdobywać cytowania w modelach AI?
Nie. W tym przypadku nie powstał ani jeden wpis blogowy. Cytowania przyniosły strony specyfikacji, porównania konfiguracji, procedury instalacyjne i zgrupowane odpowiedzi serwisu. Blog jest jedną z form publikacji, nie warunkiem.
Jak mierzyć widoczność w ChatGPT i Perplexity bez dedykowanego narzędzia?
Najprostsza metoda, której użyliśmy: stały zestaw zapytań (u nas 60, w trzech językach), zadawany raz w miesiącu, z zapisem cytowanych domen w arkuszu. Liczy się stałość zestawu i częstotliwości, bo tylko wtedy porównanie przed i po ma sens.
Czy publikacja dokumentacji technicznej nie pomaga konkurencji?
Część dokumentacji faktycznie nie powinna być publiczna i w tym projekcie dział prawny odrzucił kilka dokumentów. Parametry maszyn, wymagania instalacyjne i procedury eksploatacyjne są jednak zwykle i tak przekazywane klientom oraz instalatorom, więc ich publikacja niczego nie ujawnia, a daje widoczność.
Czy dane strukturalne są konieczne do cytowania przez modele generatywne?
Nie są warunkiem, bo modele czytają treść strony. Znaczniki Product, HowTo i FAQPage porządkują jednak informacje, pomagają w wynikach Google i nie generują dodatkowego kosztu przy okazji tworzenia strony, więc wdrożyliśmy je wszędzie.
Jaki był największy błąd w tym wdrożeniu?
Dwie strony porównujące nasze maszyny z konkurencyjnymi, oparte na parametrach z cudzych materiałów marketingowych. Nie dały cytowań, a tworzyły ryzyko podania nieprawdziwej informacji. Usunęliśmy je po miesiącu.