Jedna rodzina modeli, trzy sposoby pozyskiwania odpowiedzi
Trzy powierzchnie Google odpowiadają na to samo pytanie na trzy różne sposoby. Jeśli pracujesz w search, różnica między ugruntowaniem a generowaniem nie jest ciekawostką. Decyduje o tym, co musisz zrobić, żeby zostać zacytowanym.
Ludzie mówią o "rankowaniu w AI", jakby to była jedna rzecz. Nie jest. Google używa jednej rodziny modeli w trzech powierzchniach, a każda z nich inaczej decyduje, skąd bierze się odpowiedź.
I to jest w tym najbardziej użyteczne. Nie budujesz drugiej strony dla robotów. Dbasz o to, żeby jedna strona była pobieralna, rankowalna i cytowalna na każdej ścieżce, którą może pójść odpowiedź, a nie tylko dla głównego zapytania, które akurat śledzisz.
Aplikacja Gemini: przede wszystkim generatywna
Jak powstaje odpowiedź. Odpowiedzi są domyślnie generowane z danych treningowych modelu. Grounding w Google Search włącza się wybiórczo, gdy model uzna, że zapytanie wymaga świeżych lub weryfikowalnych informacji.
Skąd pochodzą odpowiedzi. Przede wszystkim z wag modelu, czyli z pamięci parametrycznej: z tego, czego model już się nauczył. Kiedy sięga po grounding, pobiera żywe wyniki Search i pokazuje linki źródłowe. Ale grounding jest tu opcjonalny, nie domyślny.
Dlaczego to ważne. Wzmianki o marce w aplikacji Gemini zależą przede wszystkim od obecności w danych treningowych, a nie od rankingów z tego tygodnia.
- Twoja marka jest dobrze reprezentowana w korpusie treningowym: autorytatywne publikacje, hasło w Wikipedii, ugruntowana encja.
- Albo grounding uruchomił się dla tego zapytania i masz dobre pozycje w żywym Search.
- Większość odpowiedzi pochodzi z pamięci modelu. Jeśli Twoja marka jest nowa, niszowa albo słabo opisana przed datą odcięcia danych treningowych, dla modelu nie istniejesz.
- Świetne pozycje nie uratują Cię przy zapytaniach, na które model odpowiada bez groundingu.
Co robić: budować trwałą obecność encji. Publikacje zewnętrzne, spójne dane encji i treść, z której model faktycznie miał szansę się uczyć.
AI Overviews: najpierw grounding
Jak powstaje odpowiedź. Najpierw następuje pobranie dokumentów. Dedykowany model Gemini syntetyzuje podsumowanie z dokumentów, które systemy rankingowe Google już wcześniej pobrały, i pokazuje je tylko przy wysokiej pewności.
Skąd pochodzą odpowiedzi. Z żywego indeksu Search, z Knowledge Graph i z Shopping Graph. Cytowane linki wskazują strony, z których zbudowano podsumowanie.
Dlaczego to ważne. Klasyczna pobieralność wciąż rządzi. Jeśli nie da się Cię pobrać i uszeregować, nie da się Cię zacytować.
- Jesteś w zbiorze pobranych i podlegających rankingowi wyników dla tego zapytania.
- Fragment Twojej strony wprost potwierdza tezę zawartą w zsyntetyzowanej odpowiedzi.
- Pomagają czysty, łatwy do wyodrębnienia tekst i świeżość. Ahrefs ustalił, że adresy URL cytowane przez AI są średnio o 26% świeższe niż wyniki organiczne.
- Według Google do kwalifikowalności nie jest potrzebny żaden specjalny schema.
- Nie jesteś pobieralny:
noindex,nosnippet, blokady albo po prostu słaba pobieralność. - Albo żaden fragment Twojej strony nie potwierdza stawianej tezy.
- Cytowanie działa na poziomie fragmentu. Wysoka pozycja nie gwarantuje już cytowania, choć nadal mocno zwiększa szanse: pokrywanie się z top 10 wynosi w różnych badaniach od około 17% do 76%.
- Nie licz na wyciszenie w YMYL. Około 88% zapytań o zdrowie wyzwala dziś AI Overview.
Co robić: pisać cytowalne fragmenty. Jasne, samodzielne tezy, które same z siebie odpowiadają na jedną podintencję, zamiast stron, które jedynie rankują.
AI Mode: grounding plus fan-out
Jak powstaje odpowiedź. Query fan-out rozbija Twoje pytanie na wiele zapytań cząstkowych, wyszukiwanych równolegle. Gemini wnioskuje potem na podstawie całości, żeby ułożyć jedną konwersacyjną odpowiedź.
Skąd pochodzą odpowiedzi. Z indeksu sieci, z Knowledge Graph i z danych w czasie rzeczywistym, takich jak zakupy, dane lokalne i finansowe, zsyntetyzowanych wraz z linkami wychodzącymi. Każda odpowiedź jest ugruntowana w pobranych źródłach.
Dlaczego to ważne. Nie optymalizujesz już pod jedno zapytanie. Optymalizujesz pod dziesiątki zapytań cząstkowych, na które się ono rozkłada.
- Rankujesz na którekolwiek z równoległych zapytań cząstkowych generowanych przez fan-out, nie tylko na główne hasło.
- Strony rankujące w zapytaniach fan-out mają, według Ahrefsa i Surfera, o około 161% większą szansę na zacytowanie.
- Głębokie pokrycie tematu i mocne dane encji poszerzają Twoją powierzchnię kontaktu.
- Optymalizowałeś pod jedno słowo kluczowe, a odpowiedź złożono z kilkunastu zapytań cząstkowych, których nigdy nie brałeś pod uwagę.
- Tylko około 20% cytowań w AI Mode pochodzi z top 20 wyników organicznych, według seoClarity.
- Trafność fragmentu jest biletem wstępu, ale autorytet wciąż działa jak filtr, zwłaszcza w YMYL.
Co robić: zmapować fan-out. Pokryć klaster powiązanych intencji wokół każdego zapytania sprzedażowego, a nie tylko samo zapytanie.
Co naprawdę zmienić
Trzy powierzchnie, trzy tryby porażki. Praca dzieli się czysto wzdłuż linii między ugruntowaniem a generowaniem.
W powierzchni generatywnej buduj encję. Nie da się w jeden kwartał zoptymalizować sobie miejsca w pamięci modelu. Działa trwałe pokrycie w źródłach zewnętrznych, spójne dane encji we wszystkich miejscach, w których Google uzgadnia tożsamość, i dość treści merytorycznej, żeby model miał się czego nauczyć. To powolna praca, która się kumuluje.
W powierzchniach ugruntowanych pisz fragmenty, nie tylko strony. Strona, która rankuje, to bilet wstępu. Cytowany zostaje fragment, który stawia tezę na tyle czysto, że można go wyjąć z kontekstu i nadal ma sens. Samodzielny, konkretny i przypisany do podintencji, którą ktoś naprawdę ma.
Przestań mierzyć jedno zapytanie. Jeśli AI Mode rozkłada pytanie na kilkanaście zapytań cząstkowych, to śledzenie głównego hasła nie mówi Ci prawie nic o tym, czy jesteś obecny w odpowiedzi. Zmapuj podintencje wokół zapytań ważnych komercyjnie i pokryj je.
Nic z tego nie wymaga osobnej strategii AI doklejonej do Twojej strony. Wymaga, żeby ta sama strona była czytelna dla systemów, które teraz składają odpowiedzi, zamiast wypisywać linki. I wymaga pomiaru, który widzi, co te systemy faktycznie zrobiły, a to już inny problem, opisany przez nas w tekście o trzech sygnałach wartych monitorowania.
Zobacz, które powierzchnie AI naprawdę Cię cytują.
WISLR mierzy kanał AI na Twoich własnych danych first-party: które crawlery czytają Twoje strony, które odpowiedzi je cytują i co ten ruch robi po wejściu. Prawda z poziomu serwera zamiast szacunku share of voice.