Wytyczne LLM nie przenoszą się w taki sam sposób, jak wskazówki SEO
Przez mniej więcej dwie dekady branża SEO opierała się na cichych założeniach, które okazały się jedną z jej najcenniejszych cech. Przebyły wskazówki z jednej wyszukiwarki. Jeśli Google powiedział, że mapy witryn mają znaczenie, Bing powiedział, że mapy witryn mają znaczenie. Jeśli Bing powiedział, że dane strukturalne zasługują na prawdziwy wysiłek, Google powiedział to samo. Praktycy przeprowadzali optymalizację pod kątem Google, mając uzasadnioną pewność, że praca zostanie przeniesiona na inne wyszukiwarki i w większości przypadków tak było. Ta przenośność nie była szczęściem. Był to produkt strukturalnie dużej warstwy nakładającej się, którą główne wyszukiwarki budowały wspólnie, cegła po cegle, przez ponad dwadzieścia lat.
Ten świat nie istnieje w krainie LLM. Główni dostawcy szkolą się na różnych korpusach, uruchamiają różne roboty indeksujące w ramach różnych zasad, kierują różne zapytania przez różne systemy wyszukiwania i stosują różne procesy dopasowywania, które kształtują ostateczną odpowiedź w sposób, którego sygnały nadrzędne nie są w stanie przewidzieć. Wskazówki od dowolnego dostawcy, w tym wskazówki Google dotyczące własnych produktów Gemini, to jeden punkt danych. Praktycy, którzy kontynuują nawyk SEO, czyli nawyk traktowania wskazówek jednego silnika jako mniej więcej całej mapy, z pewnością będą optymalizować dla jednej platformy, pomijając inne.
Pasek boczny: gdy finalizowałem ten artykuł, Google opublikował nowe wskazówki dotyczące optymalizacji pod kątem generatywnych funkcji AI. Ich ramy są jasne: z punktu widzenia wyszukiwarki Google optymalizacja pod kątem wyszukiwania AI to nadal SEO. To sformułowanie jest dokładne w wyszukiwarce Google. Nie dotyczy to ChatGPT, Claude, Perplexity ani żadnego innego LLM i właśnie o tym jest pułapka, o której mowa w tym artykule.
Wspólne standardy, dzięki którym wskazówki SEO stały się przenośne
Era przenośnych wskazówek została zbudowana na faktycznej współpracy, a nie na przypadku. Protokół Sitemaps stał się wspólną własnością Google, Yahoo i Microsoft w listopadzie 2006 r., kiedy te trzy wyszukiwarki formalnie zgodziły się na obsługę wspólnego protokołu w wersji 0.90, opierając się na wcześniejszych mapach witryn Google w wersji 0.84 z czerwca 2005 r. Pięć lat później, 2 czerwca 2011 r., te same trzy silniki uruchomiły Schema.org, a wkrótce potem dołączył Yandex, aby stworzyć wspólne słownictwo dla znaczników danych strukturalnych. Takie oświadczenie ogłoszono na scenie w SMX Advanced. Należałem wtedy do zespołu Bing i to, co mnie wtedy uderzyło, jest nadal ważne. Silniki rywalizowały ze sobą, ale zdecydowały, że wspólne słownictwo będzie im wszystkim służyć. Webmasterzy mają jeden zestaw reguł. Sieć zyskała czystsze dane. Silniki dostały lepsze sygnały. Wszyscy wygrali.
Schemat ten powtórzył się w pliku robots.txt – konwencji z 1994 r., która w 2022 r. stała się dokumentem RFC 9309 IETF, formalizując to, co honorował już każdy poważny robot indeksujący. Powtórzyło się to ponownie, ostatnio w przypadku IndexNow, protokołu Microsoft Bing i Yandex uruchomionego w październiku 2021 r. IndexNow jest teraz obsługiwany przez Bing, Yandex, Naver, Seznam i Yep. Google testuje protokół od 2021 roku, ale go nie przyjął.
Właśnie dzięki tej nakładającej się warstwie możesz bezpiecznie przestrzegać wskazówek Google, nawet jeśli zależy Ci na ruchu Bing. Sygnały, których używały silniki, nie były identyczne, ale akceptowane przez nie sygnały wejściowe, protokoły, których przestrzegały i standardy, które reklamowały, były. Optymalizacja miała wspólne podłoże.
Gdzie stosy LLM faktycznie się rozchodzą
Środowisko LLM nie ma wspólnego podłoża o porównywalnej wielkości. Różnice nie są kosmetyczne i nie są tymczasowe. Są one wpisane w sposób, w jaki systemy są zbudowane.
Zacznij od danych treningowych. OpenAI podpisało ujawnione umowy licencyjne z News Corp o wartości do 250 milionów dolarów w ciągu pięciu lat, Axelem Springerem na około 13 milionów dolarów rocznie, Redditem na około 70 milionów dolarów rocznie, a także z Financial Times, Condé Nast, Hearst, Vox Media, The Atlantic, Associated Press, Le Monde i innymi. Google ma własną umowę Reddit, szacowaną na 60 milionów dolarów rocznie, zapewniającą dostęp do API danych w czasie rzeczywistym. Firma Anthropic nie ujawniła publicznie równoważnych umów licencyjnych z wydawcami, a ten nieujawniony status sam w sobie jest kwestią, z którą zmierzą się praktycy. Korpusy, które zasilały te modele i które nadal je odświeżają, nie są tymi samymi dokumentami. Praktycy nie mogą wiedzieć, za co dany dostawca zapłacił, a za co nie.
W następnej kolejności następuje rozbieżność infrastruktury przeszukiwaczy. OpenAI obsługuje trzy oddzielne boty: GPTBot do szkolenia, OAI-SearchBot do indeksowania wyszukiwania i ChatGPT-User do wyszukiwania inicjowanego przez użytkownika. Anthropic obsługuje trzy własne: ClaudeBot do szkolenia, Claude-SearchBot do wyszukiwania i Claude-User do wyszukiwania inicjowanego przez użytkownika. Perplexity uruchamia PerplexityBot i Perplexity-User. Firma Google wprowadziła Google-Extended we wrześniu 2023 r. jako klienta użytkownika kontrolującego, czy Google może wykorzystywać zawartość witryny do uczenia Gemini, całkowicie niezależnie od Googlebota, który obsługuje tradycyjne indeksowanie wyszukiwania. Nie ma jednego agenta użytkownika AI. Każdy dostawca wymaga osobnej reguły, a reguły nie są łatwo tłumaczone między dostawcami, ponieważ boty nie wykonują równoważnych zadań w równoważny sposób.
Architektury wyszukiwania różnią się strukturalnie. W przeszłości ChatGPT korzystało z indeksu Bing jako głównego źródła wyszukiwania w Internecie i wydaje się, że to połączenie nadal jest podstawowe, chociaż OpenAI w dalszym ciągu rozwija obok niego dodatkową infrastrukturę. Perplexity zbudowało swój system wyszukiwania na potoku opartym na Vespie, który traktuje dokumenty i fragmenty dokumentów podrzędnych jako najwyższej klasy możliwe do odzyskania jednostki. Google Gemini korzysta z własnego indeksu Google i podstaw Grafu wiedzy. Claude używa Brave Search jako partnera do wyszukiwania. To samo zapytanie, cztery różne systemy wyszukiwania, cztery różne spojrzenia na to, które źródła istnieją i które źródła warto ujawnić.
Następnie pojawia się warstwa wyrównania, w której SEO nie ma żadnego odpowiednika. Po przeszkoleniu modelu w korpusie dostawcy przeprowadzają szkolenie po zakończeniu szkolenia, aby kształtować rzeczywiste zachowanie modelu: ton, wzorce odmowy, format, bezpieczną postawę, co liczy się jako dobra odpowiedź. Podstawowym podejściem OpenAI jest RLHF, czyli uczenie się przez wzmacnianie na podstawie informacji zwrotnej od ludzi, w ramach którego osoby oceniające oceniają wyniki modelu, a model uczy się generować wysoko oceniane odpowiedzi. Anthropic opracowało konstytucyjną sztuczną inteligencję, która uczy modele krytykowania i korygowania własnych wyników w oparciu o spisany zbiór zasad. Metodologie te powodują wyraźnie odmienne zachowanie produktów końcowych. Ta sama pobrana treść, wprowadzona do dwóch modeli dostosowanych do dwóch metodologii, może dać dwie zasadniczo różne odpowiedzi na temat tej samej marki.
Gdy wskazówki jednego dostawcy w sposób oczywisty nie pozwalają na przeniesienie
Najbardziej przejrzystym przykładem wskazówek, których nie można przenieść, jest plik llms.txt. Jeremy Howard z Answer.AI zaproponował ten plik we wrześniu 2024 r. jako manifest przeceny umieszczony w katalogu głównym witryny, który prowadziłby LLM do najważniejszych treści. Propozycja została przyjęta przez społeczność SEO. Yoast zbudował generator. Agencje dodały tworzenie pliku llms.txt do swoich katalogów usług. Prelegenci konferencji uznali to za niezbędne.
Od połowy 2026 r. żaden z głównych dostawców LLM nie potwierdził, że korzysta z pliku. Nie OpenAI. Nie antropiczny. Nie Google’a. Analizy dzienników serwerów w setkach tysięcy domen pokazują, że główne roboty indeksujące AI rutynowo w ogóle nie żądają pliku /llms.txt. John Mueller z Google publicznie porównał go do przestarzałego metatagu słów kluczowych. Gary Illyes potwierdził na Search Central Live w lipcu 2025 r., że Google nie obsługuje pliku llms.txt i nie planuje tego robić.
Pisałem już o tym gdzie indziej, więc nie będę tutaj powtarzał szczegółów technicznych. W tym argumencie liczy się lekcja strukturalna. Schema.org odniósł sukces, ponieważ trzy silniki zbudowały go wspólnie, a następnie wspólnie wymusiły. Plik Llms.txt został zaproponowany przez jednego z badaczy, przyjęty przez dostawców narzędzi i zignorowany przez platformy, którym miał służyć. Model wspólnych standardów, który zapewnił SEO przenośne wytyczne, nie jest dostępny dla praktyków LLM na tę samą skalę, ponieważ platformy nie budują standardów wspólnie. Budują własne rurociągi.
Inwersja Bliźniąt
Najczystszy przykład tego, jak daleko pogorszyła się przenośność wskazówek, znajduje się w jednej firmie. Google publikuje własną dokumentację SEO w Search Central, kanoniczne wytyczne, których branża przestrzega od dwóch dekad. Dokumenty te kładą nacisk na tradycyjne sygnały rankingowe, EEAT, jakość treści, dostępność techniczną i dane strukturalne. Te wskazówki są nadal przydatne w samej wyszukiwarce Google.
Google produkuje także Gemini, model obsługujący przeglądy AI i oddzielną powierzchnię Google Mode AI. Wydaje się, że zachowanie cytowań na tych powierzchniach nie odzwierciedla wskazówek, które ta sama firma publikuje dla własnych wyników wyszukiwania.
Pod koniec 2024 r. mniej więcej trzy czwarte stron cytowanych w przeglądzie AI znalazło się również w pierwszej dwunastce Google dla tego samego zapytania. Na początku 2026 r., po tym jak w styczniu Google zaktualizowało AI Reviews do Gemini 3, Ahrefs przeanalizował 4 miliony adresów URL AI Review i odkrył, że tylko 38% cytowanych stron znalazło się w pierwszej dziesiątce tych samych zapytań. Oddzielna analiza BrightEdge wykazała, że nakładanie się jest bliższe 17%. Prace SE Ranking przeprowadzone po aktualizacji wykazały, że Gemini 3 zastąpił około 42% domen cytowanych wcześniej we wcześniejszych wersjach modelu i generuje o 32% więcej źródeł na każdą odpowiedź.
Różnica pogłębia się jeszcze bardziej, gdy spojrzymy na tryb AI Google, który jest osobną platformą konwersacyjną działającą na tej samej rodzinie Gemini. Dane firmy Semrush pokazują, że tryb AI i przeglądy AI pozwalają dojść do podobnych semantycznie wniosków w 86% przypadków, ale te same adresy URL powołuje się tylko w 13,7% przypadków. Tylko 14% cytatów z trybu AI znajduje się w tradycyjnej dziesiątce najlepszych wyników Google.
Jak dotąd wydaje się, że relacja kanoniczna uległa zmianie. Opublikowane przez Google wskazówki dotyczące SEO to nadal najczystsza droga do rankingu w wyszukiwarce Google. Ale ten ranking nie jest już wiarygodnym wskaźnikiem cytowań przez własne platformy AI Google. Te same wytyczne, te same treści i ta sama domena mogą dać trzy znacząco różne wyniki w wyszukiwarce Google, przeglądach AI i trybie AI, mimo że wszystkie trzy działają w tej samej firmie. Stary podręcznik polegający na przestrzeganiu wskazówek wyszukiwarki i ufaniu, że inne powierzchnie wyszukiwarki będą zachowywać się konsekwentnie, nie wydaje się zapewniać takich samych korzyści, jak kiedyś.
Co jeszcze portuje i dlaczego jest mniejszy, niż się wydaje
Warstwa uniwersalna przetrwała. Dostępność robotów indeksujących nadal ma znaczenie u każdego dostawcy. Treści oparte na faktach pochodzące z pierwotnego źródła nadal zdobywają więcej cytowań niż przekształcenia agregatorów. Czysta, możliwa do odzyskania struktura nadal pomaga każdemu systemowi zrozumieć, o czym jest strona. Obecność w źródłach o wysokiej autorytecie, które wszystkie główne LLM cytują w nieproporcjonalny sposób, takich jak Wikipedia, YouTube, Reddit i główne serwisy informacyjne, nadal działa jako czynnik mnożący siłę na różnych platformach. Zdobycie widoczności w tych źródłach daje szansę pojawienia się treści w każdym LLM, które z nich czerpie.
Ale warstwa uniwersalna jest znacznie mniejsza niż w erze SEO. Analiza Qwairy dotycząca 118 000 odpowiedzi AI w ChatGPT, Perplexity, Google AI Mode i Claude wykazała, że tylko 11% cytowanych domen pojawiło się na wielu platformach. Pozostałe 89% dotyczyło konkretnej platformy. Marka, która zdobywa cytowania w Perplexity, może być w dużej mierze niewidoczna w przypadku Claude. Marka, o której regularnie wspomina się w ChatGPT, może w ogóle nie pojawiać się w Przeglądach AI. Ta sama treść może być dobrą odpowiedzią dla jednego systemu i błędną odpowiedzią dla systemu obok.
Co to oznacza dla pracy
Praktycznym skutkiem nie jest porzucenie wszelkiej nadziei. Chodzi o to, że praktycy muszą przestać traktować wskazówki pojedynczego dostawcy LLM jako uniwersalną mapę i zacząć traktować je jako jedno z wielu danych wejściowych. Przeczytaj, co każdy główny dostawca publikuje na temat swoich systemów. Sprawdź swoją widoczność na różnych platformach, a nie tylko na platformie, z której najczęściej korzystasz. Traktuj rozbieżność jako wartość domyślną, a nakładanie się jako wyjątek, a nie odwrotnie.
Nie tak działało SEO, a różnica ma znaczenie. Stary odruch polegał na optymalizacji pod kątem Google i zaufaniu przenośności. Nowa rzeczywistość jest taka, że przestrzeganie wskazówek jednego LLM, a nawet wskazówek Google dotyczących Bliźniąt, sprawi, że będziesz zoptymalizowany pod kątem wycinka krajobrazu i potencjalnie ślepy na resztę. Dyscyplina ta jest odbudowywana w oparciu o prace specyficzne dla platformy, które nie istniały w erze SEO, a praktycy, którzy to zrozumieją, spędzą następne dwa lata na ustalaniu standardów, których będą przestrzegać wszyscy inni.
Nakładanie się zmniejszyło. Masz teraz więcej pracy do wykonania niż kiedykolwiek wcześniej.
Jeśli zastanawiasz się, gdzie w Twojej pracy rozbieżności między dostawcami są największe, skontaktuj się bezpośrednio. Naprawdę chciałbym usłyszeć, co wynika z danych.
Więcej zasobów:
Ten post został pierwotnie opublikowany na Duane Forrester Decodes.
Wyróżniony obraz: Rawpixel.com/Shutterstock; Paul Poezja/Dziennik wyszukiwarek
