Słownik pojęć GEO/AEO/LLMO

Ten słownik zbiera w jednym miejscu krótkie, samodzielne definicje pojęć z widoczności marki w AI: kategorie optymalizacji (GEO, AEO, LLMO, SEO), mechanikę techniczną wyszukiwania (RAG, chunking, grounding, query fan-out) oraz metryki pomiaru (mention rate, citation rate, share of voice). Każde hasło da się zrozumieć osobno, bez czytania całego artykułu. Tam, gdzie temat na to zasługuje, hasło linkuje do pełnego rozwinięcia w osobnym artykule bazy wiedzy.

Hasła są pogrupowane tematycznie, nie alfabetycznie, bo pojęcia z tej listy wyjaśniają się nawzajem lepiej w kontekście. Jeśli szukasz konkretnego terminu, użyj wyszukiwarki w przeglądarce (Ctrl+F / Cmd+F) albo przejdź od razu do jednej z czterech grup niżej.

Kategorie optymalizacji: GEO, AEO, LLMO i SEO

Co to jest SEO?

SEO (Search Engine Optimization) to optymalizacja strony pod klasyczne wyniki wyszukiwania: pozycja, kliknięcie, współczynnik klikalności (CTR). Jednostką wyniku jest URL na konkretnej pozycji w liście wyników. To fundament, na którym opierają się GEO i AEO: crawlability, indeksacja, jakość treści i dane strukturalne działają tak samo w obu światach. Google wprost określa optymalizację pod wyszukiwanie generatywne jako kontynuację SEO, nie osobną dyscyplinę z innymi wymogami technicznymi .

Co to jest GEO?

GEO (Generative Engine Optimization) to zbiór działań, dzięki którym model AI cytuje markę jako źródło w odpowiedzi generatywnej, a nie tylko pokazuje jej link na liście wyników. Termin wprowadził w 2023 roku zespół Princeton University. Jednostką wyniku nie jest pozycja, tylko częstotliwość cytowania w wielu powtórzeniach tego samego pytania, bo pojedyncza odpowiedź modelu niczego nie dowodzi. Pełna definicja i geneza pojęcia: „Czym jest GEO (Generative Engine Optimization)? Definicja i zasady.”

Co to jest AEO?

AEO (Answer Engine Optimization) dotyczy bezpośredniej odpowiedzi w wynikach wyszukiwania: featured snippet, panel odpowiedzi, wyszukiwanie głosowe. To węższy zakres niż GEO, skupiony na jednym, konkretnym fragmencie odpowiedzi, nie na całej, zsyntetyzowanej wypowiedzi modelu z wieloma źródłami cytowanymi jednocześnie. Pełne rozróżnienie z przykładami zapytań: „AEO (Answer Engine Optimization): co to jest i czym różni się od GEO."

Co to jest LLMO?

LLMO (Large Language Model Optimization), w węższym rozumieniu przyjętym w tej bazie wiedzy, oznacza pracę nad tym, co model pamięta o marce z danych treningowych, bez włączania wyszukiwania w sieci na żywo. To najsłabiej sterowalny z czterech obszarów: nie da się bezpośrednio wpłynąć na model, który już powstał, trzeba czekać na kolejny cykl treningu. Termin nie ma jednej uzgodnionej definicji w branży: część redakcji, w tym część polskich, używa go zamiennie z GEO. Pełne wyjaśnienie rozjazdu definicji: „LLMO: optymalizacja pod pamięć modeli językowych.”

Co to jest widoczność w AI?

Widoczność w AI to termin główny na obecność marki w odpowiedziach modeli takich jak ChatGPT, Gemini czy Perplexity, mierzoną jako wzmianka, cytowanie albo rekomendacja, nie jako pozycja w rankingu. W odpowiedziach generatywnych nie ma odpowiednika miejsca 1, 3 czy 10 w wynikach wyszukiwania, dlatego w tym kontekście świadomie unikamy słowa „pozycjonowanie". To pojęcie parasolowe, pod którym mieszczą się konkretne, policzalne metryki opisane w ostatniej grupie tego słownika: mention rate, citation rate i share of voice.

Mechanika techniczna wyszukiwania i generowania odpowiedzi

Co to jest RAG (retrieval-augmented generation)?

RAG to architektura, w której model przed napisaniem odpowiedzi pobiera fragmenty dokumentów z zewnętrznego źródła (indeksu, bazy wiedzy, wyników wyszukiwania) i dokłada je do kontekstu odpowiedzi, zamiast polegać wyłącznie na wiedzy zapamiętanej podczas treningu. Termin i architekturę opisał zespół badawczy Meta (wtedy Facebook AI Research) w pracy z 2020 roku, łącząc „pamięć parametryczną" modelu, czyli wagi sieci neuronowej, z „pamięcią nieparametryczną", czyli indeksem dokumentów przeszukiwanym w danej chwili. To dzięki RAG model może mówić o rzeczach nowszych niż jego trening, pod warunkiem że strona źródłowa da się znaleźć, pobrać i przetworzyć. ChatGPT Search, grounding w Gemini i wyszukiwanie na żywo w Perplexity to w praktyce różne wdrożenia tej samej idei. Pełny opis czterech etapów, w tym miejsca RAG w całym procesie: „Jak działa wyszukiwanie w AI: od zapytania do cytowania."

Co to jest chunking?

Chunking to podział dłuższego dokumentu na mniejsze, samodzielne fragmenty (chunki), zanim system oceni każdy z nich pod kątem dopasowania do konkretnego pytania. Anthropic dokumentuje to wprost dla mechanizmu cytowań Claude: treść jest domyślnie dzielona na poziomie zdania, co pozwala modelowi zacytować pojedyncze zdanie albo połączyć kilka kolejnych zdań w cytat obejmujący cały akapit. Praktyczna konsekwencja dla pisania treści: strona, w której odpowiedź na pytanie jest rozproszona po kilku akapitach, przegrywa z fragmentem, w którym ta sama odpowiedź mieści się w jednym, samodzielnym zdaniu na początku sekcji.

Co to jest grounding?

Grounding to mechanizm, w którym model opiera wygenerowaną odpowiedź na konkretnych, sprawdzalnych źródłach pobranych w danej chwili, zamiast wyłącznie na wiedzy z treningu. Google dokumentuje to dla Gemini pod nazwą groundingMetadata: metadane grounding łączą konkretne fragmenty wygenerowanej odpowiedzi z konkretnymi źródłami, dzięki czemu da się prześledzić, które zdanie odpowiedzi pochodzi z której strony. To w praktyce mechanizm bardzo bliski RAG, tylko opisywany tą nazwą częściej w dokumentacji Google niż u pozostałych operatorów.

Co to jest query fan-out?

Query fan-out to technika, w której model rozbija jedno pytanie użytkownika na wiele powiązanych podzapytań, obejmujących różne aspekty, konteksty i encje związane z tematem, i wysyła je równolegle do systemu wyszukiwania. Google opisuje to wprost: AI Overviews i AI Mode „mogą używać techniki query fan-out, czyli wysyłania wielu powiązanych zapytań obejmujących podtematy i różne źródła danych, żeby zbudować odpowiedź" . Nie każde pytanie wywołuje fan-out, proste pytania faktograficzne mogą go nie potrzebować, ale dla tematów złożonych to standardowy mechanizm. Praktyczna konsekwencja: strona odpowiadająca wyłącznie na dosłowne brzmienie tytułowego pytania, a ignorująca jego warianty i podtematy, traci część szansy na trafienie do puli kandydatów już na tym etapie, zanim w ogóle dojdzie do oceny treści.

Co to jest knowledge cutoff (data odcięcia wiedzy)?

Knowledge cutoff to dzień, po którym dane nie wchodziły już do zbioru treningowego danego modelu. Wszystko, co wydarzyło się później, po prostu nie istnieje w jego pamięci, dopóki model nie sięgnie po wyszukiwanie w sieci. OpenAI podaje konkretną datę cutoff dla każdego modelu wprost w dokumentacji API. Anthropic idzie o krok dalej i rozróżnia dwie daty: „reliable knowledge cutoff", czyli dzień, do którego wiedza modelu jest najbardziej kompletna i wiarygodna, oraz szerszy „training data cutoff", obejmujący pełny zakres dat danych treningowych, z których część jest rzadsza i mniej pewna. To rozróżnienie ma znaczenie praktyczne przy ocenie, czy dany model „powinien" znać konkretny fakt o marce.

Co to jest wiedza parametryczna (parametric knowledge)?

Wiedza parametryczna to wiedza, którą model przechowuje w wagach swojej sieci neuronowej po treningu, w odróżnieniu od wiedzy pobieranej na żywo z zewnętrznego źródła (nieparametrycznej). Model nie trzyma faktów jak baza danych z rekordami, tylko kompresuje wzorce z tekstu treningowego do parametrów liczbowych. Rozróżnienie parametric vs non-parametric memory wprowadził wprost zespół badawczy przy okazji pracy nad architekturą RAG. Konsekwencja jest praktyczna: wiedzy parametrycznej nie da się poprawić punktowo, tak jak edytuje się rekord w bazie danych. Zmiana pojedynczego faktu wymaga kolejnego cyklu treningu całego modelu, co oznacza reakcję liczoną w miesiącach albo latach, nie w dniach, jak przy indeksacji strony. Pełne rozwinięcie różnicy między pamięcią modelu a widocznością opartą na wyszukiwaniu: „LLMO: optymalizacja pod pamięć modeli językowych.”

Marka, encja i wiarygodność

Co to jest encja (entity)?

Encja to jednoznacznie zidentyfikowany byt, osoba, miejsce, organizacja czy pojęcie, które system wyszukiwania rozpoznaje jako konkretną, spójną rzecz, nie jako ciąg znaków do dopasowania. Google wprowadził to podejście publicznie w 2012 roku razem z Knowledge Graph, opisując je hasłem „things, not strings": wyszukiwarka ma rozumieć pojęcia, nie tylko dopasowywać tekst zapytania do tekstu strony. Dzięki temu system odróżnia na przykład markę Apple jako firmę od apple jako owocu, na podstawie kontekstu, nie samego brzmienia słowa.

Dla widoczności w AI to rozróżnienie ma bezpośrednie znaczenie. Model buduje odpowiedź wokół encji, marki, produktu, osoby, a nie wokół dosłownych fraz z pytania. Spójna, jednoznaczna reprezentacja marki, czyli ta sama nazwa, opis i dane kontaktowe w każdym miejscu w sieci, ułatwia modelowi rozpoznanie, że różne wzmianki w różnych źródłach dotyczą tego samego bytu, a nie kilku podobnie nazwanych firm.

Co to jest E-E-A-T?

E-E-A-T to skrót od Experience, Expertise, Authoritativeness, Trustworthiness, czyli doświadczenie, eksperckość, autorytet i wiarygodność. To rama, według której zespoły oceniające jakość treści dla Google oceniają strony, opisana w Search Quality Rater Guidelines. Pierwsza litera E (Experience) doszła do wcześniejszego E-A-T w grudniu 2022 roku, wraz z wprost ogłoszoną zmianą w wytycznych: oceniający mają doceniać treści oparte na faktycznym, pierwszoosobowym doświadczeniu autora, nie tylko na wiedzy zaczerpniętej z innych źródeł. Z czterech elementów wiarygodność (trustworthiness) Google opisuje jako najważniejszy: pozostałe tracą znaczenie, jeśli treść jest niedokładna albo niewiarygodna.

Dla widoczności w AI E-E-A-T tłumaczy się na konkrety możliwe do zweryfikowania, nie na samą deklarację. Podpisany autor z prawdziwym imieniem i nazwiskiem, opisana metoda pracy, wskazane źródła danych, widoczna historia korekt, dane kontaktowe. To dokładnie ten sam zestaw sygnałów, na który powołują się dokumentacje operatorów przy opisie tego, co model traktuje jako wiarygodne źródło. Pełne tłumaczenie ramy na konkretne działania: „E-E-A-T w erze AI: jak realnie budować dowody eksperckości.”

Czym różni się cytowanie od wzmianki?

Cytowanie to sytuacja, w której model wskazuje konkretny adres URL jako źródło twierdzenia w odpowiedzi. Wzmianka to sytuacja, w której model wymienia nazwę marki, czasem z pamięci treningowej, bez wskazania linku ani adresu strony. Rozróżnienie ma bezpośrednie znaczenie dla raportowania efektów: marka może zostać wzmiankowana bez cytowania własnej domeny, bo model „zna" markę z treningu, a domena może zostać zacytowana bez wprost nazwanej marki, na przykład przy odesłaniu do artykułu o całej kategorii produktu. Traktowanie tych dwóch miar jako jednej i tej samej prowadzi do błędnej oceny skuteczności działań. Pełne rozwinięcie z przykładami: „Cytowanie a wzmianka o marce: dlaczego to nie to samo.”

Czym różni się absorpcja (absorption) od cytowania (selection)?

To rozróżnienie między tym, że źródło zostało wybrane do listy cytowań (selection), a tym, że realnie ukształtowało treść odpowiedzi (absorption). Strona może zostać zacytowana, mimo że odpowiedź w praktyce opiera się na innym fragmencie wiedzy modelu, i odwrotnie: cytowanie może być drugorzędne wobec zdania, które faktycznie ukształtowało treść.

Duże badanie porównawcze z 2026 roku, obejmujące 602 zapytania w kilku silnikach, pokazało średnią liczbę cytowań na odpowiedź: ChatGPT 6,88, Google AI Overviews/Gemini 12,06, Perplexity 16,35. Mimo to model generujący najmniej cytowań (ChatGPT) miał jednocześnie najwyższy wskaźnik absorpcji spośród porównywanych systemów. Wniosek: liczba cytowań i realny wpływ na odpowiedź to dwie osobne miary, a rzetelny pomiar rozdziela je zamiast raportować tylko pierwszą, łatwiejszą do policzenia. Pełne omówienie z konsekwencjami dla raportowania: „Cytowanie a absorpcja: dlaczego liczba cytowań to nie to samo co wpływ na odpowiedź."

Metryki pomiaru widoczności w AI

Co to jest mention rate (współczynnik wzmianek)?

Mention rate to odsetek odpowiedzi w panelu testowych zapytań, w których pojawia się nazwa marki albo jej alias, niezależnie od tego, czy towarzyszy jej link do strony. To najszerszy z trzech podstawowych wskaźników z tej grupy, bo liczy każdą formę przywołania marki, nie tylko cytowanie z adresem URL.

Co to jest citation rate (współczynnik cytowań)?

Citation rate to odsetek odpowiedzi zawierających co najmniej jedno źródło, w których pojawia się URL własnej domeny. W przeciwieństwie do mention rate liczy tylko sytuacje z jawnie wskazanym linkiem. Wartościowy pomiar liczy go osobno na poziomie domeny (czy w ogóle pojawia się dana strona) i na poziomie konkretnego adresu URL (który dokładnie podstronie), bo to dwa różne poziomy szczegółowości tej samej metryki.

Co to jest share of voice?

Share of voice, czyli udział w wypowiedziach, to udział wzmianek lub cytowań danej marki w stosunku do wszystkich wzmianek albo cytowań śledzonych marek w tej samej kategorii zapytań. Różne narzędzia liczą mianownik tej metryki inaczej, co jest jedną z najczęstszych przyczyn nieporozumień przy porównywaniu raportów. Ahrefs Brand Radar definiuje na przykład AI Share of Voice jako procent wyświetleń marki, czyli wzmianek ważonych wolumenem wyszukiwania powiązanych zapytań, w stosunku do sumy wyświetleń wszystkich śledzonych marek w tych samych odpowiedziach [AH-BR]. Z tego wynika praktyczna zasada: nie porównywać wprost wyniku share of voice z dwóch różnych narzędzi, bo różnica w liczbie może wynikać z definicji mianownika, nie z realnej zmiany widoczności marki. Pełny przegląd tej i pozostałych metryk pomiaru: „Jak mierzyć widoczność marki w AI: mention rate, citation rate, share of voice.”

FAQ

Czym różni się GEO od SEO w jednym zdaniu?

SEO optymalizuje pod pozycję i kliknięcie w wynikach wyszukiwania, GEO pod cytowanie marki w treści odpowiedzi generowanej przez model AI.

Czy RAG i grounding to to samo?

W praktyce bardzo blisko siebie. RAG to ogólna nazwa architektury łączącej wyszukiwanie z generowaniem tekstu, opisana naukowo pierwszy raz w 2020 roku. Grounding to termin, którego częściej używa Google w dokumentacji Gemini na określenie tego samego mechanizmu: opierania odpowiedzi na źródłach pobranych w danej chwili, zamiast wyłącznie na wiedzy z treningu.

Dlaczego trzeba rozróżniać cytowanie od wzmianki, i osobno absorpcję od cytowania (selection)?

Bo to dwie osobne pary miar, łatwe do pomylenia w raporcie. Cytowanie i wzmianka mówią o tym, czy marka w ogóle pojawiła się w odpowiedzi i w jakiej formie. Absorpcja i selection mówią o czymś głębszym: czy cytowanie, które już się pojawiło, realnie wpłynęło na treść odpowiedzi, czy było przy niej drugorzędne. Mylenie tych par prowadzi do zawyżonej albo zaniżonej oceny skuteczności działań.

Czy wszystkie pojęcia z tego słownika mają jedną, uzgodnioną definicję w całej branży?

Nie. GEO, RAG, chunking i grounding mają względnie ustabilizowane znaczenie, potwierdzone dokumentacją operatorów i pracami naukowymi. LLMO jest najbardziej rozjechany terminologicznie: różne redakcje używają go zamiennie z GEO albo jako węższej warstwy dotyczącej wyłącznie pamięci treningowej modelu. Ten słownik przyjmuje węższą definicję i tłumaczy to rozróżnienie osobno w haśle LLMO.