Jak AI wybiera źródła informacji do odpowiedzi?
Proces wyboru stron, z których treść jest ekstrahowana, a następnie przetwarzana przez system AI jest wieloetapowy. Najczęściej obejmuje on wyszukiwanie dokumentów, czyli retrieval, ocenę ich relewantności, selekcję, a następnie syntezę odpowiedzi. Samo odnalezienie strony internetowej nie oznacza jednak, że zawarte w niej informacje zostaną wykorzystane, a tym bardziej zacytowane.
Jeśli chcesz dokładnie zrozumieć ten mechanizm, to spójrzmy na technologię RAG. Jest to Retrieval-Augmented Generation, czyli generowanie odpowiedzi wspomagane wyszukiwaniem informacji. W takim rozwiązaniu model językowy nie polega wyłącznie na wiedzy zdobytej podczas treningu, ale może korzystać również z zewnętrznych dokumentów. Oczywiście RAG nie jest uniwersalnym algorytmem, choć z pewnością najpopularniejszym. Poszczególne systemy mogą wykorzystywać odmienne indeksy. Mimo tego jest kilka etapów, które umożliwiają specjalistom zrozumienie działania ekstrakcji treści przez modele językowe:
Zobacz również
- Query understanding – AI najpierw analizuje, czego naprawdę potrzebuje użytkownik. Może to być definicja lub dokładna instrukcja.
- Retrieval – wyszukiwanie potencjalnie przydatnych dokumentów. W zależności od architektury systemu wyszukiwanie może wykorzystywać klasyczne dopasowanie leksykalne, techniki semantyczne lub rozwiązania hybrydowe.
- Passage ranking – AI ocenia konkretne fragmenty treści. W wielu architekturach wykorzystywany jest chunking, czyli podział materiału na mniejsze fragmenty, które można analizować i porównywać pod względem ich przydatności.
- Source evaluation – nic innego jak ocena wiarygodności i przydatności źródeł. Dokument może odpowiadać na pytanie użytkownika, a jednocześnie zawierać nieprawdziwe dane, a nawet błędnie zinterpretowane informacje.
- Answer generation – z wybranych informacji powstaje odpowiedź. Na tym etapie następuje również dobór odwołań do źródeł, ale tylko jeżeli dany system obsługuje cytowania.
Jakie treści AI najchętniej cytuje i dlaczego?
Badania i najnowsze statystyki pokazują, że systemy AI najczęściej sięgają po treści, które są semantycznie zgodne z zapytaniem. Szczególnie takie, które zawierają konkretne odpowiedzi i dostarczają wiarygodnych informacji. Boty są dość leniwe, co oznacza, że nie mają ochoty czytać lania wody.
Kevin Indig w swojej pracy pt. The science of how AI pays attention napisał, że 44,2% cytowanych przez AI fragmentów pochodziło z pierwszych 30% zawartości dokumentu. To mocny argument za stosowaniem answer-first i odwróconej piramidy informacji. Jest to jednak obserwacja korelacyjna, a nie dowód, że samo przeniesienie odpowiedzi na początek artykułu zwiększy liczbę cytowań o konkretną wartość. Takich wniosków płynących z badań specjalistów od SEO i contentu jest znacznie więcej. Z doświadczenia wiem, że warto je wdrożyć – nawet nie mając 100% pewności, że działają.
Co zatem sprawia, że jeden dokument zostaje wybrany, a drugi pominięty? Przyjrzyjmy się kilku cechom, które mogą mieć znaczenie podczas selekcji informacji.
Tears of Joy: Połowa Polaków nie ufa reklamom AI [BADANIE]
Treści dopasowane do intencji, a nie wyłącznie do słów kluczowych
Jednym z najważniejszych elementów jest semantic relevance, czyli zgodność semantyczna dokumentu z zapytaniem użytkownika. W kontekście AI Search istotne jest rozróżnienie pomiędzy zgodnością z ogólnym tematem a dopasowaniem do konkretnej potrzeby informacyjnej.
Słuchaj podcastu NowyMarketing
Treść może być poprawna merytorycznie, rozbudowana i dobrze zoptymalizowana pod główną frazę, a mimo to nie dostarczać informacji potrzebnych do konkretnej odpowiedzi AI.
Interesujących danych dostarcza tutaj badanie Ahrefs z kwietnia 2026 roku, obejmujące 1,4 miliona promptów. Badacze przeanalizowali podobieństwo semantyczne między zapytaniami użytkowników a tytułami dokumentów odnajdywanych przez ChatGPT.
ChatGPT częściej cytował strony, których tytuły były znaczeniowo lepiej dopasowane do pytań użytkowników. Co ciekawe, dopasowanie było jeszcze wyższe, gdy uwzględniono pytania dodatkowe, które system AI może wygenerować podczas poszukiwania informacji.
Passage-level relevance, czyli relewantność konkretnego fragmentu dokumentu względem zapytania użytkownika
Czasem tak się zdarza, że tworzymy rozbudowany artykuł i to na kilkanaście tysięcy znaków ze spacjami, a odbiorca i tak potrzebuje tylko jednej informacji. Nie chce on długiego, a przy tym czasochłonnego poradnika. Z tego powodu często mówię o tym, jak ważne jest dbanie o to, aby poszczególne sekcje przekazywały jasne, kompletne i możliwe do jednoznacznego zinterpretowania informacje.
W tym miejscu pojawia się koncepcja answer-first, czyli przedstawiania najważniejszej odpowiedzi na początku sekcji, a dopiero później rozwijania jej o dodatkowe informacje, wyjątki i przykłady. Kontekst zostawiamy na deser. Tylko tu jest mały haczyk. W oficjalnej dokumentacji Google dotyczącej generatywnego wyszukiwania wyraźnie zaznaczono, że sztuczne dzielenie treści na małe części nie jest wymogiem optymalizacyjnym.
Treści, które wnoszą nową wartość informacyjną
Modele językowe powielają to, co już od dawna jest w internecie. Nie stworzą one nic nowego, a ich kreatywność jest dość ograniczona. ChatGPT wygeneruje poprawny artykuł, ale nie doda do niego nic nowego, na przykład nie podzieli się doświadczeniem, bo go nie ma. To szansa, aby być lepszym od AI.
Wystarczy wykorzystać patent wprowadzony przez Google w 2022 roku, a dokładnie Contextual Estimation of Link Information Gain. Opisuje on algorytm, którego zadaniem jest nadawanie każdej stronie information gain score. Wynik ma za zadanie pokazać, ile nowych informacji może dostarczyć użytkownikowi dany artykuł w porównaniu z treściami, które już poznał. Im więcej wartościowej, wcześniej nieprzedstawionej wiedzy zawiera dokument, tym wyższy może otrzymać wynik. Co podbija information gain score?
- Autorskie badania i dane,
- ekspercka wiedza przekazywana w zrozumiały sposób,
- konkretne case studies i przykłady,
- odpowiedzi na pytania pomijane przez konkurencje,
- praktyczne instrukcje z życia wzięte,
- problemy potencjalnych odbiorców i gotowe rozwiązania,
- aktualne informacje, a szczególnie nowe przepisy,
- osobiste wnioski poparte doświadczeniem.
Systemy AI lubią liczby, dlatego często je cytują
Znacznie większą wartość niż kolejny ogólny poradnik może mieć publikacja przedstawiająca wyniki badania czy nawet konkretne zestawienie liczb, na przykład kosztów prowadzenia firmy. Boty lubią wszelkie analizy, z których wyciągną konkretne wartości. Liczby pozwalają zastąpić ogólne odpowiedzi konkretnymi informacjami, a to właśnie na tym zależy modelom językowym.
Co ciekawe, w lipcu 2026 roku Kevin Indig i Amanda Johnson opublikowali w Search Engine Land analizę dotyczącą cytowania oryginalnych danych przez systemy AI. W badanej próbie 301 cytowanych dokumentów zidentyfikowano osiem publikacji zawierających oryginalne badania. Odpowiadały one za 90 spośród 1075 zarejestrowanych cytowań.
Dokumenty zawierające oryginalne badania uzyskiwały średnio 11,3 cytowania na stronę, podczas gdy pozostałe materiały osiągały średnio 3,4 cytowania. Oznacza to około 3,3 razy większą liczbę cytowań na dokument.
Badanie obejmowało jednak niewielką liczbę publikacji pierwotnych, a większość ich cytowań pochodziła z jednego obszaru porównań technologicznych. Nie można więc zakładać, że każdy artykuł zawierający autorskie dane uzyska podobny wynik.
Natomiast najciekawszy wniosek dotyczył czegoś innego. Największą widoczność osiągały badania, które nie tylko przedstawiały oryginalne liczby, ale również pozwoliły odpowiedzieć na konkretne pytania porównawcze, na przykład co jest tańsze, szybsze czy wydajniejsze.
Dlaczego AI cytuje Twoją konkurencję, a nie Ciebie?
Czasem różnica pomiędzy artykułem cytowanym przez AI, a tym pomijanym jest naprawdę niewielka. Być może konkurencja przedstawia konkretne obliczenia, a nie ogranicza się do ogólnych porad. W jednym tekście pojawiają się dane z badań, w drugim wyłącznie powtarzane od lat definicje. I właśnie takie szczegóły potrafią zdecydować o przydatności dokumentu podczas generowania odpowiedzi. Widzę, że rzadko wygrywa najdłuższy artykuł, bo większe znaczenie ma to, co faktycznie wnosi on do tematu. Na miejscu każdego, kto walczy z konkurencją o przestrzeń w AI Search, zaczęłabym od analizy, czy moja treść jest łatwa do zacytowania przez modele językowe. Pomoże w tym checklista:
- Odpowiedź na pytanie z nagłówka znajduje się w pierwszych zdaniach, a dopiero później pojawia się cały kontekst.
- Najważniejsza informacja, czy też wniosek jest samodzielnym zdaniem, które może zostać wyekstrahowane przez AI.
- H2 są potencjalnymi fan-out queries, czyli szczegółowymi podzapytaniami generowanymi przez system AI w ramach analizy i dekompozycji głównego zapytania użytkownika.
- Akapity są krótkie, ale wyczerpują temat i zawierają kontekst.
- W treści są listy, tabele i cytaty.
- Artykuł zawiera konkretne statystyki ze źródłem.
Pamiętaj, że brak cytowania w jednej odpowiedzi nie oznacza automatycznie problemu z widocznością. Wyniki bardzo często różnią się w zależności od sformułowania pytania, a nawet dostępnych źródeł. Większą wartość ma analiza powtarzających się wzorców niż wyciąganie wniosków z pojedynczego testu.
