Dlaczego AI cytuje jedne strony, a inne ignoruje - mechanizm selekcji źródeł w LLM

Zadajesz to samo pytanie w ChatGPT i Perplexity. Obydwa cytują inne strony. Jedna firma pojawia się w każdej odpowiedzi, inna - nigdy, choć ma świetne SEO i publikuje regularnie. Dlaczego? Nie jest to przypadek ani czarna magia. Modele językowe stosują konkretne, zrozumiałe kryteria selekcji źródeł. Gdy je poznasz, możesz zaplanować działania, które faktycznie zmienią Twoją widoczność w AI.

Według raportu The Digital Bloom z grudnia 2025 roku, zaledwie 11% stron internetowych jest cytowanych zarówno przez ChatGPT, jak i przez Perplexity. Reszta pojawia się w jednym modelu, w obu sporadycznie, albo nie pojawia się wcale. To nie przypadek. To wynik różnych architektur modeli i różnych kryteriów oceny wiarygodności treści.

Dwa tryby cytowania: bez internetu i z internetem

Zanim omówimy mechanizm, kluczowe rozróżnienie: istnieją dwa fundamentalnie różne scenariusze, w których AI cytuje treści. Nazwijmy je Case L (knowledge-only) i Case L+O (knowledge + online retrieval).

• Case L - model odpowiada wyłącznie z wiedzy treningowej (np. ChatGPT bez web browsing, Claude bez narzędzi). Cytuje marki i fakty, które pojawiały się wielokrotnie w danych treningowych. Nie ma dostępu do aktualnych stron.
• Case L+O - model pobiera aktualne wyniki z internetu przed wygenerowaniem odpowiedzi (Perplexity domyślnie, ChatGPT Search, Google AI Overviews). Może cytować strony opublikowane wczoraj - jeśli spełniają kryteria selekcji.
• Różnica praktyczna: w Case L liczy się historia wzmiankowań (ile razy pisano o Tobie w sieci przed cut-off treningowym). W Case L+O liczy się bieżąca jakość strony i dostępność dla botów.

7 etapów decyzji: jak LLM wybiera, co zacytować

W modelach z dostępem do internetu (Case L+O) selekcja źródeł przebiega przez kilka warstw oceny. Każda z nich może zdyskwalifikować stronę - lub ją awansować. Oto uproszczony, ale wierny opis procesu:

1. 1Dostępność techniczna - czy bot może wejść na stronę? Sprawdzane są robots.txt, Cloudflare/WAF blokady, czas ładowania. Strona zablokowana dla AI botów (GPTBot, PerplexityBot, OAI-SearchBot) nie jest brana pod uwagę - nie ważne, jak dobra jest treść.
2. 2Trafność tematyczna - czy strona mówi o tym, o co pyta użytkownik? Model ocenia semantyczne dopasowanie treści do zapytania. Strony zbyt ogólne lub z treścią rozmytą tematycznie są niżej w rankingu trafności.
3. 3Świeżość i aktualność - data publikacji i ostatniej modyfikacji mają znaczenie, szczególnie dla tematów dynamicznych. Artykuł z 2022 roku o narzędziach AI ma znacznie mniejszą szansę niż ten z 2025.
4. 4Autorytet źródła - oceniany przez sygnały podobne do tradycyjnego PageRank, ale z większym naciskiem na wzmiankowanie i cytowania przez inne zasoby. Wikipedia, Forbes, Wired mają tutaj ogromną premię.
5. 5Jakość strukturalna treści - czy tekst jest zorganizowany w sposób, który ułatwia zrozumienie przez model? Nagłówki, listy, krótkie akapity, dane liczbowe, definicje w pierwszym akapicie - to sygnały jakości strukturalnej.
6. 6Unikalność danych i perspektywy - AI preferuje treści z oryginalnymi danymi, case studies i eksperckimi opiniami, których nie może zrekonstruować na podstawie ogólnej wiedzy. Jeśli Twój artykuł powiela to, co napisali inni, nie wnosi nic do odpowiedzi.
7. 7Zgodność odpowiedzi z kontekstem zapytania - finalny filtr: czy zacytowanie tego fragmentu rzeczywiście lepiej odpowiada na pytanie użytkownika? Model waży, czy dodanie cytatu zwiększa jakość odpowiedzi czy ją zaśmieca.

Macierz wag: co naprawdę decyduje o cytowaniu

Nie wszystkie czynniki mają równy wpływ. Na podstawie dostępnych badań i testów empirycznych można zaproponować przybliżoną macierz wpływu poszczególnych sygnałów na prawdopodobieństwo cytowania:

Dane strukturalne a cytowania: co mówią liczby

Jednym z najbardziej zaniedbanych czynników jest markup Schema.org. Testy empiryczne pokazują, że treści z poprawnie zaimplementowanym Schema.org (szczególnie Article, FAQPage, HowTo z identyfikatorami Q-ID) osiągają cytowalnościność na poziomie 94% - w porównaniu do 62% dla tekstów bez strukturalnych danych. To różnica 32 punktów procentowych - więcej niż jakikolwiek inny pojedynczy czynnik on-page.

Dlaczego dane strukturalne mają tak duże znaczenie w Case L+O? Modele z dostępem do internetu korzystają z systemów podobnych do RAG (Retrieval-Augmented Generation): pobierają fragmenty stron i integrują je z odpowiedzią. Dane strukturalne działają jak metadane, które mówią modelowi: "ten fragment tekstu odpowiada na konkretne pytanie". FAQ z pytaniem i odpowiedzią w Schema.org jest dla modelu bezpośrednim kandydatem do cytowania - bez konieczności parsowania całego artykułu.

Perplexity cytuje inaczej niż ChatGPT - kluczowe różnice

Perplexity i ChatGPT Search to oba modele L+O, ale stosują różne podejścia do selekcji źródeł. Rozumienie tych różnic pozwala lepiej targetować optymalizację:

• Perplexity zawsze pokazuje źródła jako linki - to silna motywacja do cytowania stron z czytelnymi URL, krótkimi tytułami i klarownym metadescription. Strona, której meta description nie wyjaśnia precyzyjnie, co zawiera, traci w rankingu trafności.
• ChatGPT Search (z dostępem do Bing) bazuje mocno na tradycyjnych sygnałach SEO. Domain Rating i backlinki mają tu większe znaczenie niż w Perplexity.
• Google AI Overviews preferuje własne zasoby indeksu Google. Tu standardowe SEO ma największy carry-over - dobra pozycja organiczna znacząco zwiększa szanse na pojawienie się w AI Overview.
• Claude.ai (Anthropic) w trybie z dostępem do internetu stosuje bardzo ostrożną selekcję - preferuje źródła o wysokiej wiarygodności redakcyjnej i unika stron z niską transparentnością autora.

Typowe błędy, które wykluczają strony z cytowania

W analizie stron B2B w Polsce, które mimo dobrego contentu nie pojawiają się w odpowiedziach AI, regularnie widać te same problemy:

• Blokowanie AI botów przez Cloudflare lub agresywne WAF - GPTBot i PerplexityBot są traktowane jak scraperzy i blokowane. Sprawdź robots.txt: powinno być wyraźne Allow: / dla tych botów.
• Treść załadowana przez JavaScript bez SSR/SSG - modele AI crawlują HTML, nie renderują JS. Treść w React SPA bez server-side renderingu jest dla nich niewidoczna.
• Brak wyraźnego autora z bio i linkami do profili - modele oceniają E-E-A-T (Experience, Expertise, Authority, Trustworthiness). Artykuł bez podpisanego autora i jego referencji ma niższą wiarygodność.
• Brak dat publikacji i aktualizacji - strona bez daty jest trudna do oceny pod kątem aktualności. Szczególnie zabójcze dla tematów technologicznych i rynkowych.
• Zbyt duże pliki HTML (>500KB) lub długi czas odpowiedzi (>3s) - boty AI mają limity zasobów. Długi czas ładowania = pominięcie.
• Cannonical wskazujący na inną stronę - model widzi treść pod jednym URL, ale canonical odsyła go gdzie indziej. Może pominąć treść jako duplikat.

Jak sprawdzić, dlaczego Twoja strona nie jest cytowana

Systematyczna diagnoza składa się z trzech warstw:

1. 1Warstwa techniczna: sprawdź robots.txt pod kątem GPTBot/PerplexityBot/ClaudeBot. Użyj narzędzia Screaming Frog do audytu renderowania JS. Zmierz Core Web Vitals - TTFB powinien być poniżej 800ms.
2. 2Warstwa treści: zadaj 15-20 pytań branżowych w ChatGPT, Perplexity i Gemini. Notuj, które strony są cytowane zamiast Twojej. Porównaj ich strukturę z Twoją - co mają, czego Ty nie masz?
3. 3Warstwa autorytetu: sprawdź w Ahrefs lub SEMrush, ile stron zewnętrznych wzmiankowuje konkurentów vs Ciebie. Użyj Google Alerts na nazwy cytowanych konkurentów - gdzie piszą o nich, a nie o Tobie?

Plan działania: co zrobić w pierwszej kolejności

Jeśli chcesz zacząć być systematycznie cytowany przez AI, priorytetyzuj działania według stosunku nakładu do efektu:

• Tydzień 1 - Techniczne fundamenty: odblokuj AI boty w robots.txt, włącz SSR dla treści (Next.js SSG/SSR), zoptymalizuj czas ładowania do poniżej 2 sekund
• Tydzień 2-3 - Strukturalne dane: zaimplementuj Schema.org Article na postach, FAQPage na stronach z FAQ, Organization globalnie. Każdy artykuł z sekcją FAQ na końcu.
• Miesiąc 2 - Jakość treści: przebuduj top 5 artykułów dodając własne dane/statystyki, wyraźne nagłówki H2/H3, definicje w pierwszym akapicie, autorskie perspektywy
• Miesiąc 3+ - Autorytet zewnętrzny: kampania na wzmiankowania w mediach branżowych, aktywność na LinkedIn/Reddit, gościnne wpisy na portalach z wysokim DR