Jak wyciągam pain pointy z Claude i Gemini zamiast szukać słów kluczowych

Przez ostatni rok całkowicie zmieniłem sposób, w jaki prowadzę research tematyczny. Przestałem szukać fraz w Senuto i zacząłem pytać Claude’a i Gemini o frustrację, bolączki i problemy, które użytkownicy naprawdę chcą rozwiązać. Na tej podstawie tworzę treści, które odpowiadają na pytania zadawane w czatbotach – a nie tylko te wpisywane w pasek Google'a. Jak wygląda mój proces?

Spis treści:

1. Dlaczego punkty bólu są ważniejsze od słów kluczowych w erze LLM-ów?
2. Dlaczego używam dwóch czatbotów AI jednocześnie?
   1. Claude AI – kontekst i emocje użytkowników
   2. Gemini – dane, trendy i konkret
3. Mój proces krok po kroku – od rozmowy z klientem do listy problemów
   1. Krok 1: Rozmowa z klientem o rzeczywistych potrzebach
   2. Krok 2: Prompt do Claude – odkrywanie kontekstu emocjonalnego
   3. Krok 3: Prompt do Gemini – szukanie trendów i danych
   4. Krok 4: Porównuję odpowiedzi i tworzę finalną listę pain points
4. Jak przekładam pain points na klastry tematyczne?
5. Agent Monitor – jak działa i do czego go wykorzystuję?
6. Podsumowanie w punktach

Dlaczego punkty bólu są ważniejsze od słów kluczowych w erze LLM-ów?

Kilka miesięcy temu zrobiłem prosty test. Wziąłem listę fraz z Senuto dla jednego z klientów. Wszystko było elegancko rozpisane: wolumen, trudność, CPC. Klasyczny keyword research niezbędny w pozycjonowaniu stron, taki jak robiłem przez lata.

Potem wpisałem te same frazy w ChatGPT…

…i tu pojawił się lekki zgrzyt – Chat w ogóle nie odpowiedział w sposób, którego się spodziewałem. Zamiast tego zaczął zadawać pytania doprecyzowujące: „Czy chodzi Ci o X, czy Y?", „Potrzebujesz informacji o Z?". Lub co gorsza, halucynował.

Wtedy dotarło do mnie, że ludzie inaczej szukają tematów w wyszukiwarce, a zupełnie inaczej pytają o podobne kwestie w czatbotach.

Najlepiej to zobaczyć na przykładzie. W Google wpisujesz krótkie hasło – „pozycjonowanie stron Częstochowa". W ChatGPT formułujesz problem pełnym zdaniem – „Jak mogę poprawić widoczność mojej lokalnej firmy w internecie, żeby klienci mnie znajdowali?".

Widzisz różnicę? Ona de facto zmienia wszystko. W tradycyjnych narzędziach SEO sprawdzam, co użytkownicy wpisują w pasek wyszukiwania (czyli frazy kluczowe). I fajnie, ale te same narzędzia nie pokażą mi:

• Jak ludzie opisują swoje problemy w naturalnym języku?
• Jakie zadają pytania uzupełniające (follow-upy)?
• Czego faktycznie szukają w rozmowie z AI?

A modele językowe reagują właśnie na kontekst i intencję, a nie na pojedynczą frazę.

Dlatego zacząłem prowadzić research zupełnie inaczej. Zamiast słów kluczowych szukam tzw. pain points, czyli punktów bólu. Zamiast wolumenu analizuję rzeczywiste potrzeby klientów.

I robię to z pomocą dwóch narzędzi, których sam codziennie używam do researchu: Claude AI od Anthropic i Gemini od Google.

Dlaczego używam dwóch czatbotów AI jednocześnie?

Teoretycznie mógłbym pracować na jednym modelu. Praktyka pokazała mi jednak, że każdy LLM patrzy na temat trochę inaczej i ma inną perspektywę. I właśnie to jest ich największa siła.

Claude AI – kontekst i emocje użytkowników

Claude jest świetny w wyłapywaniu niuansów i kontekstu emocjonalnego. Kiedy proszę go o problemy w danej niszy, dostaję nie tylko listę trudności, ale też sposób myślenia użytkownika. Widzę obawy, niepewność i frustracje. To bardziej zapis wewnętrznego monologu niż sucha analiza.

Przykład:

Zapytany o problemy w niszy „księgowość dla małych firm", Claude nie ograniczy się do „wysokich kosztów". Zamiast tego odpowie: „Właściciele małych firm obawiają się, że księgowy to kosztowna rozrzutność, którą mogliby zastąpić własnym czasem i darmowym oprogramowaniem."

Gemini – dane, trendy i konkret

Gemini działa inaczej. Jest bardziej analityczny, mocniej osadzony w danych i trendach. Częściej pokazuje mi sezonowość, zmiany regulacyjne dotyczące różnych branż, czy nowe narzędzia wpływające na zachowanie rynku. Tam, gdzie Claude dostarcza emocje, Gemini daje strukturę.

Nie traktuję tego jak podwójnej roboty. Połączenie tych dwóch perspektyw sprawia, że mój research po prostu nabiera głębi. Otrzymuję pełny obraz: emocje i fakty, a także kontekst i dane.

Mój proces krok po kroku – od rozmowy z klientem do listy problemów

Zaczynam od wymiany spostrzeżeń z klientem, ale tu ponownie zaznaczam, że nie pytam go o słowa kluczowe. Zależy mi na tym, żeby zrozumieć potencjalne problemy, które mogą mieć jego odbiorcy.

Krok 1: Rozmowa z klientem o rzeczywistych potrzebach

Zamiast pytać klienta o najważniejsze dla niego frazy, chcę się od niego dowiedzieć:

• Jakie problemy rozwiązuje jego produkt?
• Co najbardziej boli jego klientów, zanim do niego trafią?
• Jakie pytania najczęściej słyszy podczas rozmów sprzedażowych?
• Czego odbiorcy nie rozumieją o jego branży?

Z takiej rozmowy wyciągam 10-15 seed keywords – tematów problemowych. W praktyce wygląda to tak, że klient z branży księgowej zamiast podawać mi frazy typu „księgowość Częstochowa", może mnie nakierować na następujące pain pointy: strach przed kontrolą US, niezrozumienie, co można odliczyć od podatku, gubienie się w terminach płatności, przekonanie, że księgowy to zbędny koszt i tak dalej.

Chodzi o strach, niepewność, chaos informacyjny, koszty czy brak wiedzy. Mając taką bazę, mogę przejść do dalszej pracy.

Nie nazwałbym tego klasycznym briefem SEO – to coś w rodzaju warsztatu strategicznego.

Krok 2: Prompt do Claude – odkrywanie kontekstu emocjonalnego

W kolejnym kroku biorę wspomniane seed keywordsy i wrzucam je do Claude’a z poniższym promptem (zostajemy przy przykładzie z biurem księgowym):

Jesteś ekspertem od badań rynkowych. Analizujesz niszę: księgowość dla małych firm.Produkt/usługa: Biuro rachunkowe oferujące kompleksową obsługę księgową dla małych przedsiębiorstw (do 10 pracowników), w tym rozliczenia ZUS, PIT, VAT i doradztwo podatkowe.Twoim zadaniem jest znalezienie:1. Najważniejszych pain points, które ten produkt rozwiązuje2. Pytań, które użytkownicy zadają w naturalnym języku (nie frazy SEO, tylko pełne zdania)3. Obaw i wątpliwości, które mogą powstrzymywać ich przed zakupem usługi księgowej4. Follow-up pytań, które mogą zadawać po pierwszym kontakcie z tematemSkoncentruj się na tym, jak ludzie MYŚLĄ o problemie, a nie jak go wyszukują w Google.

W tym prompcie jedną z najważniejszych instrukcji dla modelu jest ta ostatnia: Skoncentruj się na tym, jak ludzie MYŚLĄ o problemie, a nie jak go wyszukują w Google. Dzięki temu dostaję listę rzeczywistych bolączek i trudności zamiast zwykłych haseł.

Przykładowe odpowiedzi wyglądają mniej więcej tak: „Boję się, że dostanę karę od US, bo nie wiem, czy coś źle rozliczyłem", „Zastanawiam się, czy księgowy naprawdę jest mi potrzebny, skoro mam małą firmę", „Nie wiem, czy mogę odliczyć wszystkie wydatki, które ponoszę w ramach działalności".

Tu już wychodzimy daleko poza research fraz kluczowych. Widzimy prawdziwe głosy użytkowników.

Krok 3: Prompt do Gemini – szukanie trendów i danych

Potem z podobnym pytaniem przechodzę do Gemini, ale zadanym z nieco innej perspektywy:

Analizujesz niszę: księgowość dla małych firm w Polsce.Znajdź:1. Najczęściej pojawiające się pytania w tej niszy w latach 2024-20252. Nowe trendy, które zmieniają sposób myślenia o księgowości (np. automatyzacja, AI, zmiany przepisów)3. Bariery wejścia i częste błędy, które popełniają przedsiębiorcy przy wyborze księgowego4. Pytania, które mogą pojawiać się w AI Overviews, ChatGPT lub Perplexity

Pytam o trendy, zmiany w przepisach, bariery wejścia czy zapytania pojawiające się w narzędziach takich jak Perplexity czy AIO.

Gemini często pokazuje mi rzeczy, których Claude nie wyłapał. W tym przypadku:

• zmiany w przepisach podatkowych (np. wynikające z Polskiego Ładu),
• sezonowość problemów (np. grudzień = panika przed rozliczeniem rocznym),
• nowe narzędzia (np. automatyzacja faktur), które zmieniają oczekiwania klientów.

Krok 4: Porównuję odpowiedzi i tworzę finalną listę pain points

Na końcu zestawiam odpowiedzi z obu modeli i szukam wspólnych mianowników. Jeśli jakieś kwestie się powtarzają, mają zielone światło – traktuję to jako sygnał, że dotykają realnych problemów użytkowników.

W ten sposób powstaje lista kilkudziesięciu punktów bólu (zwykle 20-30), które mają sens nie tylko w SEO, ale też w rozmowie z AI:

• są sformułowane naturalnie (nie jak frazy kluczowe),
• dotyczą realnych problemów użytkowników,
• mogą być podstawą pytań zadawanych w ChatGPT czy Claude.

Jak przekładam pain points na klastry tematyczne?

Kiedy mam już listę pain pointów, przechodzę do ich uporządkowania. Nie grupuję ich wokół słów kluczowych, tylko kategorii problemów. W ten sposób powstaje 5 klastrów tematycznych

Dlaczego akurat 5? Bo to sweet spot, który pozwala zachować mi umiar między stopniem rozbudowania a łatwością zarządzania. Mniej niż 5 – za mało głębi. Więcej niż 5 – tracę fokus.

Cały proces zaczynam od analizy punktów bólu. W tym celu zadaję sobie pytanie: „Które z tych problemów dotyczą tego samego obszaru wiedzy?"

Cały czas jesteśmy przy przykładzie dla niszy „księgowość dla małych firm":

Klaster	Główne obawy i pytania użytkowników
1.Strach przed urzędami	Obawa przed karami z US, niezrozumienie pism urzędowych, brak znajomości terminów
2.Kontrola kosztów	Ile kosztuje księgowy, czy mogę sobie pozwolić, kiedy taka usługa zaczyna się opłacać
3.Optymalizacja podatkowa	Co można legalnie odliczyć od podatku, jak płacić mniej zgodnie z przepisami, różnice między formami działalności
4.Obsługa w praktyce	Jakie dokumenty trzeba przygotować, jak często kontaktować się z księgowym, co zrobić, gdy coś zostanie źle rozliczone
5.Wybór księgowego	Biuro rachunkowe czy freelancer, na co zwrócić uwagę przy wyborze, jak sprawdzić kompetencje księgowego

Każdy klaster to fundament dla treści odpowiadających na konkretne pytania i wątpliwości, a nie ogólne frazy.

Czyli na przykład zamiast bardzo ogólnego tekstu o tytule "Księgowość dla małych firm – poradnik", tworzę m.in. takie artykuły:

• "Jak sprawdzić, czy mój księgowy jest kompetentny?"
• "Ile naprawdę kosztuje księgowy dla małej firmy?"
• "Co mogę odliczyć od podatku jako przedsiębiorca?"

Agent Monitor – jak działa i do czego go wykorzystuję?

Na końcu muszę omówić kluczowy element, bez którego cały ten proces byłby dla mnie tylko zbiorem ładnie brzmiących założeń.

Mogę przecież zrobić świetny research, dobrze pogrupować problemy i napisać sensowne treści – ale dopóki nie zobaczę, jak reagują na nie systemy AI, tak naprawdę działam trochę po omacku.

Dlatego korzystam z naszego narzędzia Agent Monitor, które pozwala mi zajrzeć do statystyk, do których wcześniej nie miałem dostępu.

Dzięki Agent Monitor widzę:

• realną aktywność botów AI na stronie,
• które podstrony są skanowane,
• jak często boty/agenci AI do nich wracają,
• które tematy są kompletnie pomijane.

Dla mnie to jest moment przejścia z teorii do praktyki. Kiedy bot wraca regularnie na konkretny artykuł, traktuję to jak bardzo czytelny sygnał: ten problem naprawdę istnieje w rozmowach prowadzonych z AI. To znaczy, że trafiłem nie tylko w temat, ale też w sposób jego opisania.

Z drugiej strony, jeśli jakaś treść pojawia się w logach tylko raz i później znika, nie uznaję tego za porażkę. To raczej informacja, że temat jest zbyt płytko rozwinięty, za mało konkretny albo po prostu nie odpowiada na właściwe pytanie użytkownika.

Wtedy wracam do klastra, pogłębiam kontekst i sprawdzam, czy dobrze zrozumiałem źródło problemu.

Najciekawsze wnioski pojawiają się jednak wtedy, gdy cały klaster jest ignorowany. Wtedy to już nie jest kwestia pojedynczego artykułu, tylko błędnej hipotezy na poziomie strategii.

W takich momentach znowu odpalam modele, wracam do rozmów z klientem i sprawdzam, czy pain points, które uznałem za ważne, faktycznie są obecne w realnych pytaniach użytkowników.

Co tu dużo mówić – ten etap bywa niewygodny, bo muszę się przyznać sam przed sobą, że po prostu źle coś zinterpretowałem. Ale dzięki temu mam potem szansę to poprawić.

I dopiero tutaj wszystko naprawdę się spina. Modele takie jak Claude i Gemini pomagają mi zrozumieć sposób myślenia ludzi. Treści przekładają to zrozumienie na język strony. A Agent Monitor pokazuje, czy modele AI w ogóle uznają je za wartościowe.

Podsumowanie w punktach

1. Słowa kluczowe pokazują, co użytkownicy wpisują w Google – pain points wskazują, jakie problemy chcą rozwiązać.
2. Do znajdowania punktów bólu wykorzystuję Claude oraz Gemini.
3. W erze LLM-ów ważniejsze jest zrozumienie potrzeb niż śledzenie wolumenu fraz.
4. Używam dwóch modeli AI jednocześnie, bo każdy ma inną perspektywę – Claude wyłapuje kontekst emocjonalny, Gemini analizuje dane i trendy.
5. Proces zaczynam od rozmowy z klientem o problemach jego odbiorców i barierach zakupowych – to dobry punkt startowy do researchu.
6. Konkretne prompty do Claude i Gemini odkrywają 20-30 punktów bólu sformułowanych w naturalnym języku.
7. Grupuję pain points w 5 klastrów wokół kategorii problemów.
8. Agent Monitor pokazuje, które pain points faktycznie działają w LLM-ach. Śledzę wizyty botów AI i optymalizuję tematy na podstawie danych dotyczących ruchu agentowego.