Jak wykorzystuję nowe dane o widoczności AI w Google Search Console?

Jeśli miałbym wskazać jedną nowość, na którą najbardziej czekał świat SEO w Google Search Console, to byłyby to dane o ruchu AI, czyli informacje dotyczące AIO i AI Mode. Google, trochę śladem microsoftowego Binga, daje nam te informacje – jednak mocno ograniczone. Co już mamy, jak można to wykorzystać i czego jeszcze brakuje w GSC? Sprawdźmy.

Spis treści:

1. Marzenie SEO-wców…
2. Co dostaliśmy zamiast tego?
   • Dlaczego nie dostaliśmy więcej – i pewnie nigdy nie dostaniemy
3. Jak ja staram się wykorzystać nowe dane o AI z GSC?
   • Typ strony
   • Rozbijam bloga na silosy tematyczne
   • Staram się wykorzystać to do content planu
   • Analizuję artykuły, które radzą sobie najlepiej
4. Największy problem? Nadal nie znam fraz
5. Podsumowanie w punktach

Marzenie SEO-wców…

Cały, no dobra, prawie cały świat SEO od jakiegoś roku czy dwóch przesunął wajchę w kierunku AI, upatrując w tym przyszłość wyszukiwania informacji. Nasza branża, przyzwyczajona do wykresów, pozycji, CTR-ów i słupków w Search Console, musiała odnaleźć się w nowej rzeczywistości, w której nic nie jest już takie proste jak wcześniej.

W klasycznym SEO mamy całkiem niezły zestaw danych. Mogę sprawdzić, na jakie frazy wyświetla się strona, ile razy została wyświetlona, ile razy ktoś w nią kliknął i na której pozycji się pojawia. Mogę też przejść do konkretnego adresu URL i zobaczyć, jakie zapytania generują dla niego ruch.

W przypadku generatywnej AI długo mieliśmy jednak sporą dziurę w analityce.

Nie wiemy, na jakie frazy Google wyświetla wygenerowane podsumowanie, albo inaczej – nie mamy stuprocentowej pewności. Z doświadczenia możemy zakładać, że na większość fraz informacyjnych, zapytaniowych czy poradnikowych pojawi się podsumowanie AI.

A jeśli dołożymy do tego jeszcze zmienność tych odpowiedzi, różnice w podawaniu źródeł i kompletną pustkę odnośnie tego, czy użytkownicy rzeczywiście kliknęli jakikolwiek link, to my, jako specjaliści od pozycjonowania, stajemy się po prostu ślepi.

Bo możemy podejrzewać, że dana strona jest często wykorzystywana przez AI. Możemy ręcznie sprawdzać wyniki i obserwować, czy marka albo konkretny adres URL pojawia się jako źródło.

Ale jednocześnie trudno jest stwierdzić: „OK, w ciągu ostatnich trzech miesięcy Google pokazało tę stronę w swoich odpowiedziach generatywnych X razy”.

W idealnym świecie chciałbym dostać w Search Console możliwość przefiltrowania danych, czy to przez Google jako nową zakładkę, czy po prostu tak jak robimy to z Grafiką czy Wideo, mając do dyspozycji konkretne dane.

Chciałbym wiedzieć, ile razy pojawiliśmy się w AIO lub Trybie AI, ile było z tego kliknięć, na jakie adresy kierowały te kliknięcia i przede wszystkim – na jakie frazy.

Czyli dokładnie tak, jak działa to w przypadku tradycyjnych wyników organicznych.

To dałoby mi możliwość połączenia dwóch światów. Wiedziałbym, które zapytania generują widoczność w klasycznych wynikach, a które w wynikach generowanych przez AI. Mógłbym też sprawdzić, czy obecność w odpowiedziach AI faktycznie przekłada się na ruch.

Na takie dane czekam najbardziej.

Co dostaliśmy zamiast tego?

Na ten moment Google daje nam dane dotyczące wyświetleń w wygenerowanych odpowiedziach, z podziałem na URL-e.

Tylko tyle i aż tyle.

Mogę wejść do Search Console, przejść do sekcji Generatywna AI i zobaczyć, które adresy z mojego serwisu zostały wykorzystane w odpowiedziach generowanych przez AI.

Jest tu jeszcze klasyczny podział na kraje czy urządzenia, ale powiedzmy sobie szczerze – liczyłem i dalej będę liczył na jakiekolwiek dane dotyczące kliknięć.

W tym momencie wiem, że pojawiłem się w wygenerowanej odpowiedzi, ale nie wiem nawet, czy było to AIO, czy AI Mode. Nie znam zapytania, które uruchomiło odpowiedź. Nie widzę też informacji, czy użytkownik faktycznie zainteresował się moim źródłem.

Niby coś mam, ale dalej nie za dużo.

Traktuję te dane trochę inaczej niż klasyczny raport z Search Console. Nie patrzę na nie jako na gotową odpowiedź na pytanie „czy SEO działa?”. Bardziej jak na dodatkową warstwę informacji, z której mogę wyciągnąć pewne wzorce.

A jeśli podejdę do tego trochę kreatywniej, te dane zaczynają być całkiem użyteczne.

Dlaczego nie dostaliśmy więcej – i pewnie nigdy nie dostaniemy

Zacznijmy od tego, że chyba każdy postawiłby na to, że Google zbiera dane dotyczące kliknięć i je analizuje.

Patrząc na to, jak działa ten gigant i jak wykorzystuje dane dotyczące ruchu i zachowań użytkowników w wyszukiwarce, trudno zakładać, że AIO i AI Mode są dla nich jakąś czarną magią.

Google na pewno analizuje te informacje. Pytanie brzmi raczej, ile z nich chce (i może) udostępnić właścicielom stron.

Na przeszkodzie stoi pewnie kilka rzeczy:

• Pierwsza to oczywiście koszt przetwarzania danych. Wyniki generatywne działają trochę inaczej niż klasyczna lista linków, a liczba zapytań, które mogą być analizowane, jest przeogromna.
• Drugą kwestią jest prywatność. Użytkownicy wpisują do chatbotów często bardzo osobiste hasła i zapytania, więc nie liczyłbym na to, że kiedykolwiek je poznamy i będziemy mogli analizować.
• Trzecia sprawa to sama liczba i długość zapytań. Nie wklepujemy już fraz kluczowych, tylko prowadzimy normalną rozmowę z AI. Jedno zapytanie (prompt) może mieć nawet kilka czy kilkanaście zdań, a kolejne jest jego rozwinięciem.
• Do tego dochodzi jeszcze fakt, że odpowiedź AI nigdy nie jest jest stała. Dwie osoby mogą zobaczyć inne źródła przy bardzo podobnym zapytaniu. Odpowiedź może też zmieniać się w czasie.

Z punktu widzenia raportowania jest to znacznie bardziej skomplikowane niż klasyczny schemat:

fraza → wynik → pozycja → kliknięcie

Dlatego nie zakładam, że Google za chwilę da nam piękny raport, w którym zobaczymy wszystkie frazy z AI Mode, liczbę wyświetleń, kliknięcia, CTR i pozycję każdego źródła.

Chociaż bardzo chciałbym się mylić.

Na razie jednak wolę pracować z tym, co faktycznie mam do dyspozycji.

Jak ja staram się wykorzystać nowe dane o AI z GSC?

Nie znając liczby kliknięć i fraz kluczowych, nie mam tutaj aż takiego pola do popisu. Mimo tego mogę z tych danych wyciągnąć kilka ciekawych informacji.

Wszystko można oczywiście zrobić ręcznie. Tylko że przy większym serwisie szybko zrobi się z tego mało przyjemna robota.

Dlatego wykorzystuję tutaj AI jako pomocnika. ChatGPT czy Claude bardzo dobrze sprawdzają mi się przy porządkowaniu i klasyfikowaniu danych, szczególnie gdy mam setki albo tysiące adresów URL.

Dobrze to działa, jeśli ścieżki w naszym serwisie zawierają np. /blog, /produkt czy /kategoria.

Wchodzę do Google Search Console do zakładki Generatywna AI, zaznaczam maksymalnie trzy miesiące (chociaż na początek wolę sprawdzić nawet mniejszy okres) i eksportuję arkusz z tymi danymi.

Potem zaczynam drążyć.

Typ strony

Po pierwsze staram się dowiedzieć, jakie treści najlepiej sprawdzają się w wynikach generatywnej AI.

W zależności od serwisu przeważnie pojawiają się takie typy podstron jak blog, strony informacyjne, kategorie, strona główna, produkty czy podstrony lokalne.

Oczywiście każdy serwis ma swoją strukturę, więc nie trzymam się sztywno jednego podziału. Czasami warto rozbić to trochę dokładniej.

Dla jednego sklepu wystarczy podział na blog, kategorie i produkty. Dla innego osobno potraktuję poradniki zakupowe, rankingi, strony marek, filtry, landing pages czy treści lokalne.

Interesuje mnie przede wszystkim kilka rzeczy:

• ile stron danego typu ma wyświetlenia,
• ile łącznie wyświetleń wygenerowały,
• jaki stanowi to udział w całości,
• jaka jest średnia i mediana wyświetleń na stronę.

Przykładowo może to wyglądać tak:

Takie dane od razu sporo mi mówią.

W tym przypadku widać, że to blogi (bez zaskoczenia) mają największy wpływ na nasze wyświetlenia w wynikach generatywnych. I nie jest to zasługa jednego przypadkowego artykułu.

Średnia wynosi 382 wyświetlenia, a mediana 127. To ważna różnica – pokazuje, że część tekstów radzi sobie naprawdę dobrze, ale jednocześnie cały zbiór contentu ma znaczenie dla wyniku.

Produktów z kolei jest sporo, ale generują znacznie mniej wyświetleń. Mamy 326 podstron produktowych i tylko 6,9% całego wyniku.

Nie oznacza to oczywiście, że powinienem nagle przestać je optymalizować. Widzę jednak, gdzie obecnie Google częściej znajduje źródła do odpowiedzi generatywnych.

Warto zainteresować się też podstronami informacyjnymi. Kontakt, FAQ, „O nas”, informacje o dostawie, płatnościach czy innych aspektach działalności mogą mieć w danym serwisie znacznie większy udział, niż początkowo zakładaliśmy.

Rozbijam bloga na silosy tematyczne

Jeżeli widzę, że blog ma duży udział w widoczności AI, schodzę poziom niżej. Chcę wiedzieć, jaka tematyka najlepiej się sprawdza.

Załóżmy, że analizuję sklep z ubraniami.

Mogę mieć artykuły o stylizacjach, poradniki dotyczące wyboru ubrań, treści o praniu i prasowaniu, materiały dotyczące konkretnych fasonów, poradniki sezonowe czy teksty odpowiadające na pytania klientów.

Sam fakt, że „blog działa”, niewiele mi jeszcze mówi.

Może się okazać, że treści dotyczące stylizacji mają ogromny udział w wyświetleniach AI, podczas gdy teksty o historii mody są niemal zupełnie pomijane. Albo odwrotnie.

Schodzę więc głębiej i sprawdzam, co najczęściej się pojawia. Chodzi mi o znalezienie jakiegoś wzorca.

Bo jeśli 70% wyświetleń generowanych przez blog pochodzi z trzech konkretnych obszarów tematycznych, to jest to dla mnie informacja, z którą mogę już coś zrobić.

Staram się wykorzystać to do content planu

Kiedy mam już opisane silosy tematyczne, porównuję je z contentem, który obecnie mam na stronie.

I tutaj dane z GSC zaczynają mieć dla mnie największą wartość.

Nie traktuję ich jako generatora tematów, a raczej jako wskazówkę, w którą stronę warto dalej iść.

Zostańmy przy naszym przykładzie: przyjmijmy, że dobrze działa grupa artykułów dotyczących prania i pielęgnacji ubrań. Sprawdzam więc, jakie tematy już mam, czego brakuje i jakie pytania można jeszcze zagospodarować.

Dobrze działa tekst o praniu sukienek? Może warto przygotować podobny materiał o koszulach.

Sporo wyświetleń łapie poradnik dotyczący wyboru rozmiaru? Może sprawdzi się materiał o dopasowaniu konkretnego fasonu do sylwetki.

Jeśli widzę, że treści odpowiadające na bardzo konkretne pytania użytkowników radzą sobie nieźle, szukam kolejnych zapytań z tego samego obszaru.

To nie jest oczywiście prosty mechanizm na zasadzie:

„Ten artykuł ma dużo wyświetleń → napiszmy od razu 50 podobnych”.

Wychodzę raczej z założenia, że:

„Ten obszar tematyczny jest mocno obecny w odpowiedziach AI → sprawdźmy, czy mamy tutaj jeszcze sensowne tematy, których nie pokryliśmy”.

Analizuję artykuły, które radzą sobie najlepiej

Jeżeli widzę, że jakiś typ treści sprawdza się najlepiej, nie kończę analizy na samym URL-u.

Chcę zobaczyć, dlaczego właśnie te strony są tak często wykorzystywane jako źródła.

Najpierw sprawdzam, czy nie są to po prostu pojedyncze strzały.

Kiedy jeden artykuł ma 15 tysięcy wyświetleń, a kolejne 20 tekstów praktycznie nic, sytuacja wygląda zupełnie inaczej niż wtedy, gdy kilkadziesiąt artykułów ma regularnie dobre wyniki.

Mediana bardzo mi tutaj pomaga, bo średnia może być mocno zawyżona przez kilka wyjątkowo mocnych adresów.

Potem przyglądam się samym tekstom.

Patrzę na ich konstrukcję, sposób odpowiadania na pytania, zakres tematyczny, nagłówki, wykorzystane przykłady, definicje, dane, źródła i to, czy odpowiedź na główne pytanie znajduje się rzeczywiście w tekście.

Jeśli kilka najlepiej widocznych artykułów ma zbliżoną konstrukcję, podobny poziom szczegółowości i odpowiada na podobny typ intencji, mogę sprawdzić, czy da się wykorzystać te obserwacje przy tworzeniu kolejnych materiałów.

I tutaj AI również może być pomocne.

Mogę dać modelowi zestaw najlepiej radzących sobie artykułów i poprosić go o znalezienie wspólnych elementów.

Nie dostanę precyzyjnej odpowiedzi Google lubi artykuły z tym i z tym, ale bez tego, ale na pewno pozwala mi to szybciej wyłapać rzeczy, których sam mógłbym nie zauważyć przy analizie kilkudziesięciu tekstów.

Potem i tak wracam do własnej oceny.

Największy problem? Nadal nie znam fraz

I tutaj dochodzimy do największego ograniczenia tych nowych danych z GSC.

Mogę wiedzieć, że konkretny artykuł został wyświetlony w wynikach generatywnych 500 razy.

No i super. Tylko co z tego?

Przecież nadal nie wiem, jakie zapytania za tym stoją.

Jeżeli widzę artykuł o wyborze butów trekkingowych, chciałbym wiedzieć, czy Google wykorzystuje go przy zapytaniu „jak wybrać buty trekkingowe dla początkujących”, „jakie tanie buty trekkingowe w góry”, „buty trekkingowe na lato dla kobiet 40+, które chodzą na rekreacyjne wycieczki” – czy może przy zupełnie innym pytaniu/prompcie.

Bez tego muszę trochę zgadywać.

Mogę oczywiście połączyć dane z GSC, również te dotyczące ogólnej skuteczności w wynikach organicznych, gdzie podejrzę frazy, na które wyświetla się dany URL, z własnym researchem, analizą widocznych odpowiedzi AI czy narzędziami do monitorowania widoczności w AI. Mogę sprawdzać wybrane frazy ręcznie i szukać korelacji.

Ale to nadal nie jest to samo, co dane bezpośrednio od Google.

Dlatego na obecnym etapie uważam, że ta funkcja jest bardziej początkiem niż pełnoprawnym raportem AI.

Podsumowanie w punktach

1. Dane o widoczności w AI są jedną z najbardziej wyczekiwanych funkcji GSC, ale nadal brakuje informacji o frazach, kliknięciach i rodzaju wyniku AI (AIO czy AI Mode).
2. Google udostępnia wyświetlenia adresów URL w wynikach generatywnych, z podziałem m.in. na kraj i urządzenie, ale dane są wciąż mocno ograniczone.
3. Eksportuję dane z zakładki „Generatywna AI” w GSC i szukam powtarzających się wzorców.
4. Grupuję URL-e według typu, aby sprawdzić, które obszary serwisu generują najwięcej wyświetleń w wynikach AI.
5. Sprawdzam, które obszary tematyczne bloga są najczęściej reprezentowane w danych generatywnych.
6. Wyniki analizy wykorzystuję jako wskazówkę przy wyborze kolejnych tematów i rozwijaniu silosów, które już dobrze sobie radzą.
7. Porównuję najmocniejsze treści, szukając wspólnych cech i elementów, które można wykorzystać przy tworzeniu kolejnych materiałów.
8. Brak informacji o zapytaniach/promptach utrudnia ustalenie, w jakich konkretnie kontekstach Google wykorzystuje daną stronę.