Cytowanie przez AI: cztery sygnały, na które naprawdę patrzą ChatGPT, Perplexity i AI Overviews

Odpowiedź wygenerowana przez ChatGPT, Perplexity albo AI Overviews Google cytuje zwykle od trzech do ośmiu źródeł. Ten sam temat opisywały tymczasem dziesiątki stron. Pytanie nie brzmi więc już „czy jestem zaindeksowany?”, lecz „dlaczego tamta strona, a nie moja?”. Szczegółów modeli selekcji nie znamy; mamy za to cztery wiarygodne punkty odniesienia: oficjalną dokumentację Google o funkcjach AI, dokumentację OpenAI i Perplexity o ich robotach oraz prace naukowe, które zmierzyły, co zmienia widoczność strony w wygenerowanej odpowiedzi. Źródła te zbiegają się na czterech sygnałach.

Sygnał 1: strona jest dostępna dla właściwego robota, nie tylko dla robota Googlebot

To warunek wstępny, który wiele witryn pomija, nie zdając sobie z tego sprawy. Silniki generatywne nie korzystają z tego samego robota co klasyczna wyszukiwarka, a jeden dostawca wysyła ich kilka. OpenAI dokumentuje trzy odrębne agenty: GPTBot do trenowania modeli, OAI-SearchBot do indeksu wyszukiwarki ChatGPT oraz ChatGPT-User do pobrania konkretnej strony na żądanie użytkownika. Każdym z nich steruje się osobno w pliku robots.txt, co wyjaśnia dokumentacja robotów OpenAI. Anthropic postępuje tak samo, z robotami ClaudeBot, Claude-SearchBot i Claude-User, a Perplexity z PerplexityBot i Perplexity-User.

Konkretnie: witryna, która w 2024 roku zablokowała na wszelki wypadek „wszystkie roboty AI”, najczęściej zablokowała także te, które służą do odpowiadania użytkownikom. Nie może już być cytowana, niezależnie od jakości swoich treści. Jedynym sposobem, by dowiedzieć się, kto naprawdę przychodzi, jest lektura logów serwera; poświęcamy jej osobny artykuł o identyfikacji robotów AI.

Sygnał 2: silnik wybiera fragmenty, a każda sekcja ma nim być

Google mówi o tym wprost w dokumentacji funkcji AI w wyszukiwarce: AI Overviews i tryb AI opierają się na tych samych systemach co klasyczna wyszukiwarka, a poza zwykłymi zaleceniami nie trzeba robić „nic szczególnego”. Zmienił się natomiast sposób, w jaki systemy te czytają stronę. Google opisuje technikę query fan-out: pytanie użytkownika zostaje rozłożone na kilka podzapytań, z których każde rusza równolegle, a odpowiedź jest składana z fragmentów najtrafniejszych dla każdego pytania cząstkowego, co wyjaśnia zapowiedź trybu AI.

Jednostką wyboru nie jest zatem już strona, lecz fragment. Akapit, który wyraźnie odpowiada na konkretne pytanie cząstkowe, ma większe szanse na przytoczenie niż długa strona, na której odpowiedź jest rozcieńczona. Przemawia to za pisaniem, w którym każda sekcja niesie rozpoznawalne pytanie, otwiera się odpowiedzią, a dopiero potem rozwija niuans. Temu poświęcony jest nasz artykuł „Najpierw odpowiedź, potem niuans”.

Sygnał 3: treść zawiera elementy nadające się do cytowania

Ten sygnał nauka zmierzyła lepiej niż pozostałe. W 2023 roku zespół z Princeton, Georgia Tech i Allen Institute opublikował GEO: Generative Engine Optimization, badanie, które testuje dziewięć metod przeredagowania tej samej strony i mierzy ich wpływ na widoczność tej strony w wygenerowanych odpowiedziach. Trzy metody wyraźnie się wyróżniają: dodanie cytowań źródeł, dodanie statystyk i dodanie przypisanych cytatów bezpośrednich. Autorzy mierzą wzrost widoczności sięgający 40 %, zależnie od zastosowanej metody przeredagowania. Odwrotnie działa upychanie słów kluczowych, historyczna technika SEO: nie daje nic, a czasem pogarsza wynik.

Powód jest zrozumiały: model, który ma wytworzyć wiarygodną odpowiedź, woli oprzeć się na fragmencie stwierdzającym coś dokładnego, opatrzonego datą, liczbą i źródłem, niż na ogólniku. Liczba wraz ze swoim źródłem to fragment, który AI może przytoczyć w niezmienionej postaci, wskazując, skąd pochodzi. Zdanie w rodzaju „rynek silnie rośnie” takim fragmentem nie jest.

Sygnał 4: źródło jest rozpoznawalne i spójne

Systemy Google od lat oceniają to, co wytyczne dla oceniających jakość nazywają doświadczeniem, wiedzą ekspercką, autorytetem i wiarygodnością, ujętymi w angielskim skrócie E-E-A-T (experience, expertise, authoritativeness, trustworthiness). W ścisłym sensie nie jest to czynnik rankingowy; to ramy, w których Google trenuje i sprawdza swoje systemy. Kryteria te dotyczą zaś źródła w takim samym stopniu co strony: kto pisze, z jaką legitymacją i czy witryna prowadzi spójny wywód ze strony na stronę.

Dla silnika generatywnego spójność liczy się podwójnie. Witryna, która na trzech stronach podaje trzy różne liczby dla tej samej danej, jest źródłem ryzykownym. Witryna, w której każdy artykuł podpisuje wskazana z nazwiska osoba, ze stroną autora i stałym obszarem specjalizacji, jest źródłem, które system potrafi przypisać. Dokumentacja danych strukturalnych Article Google opisuje zresztą pola, dzięki którym przypisanie to staje się czytelne dla maszyny: autor, data publikacji, data modyfikacji.

Co te cztery sygnały zmieniają w produkcji

Zestawione razem, sygnały te rysują metodę, która ma już niewiele wspólnego z SEO nastawionym na ilość:

• Sprawdzić dostęp przed pisaniem: plik robots.txt jest czytany w katalogu głównym domeny, a każdy robot AI ma własny token. Zablokowanie trenowania nie zmusza do zablokowania cytowania.
• Pisać fragmentami: jedno pytanie na sekcję, odpowiedź na początku, niuans po niej.
• Podawać źródło każdego twierdzenia, które się liczy: liczbę, datę, pochodzenie. To sygnał najsilniejszy ze zmierzonych przez badaczy, a zarazem to, co chroni wydawcę przed błędem.
• Podpisywać i trzymać linię: wskazany autor, stałe słownictwo, dane, które nie przeczą sobie ze strony na stronę.

Żaden z tych punktów nie jest technicznym trikiem. To wymagania redakcyjne, które dają się utrzymać na skalę tylko wtedy, gdy są wbudowane w narzędzie produkcyjne, a nie sprawdzane ręcznie po fakcie. Konkretnie: treści uporządkowane w spójne klastry, jedno źródło na twierdzenie, jeden podpis na artykuł.

Czego nie wiemy, a trzeba to powiedzieć

Sygnały te są udokumentowane, ale nie tworzą formuły. Silniki generatywne zmieniają się szybko, ich indeksy nie pokrywają się, a to samo pytanie zadane dwa razy może dać dwie różne listy źródeł. Jedynym uczciwym sposobem sterowania swoją obecnością jest mierzenie jej w czasie: regularnie zadawać te same pytania tym samym silnikom, notować, kto jest cytowany, i odróżniać strony jedynie pobrane od tych, którym naprawdę przypisano odpowiedź. Metodę tego pomiaru opisujemy w artykule o share of voice w odpowiedziach AI.