Masterlease: jak wpis blogowy zaczął być cytowany w ChatGPT, Copilot i Perplexity w mniej niż 24 godziny od publikacji
Jak opublikowanie jednego artykułu blogowego przełożyło się na stabilną obecność marki w odpowiedziach ChatGPT, Copilot i Perplexity oraz co to mówi o tym, jak treść trafia do systemów AI.
(01) O PROJEKCIE
Masterlease od dawna inwestuje w SEO. W równoległym projekcie firma rozbudowywała strukturę lokalną i klastry treści wokół długoterminowego wynajmu, co przełożyło się na wzrost ruchu niebrandowego. Pytanie, które pojawiło się obok klasycznych zagadnień SEO, brzmiało inaczej: czy nowo publikowana treść jest w stanie zaistnieć nie tylko w Google, ale też w odpowiedziach modeli językowych ChatGPT, Copilot i Perplexity, zanim zdąży zbudować jakikolwiek autorytet domenowy w tym konkretnym temacie.
Odpowiedzią był prosty, powtarzalny eksperyment: opublikować artykuł blogowy odpowiadający na realne pytania klientów i obserwować, kiedy oraz jak często modele LLM zaczynają go cytować jako źródło. Test prowadzono na dwóch artykułach – pierwszym, dotyczącym zakupu sprawdzonego auta poleasingowego, oraz drugim, dotyczącym zarządzania flotą samochodową, gdzie marka nie miała wcześniej rozbudowanej widoczności tematycznej.
KONTEKST
Branża
Motoryzacja
Rynek
Polski
Model współpracy
Współpraca długoterminowa
Typ projektu
Stała obsługa
Usługi
AI Search Optimization
(02) WYZWANIA
Cytowania w LLM bez przewidywalnego mechanizmu
- Marka miała pojedyncze, niestabilne wzmianki w LLM – pojawiały się i znikały bez wyraźnego wzorca, a w jednym przypadku wzmianka odnotowana 28 maja poprzedzała nawet datę publikacji artykułu, do którego rzekomo się odnosiła.
- Nie było danych na temat tego, ile czasu mija między indeksacją treści a jej pojawieniem się jako cytowane źródło w odpowiedziach AI.
- Nie wiadomo było, czy cytowanie w LLM wymaga uprzedniego autorytetu tematycznego strony, czy nowa, dobrze napisana treść może zacząć rankować nawet bez niego.
- Brakowało odpowiedzi na pytanie biznesowe: czy treść pisana pod LLM kanibalizuje ruch z Google, czy działa na rzecz obu kanałów jednocześnie.
Bez tych odpowiedzi trudno było zaplanować dalszą strategię contentową pod AI Search – decyzje opierałyby się na założeniach, a nie na danych.
(03) CEL
Zmierzyć, nie zgadywać
Cele testu były zdefiniowane wąsko i mierzalnie:
- Sprawdzić czas reakcji LLM na nową, świeżo zaindeksowaną treść.
- Zweryfikować, czy wpis blogowy bez wcześniejszego autorytetu w danym temacie może zacząć być cytowany w odpowiedziach AI.
- Ocenić stabilność cytowań w czasie – czy to jednorazowy efekt nowości, czy trwała widoczność.
- Sprawdzić, czy ruch generowany przez optymalizację pod LLM odbywa się kosztem ruchu organicznego z Google, czy działa równolegle.
Monitoring prowadzono za pomocą LLMonitor – narzędzia śledzącego wystąpienia i pozycję marki w odpowiedziach modeli ChatGPT, Copilot i Perplexity, wraz z listą źródeł, które poszczególne modele cytują.
(04) Przebieg testu
Etap 1: Pierwsza publikacja i pierwsze cytowanie
Punktem wyjścia była niestabilna, niska obecność marki w odpowiedziach LLM – pojedyncze wzmianki bez wyraźnego wzorca, niepoparte konkretnym źródłem. Artykuł o zakupie sprawdzonego auta poleasingowego zaczął być cytowany w odpowiedziach LLM dzień po zaindeksowaniu.
Z pozycji 9 na pozycję 2 w niespełna tydzień. Średnia pozycja marki w odpowiedziach wzrosła z 9 (28 maja) do 2 (3 czerwca), a wystąpienia marki w odpowiedziach modeli osiągnęły w tym oknie 5,5 – wynik nieosiągalny wcześniej, gdy artykuł jeszcze nie istniał.
Tego samego dnia odnotowano też wcześniejszą wzmiankę z 28 maja, sprzed publikacji artykułu – kolejny przykład niestabilności, jaka towarzyszyła marce w temacie poleasingowym wcześniej. Dopiero nowa treść zamieniła te przypadkowe pojawienia się w stabilne, powtarzalne cytowanie.
Etap 2: Stabilizacja jako popularne źródło
Kilka godzin później kolejna kontrola pokazała, że artykuł pojawił się jako popularne źródło w odpowiedziach Copilota i Perplexity – na razie bez szerszego kontekstu, czyli bez towarzyszącej, rozbudowanej narracji o marce.
Test, na tym etapie, oceniono jako stabilny. Brak szerszego kontekstu narracyjnego nie przeszkodził w cytowaniu – model traktował artykuł jako wiarygodne źródło faktograficzne (checklisty, listy bezpiecznych modeli, miejsca zakupu), nawet bez opisowego wprowadzenia marki.
Etap 3: Dowód braku kanibalizacji i stabilność w czasie
Tydzień później test rozszerzono o dane z Google Search Console, żeby sprawdzić, czy artykuł pod LLM zaczyna też generować ruch organiczny – i czy odbywa się to kosztem innych podstron serwisu.
Artykuł zaczął generować kliknięcia w Google – bez ryzyka kanibalizacji. Treść napisana pod LLM zaczęła jednocześnie rankować w klasycznym wyszukiwaniu: 4 kliknięcia i 571 wyświetleń w pierwszych tygodniach, przy zapytaniach takich jak „masterlease samochody używane” czy „masterlease auta poleasingowe” – frazach, na które inne podstrony serwisu nie konkurowały.
W LLM wyniki pozostały stabilne. Był jeden moment spadku widoczności, ale po nim wyniki nie tylko wróciły do poprzedniego poziomu, lecz go przekroczyły – artykuł zaczął być cytowany na równi ze stroną usługową marki, mimo że strona usługowa miała znacznie dłuższą historię indeksacji.
Etap 4: Test bez autorytetu tematycznego
Pierwszy test dotyczył tematu, w którym Masterlease miał już pewną obecność (auta poleasingowe). Żeby sprawdzić, czy mechanizm działa też bez wcześniejszego autorytetu, 17 czerwca przetestowano drugi artykuł – o zarządzaniu flotą samochodową (CFM), temacie, w którym marka wcześniej nie rankowała w ogóle.
Bez autorytetu też można rankować, choć słabiej i wolniej. Artykuł zaczął być cytowany z dnia na dzień, mimo zerowej wcześniejszej obecności tematycznej marki w temacie zarządzania flotą. Nie wszystkie modele zareagowały jednocześnie – na start widoczność dawały głównie Copilot i Perplexity – ale kierunek był jednoznaczny.
Etap 5: Wzrost mimo upływu czasu i trwającego update’u Google
Kolejne kontrole, prowadzone tydzień po tygodniu, potwierdziły, że efekt nie był jednorazowym przypadkiem. 22 czerwca artykuł o zarządzaniu flotą stał się jednym z najczęściej cytowanych źródeł marki w odpowiedziach LLM.
Najważniejszy test przyszedł jednak później. W ostatnim tygodniu czerwca Google uruchomił aktualizację algorytmu wymierzoną w treści tworzone sztucznie pod ranking, w tym artykuły publikowane wyłącznie w celu zdobycia pozycji. Artykuł testowy, mimo że powstał w ramach eksperymentu, nie był typową treścią rankingową – odpowiadał na realne pytania klientów, co najwyraźniej obroniło go przed negatywnym wpływem aktualizacji.
Ostatnia kontrola potwierdziła trend: mimo trwającego update’u antyspamowego Google, wskaźniki dla artykułu testowego nie spadły, lecz dalej rosły.
Wynik poprawił się, mimo że update Google był ukierunkowany przeciwko właśnie takim treściom. Marka zaczęła dodatkowo rankować na frazę „gdzie wybrać zarządzanie flotą samochodów”, na którą wcześniej nie pojawiała się wcale, czyli zysk pozycji nastąpił dokładnie w momencie, w którym konkurencyjne, sztucznie tworzone treści traciły widoczność.
(05) WYNIKI
Liczby z całego okresu testu
| Wskaźnik | Przed | Po |
|---|---|---|
| Średnia pozycja marki w odpowiedziach LLM | 9 (28.05) | 2 (3.06) |
| Wystąpienia marki w odpowiedziach (artykuł nr 1) | pojedyncze, niestabilne | 5,5 / pozycja w TOP2 |
| Wystąpienia marki w odpowiedziach (artykuł nr 2, CFM) | 0% — brak rankingu | 25,9% (śr. pozycja 4,4) |
| Widoczność marki w cytowanych źródłach (artykuł nr 2) | brak | 32,0% (śr. pozycja 3,0) |
| Ranking na frazę „gdzie wybrać zarządzanie flotą” | brak | obecny, mimo update’u antyspamowego Google |
| Kliknięcia w Google (artykuł nr 1, GSC) | 0 | 4 kliknięcia / 571 wyświetleń |
| Kanibalizacja ruchu innych podstron | — | brak — nowe, wcześniej niepokrywane frazy |
Od indeksacji do cytowania w LLM: mniej niż 24 godziny.
Pierwszy artykuł zaczął być cytowany w ChatGPT, Copilot i Perplexity dzień po zaindeksowaniu, a w ciągu tygodnia średnia pozycja marki w odpowiedziach poprawiła się z 9 do 2.
Autorytet tematyczny pomaga, ale nie jest warunkiem koniecznym.
Drugi artykuł, dotyczący tematu bez wcześniejszej obecności marki, również zaczął być cytowany – wolniej i selektywnie (na start tylko przez część modeli), ale w ciągu kilku tygodni doszedł do 25,9% wystąpień marki w odpowiedziach i stał się najczęściej cytowanym źródłem marki spośród wszystkich monitorowanych treści.
Treść pod LLM nie odbywa się kosztem Google.
Artykuł zaczął jednocześnie generować realne kliknięcia organiczne na frazach, których wcześniej żadna podstrona serwisu nie pokrywała – wzrost widoczności w AI Search i w klasycznym wyszukiwaniu poszedł w parze, a nie w opozycji.
Treść odpowiadająca na realne pytania użytkowników okazała się odporna na update antyspamowy Google.
W momencie, gdy aktualizacja algorytmu obniżała widoczność sztucznie tworzonych treści rankingowych, artykuł testowy zyskiwał – zaczął rankować nawet na frazę, na którą wcześniej nie pojawiał się wcale.
Kluczowe wnioski
- Świeżość treści ma bezpośrednie przełożenie na cytowalność w LLM – modele reagują na nowo zaindeksowane źródła znacznie szybciej, niż mogłoby sugerować tempo zmian w klasycznym Google.
- Brak autorytetu tematycznego nie wyklucza widoczności w AI Search, choć na starcie spowalnia i ogranicza jej zasięg – to ważna informacja przy planowaniu treści pod tematy, w których marka dopiero buduje pozycję.
- Treść projektowana pod realne pytania klientów, a nie pod sam ranking, broni się także w klasycznym SEO, włącznie z odpornością na aktualizacje algorytmu wymierzone w spam.
