Pillarowanie treści pod modele językowe to dziś jedna z najważniejszych decyzji architektonicznych w SEO i AIO. Kiedy ChatGPT, Perplexity czy Gemini budują odpowiedź, nie sięgają po jeden artykuł, lecz po fragmenty rozsiane w całym klastrze tematycznym. To, jak ułożysz relacje między tekstem filarowym a tekstami wspierającymi, decyduje o tym, czy Twoja marka zostanie zacytowana, czy zniknie w szumie. W tym przewodniku rozkładam temat na czynniki pierwsze i pokazuję trzy konkretne modele klastra, które sprawdzają się w 2026 roku.
Nie znajdziesz tu marketingowych ogólników. Dostaniesz framework, instrukcję wdrożenia krok po kroku, listę pułapek oraz zestaw wskaźników, którymi realnie zmierzysz, czy pillarowanie działa. Jeśli budujesz topical authority pod retrieval, ten materiał jest częścią szerszej układanki, którą opisaliśmy w tekście o strategii treści 2026 opartej na hub-and-spoke pod retrieval.
Czym jest pillarowanie treści pod LLM
Pillarowanie treści to porządkowanie publikacji wokół centralnego tematu filarowego (pillar), do którego prowadzą i z którego wychodzą teksty wspierające (supporting). W klasycznym SEO chodziło głównie o przepływ link juice i sygnały tematyczne dla Google. W świecie modeli językowych stawka jest inna: liczy się to, czy system retrieval potrafi z Twojego klastra wyciągnąć spójny, samowystarczalny fragment, który modelowi opłaca się zacytować.
Różnica jest subtelna, ale ma ogromne konsekwencje. Google indeksuje strony i ocenia je całościowo. LLM, a dokładniej warstwa retrieval, która go zasila, pracuje na poziomie fragmentów (chunków). Pojedynczy akapit, tabela albo definicja musi nieść kompletną informację, bo model często nie widzi reszty artykułu. Pillarowanie pod LLM polega więc na takim ułożeniu treści, żeby każdy fragment był jednocześnie samodzielny i jednoznacznie przypisany do większej całości.
Dlaczego klaster wygrywa z pojedynczym artykułem
Wyobraź sobie, że publikujesz jeden bardzo długi tekst o automatyzacji marketingu. Model językowy dostanie z niego kilka rozproszonych chunków, ale nie zrozumie, że jesteś autorytetem w całej dziedzinie. Teraz wyobraź sobie dziesięć powiązanych tekstów, które konsekwentnie używają tych samych pojęć, wzajemnie się cytują i prowadzą do wspólnego filaru. System retrieval widzi gęstą, spójną siatkę i znacznie chętniej traktuje ją jako wiarygodne źródło.
To właśnie efekt klastra. Pojedynczy artykuł to punkt. Klaster to powierzchnia. Modele językowe nagradzają powierzchnię, bo daje im więcej kontekstu, więcej możliwych chunków i większą pewność, że odpowiedź będzie poprawna.
Warto też pamiętać o mechanice samego retrievalu. Zanim model językowy ułoży odpowiedź, warstwa wyszukiwania wektorowego wybiera kilka najbardziej dopasowanych fragmentów z całej dostępnej bazy. Jeśli Twoje fragmenty są rozproszone, słabo powiązane i niespójne terminologicznie, rzadziej trafią do tej krótkiej listy. Spójny klaster zwiększa szansę, że kilka Twoich fragmentów znajdzie się w jednym wyborze naraz, a to właśnie wtedy model zaczyna traktować markę jako źródło, a nie przypadkowy przypis.
Pillar, sub-pillar i supporting w jednym zdaniu
- Pillar to szeroki tekst filarowy, który definiuje temat, wprowadza terminologię i linkuje do wszystkich tekstów wspierających.
- Sub-pillar to filar pośredni dla bardzo dużych tematów, który grupuje podzbiór tekstów wspierających.
- Supporting to wąski, głęboki tekst odpowiadający na jedną konkretną intencję i prowadzący do filaru.
Najważniejsze zasady i framework
Zanim przejdziemy do trzech modeli, warto ustalić fundament. Niezależnie od wybranej struktury, dobre pillarowanie pod LLM opiera się na pięciu zasadach, które tworzą prosty framework. Nazywam go w skrócie CHUNK: Completeness, Hierarchy, Uniqueness, Naming, Knitting.
| Zasada | Co oznacza | Dlaczego ma znaczenie dla LLM |
|---|---|---|
| Completeness | Każdy fragment niesie kompletną myśl | Retrieval cytuje chunki bez kontekstu reszty strony |
| Hierarchy | Jasny podział na filar i teksty wspierające | Model rozumie, który tekst jest źródłem nadrzędnym |
| Uniqueness | Brak kanibalizacji intencji między tekstami | Dwa identyczne teksty osłabiają sygnał i mylą retrieval |
| Naming | Spójna, powtarzalna terminologia w całym klastrze | Wektorowe podobieństwo rośnie, gdy pojęcia się powtarzają |
| Knitting | Gęste, naturalne linkowanie wewnętrzne | Łączy fragmenty w rozpoznawalną całość tematyczną |
Completeness, czyli samowystarczalność fragmentu
Najczęstszy błąd to pisanie akapitów, które mają sens tylko w kontekście poprzedzającego zdania. Fraza w stylu „jak wspomniałem wyżej” jest dla człowieka naturalna, ale dla retrievera oznacza fragment bez kontekstu. Pisz tak, żeby każdy akapit dawał się zacytować w oderwaniu od reszty. Powtarzaj kluczowe rzeczowniki zamiast zaimków, definiuj skróty przy pierwszym użyciu w sekcji, a nie tylko raz na początku tekstu.
Hierarchy, czyli czytelna struktura nadrzędności
Model musi wiedzieć, który tekst jest filarem. Sygnalizujesz to trzema rzeczami: strukturą URL, gęstością linków przychodzących oraz językiem. Filar powinien używać sformułowań kompletnego przewodnika, a teksty wspierające jasno odsyłać do niego jako do źródła nadrzędnego. Spójny proces produkcji tych tekstów opisaliśmy w materiale o hybrydowym copywritingu SEO i AI w 2026 roku, gdzie hierarchia jest wpisana w sam brief.
Uniqueness, Naming i Knitting
Uniqueness chroni przed kanibalizacją: zanim dopiszesz nowy tekst wspierający, sprawdź, czy nie powiela intencji istniejącego. Naming to dyscyplina słownikowa, czyli jedna nazwa na jedno pojęcie w całym klastrze. Knitting to sztuka linkowania, w której każdy link ma sens redakcyjny, a anchor opisuje cel, a nie zachęca do kliknięcia frazą „kliknij tutaj”. Standard, według Google Search Central, jest tu jednoznaczny: linki powinny być opisowe i indeksowalne.
Trzy modele klastra: gwiazda, siatka i warstwa
Sednem tego przewodnika są trzy modele struktury klastra. Każdy z nich realizuje framework CHUNK, ale inaczej rozkłada relacje między tekstami. Wybór zależy od wielkości tematu, dojrzałości redakcji i tego, jak konkurencyjna jest nisza.
Model 1: gwiazda (hub-and-spoke klasyczny)
To najprostszy i najpopularniejszy układ. W centrum stoi jeden filar, a wszystkie teksty wspierające linkują bezpośrednio do niego i otrzymują od niego link zwrotny. Powstaje gwiazda: filar w środku, dziesięć do dwudziestu tekstów wspierających na promieniach.
Model gwiazdy sprawdza się przy tematach średniej wielkości, które da się objąć jednym filarem. Jest łatwy w utrzymaniu, bo relacje są oczywiste, a nowy tekst po prostu doczepiasz do filaru. Jego słabość ujawnia się przy bardzo dużych tematach: filar staje się przeciążony linkami, a teksty wspierające nie rozmawiają ze sobą, więc retrieval nie buduje gęstej siatki między nimi.
- Kiedy stosować: 10–20 tekstów wspierających, jeden wyraźny temat, młoda redakcja.
- Zaleta: prostota, szybkie wdrożenie, czytelna hierarchia.
- Ryzyko: przeciążony filar i brak połączeń bocznych między tekstami.
Przykład praktyczny: sklep z narzędziami SEO tworzy filar o automatyzacji raportowania i podpina pod niego teksty wspierające o eksporcie danych, integracji z arkuszami, alertach pozycji oraz wizualizacji wyników. Każdy z nich linkuje do filaru, filar linkuje do każdego z nich. Gdy użytkownik pyta model o automatyzację raportów SEO, retrieval ma do dyspozycji spójny zestaw fragmentów z jednego, wyraźnie nadrzędnego źródła. To wystarcza, dopóki tematów pobocznych nie zrobi się kilkadziesiąt.
Model 2: siatka (mesh)
W modelu siatki zachowujesz filar, ale dodatkowo pozwalasz tekstom wspierającym linkować się nawzajem, gdy łączy je realna relacja tematyczna. Powstaje gęsta sieć, w której fragmenty wzmacniają się wzajemnie, a nie tylko poprzez centralny węzeł.
To model dla dojrzałych klastrów i konkurencyjnych nisz. Gęstość połączeń sprawia, że retrieval widzi mocno powiązaną powierzchnię tematyczną, co podbija prawdopodobieństwo cytowania. Cena to większy nakład pracy redakcyjnej i ryzyko chaosu, jeśli linkowanie nie ma jasnych reguł. Siatka bez dyscypliny zamienia się w plątaninę przypadkowych linków, które bardziej mylą niż pomagają.
Reguła, która ratuje siatkę przed chaosem, jest prosta: link boczny dodajesz tylko wtedy, gdy potrafisz w jednym zdaniu uzasadnić, dlaczego czytelnik tego konkretnego tekstu skorzysta z przejścia do tego drugiego. Jeśli uzasadnienie jest naciągane, link nie powstaje. Dzięki temu siatka pozostaje gęsta tam, gdzie relacje są realne, i rzadka tam, gdzie tematy tylko pozornie się stykają. Taka selektywna gęstość jest dla retrievalu czytelniejszym sygnałem niż mechaniczne łączenie wszystkiego ze wszystkim.
W praktyce siatkę najlepiej wdrażać etapami. Zacznij od gwiazdy, a połączenia boczne dodawaj dopiero wtedy, gdy między dwoma tekstami pojawia się naturalny, redakcyjnie uzasadniony związek. Tak rośnie struktura w jednym z naszych case studies, gdzie marka B2B przeszła od zera do pięćdziesięciu cytowań w ChatGPT właśnie dzięki zagęszczaniu klastra.
Model 3: warstwa (hierarchiczny sub-pillar)
Trzeci model wprowadza warstwę pośrednią. Między filarem głównym a tekstami wspierającymi pojawiają się sub-pillary, czyli filary tematyczne drugiego rzędu, które grupują podzbiory tekstów. To struktura piętrowa: filar główny na górze, kilka sub-pillarów w środku, gęste skupiska tekstów wspierających na dole.
Model warstwowy jest stworzony do bardzo dużych tematów, których nie da się sensownie objąć jednym filarem. Daje przejrzystość przy skali stu i więcej tekstów oraz pozwala rozwijać poszczególne gałęzie niezależnie. Wadą jest złożoność: łatwo zgubić się w hierarchii, a źle zaprojektowany sub-pillar może kanibalizować filar główny. Ten model wymaga dojrzałego procesu i regularnych audytów struktury.
Przykład praktyczny: serwis o marketingu cyfrowym ma filar główny o widoczności marki w modelach językowych, a pod nim trzy sub-pillary, czyli optymalizację treści, techniczne podstawy retrievalu oraz pomiar cytowań. Każdy sub-pillar grupuje od kilkunastu do kilkudziesięciu tekstów wspierających, które rozmawiają głównie w obrębie swojej gałęzi i rzadziej skaczą między gałęziami. Dzięki temu czytelnik i model dostają jasną mapę tematu, a redakcja może skalować każdą gałąź we własnym tempie, bez ryzyka, że jeden olbrzymi filar stanie się wąskim gardłem całej struktury.
| Model | Skala | Złożoność | Najlepszy dla |
|---|---|---|---|
| Gwiazda | 10–20 tekstów | Niska | Startujące redakcje, jeden temat |
| Siatka | 20–60 tekstów | Średnia | Konkurencyjne nisze, dojrzały zespół |
| Warstwa | 60+ tekstów | Wysoka | Bardzo szerokie tematy, duża skala |
Jak migrować między modelami bez utraty sygnału
Modele klastra nie są wykluczające. W praktyce większość redakcji zaczyna od gwiazdy, a potem ewoluuje, bo temat rośnie szybciej, niż zakładał plan. Kluczowa zasada migracji brzmi: nigdy nie burz istniejącej hierarchii, tylko ją rozbudowuj. Przejście z gwiazdy w siatkę polega na stopniowym dodawaniu połączeń bocznych, a nie na przepisywaniu filaru. Przejście z siatki w warstwę polega na wydzieleniu sub-pillarów z grup tekstów, które i tak już ze sobą rozmawiają.
Najczęstszy moment na migrację to przekroczenie progu, przy którym filar zaczyna linkować do ponad dwudziestu tekstów. Wtedy warto wydzielić dwa lub trzy sub-pillary i przepiąć część tekstów wspierających pod nie. Pamiętaj, żeby zachować linki zwrotne do filaru głównego, bo to on pozostaje kotwicą terminologiczną całego klastra. Migracja przeprowadzona ostrożnie nie resetuje zbudowanego autorytetu, lecz porządkuje go pod większą skalę.
Jak to wdrożyć krok po kroku
Teoria bez wdrożenia jest bezwartościowa. Poniżej praktyczna sekwencja, którą stosujemy przy budowie klastra pod LLM. Działa niezależnie od wybranego modelu, zmienia się tylko gęstość linkowania w kroku czwartym.
- Zdefiniuj temat filarowy i intencję rdzeniową. Wybierz jeden szeroki temat, który realnie chcesz zdominować. Zapisz jego definicję w jednym zdaniu, bo to ona stanie się kotwicą terminologiczną dla całego klastra.
- Zbierz i pogrupuj intencje wspierające. Wypisz wszystkie pytania, które użytkownicy i modele zadają wokół tematu. Pogrupuj je tak, żeby każda grupa odpowiadała jednemu tekstowi wspierającemu, bez nakładania się intencji.
- Wybierz model klastra. Przy mniej niż dwudziestu intencjach zostań przy gwieździe. Przy konkurencyjnej niszy planuj siatkę. Przy ponad sześćdziesięciu intencjach od razu projektuj warstwy z sub-pillarami.
- Zaprojektuj graf linków przed pisaniem. Narysuj, kto linkuje do kogo. Filar do wszystkich, wszyscy do filaru, a połączenia boczne tylko tam, gdzie istnieje realny związek. Graf to kontrakt, którego trzymasz się przy produkcji.
- Pisz fragmentami gotowymi do cytowania. Każdą sekcję twórz jako samowystarczalny chunk z definicją, tabelą lub krokami. Trzymaj się jednolitej terminologii ustalonej w kroku pierwszym.
- Publikuj w kolejności od filaru. Najpierw filar, potem teksty wspierające, żeby każdy nowy tekst miał gdzie linkować od pierwszego dnia.
- Domykaj linki zwrotne. Po publikacji tekstu wspierającego wróć do filaru i dodaj link do niego, aby relacja była dwukierunkowa.
Klaster nie jest projektem jednorazowym. Po wdrożeniu wchodzisz w tryb utrzymania, w którym regularnie aktualizujesz fragmenty i domykasz nowe połączenia. Cały rytm tej pracy, od triggera przez brief po weryfikację, opisaliśmy w przewodniku o workflow aktualizacji treści w 2026 roku.
Jakimi narzędziami wspierać budowę grafu
Graf linków da się prowadzić w zwykłym arkuszu kalkulacyjnym, w którym wiersze i kolumny tworzą macierz połączeń. Dla mniejszych klastrów to w zupełności wystarcza i ma tę zaletę, że każdy w zespole rozumie taki widok bez szkolenia. Przy większej skali pomaga prosty diagram węzłowy, na którym filar, sub-pillary i teksty wspierające są kropkami, a linki krawędziami. Wizualizacja natychmiast obnaża sieroty bez linków przychodzących i węzły przeciążone połączeniami.
Nie potrzebujesz drogiego oprogramowania, żeby zacząć. Wystarczy dyscyplina w utrzymywaniu jednego źródła prawdy o strukturze klastra. Najgorszy scenariusz to graf, który istnieje tylko w głowie jednej osoby, bo wraz z jej odejściem znika cała wiedza o tym, dlaczego klaster wygląda tak, a nie inaczej. Zapisany graf jest dokumentacją decyzji, do której wraca się przy każdym nowym tekście.
Najczęstsze błędy i pułapki
Większość nieudanych klastrów nie cierpi z powodu braku treści, lecz z powodu błędów strukturalnych. Oto pięć pułapek, które najczęściej widzimy w audytach.
Kanibalizacja intencji
Dwa teksty odpowiadające na to samo pytanie konkurują ze sobą zamiast wzmacniać klaster. Retrieval nie wie, który zacytować, więc rozprasza sygnał. Lekarstwem jest twarda zasada jednego tekstu na jedną intencję oraz audyt przed dopisaniem każdego nowego materiału.
Filar, który nie jest filarem
Często tekst nazwany filarem jest w rzeczywistości zwykłym artykułem, który nie definiuje terminologii ani nie linkuje do tekstów wspierających. Filar bez gęstości linków wychodzących to gwiazda bez promieni. Sprawdź, czy z filaru wychodzą linki do wszystkich tekstów wspierających.
Linkowanie dla samego linkowania
Wpychanie linków bez kontekstu redakcyjnego szkodzi. Modele i Google coraz lepiej rozpoznają sztuczne wzorce. Każdy link powinien mieć uzasadnienie: czytelnik realnie skorzysta z przejścia dalej. Anchor opisuje cel, nie jest sztucznie dopasowaną frazą kluczową.
Brak samowystarczalności fragmentów
Teksty pełne odniesień w stylu „jak pisaliśmy wcześniej” rozpadają się w retrievalu. Jeśli akapit nie broni się sam, model go pominie. Pisz tak, jakby każdy akapit mógł być jedyną rzeczą, którą model zobaczy z całej strony.
Skala bez audytu
Klaster, który rośnie bez regularnego przeglądu, zamienia się w wysypisko. Im większy model klastra, tym ważniejszy audyt struktury. W modelu warstwowym przegląd hierarchii powinien odbywać się co kwartał, bo sub-pillary mają tendencję do dryfowania w stronę filaru głównego.
Mierzenie efektów i KPI
Pillarowanie pod LLM ma sens tylko wtedy, gdy mierzysz jego skutki. Klasyczne metryki SEO są niewystarczające, bo nie pokazują widoczności w odpowiedziach modeli. Potrzebujesz dwóch zestawów wskaźników: tradycyjnych i AIO.
| Wskaźnik | Co mierzy | Sygnał, którego szukasz |
|---|---|---|
| Udział cytowań AIO | Jak często marka pojawia się w odpowiedziach LLM | Wzrost cytowań dla fraz z klastra |
| Pokrycie intencji | Ile intencji w klastrze ma dedykowany tekst | Dążenie do pełnego pokrycia bez kanibalizacji |
| Gęstość linków wewnętrznych | Średnia liczba linków na tekst w klastrze | Stabilny wzrost przy modelu siatki |
| Cytowalność fragmentów | Ile fragmentów jest samowystarczalnych | Rosnący udział chunków gotowych do cytowania |
| Ruch i pozycje | Klasyczne metryki organiczne | Wzrost dla filaru i całego klastra |
Jak realnie sprawdzać cytowania w LLM
Najprostsza metoda to regularne odpytywanie modeli zestawem pytań z Twojej niszy i zapisywanie, czy marka została zacytowana. Zautomatyzuj to skryptem, który raz w tygodniu pyta kilka modeli i loguje wyniki. Trend jest ważniejszy niż pojedynczy pomiar, bo odpowiedzi modeli są probabilistyczne i wahają się między uruchomieniami.
Przykładowy dashboard klastra
Warto zebrać wskaźniki w jednym widoku, który aktualizujesz raz w tygodniu. Minimalny dashboard klastra ma cztery kolumny: nazwę tekstu, liczbę linków wewnętrznych przychodzących i wychodzących, status pokrycia intencji oraz liczbę zarejestrowanych cytowań w modelach. Taki widok od razu pokazuje słabe punkty: tekst z zerową liczbą linków przychodzących jest sierotą w klastrze, a intencja bez przypisanego tekstu to luka do wypełnienia.
Najwięcej wnosi obserwacja zmian w czasie, a nie sam stan na dany dzień. Jeśli gęstość linków rośnie, a cytowania stoją w miejscu, problem leży zwykle w samowystarczalności fragmentów, nie w strukturze. Jeśli rośnie pokrycie intencji, ale spada gęstość linków, znaczy to, że produkcja wyprzedziła pracę nad knittingiem i trzeba domknąć połączenia. Dashboard zamienia intuicję w konkretne decyzje redakcyjne.
Jakie cele stawiać w pierwszych miesiącach
W pierwszym kwartale po wdrożeniu klastra realistycznym celem jest pełne pokrycie intencji i domknięcie wszystkich linków zwrotnych. Cytowania w modelach przychodzą zwykle później, bo warstwa retrieval potrzebuje czasu na ponowne zindeksowanie i ocenę spójności klastra. Nie zniechęcaj się brakiem natychmiastowych efektów: pillarowanie to gra na kwartały, nie na dni.
Więcej o teorii topical authority i tym, jak wyszukiwarki oceniają powiązane tematycznie zbiory stron, znajdziesz w opracowaniu o modelowaniu tematycznym, które dobrze tłumaczy, dlaczego spójność terminologiczna w klastrze ma tak duże znaczenie.
Podsumowanie
Pillarowanie treści pod LLM sprowadza się do jednej decyzji: jak ułożyć relacje między filarem a tekstami wspierającymi, żeby retrieval widział spójną, gęstą i samowystarczalną powierzchnię tematyczną. Masz do wyboru trzy modele. Gwiazda dla prostych tematów, siatka dla konkurencyjnych nisz, warstwa dla wielkiej skali. Niezależnie od wyboru trzymaj się frameworku CHUNK, pisz fragmentami gotowymi do cytowania i mierz efekty zestawem wskaźników AIO. To nie jest praca na jeden tydzień, lecz dyscyplina, która z miesiąca na miesiąc buduje pozycję cytowanego źródła.
Jeśli masz wybrać jedną rzecz do wdrożenia od jutra, niech to będzie graf linków narysowany przed napisaniem pierwszego tekstu. To właśnie świadoma struktura, a nie liczba opublikowanych słów, odróżnia klaster cytowany przez modele od zbioru luźnych artykułów. Zacznij od gwiazdy, pilnuj samowystarczalności fragmentów i pozwól strukturze rosnąć w stronę siatki lub warstwy dopiero wtedy, gdy temat naprawdę tego wymaga.
FAQ
Czym różni się pillarowanie pod LLM od klasycznego SEO?
Klasyczne SEO optymalizuje całe strony pod ranking w Google. Pillarowanie pod LLM optymalizuje pojedyncze fragmenty (chunki) tak, aby system retrieval mógł je zacytować w oderwaniu od reszty strony. Stawką nie jest tylko pozycja, lecz obecność w odpowiedziach modeli takich jak ChatGPT czy Perplexity.
Który z trzech modeli klastra wybrać na start?
Jeśli dopiero zaczynasz, wybierz model gwiazdy: jeden filar i 10–20 tekstów wspierających linkujących bezpośrednio do niego. Jest najprostszy w utrzymaniu i daje czytelną hierarchię. Do siatki lub warstwy przechodzisz dopiero, gdy temat urośnie i pojawi się realna potrzeba gęstszych połączeń.
Ile tekstów wspierających powinien mieć jeden filar?
Praktyczny zakres to 10–20 tekstów na filar w modelu gwiazdy. Przy większej liczbie filar zaczyna być przeciążony linkami i warto rozważyć model warstwowy z sub-pillarami, które grupują podzbiory tekstów wspierających.
Jak sprawdzić, czy klaster działa w modelach językowych?
Odpytuj regularnie kilka modeli zestawem pytań z Twojej niszy i zapisuj, czy marka została zacytowana. Liczy się trend w czasie, a nie pojedynczy pomiar, bo odpowiedzi modeli są probabilistyczne i wahają się między uruchomieniami.
Czy pillarowanie pod LLM szkodzi rankingom w Google?
Nie. Dobrze zbudowany klaster wzmacnia jednocześnie widoczność w Google i w modelach językowych, bo obie warstwy nagradzają spójność tematyczną, kompletność treści i naturalne linkowanie wewnętrzne. Optymalizacja pod LLM jest rozszerzeniem dobrego SEO, nie jego przeciwieństwem.
Jak szybko pojawiają się efekty pillarowania?
Pełne pokrycie intencji i domknięcie linków zwrotnych osiągniesz w pierwszym kwartale. Cytowania w modelach przychodzą zwykle później, bo warstwa retrieval potrzebuje czasu na ponowne zindeksowanie i ocenę spójności klastra. To gra na kwartały, nie na dni.