Wdrożenie AIO w B2B: 90 dni, liczby i wnioski

Wdrożenia AIO opisuje się zwykle w kategoriach obietnic: więcej cytowań, większa widoczność w modelach językowych, przewaga nad konkurencją. Ten tekst idzie w drugą stronę. Poniżej jest przebieg konkretnego, trzymiesięcznego projektu dla firmy usługowej B2B, z harmonogramem tygodniowym, nakładem godzin, kosztem oraz liczbami, które udało się zmierzyć po 90 dniach. Część wyników wypadła poniżej naszych założeń i to również zostało tu opisane.

Punkt wyjścia i cele klienta

Klient to polska firma świadcząca usługi audytu procesów produkcyjnych dla przemysłu, około 40 osób, sprzedaż wyłącznie przez zapytania ofertowe i polecenia. Strona liczyła 68 podstron, w tym 41 wpisów blogowych publikowanych nieregularnie od 2021 roku. Ruch organiczny wynosił średnio 2 100 sesji miesięcznie, z czego większość trafiała na trzy poradniki napisane jeszcze przed premierą AI Overviews.

Problem, z którym przyszli, nie był problemem rankingowym. Pozycje w klasycznym wyszukiwaniu trzymały się stabilnie, natomiast liczba formularzy kontaktowych spadła o jedną trzecią rok do roku przy niezmienionej liczbie sesji. Hipoteza klienta brzmiała: użytkownicy dostają odpowiedź w interfejsie AI i nie mają powodu wchodzić na stronę.

Zanim zaczęliśmy cokolwiek zmieniać, ustaliliśmy trzy mierzalne cele na 90 dni:

• obecność domeny w odpowiedziach ChatGPT, Perplexity i Google AI Overviews dla 30 zdefiniowanych zapytań z koszyka usługowego,
• utrzymanie ruchu organicznego na poziomie nie niższym niż wyjściowy (nie zakładaliśmy wzrostu, zakładaliśmy brak erozji),
• wzrost liczby zapytań ofertowych z kanału organicznego o minimum 20 procent.

Trzeci cel był jedynym, który interesował zarząd. Dwa pierwsze traktowaliśmy jako wskaźniki wyprzedzające.

Miesiąc pierwszy: audyt i dane strukturalne

Pierwsze cztery tygodnie poszły niemal w całości na diagnostykę i warstwę techniczną. Zaczęliśmy od zbudowania panelu 30 zapytań i ręcznego odpytania trzech modeli, po trzy razy każde, w odstępach tygodniowych. To dało 270 obserwacji bazowych. Wynik startowy: domena pojawiła się w 4 odpowiedziach na 270, czyli w 1,5 procent przypadków. W 62 procentach odpowiedzi cytowane były katalogi branżowe i dwa portale wydawnicze, nie strony wykonawców usług.

Audyt techniczny wykazał trzy rzeczy, które blokowały cokolwiek dalej. Po pierwsze, serwis nie miał żadnego znacznika Organization ani LocalBusiness, a jedyny schemat na blogu to automatyczny Article generowany przez wtyczkę bez pola author. Po drugie, logi serwera pokazały, że GPTBot i ClaudeBot dostawały odpowiedź 403 z reguły WAF wprowadzonej rok wcześniej przez poprzedniego dostawcę hostingu. Po trzecie, sekcja usług była zbudowana na akordeonach ładowanych JavaScriptem po interakcji użytkownika, więc treść cenowa i zakresowa nie istniała w źródle HTML.

Blokada botów okazała się najtańszą naprawą o największym potencjale. Odblokowanie zajęło jedną zmianę w regułach zapory i weszło w życie tego samego dnia. Metodykę czytania logów pod kątem crawlerów modeli opisaliśmy szerzej przy okazji eksperymentu z plikiem llms.txt i cytowaniami w ChatGPT, gdzie te same wzorce dostępu były punktem wyjścia do wniosków.

Dane strukturalne zbudowaliśmy ręcznie, bez wtyczki: Organization z pełnym blokiem sameAs, Service dla czterech głównych usług, FAQPage tam, gdzie sekcje pytań już istniały w treści, oraz Person dla dwóch ekspertów firmy, z podpięciem ich profili zewnętrznych. Wszystko walidowane w dokumentacji Google Search Central i testerze wyników z elementami rozszerzonymi. Akordeony przepisaliśmy tak, aby treść była w HTML od razu, a zwijanie działało wyłącznie na poziomie CSS.

Nakład pierwszego miesiąca: 46 godzin, z czego 18 na sam audyt i pomiar bazowy.

Miesiąc drugi: treści odpowiadające wprost

Drugi miesiąc był contentowy i tu popełniliśmy najwięcej korekt kursu. Założenie wyjściowe brzmiało: napiszemy 8 nowych tekstów pod zapytania z panelu. Po dwóch tygodniach zmieniliśmy proporcje na 3 nowe teksty i 11 przebudowanych istniejących, ponieważ analiza pokazała, że modele chętniej sięgały po strony z historią indeksacji niż po świeże publikacje.

Przebudowa miała powtarzalny schemat. Każdy tekst dostawał na początku sekcji akapit odpowiadający wprost na pytanie zawarte w nagłówku, w dwóch do trzech zdaniach, bez rozbiegu. Dopiero pod nim szło rozwinięcie, zastrzeżenia i przykłady. Ten układ, czasem nazywany odwróconą piramidą dla maszyn, okazał się najskuteczniejszą pojedynczą zmianą w całym projekcie.

Druga zmiana dotyczyła liczb. Zastąpiliśmy sformułowania ogólne konkretnymi wartościami z praktyki klienta: zamiast „audyt trwa kilka tygodni” pojawiło się „audyt linii produkcyjnej o 12 stanowiskach trwa 15 dni roboczych, z czego 4 dni to praca na hali”. Modele językowe cytują zdania, które da się zweryfikować i przenieść do odpowiedzi bez parafrazy. Zdanie ogólne nie ma tej właściwości.

Trzecia zmiana to tabele porównawcze. Dodaliśmy je do pięciu tekstów, zawsze z nagłówkami kolumn opisanymi pełnym zdaniem, nie skrótem. Przykładowo:

Nie wszystko zadziałało. Osobna strona typu „słownik pojęć branżowych”, od której obiecywaliśmy sobie łatwe cytowania definicyjne, po 90 dniach nie przyniosła ani jednego trafienia w panelu. Zapytania definicyjne w tej branży model odpowiada z własnej wiedzy i nie sięga po źródło zewnętrzne.

Nakład drugiego miesiąca: 71 godzin, w tym 12 godzin wywiadów z ekspertami klienta, bez których liczby w tekstach byłyby zmyślone.

Miesiąc trzeci: autorytet i wzmianki

Trzeci miesiąc dotyczył tego, co dzieje się poza domeną klienta. Punkt wyjścia z audytu był jasny: skoro w 62 procentach odpowiedzi cytowane były katalogi i portale branżowe, to obecność w tych źródłach jest istotniejsza niż kolejny tekst na własnym blogu.

Zrobiliśmy trzy rzeczy. Uzupełniliśmy profile w czterech katalogach branżowych, które faktycznie pojawiały się w odpowiedziach modeli, ze spójnym brzmieniem nazwy firmy. Umówiliśmy dwa komentarze eksperckie w portalach przemysłowych, w obu przypadkach z imiennym podpisem i notką biograficzną. Przygotowaliśmy też zestaw danych z anonimowych projektów klienta, który jeden z portali opublikował jako materiał źródłowy.

Kryteria doboru miejsc były te same, których używamy przy ocenie zwykłych odnośników, opisane w tekście o tym, które backlinki liczą się dla cytowań w AI. Skrót: liczy się to, czy źródło jest odpytywane przez model, nie to, jaki ma wskaźnik autorytetu w narzędziu.

Przy okazji weryfikacji jednej z domen katalogowych, która wyglądała podejrzanie świeżo, przeszliśmy przez standardową procedurę analizy domeny w dziesięciu krokach. Domena okazała się odtworzonym serwisem na wygasłym adresie i zrezygnowaliśmy z obecności w niej.

Nakład trzeciego miesiąca: 38 godzin, w tym 9 godzin na koordynację publikacji zewnętrznych, czyli pracę, której nie widać w żadnym raporcie.

Wyniki: cytowania, ruch, zapytania ofertowe

Pomiar końcowy przeprowadziliśmy tą samą metodą co bazowy: 30 zapytań, trzy modele, trzy powtórzenia, ten sam tydzień miesiąca. Poniżej porównanie stanu z dnia zero i z dnia 90.

Trzy zastrzeżenia do tych liczb, bez których byłyby one nieuczciwe. Po pierwsze, wzrost cytowań z 4 do 37 wygląda spektakularnie tylko dlatego, że baza była bliska zeru; w wartościach bezwzględnych to nadal 13,7 procent odpytań. Po drugie, część wzrostu zapytań ofertowych przypada na sezonowość, ponieważ okres objął typowo mocniejszy kwartał w tej branży; porównanie rok do roku dla tego samego kwartału daje wzrost 21 procent, nie 35. Po trzecie, 84 sesje z odesłań AI to za mało, by mówić o kanale sprzedażowym, choć konwersja z nich wypadła lepiej niż ze zwykłego organicznego.

Skala i tempo są tu inne niż w projektach czysto rankingowych. Dla porównania, dwunastomiesięczne wdrożenie SEO dla firmy SaaS dawało zupełnie inną krzywą narastania i inny rozkład nakładu pracy w czasie.

Koszt i nakład pracy

Łączny nakład to 155 godzin w ciągu 90 dni, rozłożony nierówno: 46, 71 i 38 godzin w kolejnych miesiącach. Przy stawce agencyjnej w widełkach 180–250 złotych za godzinę daje to budżet 27 900–38 750 złotych netto. Do tego doszły koszty zewnętrzne: 3 200 złotych na publikacje i profile katalogowe oraz około 900 złotych na narzędzia do monitorowania odpowiedzi modeli w okresie projektu.

Rozkład godzin według typu pracy wygląda tak: 29 procent na treść i przebudowę tekstów, 24 procent na pomiar i raportowanie, 21 procent na warstwę techniczną i dane strukturalne, 17 procent na działania poza domeną, 9 procent na komunikację z klientem. Udział pomiaru jest wyższy niż w klasycznym SEO i to cecha stała takich projektów. Widoczności w modelach nie odczyta się z jednego panelu, trzeba ją odpytywać wielokrotnie, bo odpowiedzi są niedeterministyczne.

Co zrobilibyśmy inaczej

Cztery wnioski, w kolejności od najkosztowniejszego błędu.

Logi serwera powinny być pierwszą, nie ósmą pozycją audytu. Blokada botów na WAF działała przez rok i unieważniała wszystko, co dowolny wykonawca zrobiłby wcześniej z treścią. Sprawdzenie zajmuje 30 minut, a przesądza o sensie projektu.

Panel pomiarowy trzeba zbudować przed pierwszą zmianą, nie w trakcie. Nasz bazowy pomiar powstał w tygodniu drugim, już po odblokowaniu botów, więc punkt odniesienia jest lekko skażony. Przy powtórce zaczynalibyśmy od 270 obserwacji w dniu zerowym, przed jakąkolwiek ingerencją.

Mniej nowych tekstów, więcej przebudowy. Trzy nowe publikacje przyniosły łącznie 4 cytowania, jedenaście przebudowanych stron przyniosło 29. Gdybyśmy trzymali się pierwotnego planu ośmiu nowych tekstów, wynik byłby zauważalnie słabszy przy wyższym koszcie.

Rezygnacja ze słownika pojęć na rzecz danych własnych. Godziny włożone w stronę definicyjną należało przenieść na przygotowanie kolejnych zestawów danych z projektów klienta. Materiał źródłowy opublikowany przez portal branżowy wygenerował więcej cytowań niż cała sekcja definicji.

Najważniejszy wniosek jest jednak ogólniejszy. Trzy miesiące to zbyt krótki okres, aby ocenić wdrożenie AIO w sposób rozstrzygający. Wskaźniki wyprzedzające, czyli cytowania i obecność w odpowiedziach, reagują w tym czasie wyraźnie. Wskaźnik biznesowy, czyli zapytania ofertowe, porusza się w granicach, które nadal mieszczą się w naturalnej zmienności miesięcznej dla firmy o tej skali. Projekt trwa i dopiero pomiar po dwunastu miesiącach pokaże, czy wzrost się utrwalił.

FAQ