W październiku 2023 roku badacze z Princeton, Georgia Tech, Allen Institute for AI i IIT Delhi opublikowali pracę naukową zatytułowaną „GEO: Generative Engine Optimization”. To był moment gdy pojęcie dostało akademickie zakorzenienie — i to odróżnia GEO od pozostałych akronimów nowego SEO.
GEO nie wymyśliła agencja marketingowa szukająca nowego hasła do sprzedawania usług. Wymyślili je naukowcy badający jak treści internetowe są cytowane przez systemy generatywne. To nadaje mu inny ciężar niż AIO czy LLMO.
Czym jest GEO
GEO to praktyka optymalizowania treści pod kątem cytowania przez silniki generatywne — ChatGPT, Perplexity, Google AI Overviews, Gemini — zamiast optymalizowania pod pozycję w tradycyjnych wynikach wyszukiwania.
Różnica między GEO a klasycznym SEO jest fundamentalna. SEO optymalizuje pod algorytm rankingowy który decyduje o pozycji strony w liście wyników. GEO optymalizuje pod model językowy który decyduje czy użyć Twojej treści jako źródła w syntetycznej odpowiedzi.
To są dwa różne mechanizmy selekcji. Algorytm rankingowy ocenia linki, szybkość, technikalia, historię domeny. Model językowy ocenia jakość treści, autorytet źródła, dokładność faktograficzną, strukturę która ułatwia cytowanie.
Badania Princeton — co naprawdę działa
Praca naukowa z 2023 roku nie była tylko teorią. Autorzy przeprowadzili eksperymenty — testowali konkretne techniki modyfikacji treści i mierzyli jak zmieniał się udział cytowań przez silniki generatywne.
Wyniki były nieoczekiwane dla osób przyzwyczajonych do klasycznego SEO. Techniki które najbardziej zwiększały cytowania przez modele generatywne:
Cytowania i statystyki — treść która powołuje się na konkretne dane, badania, liczby jest cytowana znacznie częściej niż treść opisowa bez oparcia w danych. Model traktuje ustrukturyzowane fakty jako bardziej wiarygodne źródło.
Autorytatywny ton i ekspertyza — treść pisana z wyraźnym doświadczeniem autora, bez owijania w bawełnę, z konkretnymi stwierdzeniami. Modele unikają treści zbyt ostrożnych i ogólnikowych.
Płynność i czytelność — paradoksalnie treść łatwa do czytania przez człowieka jest też łatwiejsza do przetworzenia przez model. Skomplikowana, zawiła struktura zmniejsza szanse cytowania.
Struktura pytanie-odpowiedź — treść organizowana wokół pytań które użytkownicy zadają, z bezpośrednimi odpowiedziami — identyczna technika co w AEO.
Co nie działało lub działało słabiej niż oczekiwano: dodawanie słów kluczowych, zwiększanie objętości treści, optymalizacja pod featured snippets.
GEO a AEO — gdzie przebiega granica
Jak opisuje hasło AEO w tym słowniku — granica jest płynna, ale distinkcja jest realna i warto ją rozumieć.
AEO celuje w odpowiedzi na konkretne pytania z wyraźną intencją. „Co to jest X?”, „Jak zrobić Y?”. Efekty szybkie — FAQ schema, structured snippets, odpowiedź w AI Overviews. Zakres wąski — pytania bezpośrednie.
GEO celuje w szersze zapytania eksploracyjne gdzie użytkownik nie szuka jednej definicji ale chce zrozumieć temat, porównać opcje, dostać rekomendację. „Jak przygotować sklep na agentów AI?”, „Które protokoły agentycznego handlu warto wdrożyć?”. Tu wygrywają treści które budują autorytet tematyczny przez czas — nie jednorazowe FAQ.
Praktyczna różnica: AEO to sprint — konkretne optymalizacje, szybkie efekty. GEO to maraton — budowanie głębokiego autorytetu tematycznego który modele rozpoznają jako wiarygodne źródło w danej dziedzinie.
Klaster tematyczny jako fundament GEO
Jeśli jest jedna rzecz która GEO wnosi ponad klasyczne SEO — to myślenie klastrem tematycznym zamiast pojedynczymi słowami kluczowymi.
Model językowy nie ocenia jednej strony w izolacji. Ocenia cały ekosystem treści na dany temat — czy domena ma głębokie, spójne pokrycie tematu z wielu perspektyw, czy ma jedną stronę z powierzchownym opisem.
Seria o agent-readiness na webflux.pl jest przykładem tego myślenia. Trzynaście artykułów, każdy z własnej perspektywy — techniczne, biznesowe, prawne, commerce, SEO — tworzą razem klaster który model rozpoznaje jako autorytatywne źródło w temacie agent-readiness. Żaden pojedynczy artykuł nie zrobiłby tego efektu.
Do tego dochodzi słownik — kolejna warstwa pokrycia tematu, w innym formacie (definicje zamiast artykułów), z wewnętrznymi linkami które budują sieć semantyczną między pojęciami.
GEO a dane strukturalne
Tu GEO spotyka się z LLMO i AEO w jednym miejscu. Dane strukturalne — JSON-LD, schema.org — pomagają modelowi zrozumieć czym jest treść, nie tylko co mówi.
DefinedTerm mówi modelowi: to jest definicja pojęcia. FAQPage mówi: to są odpowiedzi na pytania. Article z author i datePublished mówi: to jest artykuł napisany przez konkretną osobę w konkretnym czasie. Organization z sameAs linkującym do Wikidata mówi: ta firma to ta sama encja co ta w bazie wiedzy.
Każdy z tych elementów zwiększa prawdopodobieństwo że model wybierze tę treść jako wiarygodne źródło w swojej odpowiedzi.
Mierzenie GEO — najtrudniejsza część
GEO jest najtrudniejsze do zmierzenia spośród wszystkich wariantów nowego SEO. Klasyczne SEO mierzy się pozycjami i ruchem organicznym — dane w Google Search Console. AEO mierzy się pojawieniem się w featured snippets i AI Overviews — widać to w GSC. GEO mierzy coś trudniejszego — jak często i w jakim kontekście Twoja treść pojawia się w odpowiedziach modeli na szersze zapytania.
Dostępne podejścia dziś:
Ręczne testowanie — pytaj ChatGPT, Perplexity, Gemini o tematy które opisujesz i obserwuj czy Twoja strona jest cytowana. Czasochłonne ale daje bezpośredni wgląd.
Ruch z referrerów AI — perplexity.ai, chatgpt.com, gemini.google.com jako źródła w GA4. To jest ruch który przyszedł po cytowaniu — mniejszy niż realny zasięg cytowań ale mierzalny.
Brand mentions monitoring — narzędzia jak Brandwatch, Mention — czy Twoja marka jest wymieniana w kontekście tematów które opisujesz, przez kogo, w jakim tonie.
Logi serwera — wizyty crawlerów AI które indeksują treść. Częstsza wizyta GPTBot lub PerplexityBot może świadczyć że treść jest aktywnie pobierana do zasilania odpowiedzi.
GEO a webflux.pl — living example
Webflux.pl prowadzi GEO niejako naturalnie przez swoją strategię contentową. Seria o agent-readiness to klaster tematyczny który pokrywa temat z wielu perspektyw. Słownik to warstwa definicji która buduje autorytet semantyczny. Artykuły mają własny punkt widzenia i konkretne dane zamiast ogólnikowych opisów.
To co odróżnia webflux.pl od większości polskich serwisów piszących o AI — jest tam doświadczenie pierwszej ręki. Łukasz nie opisuje agent-readiness jako trendu który przeczytał w angielskim artykule. Opisuje je budując stronę która jest agent-ready, testując to co opisuje, dokumentując co działa a co nie. To jest dokładnie ten typ treści który badania Princeton wskazały jako preferowany przez modele generatywne — autorytatywny, konkretny, oparty na doświadczeniu.
Pojęcia powiązane w słowniku: AEO, LLMO, AIO, Agentic SEO, Zero-click agentic, Dane strukturalne, DefinedTerm
Powiązane artykuły na webflux.pl: Sześć filarów agent-readiness, Agent-readiness jako mapa, UCP czy ACP — który protokół ważniejszy dla widoczności