Case study: 59 podstron i 3 000 wyświetleń AI vs. 246 podstron i około 1 000 wyświetleń AI.

Dlaczego nowa, bardzo wąska strona niszowa osiągnęła wielokrotnie większą efektywność widoczności w generatywnym Google niż wieloletni serwis branżowy

Case study — stan analizy: 12 sierpnia 2026 r.

Nazwy stron, domen, firm, marek, produktów, producentów i klientów zostały w materiale całkowicie zanonimizowane.

---

Wynik w skrócie

Porównaliśmy dwa polskie serwisy B2B działające w powiązanych, ale odrębnych niszach technicznych.

Serwis A — nowy, bardzo wąski topical site

• nowa strona niszowa,
• skoncentrowana wokół jednego szybko rosnącego problemu rynkowo-regulacyjnego,
• 59 podstron widocznych w generatywnym Search Console,
• około 3 000 wyświetleń AI.

Serwis B — stary, rozbudowany serwis branżowy

• domena istniejąca od wielu lat,
• znacznie większa liczba produktów, zastosowań i artykułów,
• 246 podstron widocznych w generatywnym Search Console,
• około 1 000 wyświetleń AI w zaokrąglonym ujęciu porównawczym.

Lista raportowa starego serwisu pokazuje bardzo szeroką dystrybucję widoczności na 246 adresów URL — od poradników i produktów przez serwis, zastosowania i dokumentację PDF po bardzo wąskie strony long-tail.

Najważniejszy rezultat:

Nowy serwis ma około 4,2 razy mniej URL-i, a mimo to generuje około 3 razy większą widoczność AI.

Jeżeli wykorzystamy uproszczone liczby nagłówkowe:

• Serwis A: 3 000 / 59 = 50,8 wyświetlenia AI na URL
• Serwis B: 1 000 / 246 = 4,1 wyświetlenia AI na URL

Oznacza to około:

12,5× większą efektywność AI na jeden widoczny URL.

Nie jest to wskaźnik Google ani czynnik rankingowy. To nasz roboczy wskaźnik porównawczy, który możemy nazwać AI Visibility Density.

I właśnie on jest najciekawszym elementem tego eksperymentu.

---

---

---

1. Co właściwie porównujemy?

Google uruchomił 3 czerwca 2026 r. oddzielne raporty Search Console dotyczące widoczności w generatywnych funkcjach Search i Discover. Raport pokazuje między innymi, jak często adresy URL pojawiały się w funkcjach takich jak AI Overviews i AI Mode oraz które strony, kraje i urządzenia odpowiadały za tę widoczność.

Impression nie oznacza kliknięcia.

Google definiuje tę metrykę jako przypadek pojawienia się URL-a z witryny w generatywnej funkcji Search lub Discover.

Dlatego nasze porównanie dotyczy:

zdolności zawartości obu serwisów do uzyskiwania ekspozycji w generatywnych powierzchniach Google.

Nie porównujemy bezpośrednio:

• ruchu,
• użytkowników,
• kliknięć,
• leadów,
• sprzedaży.

To analiza AI visibility.

---

2. Ważna nota metodologiczna

Do celów komunikacyjnych posługujemy się wartościami zaokrąglonymi:

• około 3 000 vs. około 1 000 wyświetleń.

Jednocześnie w przekazanych tabelach URL-i występuje większa precyzja.

Widoczna lista nowego serwisu zawiera 58 pokazanych wierszy i sumuje się do około 3 166 wyświetleń; raport został opisany jako obejmujący 59 podstron. Lista starego serwisu obejmuje dokładnie 246 adresów i sumuje się do około 1 225 wyświetleń.

Dlatego:

• 3 000 vs. 1 000 traktujemy jako czytelne wartości nagłówkowe,
• przy dokładniejszych analizach rozkładu korzystamy z dostarczonych list URL.

W obu wariantach wniosek pozostaje ten sam:

nowy, znacznie mniejszy serwis uzyskuje wielokrotnie większą widoczność AI przypadającą na jeden URL.

Według dokładniejszych list różnica wynosi około 11×, a według wartości nagłówkowych około 12,5×.

---

3. Tabela porównawcza

Wskaźnik	Serwis A — nowy	Serwis B — stary
model serwisu	skoncentrowany topical site	wieloletni serwis katalogowo-treściowy
URL-e widoczne w AI	59	246
wyświetlenia AI — wartość przybliżona	~3 000	~1 000
URL-i względem drugiego serwisu	4,2× mniej	4,2× więcej
AI impressions / URL — wartości nagłówkowe	~50,8	~4,1
względna efektywność URL	~12,5×	1×
mediana w udostępnionej liście URL	~22,5	2
udział top 10 w widocznej liście	~65%	~33%
udział top 20 w widocznej liście	~82%	~46%
URL-e z ≤2 impressions	~7% widocznej listy	~52%
URL-e z ≥10 impressions	~74% widocznej listy	~9%

To pokazuje, że różnica nie dotyczy wyłącznie największych dwóch czy trzech stron.

Różni się cały profil dystrybucji widoczności.

---

4. Pierwsze zaskoczenie: więcej stron nie oznacza większej widoczności AI

Stary serwis posiada ponad cztery razy więcej URL-i pojawiających się w raporcie generatywnym.

Mógłby więc teoretycznie posiadać cztery razy więcej „losów na loterii”.

Rezultat jest odwrotny.

Nowy serwis:

59 URL → około 3 000 impressions.

Stary serwis:

246 URL → około 1 000–1 200 impressions.

Samo posiadanie dużego archiwum treści nie okazało się przewagą.

Co więcej, Google w aktualnym przewodniku dotyczącym generatywnego Search przestrzega przed tworzeniem oddzielnych treści dla każdej możliwej odmiany wyszukiwania lub hipotetycznego fan-out query. Firma zaleca tworzenie unikalnej, użytecznej treści i zaznacza, że masowa produkcja stron przede wszystkim w celu wpływania na ranking lub odpowiedzi AI może naruszać zasady scaled content abuse.

Pierwsza hipoteza brzmi więc:

W AI Search liczba URL-i może mieć znacznie mniejsze znaczenie niż gęstość użytecznej wiedzy wokół konkretnego problemu.

---

5. Druga różnica: topical focus vs. topical entropy

To prawdopodobnie najważniejsze rozróżnienie między obydwoma projektami.

Serwis A

Nowy serwis został zaprojektowany wokół:

• jednego fundamentalnego problemu,
• jednej szybko rosnącej zmiany rynkowej,
• jej konsekwencji dla firm,
• dokumentacji,
• harmonogramów,
• obowiązków,
• zastosowań,
• wariantów,
• produktów i rozwiązań pozwalających odpowiedzieć na ten problem.

Najlepiej widoczne strony są kolejnymi perspektywami tego samego dużego problemu.

W topowych URL-ach występują:

• przewodniki nadrzędne,
• przewodniki krok po kroku,
• materiały dotyczące określonych obowiązków,
• dokumentacji,
• różnych typów produktów,
• zastosowań branżowych,
• relacji między regulacjami,
• kalkulatorów i mikronarzędzi.

Powstaje czytelny model:

Topic → subtopic → problem → evidence → application → action.

Serwis B

Stary serwis powstawał przez wiele lat.

Naturalnie zgromadził:

• strony produktów,
• stare i nowe modele,
• poradniki,
• zastosowania,
• usługi serwisowe,
• materiały lokalne,
• dokumentację PDF,
• strony ofertowe,
• treści dotyczące różnych technologii,
• rozwiązania dla różnych branż,
• historyczne materiały,
• podobne strony tworzone na kolejne warianty językowe.

W pierwszych wynikach AI widać jednocześnie materiały dotyczące:

• urządzeń ręcznych,
• urządzeń elektrycznych,
• instrukcji użytkowania,
• dokumentacji PDF,
• zastosowań paletowych,
• zastosowań ogrodniczych,
• transportu wewnętrznego,
• serwisu,
• różnych technologii pakowania.

Nie oznacza to, że treści są bezwartościowe.

Oznacza to, że serwis posiada znacznie wyższą entropię tematyczną.

---

6. Nasza hipoteza: AI Topical Density

Do analizy takich przypadków proponujemy robocze pojęcie:

AI Topical Density

czyli:

koncentracja użytecznej, wzajemnie powiązanej wiedzy wokół jasno zdefiniowanego problemu w relacji do całkowitej liczby treści.

To nie jest oficjalna metryka Google.

Ale dobrze opisuje obserwowaną różnicę.

Serwis A nie próbuje być encyklopedią całej branży.

Próbuje być:

najbardziej użytecznym źródłem dla jednego konkretnego zestawu decyzji.

Serwis B próbuje obsługiwać znacznie więcej:

• technologii,
• maszyn,
• marek,
• zastosowań,
• branż,
• problemów,
• modeli,
• części,
• usług.

W tradycyjnym SEO taki szeroki long tail może być cenny.

W generatywnym Search może jednak powodować, że widoczność zostaje rozprowadzona po setkach URL-i.

---

7. Trzecia różnica: widoczność jest skoncentrowana na mocnych źródłach

W nowym serwisie pięć najlepszych URL-i wygenerowało około:

44% wyświetleń z widocznej listy.

Top 10:

około 65%.

Top 20:

około 82%.

W starym serwisie:

• top 5: około 20%,
• top 10: około 33%,
• top 20: około 46%.

Możemy nazwać ten wskaźnik:

AI Topical Concentration

W przypadku nowego serwisu Google wydaje się wielokrotnie wracać do określonych, silnych zasobów.

W starym serwisie widoczność jest znacznie bardziej rozproszona.

To sugeruje dwa odmienne modele.

Model A

kilka mocnych źródeł kanonicznych + wspierający je klaster.

Model B

setki częściowo powiązanych dokumentów o niewielkiej indywidualnej ekspozycji.

Nie twierdzimy, że wysoka koncentracja jest zawsze lepsza.

W tym przypadku pokazuje jednak, że najważniejsze strony nowego serwisu osiągnęły wyraźną rolę centrów informacyjnych.

---

8. Czwarta różnica: long-tail dilution

Jeszcze mocniejszy sygnał daje dolna część rozkładu.

W starym serwisie:

• 80 z 246 URL-i ma dokładnie 1 wyświetlenie,
• 129 URL-i ma maksymalnie 2 wyświetlenia,
• 160 ma maksymalnie 3,
• 192 ma maksymalnie 5.

Oznacza to, że około:

52% wszystkich widocznych URL-i starego serwisu ma tylko 1–2 impressions.

W widocznej liście nowego serwisu takich stron jest zaledwie około 7%.

Roboczo możemy nazwać to:

AI Long-Tail Dilution

czyli udział URL-i, które zostały wprawdzie odkryte przez funkcje generatywne, ale posiadają bardzo małą ekspozycję.

Wynik starego serwisu sugeruje:

Google potrafi odnaleźć bardzo dużo jego treści, ale stosunkowo niewiele z nich staje się regularnie wykorzystywanymi powierzchniami widoczności.

To inny problem niż brak indeksowania.

Treści są dostępne.

Problemem może być ich:

• rola,
• struktura,
• jednoznaczność,
• aktualność,
• podobieństwo do innych URL-i,
• związek z głównym problemem użytkownika.

---

9. Piąta różnica: architektura pod problem vs. architektura pod katalog

Nowy serwis został w dużej mierze zaprojektowany wokół pytań:

• co to oznacza,
• kogo dotyczy,
• od kiedy,
• jakie dokumenty,
• jakie obowiązki,
• jak się przygotować,
• jakie rozwiązanie,
• jaki wyjątek,
• jak policzyć,
• jak zweryfikować.

To architektura problem-first.

Stary serwis posiada natomiast wiele URL-i powstałych przede wszystkim wokół:

• nazwy produktu,
• modelu,
• zastosowania,
• synonimu produktu,
• miejsca,
• producenta,
• historycznej oferty.

To architektura bardziej catalog-first.

Obie są potrzebne.

Jednak generatywne pytanie użytkownika zazwyczaj wygląda bardziej jak:

„Jak wybrać odpowiednie rozwiązanie dla mojego procesu?”

niż:

„Pokaż mi URL produktu X”.

Google wskazuje, że AI Mode jest szczególnie użyteczny właśnie dla pytań wymagających eksploracji, rozumowania i skomplikowanych porównań.

---

10. Query fan-out może szczególnie premiować kompletne klastry problemowe

Google oficjalnie potwierdza, że AI Overviews oraz AI Mode mogą wykorzystywać query fan-out.

Model może generować wiele równoległych, powiązanych wyszukiwań, aby zebrać informacje z różnych podtematów i źródeł potrzebnych do udzielenia odpowiedzi.

Załóżmy, że użytkownik pyta:

Jak przygotować firmę do nowego wymagania rynkowego?

Fan-out może potencjalnie obejmować:

• definicję wymagania,
• harmonogram,
• zakres,
• wyjątki,
• dokumentację,
• obowiązki poszczególnych podmiotów,
• różnice między kategoriami produktów,
• praktykę wdrożenia,
• alternatywne rozwiązania.

Nowy serwis posiadał osobne, ale wzajemnie powiązane źródła dotyczące większości takich gałęzi.

Dlatego nasza hipoteza brzmi:

nie optymalizowaliśmy jednej strony na jedną frazę — zbudowaliśmy środowisko źródeł, które może odpowiadać na różne części tego samego fan-out.

Nie możemy zobaczyć rzeczywistych, wewnętrznych fan-out queries Google.

Nie twierdzimy więc, że znamy dokładną ścieżkę systemu.

Ale struktura wyników jest zgodna z takim modelem.

---

11. Szósta różnica: trigger i świeży popyt

Nowy serwis działa wokół tematu, dla którego właśnie wystąpił silny zewnętrzny trigger.

Rynek zaczął potrzebować nowych odpowiedzi.

Powstały pytania typu:

• co się zmienia,
• kiedy,
• dla kogo,
• jakie dokumenty,
• jak wdrożyć,
• jakich produktów używać,
• czego wymagać od dostawcy.

To sytuacja szczególnie interesująca z perspektywy Search i AI Search.

Dojrzały serwis konkuruje o ukształtowaną od lat kategorię.

Nowy serwis może natomiast wejść bardzo wcześnie w kategorię, dla której:

popyt informacyjny rośnie szybciej niż podaż naprawdę dobrych odpowiedzi.

To nie jest czynnik rankingowy.

To warunek rynkowy.

I może być jednym z najważniejszych elementów całego case study.

---

12. Siódma różnica: evidence-first content

Najsilniejsze materiały nowego serwisu nie były wyłącznie artykułami opisującymi kategorię.

Wiele dotyczyło:

• dokumentacji,
• deklaracji,
• obowiązków,
• zgodności,
• konkretnych relacji prawnych i technicznych,
• materiałów dostawców,
• praktycznych procedur.

Powstała więc warstwa:

claim → evidence.

Google zaleca w generatywnym Search tworzenie treści niebędących commodity content oraz wskazuje na znaczenie własnego doświadczenia, unikalnego punktu widzenia i wartości większej niż zwykłe streszczenie informacji istniejących już w internecie.

Nasza interpretacja:

w niszy technicznej lub regulacyjnej materiał z dokumentem, konkretną datą, wyjątkiem i praktycznym zastosowaniem może być bardziej użyteczny niż kolejny ogólny artykuł „wszystko, co musisz wiedzieć”.

---

13. Ósma różnica: narzędzia i content wykonawczy

W nowym serwisie pojawiły się również materiały, których zadaniem nie było wyłącznie wyjaśnianie.

Były to na przykład:

• kalkulatory,
• generatory,
• checklisty,
• narzędzia do przygotowania informacji,
• treści prowadzące od problemu do konkretnego działania.

To ważna ewolucja:

Content informacyjny

„Dowiedz się, co trzeba zrobić”.

Content wykonawczy

„Zrób to tutaj”.

W kontekście dalszego rozwoju wyszukiwania jest to szczególnie interesujące. Google opisuje już agentów, które mogą wykonywać zadania w imieniu użytkownika, analizować strukturę DOM, warstwę dostępności oraz porównywać specyfikacje.

---

14. Co ujawniła analiza starego serwisu

Stary serwis nadal posiada wartościową widoczność.

Największe wyniki osiągają materiały typu:

• „co to jest”,
• „jak używać”,
• praktyczny poradnik wyboru,
• konkretny problem techniczny,
• instrukcja PDF,
• zastosowanie niszowe,
• serwis urządzenia.

To bardzo ważny sygnał.

Google nie ignoruje starego serwisu.

Wręcz przeciwnie: odnajduje wartościowe fragmenty jego archiwum.

Problem polega raczej na tym, że duża część serwisu tworzy słaby ogon.

Wśród URL-i występują:

• podobne warianty tej samej intencji,
• strony historyczne,
• bardzo wąskie zastosowania,
• dokumenty PDF,
• starsze strony ofertowe,
• adresy z błędnie zakodowanymi znakami,
• warianty produktów o zbliżonej funkcji,
• kilka stron odpowiadających na niemal ten sam temat.

To prowadzi do pojęcia:

Content entropy

czyli sytuacji, w której wieloletni rozwój serwisu powoduje stopniowe zwiększanie:

• duplikacji,
• niejednoznaczności,
• fragmentacji,
• konkurencji między własnymi stronami,
• kosztu utrzymania aktualności.

---

15. Paradoks starej domeny

Klasyczne myślenie mogłoby sugerować:

stary serwis + więcej stron + więcej historii = większa przewaga.

Case study pokazuje, że nie należy takiego założenia stosować automatycznie do AI visibility.

Google podkreśla, że generatywne funkcje Search są zakorzenione w podstawowych systemach rankingowych i jakościowych, ale jednocześnie wykorzystują RAG oraz query fan-out do wyszukiwania odpowiednich i aktualnych informacji dla konkretnego pytania.

Dlatego historyczna wielkość domeny może być atutem, ale nie zastępuje:

• dopasowania,
• aktualności,
• jasnej architektury,
• jakości,
• unikalnej wartości.

---

16. Nie oznacza to, że „mniej stron = lepiej”

To byłby błędny wniosek.

Nie rekomendujemy ograniczenia każdego serwisu do 59 stron.

Lepsza zasada brzmi:

Każdy URL powinien posiadać jednoznaczną funkcję w mapie problemu użytkownika.

100 stron może być lepsze niż 20.

1 000 może być lepsze niż 100.

Ale tylko jeśli kolejne URL-e dostarczają:

• odrębną wartość,
• odrębną intencję,
• odrębne dane,
• odrębny dowód,
• odrębne działanie.

Google wyraźnie ostrzega przed masową produkcją treści, ale jednocześnie nie określa idealnej długości strony ani idealnej liczby podstron. System może rozumieć wiele tematów na jednej stronie.

---

17. Pięć roboczych wskaźników, które wynikają z case study

Na potrzeby dalszych audytów proponujemy mierzyć nie tylko surową liczbę AI impressions.

1. AI Visibility

Łączna liczba impressions.

---

2. AI URL Coverage

Liczba URL-i, które uzyskały przynajmniej jedno wyświetlenie.

---

3. AI Visibility Density

AI impressions / liczba URL-i widocznych w AI

W naszym case study:

• nowy serwis: ~51,
• stary serwis: ~4,

czyli około 12,5× różnicy przy uproszczonych wartościach.

---

4. AI Topical Concentration

Udział top 10 lub top 20 URL-i w całkowitej ekspozycji.

Nowy serwis:

• Top 10 ≈ 65%
• Top 20 ≈ 82%

Stary:

• Top 10 ≈ 33%
• Top 20 ≈ 46%

---

5. AI Long-Tail Dilution

Odsetek widocznych URL-i generujących maksymalnie 1–2 impressions.

Nowy serwis:

około 7%.

Stary serwis:

około 52%.

Żaden z tych wskaźników nie pochodzi od Google.

Są to robocze metryki diagnostyczne, które pomagają porównywać architekturę różnych projektów.

---

18. Co jest faktem, a co naszą interpretacją

Stwierdzenie	Status
nowy serwis ma ok. 3 000 AI impressions	dane Search Console przekazane do analizy
stary serwis ma ok. 1 000+ AI impressions	dane Search Console przekazane do analizy
nowy serwis ma 59 URL-i widocznych w AI	dane projektu
stary serwis ma 246 URL-i	dane projektu
Google mierzy generatywne impressions per URL	potwierdzone przez Google
Google stosuje query fan-out	potwierdzone przez Google
jakość i podstawy SEO nadal są istotne	potwierdzone przez Google
topical focus wpłynął na różnicę	nasza hipoteza
evidence-first content wpłynął na wynik	nasza hipoteza
trigger regulacyjny wpłynął na wynik	nasza hipoteza
mała liczba URL-i sama w sobie poprawia widoczność	niepotwierdzone i naszym zdaniem błędne uproszczenie
możemy poznać dokładne fan-out queries z raportu	nie

To rozróżnienie jest kluczowe.

Case study pokazuje korelacje i bardzo ciekawe wzorce architektoniczne.

Nie jest eksperymentem kontrolowanym pozwalającym stwierdzić:

„czynnik X zwiększa AI impressions o Y%”.

---

19. Co zrobilibyśmy teraz ze starym serwisem

Największą wartością case study jest możliwość zastosowania wniosków w drugim projekcie.

Nie zaczynalibyśmy od pisania kolejnych 200 artykułów.

Etap 1. Inventory

Dzielimy 246+ istniejących URL-i na:

• strony kanoniczne,
• wartościowe strony wspierające,
• produkty,
• serwis,
• dokumentację,
• strony historyczne,
• duplikaty,
• strony do połączenia,
• strony do aktualizacji,
• strony do usunięcia.

---

20. Zidentyfikuj „AI winners”

Pierwsze 20–30 URL-i starego serwisu jest szczególnie wartościowych.

Pokazują one, co Google już wykorzystuje.

Zamiast rozpoczynać przebudowę od zera, należy przeanalizować:

• dlaczego te strony są inne,
• jakie intencje obsługują,
• czy posiadają szczególne dane,
• jakie strony powinny do nich linkować,
• czy można je rozszerzyć.

To są istniejące AI footholds — punkty zaczepienia widoczności.

---

21. Konsolidacja tematyczna

Dla każdej dużej kategorii budujemy:

1. stronę kanoniczną,

2. mapę query fan-out,

3. przewodnik wyboru,

4. strony produktów,

5. strony zastosowań,

6. warstwę serwisową,

7. dokumentację,

8. FAQ,

9. narzędzie lub działanie.

Następnie pytamy o każdy stary URL:

Czy wnosi coś, czego nie dostarcza żadna inna strona?

Jeżeli nie:

• łączymy,
• przekierowujemy,
• aktualizujemy,
• archiwizujemy.

Google zaleca ograniczanie zbędnej duplikacji, ponieważ może ona pogarszać doświadczenie użytkownika i marnować zasoby crawlowania.

---

22. Naprawa information architecture

W analizowanym starym serwisie widać również spuściznę wielu lat rozwoju technicznego:

• stare konwencje URL,
• błędne kodowanie znaków,
• podobne adresy,
• wielokrotne warianty nazw,
• starsze strony ofertowe,
• dokumenty PDF funkcjonujące obok stron HTML.

Nie twierdzimy, że taki URL sam w sobie uniemożliwia ranking.

Google zaznacza wręcz, że perfekcyjny HTML nie jest wymagany.

Problem jest szerszy:

skomplikowana architektura zwiększa koszt zarządzania znaczeniem, linkowaniem, kanonikalizacją i aktualnością.

---

23. Z katalogu treści do Answer Architecture

Najważniejszą transformacją starego serwisu powinno być przejście:

od:

produkt → artykuł → kolejny produkt → kolejne zastosowanie,

do:

problem → kwalifikacja → porównanie → rozwiązanie → produkt → działanie.

Przykładowo zamiast kilkunastu niezależnych artykułów dotyczących różnych nazw podobnego urządzenia można stworzyć:

Strona nadrzędna

„Jak wybrać urządzenie do zabezpieczania ładunków?”

Gałęzie

• rodzaje,
• zastosowania,
• ręczne vs. automatyczne,
• dobór materiału,
• koszt,
• obsługa,
• awarie,
• wynajem,
• serwis.

Następnie

konkretne produkty.

To właśnie nazywamy:

Answer Architecture

---

24. Co nowy serwis powinien zrobić dalej

Nowy projekt również nie może uznać sprawy za zakończoną.

Jego największym ryzykiem jest:

powtórzenie historii starego serwisu.

Jeżeli przez następne pięć lat będziemy bez kontroli dodawać:

• kolejne warianty stron,
• podobne poradniki,
• newsy,
• produkty,
• dokumenty,
• strony lokalne,

topical density zacznie spadać.

Dlatego już teraz potrzebne są:

• Canonical Content Map,
• Query Fan-out Map,
• Evidence Map,
• Entity Map,
• Social Topical Map,
• Product/Action Map,
• Governance Map.

---

25. Główna lekcja case study

Nie wyciągamy wniosku:

nowe domeny są lepsze od starych.

Nie wyciągamy też wniosku:

59 stron to idealna liczba.

Wniosek jest znacznie bardziej interesujący:

W generatywnym Search mały, celowo zaprojektowany ekosystem odpowiedzi może być bardziej efektywny niż duże archiwum treści budowane przez wiele lat.

Nowa strona została zbudowana:

• wokół konkretnego triggera,
• jednego problemu,
• spójnego topical map,
• wielu potrzeb informacyjnych,
• dokumentacji i dowodów,
• aktualnych informacji,
• praktycznych odpowiedzi.

Stara strona posiada:

• znacznie więcej wiedzy,
• znacznie więcej produktów,
• znacznie więcej historii,

ale wiedza jest rozproszona pomiędzy znacznie większą liczbą niezależnych URL-i.

I właśnie to może być największa różnica między:

posiadaniem contentu

a

posiadaniem Answer Architecture.

---

26. Nasz model po tym eksperymencie

Połączenie doświadczeń z obu projektów prowadzi nas do modelu:

1. Demand Map

Co naprawdę interesuje rynek?

2. Trigger Map

Dlaczego temat staje się ważny właśnie teraz?

3. Jobs-to-be-Done Map

Jaką decyzję podejmuje użytkownik?

4. Query Fan-out Map

Jakich informacji może potrzebować odpowiedź?

5. Evidence Map

Jak te informacje potwierdzimy?

6. Canonical Content Map

Gdzie znajduje się najlepsza wersja odpowiedzi?

7. Social Topical Map

Jakie formaty i powierzchnie rozszerzą zasięg tematu?

8. Product & Action Layer

Jak przejść od wiedzy do wykonania działania?

9. Conversion Layer

Jak powstaje lead, RFQ albo sprzedaż?

10. AI Visibility Measurement

Czy system rzeczywiście wykorzystuje nasze treści?

11. Governance

Jak utrzymać cały system w aktualności?

---

27. Ostateczny wynik

Nowy serwis

59 URL-i → około 3 000 wyświetleń AI.

Stary serwis

246 URL-i → około 1 000 wyświetleń AI w uproszczonym porównaniu.

Różnica

• około 4,2× mniej stron,
• około 3× więcej całkowitej widoczności,
• około 11–12,5× większa gęstość AI visibility na URL.

Ale liczby są tylko objawem.

Najważniejszą różnicą wydaje się architektura:

nowy projekt został zaprojektowany jako odpowiedź na jeden złożony problem; stary projekt jest efektem wieloletniego gromadzenia treści wokół całej kategorii.

To właśnie ten eksperyment przekonuje nas, że w erze AI Search przyszłość SEO nie polega wyłącznie na zwiększaniu liczby URL-i.

Polega na zwiększaniu:

• jakości informacji,
• gęstości wiedzy,
• spójności tematycznej,
• wartości dowodowej,
• aktualności,
• pokrycia problemu,
• zdolności do wykonania kolejnego działania.

---

Konkluzja

3000 vs. 1000 nie jest case study o młodej domenie pokonującej starą domenę.

Jest to case study o dwóch sposobach budowania wiedzy.

Pierwszy model:

publish more pages.

Drugi:

model the problem better.

Generatywny Google daje nam obecnie możliwość zmierzenia różnicy między nimi bezpośrednio w Search Console. Google oficjalnie opisuje nowy raport właśnie jako narzędzie do badania, jak strony witryny pojawiają się w generatywnych funkcjach Search.

Nasze dane sugerują, że dla nowych nisz szczególnie obiecujący może być model:

wąska specjalizacja → trigger → Query Fan-out Map → mocne strony kanoniczne → evidence → narzędzia → pomiar AI visibility.

A dla istniejących, wieloletnich witryn najważniejszym zadaniem może wcale nie być produkowanie kolejnego contentu.

Może nim być:

redukcja content entropy i przebudowa starego archiwum w spójną Answer Architecture.

---

Czy Twoja strona jest przygotowana na klientów, którzy nie będą ludźmi?

Możemy przeanalizować serwis firmy pod kątem Google, AI Search, ChatGPT, Gemini, Perplexity, GEO, AEO, AIO, A2A, A2O, Query Fan-Out oraz rozwijającego się Agentic Internet.

Sprawdzimy nie tylko, czy informacje można znaleźć, ale także czy system AI może jednoznacznie zrozumieć firmę, ofertę, produkty, warunki współpracy i następny krok prowadzący do kontaktu, zapytania ofertowego lub transakcji.

Kontakt: kontakt@salesbot.pl