SEO News #259 – September Spam Update, nowy filtr w GSC, Rank Math AI

Otrzymaliśmy kolejny spam update od Google i kilka informacji o systemie SAFE. W GSC dostępny jest nowy filtr, który pozwala sprawdzić, czy użytkownicy wchodzą na naszą stronę z pomocą funkcji opartych na grafikach. Odświeżona dokumentacja dot. danych strukturalnych dla wideo. Rank Math ujednolica swoje narzędzia do SEO i GEO, Google informuje o nowym frameworku do generowania query fan-out, a eksperci zastanawiają się, czy contentEffort faktycznie jest ważnym czynnikiem rankingowym.

1. Google wypuszcza September Spam Update 2026 i system SAFE

24 września 2026 r. Google rozpoczęło wdrażanie September 2026 Spam Update. Aktualizacja obejmuje cały świat i wszystkie języki, a jej pełne wdrożenie może potrwać do dwóch tygodni.

Z najważniejszych informacji na pewno warto wspomnieć, że:

• aktualizacja nie dotyczy spamu związanego z linkami,
• nie obejmuje wszystkich istniejących zasad antyspamowych,
• jest to już czwarty spam update w tym roku (po aktualizacji z marca, czerwca i sierpnia).

Przejdźmy jednak do mięska: wielu ekspertów od pozycjonowania stron wskazuje na możliwy związek między tym update’m a nowym systemem Google o nazwie SAFE (Scaled Abuse Forensics Examiner).

To rozwiązanie wykorzystujące AI do wykrywania spamu i skoordynowanych sieci publikujących masowo niskiej jakości treści. SAFE nie działa jednak jak prosty detektor tekstów napisanych przez AI.

System analizuje zachowanie, sposób publikacji, infrastrukturę oraz powiązania między różnymi kanałami. Innymi słowy, Google nie patrzy tylko na pojedynczy tekst, ale na cały schemat działania stojący za jego powstaniem i publikacją (czyli wszystkie „zakulisowe” aspekty).

SAFE ma wykorzystywać kilku wyspecjalizowanych agentów AI. Są to odpowiednio:

• Root Agent (orkiestrator, agent nadzorujący) – koordynuje pracę pozostałych agentów, zbiera ich wyniki i podejmuje końcową decyzję.
• Content Understanding Agent – analizuje treść, szukając oznak spamu, znanych naruszeń i nowych form nadużyć.
• Behavior Understanding Agent – bada sposób działania, m.in. tempo i synchronizację publikacji, infrastrukturę oraz nietypowe wzorce aktywności.
• Channel Cluster Understanding Agent – analizuje powiązania między kanałami i wykorzystuje analizę grafową do wykrywania potencjalnych sieci spamowych.

Nie mamy jednak żadnego potwierdzenia od Google, że system SAFE faktycznie jest częścią wrześniowego spam update’u.

2. Search Console i nowy filtr „multimodalny”

W Google Search Console pojawił się zupełnie nowy filtr o nazwie Multimodal, który pozwala sprawdzić, czy użytkownicy trafiają na naszą stronę za pomocą wyszukiwania opartego na obrazie i różnych interakcjach wizualnych, a nie tylko przez klasyczne zapytania tekstowe.

Danę będą zbierane z czterech głównych źródeł. Są to:

• Google Lens,
• Circle to Search na Androidzie,
• przesłanie obrazu bezpośrednio do wyszukiwarki,
• funkcję „Search this image” dostępną po kliknięciu prawym przyciskiem myszy w Chrome.

Z filtra można skorzystać w zakładce Skuteczność, ale również w nowych raportach dotyczących funkcji generatywnej AI (AIO oraz AI Mode).

Google rozpoczęło globalne wdrażenie filtra 24 września, a dane będą widoczne przede wszystkim dla stron, które faktycznie uzyskują ruch z takich sposobów wyszukiwania.

To fajna zmiana w punktu widzenia SEO, bo do tej pory GSC nie dawało wglądu w takie informacje. Można było analizować klasyczne dane dotyczące wyszukiwania, ale brakowało informacji, czy użytkownicy odkrywają stronę także za pomocą bardziej rozbudowanych funkcji Google związanych z grafikami.

3. Dane strukturalne dla wideo – aktualizacja dokumentacji Google

Google odświeżyło dokumentację dotyczącą danych strukturalnych dla materiałów wideo, czyli VideoObject. Zmiana obejmuje przede wszystkim dwa obszary: właściwość creator oraz sekcję interactionStatistic.

Aktualizacja została opublikowana 28 września 2026 r.

Właściwość creator jest teraz opisana w nowej sekcji dokumentu – pozwala ona wskazać twórcę materiału. Doprecyzowano także informacje dotyczące właściwości author.

Druga sekcja, interactionStatistic, dokładniej omawia, jakie typy interakcji są obsługiwane w ramach danych strukturalnych VideoObject.

InteractionStatistic pozwala opisywać statystyki związane z interakcjami użytkowników z materiałem. Po zmianie dokumentacja precyzyjnie określa, jakie rodzaje takich interakcji można wykorzystywać w danych strukturalnych.

I to w zasadzie tyle. Jest to bardziej uporządkowanie tematu i nowe wskazówki, które mogą przydać się właścicielom stron z filmami.

4. Rank Math łączy swoje narzędzia SEO i dodaje śledzenie wzmianek w Gemini

Rank Math uruchomił Rank Math AI, czyli nową, ujednoliconą funkcję, która zbiera w jednym miejscu trzy wcześniej oddzielne narzędzia: Content AI, AI Link Genius oraz AI Visibility.

Rank Math pozycjonuje nowe rozwiązanie na styku klasycznego SEO oraz GEO. Z jednej strony użytkownik nadal może pracować nad treścią i strukturą serwisu, z drugiej dostaje narzędzie do obserwowania widoczności marki w AI.

Na uwagę na pewno zasługuje też rozszerzenie AI Visibility o Gemini. Do tej pory narzędzie pozwalało monitorować obecność firmy tylko w odpowiedziach ChatGPT, a teraz można sprawdzać ją również w największym modelu od Google.

Użytkownik może śledzić określone prompty w wybranych odstępach czasu i w ponad 30 językach. Rank Math jednocześnie zapowiada, że kolejne platformy będą dodawane w bliżej nieokreślonej przyszłości.

Nadal mówimy jednak o bardzo ograniczonej analityce, gdzie narzędzie bierze określony zestaw promptów i sprawdza, czy nasza marka wyświetla się w AI.

Jeśli chcesz sprawdzić, czy na Twoją stronę faktycznie wchodzą boty ChatGPT czy Gemini i czy zaciągają z niej treści do budowania odpowiedzi, przetestuj za darmo nasze narzędzie Agent Monitor.

5. Google opisuje nowy framework do query fan-out: R4T-Diffusion

Google zaprezentowało nowe rozwiązanie do generowania tzw. query fan-out’ów, czyli rozbijania jednego, szerokiego zapytania użytkownika na wiele bardziej szczegółowych podzapytań.

System nosi nazwę R4T-Diffusion (Retrieve-for-Train-Diffusion) i ma przede wszystkim rozwiązać problem kosztów oraz czasu potrzebnego na takie operacje.

Pomysł wydaje się ogólnie ciekawy. Najpierw Google wykorzystuje duży i kosztowny obliczeniowo proces do nauczenia systemu, jak powinien wyglądać dobry query fan-out. Następnie zapisuje przykłady wysokiej jakości wyników, i na ich podstawie trenuje znacznie mniejszy model.

W efekcie mały model uczy się naśladować zachowanie większego i może później tworzyć wiele podzapytań równolegle. Według Google pozwala to na 12-20-krotne przyspieszenie względem wcześniejszych metod.

Przy generowaniu podzapytań system bierze pod uwagę trzy rzeczy: zgodność z pierwotną intencją użytkownika, różnorodność oraz zakotwiczenie w rzeczywistych danych. Dzięki temu kolejne zapytania mają obejmować różne aspekty tematu, ale nie odjeżdżać od tego, czego użytkownik faktycznie szuka.

Tańsze i szybsze generowanie query fan-out’ów może ułatwić stosowanie ich na dużą skalę. Google określa rozwiązanie jako gotowe do zastosowań produkcyjnych, ale nie mamy jeszcze potwierdzenia, że R4T-Diffusion został już wdrożony w wyszukiwarce.

6. Czynnik rankingowy contentEffort jednak nie jest potwierdzony (?)

Wokół contentEffort narosło sporo mitów i niedopowiedzeń. Faktem jest, że ten czynnik jest opisany w dokumentacji Google i odnosi się do „LLM-based effort estimation for article pages” – czyli szacowanego „wysiłku” przy tworzeniu artykułów z pomocą AI.

Dokumentacja pokazuje, że takie pole istnieje i przechowuje określone wartości liczbowe, ale nie wyjaśnia, w jaki sposób są one obliczane, jaką mają skalę, ani czy (i w jakim stopniu) są wykorzystywane do ustalania pozycji strony.

Specjaliści sugerują więc, że to wcale nie musi oznaczać, że mamy do czynienia z czynnikiem rankingowym Google – ani że strony z niską oceną są automatycznie obniżane w wynikach.

Problemem nie jest fakt, że w procesie powstawania artykułu wykorzystano AI. Ważniejsze jest to, co ostatecznie otrzymuje użytkownik – czy materiał wnosi coś wartościowego, oryginalnego i użytecznego, czy jest tylko kolejną wersją informacji dostępnych już na innych stronach.

Biorąc pod uwagę, że nie znamy szczegółów dotyczących contentEffort (skali, sposobu obliczania ani rzeczywistego wpływu na ranking), przesadne skupianie się na nim prawdopodobnie nie ma większego sensu.

Ogólne zalecenie są takie, żeby w pierwszej kolejności zwrócić uwagę na to, jaki wkład wnosi dany tekst, czy zawiera oryginalne informacje, czy pokazuje doświadczenie autora, czy dostarcza dowodów itd.