Coraz częściej pierwszym odbiorcą strony firmowej nie jest człowiek, tylko asystent AI zbierający informacje dla klienta. Strona, która wystawia dane w sposób ustrukturyzowany, trafia do odpowiedzi kompletna. Strona, która tego nie robi, jest streszczana z tego, co uda się wyciągnąć z układu wizualnego.
Co się właściwie zmieniło
Przez dwadzieścia lat optymalizacja pod wyszukiwarki sprowadzała się do walki o pozycję na liście dziesięciu niebieskich odnośników. Silniki generatywne - AI Mode w Google, ChatGPT, Perplexity, Copilot - nie pokazują listy. Pokazują odpowiedź i wskazują kilka źródeł. Wygrywa nie ten, kto jest wysoko, tylko ten, kto zostaje zacytowany w środku odpowiedzi.
To zmienia trzy rzeczy naraz.
1. Liczy się początek, nie całość
Silniki pobierające treść w czasie rzeczywistym oceniają stronę głównie po pierwszych kilkuset słowach. Klasyczny tekst marketingowy - akapit o tym, jak dynamicznie zmienia się rynek, potem drugi o naszym doświadczeniu, a odpowiedź gdzieś w połowie - przegrywa z tekstem, który odpowiada od razu w pierwszym zdaniu.
Praktyczna konsekwencja: każda sekcja i każda odpowiedź w FAQ powinna zaczynać się od rozstrzygnięcia, a dopiero potem je rozwijać.
2. Konkret bije przymiotnik
Badanie zespołów z Princeton, Georgia Tech i IIT Delhi pokazało, że największy przyrost widoczności w odpowiedziach generatywnych dają trzy zabiegi: dodanie danych liczbowych, wskazanie źródeł i cytaty. Autorzy raportują wzrost widoczności sięgający 40 procent.
Mechanizm jest zrozumiały: model, który buduje odpowiedź, potrzebuje czegoś, co da się w niej osadzić. „Wieloletnie doświadczenie w kompleksowych wdrożeniach” nie nadaje się do zacytowania. „Pierwszy działający efekt w 2-6 tygodni, zależnie od obszaru” - owszem.
3. Świeżość zaczyna mieć znaczenie
Systemy z retrievalem coraz mocniej premiują treść aktualną. Strona napisana raz i zostawiona na dwa lata wypada z obiegu, nawet jeśli merytorycznie się nie zdezaktualizowała.
Warstwa maszynowa: cztery standardy warte uwagi
Poza samą treścią pojawiła się warstwa, której człowiek nie widzi.
- schema.org w JSON-LD - fundament. To najstarszy z tych standardów i jednocześnie ten, który daje dziś najwięcej. Opis organizacji, katalog usług, FAQ i kursy w formie strukturalnej czyta każdy silnik.
- MCP (Model Context Protocol) - otwarty standard, przez który system udostępnia agentom narzędzia i dane. Strona przestaje być dokumentem, a staje się zestawem operacji do wykonania.
- NLWeb - projekt Microsoftu budujący warstwę konwersacyjną na istniejącym schema.org. Wśród wdrażających są Shopify, Tripadvisor, Eventbrite i O’Reilly. Każda instancja działa jednocześnie jako serwer MCP.
- llms.txt i AGENTS.md - pliki opisujące serwis dla modeli. Warto znać proporcje: Google w maju 2026 napisało wprost, że nie używa llms.txt w AI Overviews ani w AI Mode. Dla większości firm to więc nie jest narzędzie SEO. Ma sens tam, gdzie agenci są realnym ruchem - w dokumentacji technicznej i przy produktach, z których korzysta się przez API.
Od czego zacząć
Kolejność, którą uważamy za rozsądną:
- Popraw dane strukturalne. Poprawne JSON-LD z opisem firmy, usług i FAQ daje najwięcej przy najmniejszym nakładzie. Musi pokrywać się z tym, co widać na stronie - rozjazd bywa traktowany jak spam.
- Przepisz pierwsze akapity. Odpowiedź na początku, konkretne liczby zamiast przymiotników.
- Dodaj FAQ z realnych pytań. Nie z tych, które brzmią dobrze w materiałach, tylko z tych, które klienci zadają na pierwszej rozmowie.
- Rozważ warstwę agentową - API i MCP. To ma sens, gdy macie katalog, cennik albo dostępność, które ktoś mógłby chcieć odpytać automatycznie.
Jak to wygląda u nas
Ta strona ma wszystkie cztery elementy - łącznie z działającym serwerem MCP i publicznym API z ofertą. Nie dlatego, że każda firma tego potrzebuje, tylko dlatego, że sprzedajemy budowanie takich warstw i uznaliśmy, że powinniśmy zacząć od siebie. Szczegóły i przykłady wywołań: Dla agentów AI.
Źródła
- Google Search Central - wskazówki dotyczące widoczności w funkcjach AI (maj 2026)
- Aggarwal i in., GEO: Generative Engine Optimization - Princeton, Georgia Tech, IIT Delhi
- Dokumentacja projektu NLWeb, Microsoft
- Specyfikacja Model Context Protocol