Case study: Wyszukiwanie tradycyjne vs. wyszukiwanie AI
Co dwa rzeczywiste serwisy niszowe B2B mówią nam o przyszłości SEO
Case study SalesBot — 13 sierpnia 2026 r.
Nazwy domen, firm, marek, producentów, produktów oraz dokładnych kategorii zostały całkowicie zanonimizowane.
Porównujemy dwa rzeczywiste polskie serwisy B2B:
Serwis A — nowy serwis niszowy, zbudowany wokół jednego szybko rosnącego problemu techniczno-regulacyjnego.
Serwis B — stary serwis niszowy, rozwijany przez wiele lat wokół urządzeń, produktów, zastosowań, instrukcji, serwisu i szerokiego long tailu.
Dla obu dysponujemy jednocześnie danymi:
- ze standardowego raportu Google Search Console Performance,
- z nowego raportu „Funkcje oparte na generatywnej AI”.
To pozwala odpowiedzieć na pytanie znacznie ważniejsze niż:
Czy AI zastąpi Google?
Możemy zapytać:
Czy te same strony, które wygrywają w klasycznym Search, wygrywają również w AI Overviews i AI Mode?
Odpowiedź okazuje się bardzo interesująca.
1. Najpierw ważne sprostowanie: „tradycyjne Search” i „AI Search” nie są dwoma niezależnymi kanałami
Google oficjalnie wyjaśnia, że dane dotyczące AI Overviews i AI Mode są już uwzględnione w ogólnym raporcie Search Performance (Google Search Console). Nowy raport generatywny jest wydzielonym widokiem impressions pochodzących z funkcji AI, a nie dodatkowym zbiorem impressions, który można po prostu dodać do standardowego Search.
Dlatego:
11 000 standardowych impressions + 3 000 AI impressions ≠ 14 000 impressions.
Te około 3 000 impressions AI są częścią ogólnej widoczności Search.
To fundamentalne dla prawidłowej interpretacji całego case study.
Google potwierdza również, że obecny raport generatywny pokazuje przede wszystkim impressions, strony, kraje, urządzenia i daty. Nie udostępnia osobnej metryki kliknięć z tego widoku.
Nie możemy więc obecnie policzyć:
- AI CTR,
- dokładnej liczby kliknięć z AI,
- współczynnika konwersji AI vs. klasyczny Search.
Możemy natomiast bardzo dokładnie badać:
udział AI w całkowitej widoczności oraz to, jakie URL-e Google wybiera do generatywnego Search.
2. Wyniki obu serwisów
Serwis A — nowy
Standardowy Search, 28 dni:
- 543 kliknięcia
- 11 001 impressions
- CTR 4,94%
- 85 widocznych URL-i
Generatywny Search, zbliżone 28-dniowe okno:
- około 3 000 property-level AI impressions
- 59 URL-i w tabeli generatywnej.
Serwis B — stary
Standardowy Search, 28 dni:
- 425 kliknięć
- 25 706 impressions
- CTR 1,65%
- 490 URL-i
Generatywny Search:
- około 1 060 property-level AI impressions
- około 250 URL-i w generatywnej tabeli Pages.
Już na tym poziomie widzimy paradoks.
Stary serwis posiada:
- niemal 6× więcej URL-i,
- ponad 2× większą całkowitą widoczność Search,
ale generuje:
- mniej kliknięć,
- około 3× niższy CTR,
- około 3× mniej generatywnych impressions.
3. Najważniejszy wskaźnik całego case study: udział AI w Search
Eksport generatywny nowego serwisu był przesunięty o jeden dzień względem standardowego eksportu. Dlatego dla metodologicznie czystego porównania wybraliśmy wspólne okno:
14 lipca–9 sierpnia 2026 r. — 27 dni.
W tym samym okresie:
| Serwis | Wszystkie Search impressions | AI impressions | Udział AI |
|---|---|---|---|
| nowy serwis | 9 763 | 2 834 | 29,0% |
| stary serwis | 24 613 | 1 003 | 4,1% |
To moim zdaniem najważniejsza liczba z całej dotychczasowej analizy.
W nowym serwisie:
prawie 3 na 10 impressions w Google Search pochodziło z funkcji generatywnych.
W starym:
około 1 na 25 impressions.
Relatywnie nowy projekt ma więc około:
7× większy udział AI w swojej całkowitej widoczności Search.
4. To nie jest tylko różnica w wielkości serwisów
Można by założyć:
nowy temat jest po prostu częściej pokazywany w AI.
To prawdopodobnie część wyjaśnienia.
Ale analiza URL-i pokazuje głębszą różnicę.
Nowy serwis posiada:
- 85 URL-i widocznych w standardowym Search,
- 59 URL-i widocznych również w generatywnym Search.
To około:
69% pokrycia.
Stary serwis:
- około 490 URL-i w standardowym Search,
- około 250 w AI.
Czyli około:
51%.
AI wykorzystuje więc dużą część obu serwisów, ale w nowym projekcie warstwa standardowego Search i warstwa AI znacznie mocniej się pokrywają.
5. Czy te same strony wygrywają w Search i AI?
To najbardziej interesujący test.
Dla każdego serwisu zestawiliśmy:
- impressions strony w standardowym Search,
- impressions tej samej strony w raporcie AI.
Następnie sprawdziliśmy kolejność URL-i.
Nowy serwis
Spośród 10 najlepiej widocznych stron w AI aż 9 znajduje się również w top 10 standardowego Search pod względem impressions.
W top 20:
18 z 20.
To niezwykle wysoka zgodność.
Nasza wyliczona korelacja rang Spearmana pomiędzy:
- Search impressions per URL,
- AI impressions per URL
wyniosła około:
0,94.
To nie jest wskaźnik Google, lecz nasza analiza danych.
W praktyce oznacza:
Google Search i generatywne Google w dużej mierze zgadzają się, które strony nowego projektu są najważniejsze.
6. W starym serwisie Search i AI wybierają inne zwycięskie strony
Tutaj wynik wygląda zupełnie inaczej.
W top 10 generatywnych URL-i starego projektu tylko:
3 znajdują się również w top 10 standardowego Search pod względem impressions.
W top 20:
7 z 20.
Korelacja rang AI impressions vs. standardowe Search impressions wynosi około:
0,58.
Nadal jest dodatnia.
Ale jest znacznie słabsza niż 0,94 w nowym serwisie.
To oznacza:
w starym serwisie generatywne Google patrzy na istniejące archiwum w trochę inny sposób niż standardowe wyszukiwanie.
I to jest bardzo ważna lekcja dla właścicieli wieloletnich domen.
7. Co wygrywa w standardowym Search starego serwisu?
Wśród najlepiej klikanych i wyświetlanych stron znajdują się przede wszystkim:
- szerokie strony produktów,
- kategorie,
- konkretne modele,
- konkretne zastosowania,
- bardzo wąskie strony produktowe,
- pojedyncze instrukcje.
To klasyczny obraz wieloletniego SEO produktowego.
Search przechwytuje użytkowników szukających między innymi:
konkretnej rzeczy, konkretnego modelu lub określonego zastosowania.
8. Co wygrywa w AI starego serwisu?
Lista generatywnych zwycięzców jest inna.
Bardzo wysoko znajdują się strony odpowiadające na pytania typu:
Co to jest?
Kiedy warto wybrać?
Jak używać?
Jak serwisować?
Do jakiego zastosowania?
Pojawia się również dokumentacja techniczna PDF.
To bardzo dobrze pasuje do sposobu działania generatywnego Search.
Google oficjalnie opisuje AI Search jako system bazujący na podstawowych systemach rankingowych Search, ale rozszerzony między innymi o RAG/grounding oraz query fan-out, który może generować równoległe zapytania dotyczące różnych części problemu użytkownika.
AI nie musi więc szukać wyłącznie:
„produktu X”.
Może potrzebować informacji:
- czym jest rozwiązanie,
- jak działa,
- kiedy je wybrać,
- jakie ma ograniczenia,
- jak go użyć,
- jaki produkt odpowiada konkretnej sytuacji.
9. Nowy serwis został przypadkowo — albo celowo — zbudowany właśnie w taki sposób
W nowym projekcie różnica między:
stroną SEO
a
stroną AI
praktycznie się zaciera.
Najlepsze strony w obu raportach to przede wszystkim:
- główny przewodnik krok po kroku,
- szczegółowy przewodnik praktyczny,
- konkretne problemy produktowo-dokumentacyjne,
- strony dotyczące obowiązków,
- relacji pomiędzy wymaganiami,
- zastosowań dla określonych grup firm.
Czyli strony zbudowane według struktury:
problem → wyjaśnienie → dowód → decyzja → działanie.
To prawdopodobnie najważniejsza cecha nowej architektury.
10. Tradycyjne SEO i AI SEO nie muszą być dwiema strategiami
Google w aktualnym przewodniku z lipca 2026 r. mówi to bardzo wyraźnie: z perspektywy Google optymalizacja pod generatywne doświadczenia nadal jest SEO, ponieważ AI Overviews i AI Mode opierają się na podstawowych systemach rankingowych i jakościowych Google Search.
Nasze dane dają na to bardzo praktyczny przykład.
W nowym serwisie:
te same strony wygrywają jednocześnie w klasycznym Search i w AI.
Nie trzeba było budować:
- jednej wersji dla Google,
- drugiej dla AI,
- trzeciej dla AEO,
- czwartej dla GEO.
Potrzebna była:
lepsza architektura problemu.
11. AI może jednak mocniej premiować określony typ architektury informacyjnej
Tu dochodzimy do hipotezy.
Standardowa widoczność na jeden URL wynosi w uproszczeniu:
Nowy serwis
11 001 / 85 ≈
129 Search impressions / URL.
Stary
25 706 / 490 ≈
52.
Nowy serwis jest więc około:
2,5× bardziej „gęsty” w standardowym Search.
Ale w generatywnym Search:
Nowy
około 3 000 impressions / 59 URL-i ≈
50+ AI impressions / URL.
Stary
około 1 000 / około 250 URL-i ≈
4 AI impressions / URL.
Tutaj różnica wzrasta do około:
12×.
To prowadzi nas do ważnej hipotezy:
zaleta skoncentrowanej Answer Architecture jest widoczna w klasycznym SEO, ale może być jeszcze mocniej widoczna w generatywnym Search.
Nie jest to potwierdzony czynnik rankingowy Google.
Jest to wniosek z naszych danych.
12. Nazwijmy to AI Amplification Effect
Proponujemy robocze określenie:
AI Amplification Effect
Nie oznacza ono, że AI „dodaje ruch”.
Oznacza:
architektura, która już jest efektywna w klasycznym Search, może uzyskiwać jeszcze większą przewagę względną w generatywnej części Search.
W naszym przypadku:
standardowa przewaga gęstości widoczności:
~2,5×,
generatywna przewaga:
~12×.
To bardzo mocna różnica.
13. Dlaczego tak może się dziać?
Google opisuje generatywny Search jako połączenie podstawowych systemów Search z dodatkowymi technikami.
Jedną jest RAG/grounding, czyli wyszukiwanie odpowiednich, aktualnych stron w indeksie i wykorzystywanie konkretnych informacji z tych źródeł do budowania odpowiedzi.
Drugą jest query fan-out, czyli równoległe poszukiwanie informacji dotyczących różnych podproblemów.
Jeżeli strona ma bardzo czytelną strukturę:
nadrzędny problem → podproblemy → dowody → zastosowania,
to może naturalnie dostarczać odpowiedzi na większą liczbę potrzeb informacyjnych powstających w takim procesie.
To jest jednak interpretacja, a nie ujawniony mechanizm rankingowy.
14. Query fan-out pomaga zrozumieć różnicę między oboma serwisami
Wyobraźmy sobie złożone pytanie:
Jak moja firma powinna przygotować się do nowego wymagania, jakich dokumentów potrzebujemy i które nasze produkty są nim objęte?
System może potrzebować informacji dotyczących:
- definicji,
- dat,
- zakresu,
- wyjątków,
- konkretnych produktów,
- dokumentacji,
- odpowiedzialności dostawcy,
- procedury wdrożenia.
Nowy serwis jest zbudowany właśnie jako taki zestaw powiązanych odpowiedzi.
Stary serwis natomiast może posiadać analogiczną wiedzę, ale rozłożoną między:
- kategorię,
- produkt,
- stary artykuł,
- PDF,
- stronę serwisową,
- inną nazwę produktu.
Czyli:
wiedza istnieje, ale jest bardziej rozproszona.
15. Standardowe Search lubi long tail. AI może preferować wyraźne Answer Hubs
To nie jest reguła Google, lecz dobry opis naszych danych.
Stary serwis
Klasyczny Search wykorzystuje bardzo szeroki long tail:
- 490 stron,
- setki różnych potrzeb,
- wiele małych entry points.
Nowy
Search i AI skupiają się znacznie mocniej na kilkunastu centralnych URL-ach.
W generatywnym raporcie nowego serwisu:
- top 10 odpowiada za około 64% page-level AI impressions,
- top 20 za około 82%.
W starym:
- top 10 około 34%,
- top 20 około 46%.
Powstaje model:
nowa architektura
Answer Hubs + Supporting Evidence
stara
Distributed Long-Tail Knowledge Base
Oba mają wartość.
Ale AI wydaje się w naszym przypadku znacznie łatwiej wykorzystywać pierwszy model.
16. Nie oznacza to, że AI nie lubi long tailu
Wręcz przeciwnie.
Query fan-out może otwierać więcej możliwości dla bardzo specjalistycznych stron, ponieważ system może wyszukiwać dodatkowe podproblemy wykraczające poza główne zapytanie użytkownika. Google wprost wskazuje, że query fan-out może odnajdywać dodatkowe istotne wyniki potrzebne do pełnej odpowiedzi.
W starym serwisie widać właśnie takie zachowanie.
AI odnajduje:
- instrukcje,
- wąskie use cases,
- materiały serwisowe,
- niszowe definicje.
Long tail nie znika.
Zmienia się jego rola:
nie musi zdobywać osobnego głównego zapytania użytkownika — może odpowiadać na część wewnętrznego researchu systemu.
17. To zmienia sposób oceny starego contentu
W klasycznym audycie moglibyśmy zobaczyć stronę:
- 1 kliknięcie,
- 30 impressions,
i uznać:
mało wartościowa.
Ale jeżeli ta sama strona regularnie pojawia się w generatywnych odpowiedziach, może pełnić zupełnie inną funkcję.
Dlatego proponujemy odejść od prostego:
Traffic per URL
na rzecz:
Multi-Surface Value per URL.
Dla strony można mierzyć oddzielnie:
- standardowe impressions,
- kliknięcia,
- AI impressions,
- YouTube/social visibility,
- leady,
- rolę w klastrze.
18. AI report daje nam nową mapę wartości istniejących treści
Google mówi, że raport generatywny służy między innymi do sprawdzenia:
- jak zmieniają się AI impressions,
- które URL-e uzyskują największą lub najmniejszą widoczność,
- z jakich krajów i urządzeń pochodzi ekspozycja.
To oznacza, że dla starych serwisów możemy wykonać zupełnie nowy rodzaj audytu:
AI Content Inventory.
Nie pytamy tylko:
Co daje ruch?
Pytamy również:
Co Google wykorzystuje jako źródło w generatywnym procesie odpowiedzi?
19. Nowy serwis: AI-visible URLs są praktycznie tym samym rdzeniem co Search winners
To kolejny bardzo mocny wynik.
59 URL-i widocznych w AI to około 69% standardowego zestawu 85 stron.
Ale te URL-e obejmują praktycznie cały najbardziej produktywny rdzeń klasycznego Search.
Innymi słowy:
strony ważne dla AI są jednocześnie stronami ważnymi dla zwykłego Google.
To bardzo dobra sytuacja operacyjna.
Każda aktualizacja mocnej strony:
- pomaga użytkownikom,
- chroni standardowe SEO,
- jednocześnie wzmacnia potencjalne źródło AI.
20. Stary serwis: AI odkrywa wartość tam, gdzie tradycyjne KPI jej nie eksponowały
W starym projekcie część największych AI winners nie należy do największych standardowych winners.
To dla nas bardzo cenna informacja.
Pokazuje, że istniejące archiwum zawiera:
hidden AI assets.
Na przykład:
- artykuł definicyjny,
- instrukcja użytkowania,
- bardzo konkretny use case,
- dokument PDF,
- tekst serwisowy.
Mogą one nie zdobywać największej liczby klasycznych kliknięć, ale odpowiadać na problemy, których system AI potrzebuje podczas syntezy.
21. To prowadzi do nowego frameworku: Dual Search Audit
Po tym eksperymencie nie chcielibyśmy już audytować serwisu wyłącznie na podstawie jednego raportu.
Proponujemy analizować każdą ważną stronę w dwóch wymiarach:
| Standard Search | Generative Search |
|---|---|
| impressions | AI impressions |
| clicks | obecność URL w AI |
| CTR | udział AI w widoczności |
| query clusters | potencjalne fan-out roles |
| ranking/position | rola źródłowa |
| conversion | dalsze działanie |
Nie są to dwa odrębne systemy.
To dwa spojrzenia na ten sam ekosystem Search.
22. Cztery typy stron, które ujawnia Dual Search Audit
Typ A — Dual Winners
Mocne zarówno w Search, jak i AI.
To najważniejsze aktywa.
Należy je:
- chronić,
- aktualizować,
- rozwijać,
- wzmacniać dowodami.
Typ B — Search Winner / AI Weak
Strona dobrze generuje klasyczną widoczność, ale praktycznie nie występuje w AI.
Pytamy:
Czy jest zbyt transakcyjna? Czy brakuje kontekstu? Czy AI korzysta z innego źródła należącego do naszego serwisu?
Typ C — AI Winner / Search Weak
Jeden z najciekawszych segmentów.
Strona nie generuje ogromnego ruchu, ale jest regularnie wykorzystywana w AI.
To może być:
- FAQ,
- instrukcja,
- definicja,
- dokumentacja,
- case study.
Typ D — Invisible
Ani Search, ani AI nie korzystają znacząco z treści.
To kandydat do:
- aktualizacji,
- konsolidacji,
- przekierowania,
- usunięcia.
23. Nowy serwis ma znacznie więcej Dual Winners
I właśnie dlatego wygląda tak efektywnie.
Praktycznie cały top AI pokrywa się z top Search.
To sugeruje bardzo wysoką:
Cross-Surface Alignment.
Ponownie — to nasza własna metryka.
Możemy ją określić jako:
udział najważniejszych URL-i, które jednocześnie należą do czołówki standardowego i generatywnego Search.
Dla top 10:
nowy:
90%.
stary:
30%.
To jedna z najważniejszych różnic między projektami.
24. Co oznacza 90% Cross-Surface Alignment?
Oznacza przede wszystkim efektywność produkcyjną.
Nie musimy tworzyć:
„AI content”.
Tworzymy:
najlepszą możliwą stronę dla problemu.
Ta sama strona może potem działać jako:
- klasyczny wynik,
- źródło AI,
- destination z social media,
- strona kanoniczna,
- punkt konwersji.
To jest znacznie bardziej atrakcyjny model ekonomiczny treści.
25. Search-first czy AI-first?
Nasze wyniki sugerują, że to może być niewłaściwe pytanie.
Google oficjalnie stwierdza, że generatywny Search jest zakorzeniony w podstawowych systemach Search, a najlepsze praktyki SEO nadal pozostają fundamentem widoczności również w AI.
Dlatego proponujemy:
Problem-first.
Czyli najpierw:
jaki problem trzeba rozwiązać?
Potem:
jakie informacje są potrzebne?
Dopiero później:
jak zostaną odnalezione — klasycznym wynikiem, query fan-out, social search czy agentem?
26. Standard Search nadal ma ogromne znaczenie
Nie powinniśmy ulec modzie na AI i zignorować klasycznej wyszukiwarki.
W starym serwisie ogólna widoczność wynosi ponad 25 tys. impressions.
W nowym ponad 11 tys.
Generatywna część to:
- około 29% nowej witryny,
- około 4% starej.
Czyli nawet w bardzo „AI-heavy” nowym projekcie zdecydowana większość ekspozycji nadal pochodzi z pozostałej części Search.
To nie jest era:
„SEO umarło”.
To jest raczej:
SEO dostało dodatkową warstwę retrieval i generowania odpowiedzi.
27. Najważniejszy strategiczny wniosek: udział AI jest cechą kategorii i architektury
Dlaczego nowy projekt osiąga 29%, a stary 4%?
Nie możemy przypisać różnicy jednej przyczynie.
Mogą wpływać na nią:
- charakter tematu,
- rodzaj pytań,
- aktualność,
- stopień złożoności decyzji,
- topical concentration,
- typ konkurencji,
- struktura treści.
Nowa kategoria naturalnie generuje pytania typu:
„Co to oznacza dla mojej firmy i jak się przygotować?”
To doskonałe środowisko dla generatywnej odpowiedzi.
Stary rynek generuje więcej zapytań:
„produkt X”, „model Y”, „instrukcja Z”.
To częściej może być obsłużone klasycznym wynikiem.
Dlatego AI Share of Search może stać się interesującą metryką opisującą sam charakter kategorii.
28. Proponujemy mierzyć AI Share of Search
Robocza definicja:
AI Share of Search Visibility = Generative AI impressions / Overall Search impressions
Nie jest to oficjalny wskaźnik Google.
Ale dzięki nowemu raportowi można go obecnie policzyć.
W naszym case study:
nowy serwis:
~29%.
stary:
~4%.
Można monitorować zmianę:
- tydzień do tygodnia,
- miesiąc do miesiąca,
- między kategoriami,
- między typami treści.
29. Drugi wskaźnik: AI URL Coverage
AI-visible URLs / Search-visible URLs
W naszym przypadku:
nowy:
59 / 85 ≈
69%.
stary:
około 250 / 490 ≈
51%.
Interpretacja:
jaka część całej aktywnej architektury strony trafia również do warstwy generatywnej?
30. Trzeci wskaźnik: Cross-Surface Alignment
Top AI vs. top Search.
nowy:
9 z 10.
stary:
3 z 10.
To pokazuje, czy:
ta sama architektura wygrywa w obu środowiskach,
czy:
AI znajduje inne aktywa niż standard Search.
31. Czwarty wskaźnik: AI Visibility Density
Generatywne impressions / AI-visible URL.
W przybliżeniu:
nowy:
~50+.
stary:
~4.
To około:
12× różnicy.
Nie jest to metryka Google.
Ale świetnie pokazuje produktywność generatywną pojedynczej strony.
32. Co powinien zrobić nowy serwis?
Największym błędem byłoby teraz:
skoro działa, dodajmy 500 kolejnych stron.
Google wprost przestrzega przed tworzeniem treści dla każdej możliwej odmiany zapytania lub fan-out query wyłącznie po to, aby wpływać na ranking lub generatywną odpowiedź. Google podkreśla też, że większa liczba stron sama w sobie nie oznacza wyższej jakości serwisu.
Nowy projekt powinien chronić:
- topical concentration,
- canonical hubs,
- evidence quality,
- aktualność,
- cross-surface alignment.
Największym ryzykiem jest content entropy.
33. Co powinien zrobić stary serwis?
Tutaj możliwości są prawdopodobnie jeszcze większe.
Nie trzeba usuwać 490 stron i zaczynać od zera.
Trzeba znaleźć:
AI Winners,
których standardowy Search wcześniej nie eksponował.
Następnie zbudować wokół nich:
Query Fan-out Map → Canonical Guide → Supporting Pages → Products → Action.
Stara domena posiada ogromny kapitał:
- dokumentację,
- doświadczenie,
- instrukcje,
- use cases,
- serwis,
- produkty.
Brakuje jej przede wszystkim bardziej spójnej Answer Architecture.
34. To może być nowa strategia modernizacji starych stron
Dotychczas modernizacja starego SEO często oznaczała:
- popraw title,
- zwiększ szybkość,
- zaktualizuj artykuł,
- zbuduj linki.
Teraz możemy dodać:
Generative Content Audit.
Dla każdej kategorii pytamy:
Co działa w klasycznym Search?
Co działa w AI?
Co działa w obu?
Co AI odkryło, czego my wcześniej nie uważaliśmy za strategiczne?
To zmienia sposób zarządzania całym content inventory.
35. Social Topical Map jest naturalnym kolejnym krokiem
Kiedy znamy już:
- Search Winners,
- AI Winners,
- Dual Winners,
możemy rozszerzyć ten sam temat na:
- YouTube,
- LinkedIn,
- short video,
- grafiki,
- profile społecznościowe.
Powstaje pełny model:
Search Surface Architecture.
Nie tworzymy osobnego kalendarza dla każdego kanału.
Rozwijamy te problemy, które już udowodniły swoją wartość.
36. Query fan-out + Social Topical Map + Dual Search Audit
Połączenie tych trzech modeli daje bardzo praktyczną architekturę.
Query Fan-out Map
Odpowiada:
Jakich informacji może potrzebować system?
Dual Search Audit
Odpowiada:
Które z tych informacji już zdobywają widoczność w Search i AI?
Social Topical Map
Odpowiada:
W jakich innych formatach i kanałach powinniśmy rozwijać odpowiedź?
To znacznie bardziej kompletny model niż klasyczny:
keyword → article.
37. Nasz docelowy model SalesBot po tym eksperymencie
Na podstawie danych z obu rzeczywistych stron proponujemy model:
Demand Map
↓
Trigger Map
↓
Customer Problem / JTBD
↓
Keyword + Prompt Research
↓
Query Fan-out Map
↓
Canonical Answer Architecture
↓
Evidence Map
↓
Standard Search Measurement
↓
Generative AI Measurement
↓
Dual Search Audit
↓
Social Topical Map
↓
Product / Action Layer
↓
Direct RFQ
↓
Conversion Measurement
↓
Governance
To jest naszym zdaniem praktyczna architektura „nowego SEO” dla B2B.
38. Czego to case study nie dowodzi
Nie dowodzi, że:
- AI preferuje nowe domeny,
- Google premiuje mniejszą liczbę URL-i,
- każdy serwis powinien mieć 29% AI Share,
- topical map jest czynnikiem rankingowym,
- query fan-out można dokładnie odtworzyć,
- AI impressions automatycznie prowadzą do kliknięć,
- 3000 AI impressions jest „lepsze” niż 26 000 standardowych impressions.
Google nie udostępnia pełnych wewnętrznych sygnałów rankingowych ani list faktycznie wykonanych fan-out queries. Oficjalnie wskazuje jednak, że generatywne doświadczenia opierają się na core Search ranking systems, RAG i query fan-out.
39. Co case study rzeczywiście pokazuje
Pokazuje cztery rzeczy.
Po pierwsze:
generatywna widoczność stała się mierzalną częścią SEO.
Google udostępnia osobny raport AI impressions i stron uczestniczących w odpowiedziach.
Po drugie:
udział AI może dramatycznie różnić się między kategoriami i architekturami serwisów.
29% vs. 4% to ogromna różnica.
Po trzecie:
AI i tradycyjny Search mogą preferować te same albo zupełnie inne URL-e.
W nowym serwisie zgodność top 10 wynosi 90%.
W starym około 30%.
Po czwarte:
najbardziej wartościowym celem nie jest tworzenie osobnego contentu pod AI, tylko zwiększanie liczby stron będących Dual Winners.
40. Najważniejsza konkluzja SalesBot
Przez lata SEO opisywaliśmy najczęściej modelem:
query → ranking → click.
Generatywne Search dodaje nową warstwę:
query → fan-out → retrieval → synthesis → source → click lub brak kliknięcia.
Ale fundament pozostaje wspólny.
Google nadal musi:
- znaleźć stronę,
- zrozumieć ją,
- ocenić jej przydatność,
- powiązać ją z potrzebą użytkownika.
Google potwierdza, że podstawowe praktyki SEO nadal pozostają fundamentem generatywnego Search.
Dlatego najważniejszy wniosek z naszego eksperymentu brzmi:
Nie potrzebujemy dwóch osobnych strategii: SEO i AI SEO.
Potrzebujemy:
jednej lepszej architektury wiedzy, która potrafi wygrać na wielu powierzchniach Search.
Nowy serwis pokazuje, jak może wyglądać taki model od początku.
Stary serwis pokazuje, jak ogromny potencjał można odkryć w wieloletnim archiwum, gdy spojrzymy na nie przez nowy raport generatywny.
41. Od „pozycjonowania stron” do „pozycjonowania odpowiedzi”
To jest prawdopodobnie najważniejsza zmiana językowa, jaką wyciągamy z tego case study.
Nie pytamy już wyłącznie:
Na jakie słowo kluczowe pozycjonujemy ten URL?
Pytamy:
W jakiej decyzji użytkownika ten URL jest najlepszym możliwym źródłem?
A następnie:
Czy Google wykorzystuje go w Search?
Czy wykorzystuje go w AI?
Czy możemy pokazać odpowiedź również w wideo i social media?
Czy użytkownik może wykonać kolejny krok?
Wtedy powstaje:
Answer Architecture.
42. Ostateczne porównanie
Nowa strona
Standard Search
543 kliknięcia
11 001 impressions
85 URL-i
CTR 4,94%
Generatywna AI
~3 000 impressions
59 URL-i
AI Share of Search
~29% w dokładnie wspólnym 27-dniowym oknie.
Top 10 Search ↔ AI overlap
90%.
Stara strona
Standard Search
425 kliknięć
25 706 impressions
490 URL-i
CTR 1,65%
Generatywna AI
~1 060 impressions
~250 URL-i
AI Share of Search
~4,1%.
Top 10 Search ↔ AI overlap
30%.
43. Najkrótsza interpretacja
Stary serwis posiada:
więcej zasięgu i więcej wiedzy.
Nowy posiada:
większą koncentrację i znacznie większy udział AI.
Stary model można opisać jako:
Distributed Long-Tail Knowledge.
Nowy:
Concentrated Answer Architecture.
Przyszły idealny model powinien połączyć:
głębię starego serwisu
z
strukturą nowego.
Czyli:
Content Equity × Answer Architecture × Multi-Surface Visibility.
Podsumowanie
To case study zmienia sposób, w jaki patrzymy na „nowe SEO”.
Nie widzimy obecnie dwóch oddzielnych światów:
Google vs. AI.
Google samo potwierdza, że generatywne impressions należą do całkowitego ekosystemu Search i są uwzględniane w ogólnym Performance Report.
Dlatego właściwym modelem jest:
Search → część klasyczna + część generatywna + kolejne powierzchnie odkrywania.
W jednym z naszych rzeczywistych projektów około:
29% całej widoczności Search pochodziło już z generatywnych funkcji.
W drugim:
około 4%.
Jednocześnie nowoczesna, skoncentrowana architektura osiągnęła około:
90% zgodności topowych stron Search i AI,
podczas gdy w wieloletnim serwisie było to około:
30%.
To sugeruje bardzo praktyczny kierunek rozwoju:
nie pisać więcej treści tylko dlatego, że pojawiło się AI.
Lepiej:
budować mniej przypadkowych URL-i, więcej mocnych odpowiedzi, lepsze dowody, czytelniejsze relacje między podtematami oraz konkretne ścieżki od informacji do działania.
Jeżeli uda się to zrobić, ta sama inwestycja w wiedzę może pracować jednocześnie dla:
- standardowego Google Search,
- AI Overviews,
- AI Mode,
- query fan-out,
- social search,
- systemów agentowych,
- procesu sprzedażowego B2B.
I właśnie to, a nie osobny zestaw „hacków GEO”, uważamy za najważniejszą zmianę w SEO 2026+.
Nota metodologiczna
Case study opiera się na czterech eksportach Google Search Console przekazanych 12–13 sierpnia 2026 r.
Dla standardowego Search oba eksporty obejmują 28 dni:
14 lipca–10 sierpnia 2026 r.
Raport generatywny starego serwisu obejmuje to samo okno.
Eksport AI nowego serwisu obejmuje:
13 lipca–9 sierpnia 2026 r.
Dlatego przy obliczaniu AI Share of Search zastosowaliśmy wspólny okres:
14 lipca–9 sierpnia 2026 r.
Dla tego okresu:
- nowy serwis: 9 763 ogólnych Search impressions oraz 2 834 AI impressions,
- stary serwis: 24 613 ogólnych Search impressions oraz 1 003 AI impressions.
Google potwierdza, że AI impressions są zawarte w całkowitym Performance Report, dlatego nie należy sumować obu wartości.
Korelacje rang, AI Share, Cross-Surface Alignment, AI URL Coverage, AI Visibility Density i inne wskaźniki nazwane w case study są naszymi własnymi miarami diagnostycznymi, a nie metrykami ani czynnikami rankingowymi Google.
Zobaczmy, gdzie w Twoim ekosystemie możesz wygenerować więcej zapytań
Napisz, co sprzedajesz, do jakich firm chcesz docierać i jak obecnie powstają zapytania. Sprawdzimy, czy największy potencjał znajduje się w stronie produktowej, nowym klastrze tematycznym, widoczności w Google i AI, konwersji, analityce czy w połączeniu kilku elementów.
Sprawdź potencjał swojej firmy
Kontakt bezpośredni: kontakt@salesbot.pl