Jak działa wyszukiwanie w AI: 4 etapy do cytowania

Zanim model AI zacytuje twoją stronę, ta strona musi przejść przez cztery kolejne etapy: dostępność i indeksację, dobór kandydatów spośród zaindeksowanych dokumentów, dobór konkretnego fragmentu tekstu i syntezę odpowiedzi z przypisaniem źródła. Awaria na którymkolwiek wcześniejszym etapie wyklucza stronę, niezależnie od jakości treści na etapach kolejnych.

Dlaczego widoczność w AI to proces w czterech etapach, a nie jedna funkcja?

Widoczność w AI nie powstaje w jednym momencie. To sekwencja czterech filtrów, z których każdy działa niezależnie od pozostałych. Strona może mieć znakomitą treść, a mimo to nigdy nie zostać zacytowana, jeśli zawiedzie wcześniejszy etap, na przykład dostęp techniczny dla bota.

To rozróżnienie tłumaczy częste rozczarowanie klientów agencji SEO: treść bywa dobra, a mimo to model jej nie cytuje. Winny rzadko jest sam tekst. Częściej problem leży o dwa etapy wcześniej.

Każdy z tych etapów opisują osobno dokumentacje operatorów (OpenAI, Anthropic, Google, Perplexity), a nie jeden wspólny standard. Dlatego mechanika różni się w szczegółach między modelami, mimo że ogólny schemat pozostaje ten sam.

Etap 1: czy bot w ogóle może znaleźć i pobrać twoją stronę?

Zanim jakikolwiek model weźmie stronę pod uwagę, osobny bot musi ją odnaleźć, pobrać i zaindeksować. To warunek wstępny, nie szczegół techniczny do odhaczenia na końcu.

Każdy operator utrzymuje kilka botów o różnych rolach, i to jest miejsce, w którym powstaje najczęstszy błąd konfiguracyjny. Bot, który indeksuje treść pod wyszukiwanie (i przez to zasila cytowania), to inny program niż bot, który zbiera dane do trenowania przyszłych modeli. Zablokowanie jednego nie blokuje drugiego.

Dokumentacja OpenAI wprost opisuje trzy osobne user-agenty i zaleca traktowanie ich osobno w robots.txt, tak by dało się zablokować trening, zostawiając otwarte wyszukiwanie. Anthropic prowadzi identyczny podział na trzy boty i tłumaczy go wprost w swoim centrum pomocy. Ta separacja to

Google ma dodatkową cechę, której nie ma żaden inny system: to jedyny operator, który wprost zastrzega, że link musi być zaindeksowany i kwalifikować się do pokazania ze snippetem w zwykłym Google Search, inaczej nie może pojawić się w AI Overviews ani AI Mode. Nie ma tu żadnych dodatkowych wymagań technicznych ponad standardowe SEO. Indeksacja jest warunkiem koniecznym, ale niewystarczającym, i dla Google to jedyny system, w którym można to stwierdzić z pewnością wysoką.

Etap 2: jak model wybiera kandydatów, zanim przeczyta całą stronę?

Model nie przeszukuje internetu od nowa przy każdym pytaniu tak, jak robi to człowiek klikający wyniki wyszukiwania. Zamiast tego przepisuje pytanie użytkownika na jedno lub kilka zapytań technicznych, wysyła je do systemu wyszukiwania i dopiero z tej odpowiedzi buduje ograniczoną listę kandydatów do dalszej analizy.

Ten mechanizm nazywa się rozbiciem zapytania, czasem określanym po angielsku jako query fan-out. Model potrafi wygenerować warianty pytania, których użytkownik nigdy nie wpisał: synonimy, węższe podpytania, pytania porównawcze. Strona, która odpowiada tylko na dosłowne brzmienie pytania z tytułu, a ignoruje jego warianty, traci część szansy na trafienie do puli kandydatów już na tym etapie.

ChatGPT Search opiera się częściowo na indeksie zewnętrznego dostawcy (Bing) uzupełnionym własnym crawlowaniem OpenAI, a samo pytanie użytkownika bywa przepisywane na wiele zapytań wysyłanych do tego indeksu jednocześnie. Gemini korzysta z grounding opartego o Google Search: wyszukiwarka dostarcza kontekst, a model dopiero na tej podstawie generuje odpowiedź, zamiast polegać wyłącznie na wiedzy z treningu. Perplexity uruchamia własne wyszukiwanie na żywo przez PerplexityBota, a wyniki dodatkowo przechodzi przez własny model relewancji, zanim trafią do etapu pisania odpowiedzi.

Czego nie wiadomo publicznie w żadnym z tych systemów: dokładnych wag rankingu decydujących, który kandydat trafia wyżej. Operatorzy mówią ogólnie o „trafności" i „wiarygodności", bez podania wzoru. Część agencji GEO sprzedaje gotowe „formuły rankingu AI", ale żaden operator takiej formuły nie opublikował. To sygnał, że taka oferta opiera się na domysłach, nie na dokumentacji.

Etap 3: jak strona zostaje pocięta na fragmenty i oceniona względem pytania?

Zanim model zacytuje konkretne zdanie, cała strona zostaje podzielona na mniejsze kawałki tekstu, zwane fragmentami albo chunkami, a każdy z nich oceniany jest osobno pod kątem tego, na ile odpowiada na dane pytanie. To dzieje się niezależnie od tego, czy strona w ogóle trafiła do puli kandydatów z etapu drugiego.

Ta architektura, znana szerzej jako RAG (retrieval-augmented generation), działa mniej więcej tak samo w większości systemów: dokument dzielony jest na fragmenty, każdy fragment zamieniany jest na reprezentację liczbową (embedding), a system wyszukiwania porównuje ją z reprezentacją pytania. W wielu wdrożeniach dochodzi jeszcze dodatkowy krok porządkowania wyników, tak zwany reranking, który poprawia trafność już po pierwszym, szybkim dopasowaniu.

Anthropic dokumentuje to wprost dla własnego mechanizmu cytowań: treść dokumentu jest domyślnie dzielona na poziomie zdania, co pozwala Claude zacytować pojedyncze zdanie albo połączyć kilka kolejnych zdań w cytat obejmujący cały akapit. Google opisuje podobny mechanizm dla Gemini pod nazwą groundingMetadata: metadane grounding łączą konkretne fragmenty wygenerowanej odpowiedzi z konkretnymi źródłami, dzięki czemu można prześledzić, które zdanie odpowiedzi pochodzi z której strony.

Praktyczna konsekwencja: strona, w której odpowiedź na pytanie jest rozproszona po kilku akapitach, przegrywa z fragmentem konkurencji, w którym ta sama odpowiedź mieści się w jednym, samodzielnym zdaniu na początku sekcji. Chunking nie ocenia całej strony naraz, ocenia pojedynczy wycinek.

Etap 4: jak model pisze odpowiedź i przypisuje cytowania?

Na ostatnim etapie model generuje tekst odpowiedzi i decyduje, które z ocenionych wcześniej fragmentów faktycznie przywoła jako źródło konkretnego zdania. To dopiero tutaj fragment zamienia się w widoczne dla użytkownika cytowanie.

Tu pojawia się rozróżnienie, które łatwo pominąć przy raportowaniu wyników klientowi: sam fakt zacytowania strony (selection) to nie to samo, co realny wpływ tej strony na treść odpowiedzi (absorption). Strona może zostać podlinkowana, mimo że odpowiedź w praktyce opiera się na innym, niecytowanym fragmencie wiedzy modelu, i odwrotnie: cytowanie może być drugorzędne wobec zdania, które faktycznie ukształtowało.

Duże badanie porównawcze z 2026 roku, obejmujące 602 zapytania rozłożone na kilka silników, pokazało średnią liczbę cytowań na odpowiedź: ChatGPT 6,88, Google AI Overviews/Gemini 12,06, Perplexity 16,35. Wskaźnik absorpcji, czyli tego, na ile cytowanie realnie wspiera treść odpowiedzi, wypadł najwyżej właśnie dla ChatGPT, mimo najniższej liczby cytowań ze wszystkich trzech systemów. Wniosek jest prosty: liczba cytowań i wpływ na odpowiedź to dwie różne miary, i raportowanie tylko pierwszej z nich daje niepełny, czasem mylący obraz skuteczności treści.

Recenzowane badanie z konferencji KDD 2024 (zespół z Princeton, IIT Delhi, Georgia Tech i Allen Institute for AI, ponad 10 tysięcy zapytań na systemie zbliżonym do ówczesnego Bing Chat) sprawdziło, które interwencje w treści realnie zwiększają szansę na cytowanie właśnie na tym etapie syntezy. Największy, powtarzalny efekt (rząd 30 do 40 procent więcej cytowań) dały: dodanie cytatów źródłowych wewnątrz tekstu, dodanie statystyk, oraz styl pisania rozpoznawany jako klarowny i autorytatywny. To jeden z niewielu eksperymentów z jawną metodologią, który testował sam etap syntezy, nie tylko dostępność czy indeksację.

Czy każdy model AI przechodzi te cztery etapy identycznie?

Nie. Ogólny schemat czterech etapów jest wspólny, ale każdy operator implementuje go inaczej, i publicznie ujawnia różny zakres szczegółów.

Wspólny mianownik: żaden operator nie publikuje pełnej formuły rankingu na żadnym z czterech etapów. To, co jest udokumentowane z wysoką pewnością, dotyczy architektury (jakie boty istnieją, jak działa chunking, jak mapowane są cytowania), nie wag decydujących o kolejności. Traktowanie jednej odpowiedzi modelu jako dowodu na działanie konkretnego mechanizmu rankingu to błąd metodologiczny: odpowiedzi są w dużym stopniu losowe i zależne od kontekstu, dlatego wnioski trzeba opierać na wielu powtórzeniach tego samego pytania, nie na pojedynczym teście.

Co z tego wynika dla treści, którą publikujesz?

Z czterech etapów wynika prosta kolejność priorytetów: najpierw sprawdź, czy strona w ogóle jest dostępna dla właściwych botów, dopiero potem optymalizuj samą treść. Świetny artykuł za zablokowanym robots.txt albo ukryty za renderowaniem w JavaScript nie ma szansy dotrzeć nawet do etapu drugiego.

Na etapach doboru kandydatów i doboru fragmentów najbardziej pomaga struktura: jasny nagłówek, bezpośrednia odpowiedź w pierwszym zdaniu sekcji, fragment, który ma sens wyrwany z kontekstu całego artykułu. To dokładnie to, co ocenia mechanizm chunkingu, opisany w etapie trzecim.

Na etapie syntezy liczy się to, co potwierdziło badanie z KDD 2024: konkretne cytaty źródłowe, dane liczbowe z podanym pochodzeniem, klarowny styl. Nie liczy się długość tekstu sama w sobie ani sam fakt posiadania sekcji FAQ, bo żaden z tych elementów formalnych nie zastępuje materiału dowodowego wewnątrz treści.

Ostatnia rzecz warta zapamiętania: żaden z czterech etapów nie działa jak ranking z jedną, stałą pozycją. Model przechodzi tę sekwencję od nowa przy każdym zapytaniu, więc wynik naturalnie się zmienia w czasie i między pytaniami o ten sam temat. Oczekiwanie stałej, powtarzalnej pozycji w odpowiedziach AI wynika z przeniesienia nawyków z klasycznego SEO na mechanikę, która działa inaczej.

FAQ

Czy zablokowanie GPTBota wyłącza mnie z wyników ChatGPT Search?

Nie musi. GPTBot to bot treningowy, osobny od OAI-SearchBota, który odpowiada za indeksację pod wyszukiwanie. Zablokowanie GPTBota, przy jednoczesnym dopuszczeniu OAI-SearchBota, pozwala uczestniczyć w wynikach wyszukiwania bez oddawania treści do zbioru treningowego. Zablokowanie obu na raz wyklucza z obu funkcji naraz.

Czy indeksacja w Google gwarantuje pojawienie się w AI Overviews?

Nie, ale jest warunkiem koniecznym. Google wprost zastrzega, że strona musi być zaindeksowana i kwalifikować się do pokazania ze snippetem w standardowym wyszukiwaniu, inaczej nie może trafić do AI Overviews ani AI Mode. Sama indeksacja nie decyduje jeszcze o tym, czy dany fragment zostanie wybrany do konkretnej odpowiedzi.

Czym różni się dobór kandydatów od doboru fragmentów?

Dobór kandydatów decyduje, które strony w ogóle trafiają do dalszej analizy, na podstawie rozbicia pytania na warianty zapytań. Dobór fragmentów działa już wewnątrz tych stron: dzieli tekst na kawałki i ocenia, który z nich najlepiej odpowiada na konkretne pytanie. Strona może przejść pierwszy etap i przegrać na drugim, jeśli odpowiedź jest rozmyta w treści zamiast skoncentrowana w jednym fragmencie.

Dlaczego liczba cytowań nie mówi wszystkiego o widoczności marki?

Bo cytowanie (selection) i realny wpływ na odpowiedź (absorption) to dwie osobne miary. Badanie z 602 zapytań pokazało, że ChatGPT generuje najmniej cytowań na odpowiedź spośród porównywanych systemów, a mimo to jego wskaźnik absorpcji był najwyższy. Raportowanie samej liczby cytowań bez sprawdzenia, czy realnie wspierają treść odpowiedzi, daje niepełny obraz skuteczności.