Anna Sikorska

AI może znacząco przyspieszyć analizę, porządkowanie i optymalizację dużego zasobu treści, ale nie jest w stanie samodzielnie przejąć całego procesu SEO. Osiem miesięcy pracy nad rozbudowanym contentem z obszaru medycyny estetycznej pokazało, że modele językowe są bardzo pomocne dopiero wtedy, gdy działają w ramach precyzyjnie zaprojektowanego procesu, mają jasno określone ograniczenia, a ich decyzje są kontrolowane przez człowieka.

Wiele mówi się dziś o tym, że sztuczna inteligencja zastąpi specjalistów SEO, copywriterów i osoby odpowiedzialne za strategie contentowe. W praktyce wdrożenie AI do pracy z dużym i wymagającym zasobem tekstów nie oznacza jednak naciśnięcia jednego przycisku i automatycznej poprawy widoczności.

Im bardziej specjalistyczna tematyka, większa liczba publikacji i bardziej rozbudowana struktura serwisu, tym większego znaczenia nabierają decyzje, których model nie powinien podejmować samodzielnie.

Punkt wyjścia: ogromny zasób istniejących treści

Klient zgłosił się z bardzo dużym materiałem tekstowym rozłożonym na trzech serwisach poświęconych szeroko rozumianej medycynie estetycznej. W zasobie znajdowały się artykuły eksperckie, teksty poradnikowe, materiały dotyczące zabiegów, powikłań, bezpieczeństwa, diagnostyki oraz procedur naprawczych.

Na pierwszy rzut oka sytuacja mogła wydawać się korzystna. Skoro treści już istniały, można było założyć, że wystarczy je zaktualizować, poprawić strukturę nagłówków, dodać odpowiednie frazy i przygotować pod nowe sposoby wyszukiwania.

W praktyce samo istnienie dużej liczby tekstów nie oznacza jeszcze, że serwis posiada dobrze zaprojektowany ekosystem treści. Publikacje powstające przez wiele lat często odpowiadają na podobne pytania, poruszają te same problemy z różnych perspektyw, nie mają jasno określonej funkcji albo konkurują między sobą o widoczność.

Dlatego przed rozpoczęciem właściwej optymalizacji należało odpowiedzieć na kilka podstawowych pytań:

• które materiały rzeczywiście mają wartość merytoryczną,
• które odpowiadają na konkretne potrzeby użytkowników,
• które teksty powielają istniejące już zagadnienia,
• jakie publikacje powinny zostać połączone,
• które treści należy rozbudować,
• jaką rolę każdy artykuł powinien pełnić w strukturze serwisu.

Bez tej analizy automatyczna optymalizacja mogłaby jedynie utrwalić istniejący chaos.

Dlaczego przygotowanie do optymalizacji trwało trzy miesiące?

Cały projekt trwał osiem miesięcy, z czego pierwsze trzy miesiące zajęło samo przygotowanie materiału. Nie było to opóźnienie ani etap pomocniczy, lecz niezbędna część procesu.

Prace rozpoczęły się od analizy całego zasobu, identyfikacji głównych obszarów tematycznych oraz klasteryzacji treści. Celem nie było wyłącznie przypisanie tekstów do kategorii, ale zrozumienie zależności między nimi.

W prawidłowo zaprojektowanym klastrze treści każdy materiał powinien pełnić określoną funkcję. Jeden artykuł może szeroko omawiać główny temat, kolejne rozwijać poszczególne pytania, przedstawiać konkretne problemy, omawiać możliwe powikłania albo wyjaśniać różnice między metodami.

Klasteryzacja nie może więc sprowadzać się do umieszczenia podobnych tekstów w jednym arkuszu. Musi uwzględniać:

• intencję użytkownika,
• zakres merytoryczny publikacji,
• etap podejmowania decyzji,
• relację między materiałem głównym a treściami uzupełniającymi,
• potencjał linkowania wewnętrznego,
• ryzyko kanibalizacji tematów.

Dopiero po wykonaniu tej pracy można było określić, które artykuły powinny uczestniczyć w dalszej optymalizacji.

Które treści zostały wyłączone z procesu?

Jednym z ważniejszych etapów była eliminacja materiałów o niewielkiej samodzielnej wartości merytorycznej. Nie każda opublikowana podstrona powinna być traktowana jako pełnoprawny artykuł SEO.

Z dalszego procesu zostały wyłączone między innymi:

• krótkie zajawki odsyłające do artykułów opublikowanych w innych serwisach,
• informacje o wystąpieniach eksperta w telewizji, radiu lub podcaście,
• wpisy zawierające jedynie kilka zdań i link do zewnętrznego materiału,
• publikacje zbyt krótkie, aby samodzielnie odpowiadały na intencję użytkownika,
• treści, których nie dało się rozbudować bez tworzenia nowej wiedzy od podstaw.

Takie materiały mogą mieć znaczenie wizerunkowe, potwierdzać aktywność eksperta albo wspierać jego rozpoznawalność. Nie oznacza to jednak, że powinny być analizowane i optymalizowane w taki sam sposób jak rozbudowane artykuły specjalistyczne.

AI początkowo traktowało wszystkie adresy jako równorzędne elementy zasobu. Dopiero wprowadzenie dodatkowych kryteriów pozwoliło oddzielić treści eksperckie od materiałów informacyjnych, archiwalnych i wizerunkowych.

Jak rozpoznawaliśmy zdublowane tematy?

Przy dużej liczbie publikacji jednym z najtrudniejszych zadań było rozpoznanie tekstów, które dotyczyły tych samych lub bardzo podobnych problemów.

Tematy bywały publikowane pod różnymi tytułami, przedstawiane z innej perspektywy albo rozwijane w kilku materiałach powstających w różnych okresach. Samo podobieństwo słów kluczowych nie wystarczało więc, aby uznać dwa artykuły za duplikaty.

Każdy materiał trzeba było ocenić pod kątem:

• głównego pytania, na które odpowiada,
• intencji użytkownika,
• zakresu poruszanych problemów,
• unikalnej wiedzy eksperckiej,
• możliwości połączenia z innym artykułem,
• roli w całym klastrze.

Dwa teksty mogły zawierać podobne słownictwo, ale odpowiadać na zupełnie inne potrzeby. Jeden mógł wyjaśniać mechanizm powstawania problemu, drugi omawiać jego diagnostykę, a kolejny przedstawiać możliwości postępowania.

Z drugiej strony materiały różniące się tytułem mogły w rzeczywistości powtarzać ten sam zestaw informacji. W takim przypadku należało zdecydować, który tekst ma większą wartość, a następnie połączyć treści albo pozostawić jeden materiał jako główny.

To przykład zadania, w którym AI może szybko porównać dużą liczbę dokumentów i wskazać potencjalne podobieństwa, ale nie powinno samodzielnie podejmować ostatecznej decyzji.

Co zrobić, gdy jeden tekst pasuje do kilku klastrów?

Kolejnym wyzwaniem były artykuły, które ze względu na swoją tematykę pasowały jednocześnie do kilku obszarów.

Tekst mógł dotyczyć konkretnego zabiegu, ale jednocześnie omawiać bezpieczeństwo, możliwe powikłania, diagnostykę oraz procedury naprawcze. Automatyczna klasyfikacja przypisywała wtedy materiał do kilku klastrów albo wybierała kategorię na podstawie najczęściej występujących słów.

Taka decyzja nie zawsze była prawidłowa. Najważniejsza nie była liczba powtórzeń danej frazy, lecz funkcja, jaką artykuł miał pełnić w strukturze.

Trzeba było samodzielnie ocenić:

• jaki problem jest głównym tematem publikacji,
• na jakie pytanie tekst odpowiada najpełniej,
• w którym klastrze wnosi największą wartość,
• z jakich materiałów powinien otrzymywać linki,
• do jakich kolejnych treści powinien prowadzić użytkownika.

Klaster tematyczny nie jest zwykłą kategorią w menu. Jest częścią architektury informacji, dlatego przypisanie artykułu wpływa na jego linkowanie, pozycję w strukturze oraz sposób, w jaki wyszukiwarka i modele AI interpretują relacje między treściami.

Największe problemy związane z wykorzystaniem AI w procesie SEO

Dopiero po przygotowaniu materiału rozpoczęła się właściwa optymalizacja z wykorzystaniem AI. To właśnie na tym etapie ujawniły się ograniczenia, o których rzadko mówi się w uproszczonych opowieściach o automatyzacji SEO.

Halucynacje i dopisywanie informacji

Agent potrafił dodawać fakty, których nie było w materiale źródłowym. Nie zawsze były to informacje oczywiście nieprawdziwe. Często brzmiały logicznie, pasowały do kontekstu i poprawiały płynność tekstu.

W treściach medycznych taki mechanizm jest szczególnie niebezpieczny. Informacja nie może zostać uznana za prawdziwą tylko dlatego, że brzmi przekonująco.

Model próbował również przywoływać badania naukowe, aby zwiększyć eksperckość materiału. Problem polegał na tym, że część odniesień była niedokładna, nieweryfikowalna albo w ogóle nie wynikała z przekazanych źródeł.

Wprowadzenie zasady zakazującej dopisywania informacji spoza materiału bazowego stało się jednym z najważniejszych elementów całego procesu.

Wyciąganie fałszywych wniosków

AI nie musi mylić się na poziomie pojedynczego zdania, aby stworzyć błędny materiał. Może poprawnie rozpoznać wszystkie informacje, ale nieprawidłowo zinterpretować relacje między nimi.

W analizowanych treściach zdarzało się, że model:

• upraszczał problem wieloczynnikowy do jednej przyczyny,
• przedstawiał możliwość jako pewny rezultat,
• zmieniał ostrożną hipotezę autora w jednoznaczne stwierdzenie,
• łączył informacje dotyczące różnych przypadków,
• tworzył zbyt daleko idące podsumowania.

Dlatego kontrola nie mogła ograniczać się do sprawdzania faktów. Należało również oceniać logikę wnioskowania oraz zgodność końcowej interpretacji z materiałem eksperckim.

Nadmierne upraszczanie języka

Modele językowe często próbują uczynić tekst bardziej przystępnym. Sam kierunek jest właściwy, ale w specjalistycznych materiałach zbyt daleko idące uproszczenie może zmienić sens wypowiedzi.

Treść medyczna powinna być zrozumiała dla pacjenta, ale nie może być upraszczana kosztem precyzji. Konieczne było więc zdefiniowanie poziomu specjalistyczności oraz wskazanie pojęć, których nie należało zastępować potocznymi odpowiednikami.

Czy model może nauczyć się stylu eksperta?

Jednym z istotnych elementów projektu było zachowanie stylu bazowego twórcy tekstów. Nie chodziło wyłącznie o długość zdań czy sposób zwracania się do odbiorcy.

Styl eksperta obejmował także:

• charakterystyczne słownictwo,
• sposób tłumaczenia mechanizmów,
• poziom szczegółowości,
• ostrożność w formułowaniu ocen,
• kolejność przedstawiania argumentów,
• proporcję między językiem medycznym a objaśnieniami dla pacjenta.

Początkowo agent tworzył teksty poprawne językowo, ale zbyt ogólne i pozbawione charakterystycznego sposobu myślenia autora. Brzmiały jak standardowe materiały poradnikowe, a nie wypowiedź osoby posiadającej wieloletnie doświadczenie kliniczne.

Dopiero opracowanie przykładów, reguł językowych i wzorców argumentacji pozwoliło ograniczyć tę różnicę.

Nadal jednak konieczna była ręczna kontrola, ponieważ zachowanie tonu nie oznacza jeszcze zachowania znaczenia. Model może poprawnie naśladować słownictwo autora, a jednocześnie wyciągać wnioski, których ekspert nigdy by nie sformułował.

Jak powstał bezpieczny proces optymalizacji treści?

W wyniku kolejnych testów powstał proces, który nie opierał się na jednym rozbudowanym poleceniu. Zamiast tego praca została podzielona na etapy, a każdy z nich miał własny cel, zasady i punkt kontroli.

Proces obejmował między innymi:

1. analizę materiału źródłowego,
2. określenie głównej intencji tekstu,
3. przypisanie do właściwego klastra,
4. identyfikację potencjalnych duplikatów,
5. ocenę luk informacyjnych,
6. przygotowanie nowej struktury artykułu,
7. optymalizację treści bez dopisywania nowych faktów,
8. kontrolę zgodności ze stylem eksperta,
9. sprawdzenie wniosków i zależności logicznych,
10. przygotowanie linkowania wewnętrznego,
11. ręczną weryfikację merytoryczną i strategiczną.

Wprowadzono także kilka kluczowych reguł:

• AI nie mogło dopisywać faktów spoza materiału źródłowego,
• elementy wymagające dodatkowej wiedzy miały być oznaczane, a nie uzupełniane,
• badania można było przywoływać wyłącznie po ich rzeczywistej weryfikacji,
• model nie podejmował samodzielnie decyzji o usuwaniu lub łączeniu tekstów,
• końcowa interpretacja zawsze podlegała kontroli człowieka.

Dzięki temu AI pełniło rolę narzędzia analitycznego i redakcyjnego, ale nie stawało się samodzielnym autorem ani strategiem.

Na czym polegał sukces projektu?

Sukcesem nie była liczba wygenerowanych tekstów ani tempo ich publikowania. Najważniejszym efektem było stworzenie procesu, który pozwolił wykorzystać istniejący zasób wiedzy zamiast go odrzucać.

W wyniku prac udało się:

• uporządkować bardzo dużą liczbę istniejących publikacji,
• oddzielić treści wartościowe od materiałów bez potencjału merytorycznego,
• zidentyfikować zdublowane i konkurujące ze sobą tematy,
• przypisać artykuły do logicznych klastrów,
• określić funkcję poszczególnych treści,
• zaprojektować spójne linkowanie wewnętrzne,
• ujednolicić standard optymalizacji,
• zachować styl i poziom eksperckości autora,
• ograniczyć ryzyko błędów związanych z użyciem AI,
• przygotować treści do dalszej pracy nad widocznością w wyszukiwarkach i odpowiedziach generatywnych.

Bez sensownie zaplanowanego wykorzystania AI projekt trwałby znacznie dłużej. Ręczne porównywanie setek materiałów, wyszukiwanie podobieństw, analiza zakresów tematycznych i przygotowywanie rekomendacji byłoby możliwe, ale w wielu przypadkach ekonomicznie nieuzasadnione.

Prostszym rozwiązaniem mogłoby być pozostawienie starych tekstów i rozpoczęcie budowy nowego contentu od początku. Oznaczałoby to jednak rezygnację z dużej ilości wartościowej wiedzy eksperckiej, która już znajdowała się w serwisach, lecz była rozproszona, niewłaściwie uporządkowana albo opublikowana w kilku podobnych materiałach.

Dzięki połączeniu doświadczenia specjalisty SEO, wiedzy autora i dobrze zaprojektowanych procesów AI udało się wykorzystać istniejący materiał, nadać mu nową strukturę i przygotować go do dalszej pracy nad widocznością.

Czy AI może zastąpić specjalistę SEO?

To studium przypadku pokazuje, że AI może przejąć wiele czasochłonnych zadań operacyjnych, ale nie powinno samodzielnie odpowiadać za strategię, interpretację wiedzy eksperckiej ani końcową ocenę jakości.

Model może szybko:

• porównywać duże zbiory tekstów,
• porządkować informacje,
• wskazywać podobieństwa,
• proponować struktury,
• przygotowywać robocze rekomendacje,
• kontrolować kompletność materiału.

Nie oznacza to jednak, że potrafi samodzielnie ocenić, która informacja ma największą wartość strategiczną, czy autor rzeczywiście chciał sformułować dany wniosek i jaką rolę tekst powinien pełnić w całym ekosystemie treści.

Największa wartość AI w SEO nie polega więc na zastępowaniu specjalistów. Polega na umożliwieniu im pracy na większą skalę, przy jednoczesnym zachowaniu jakości, spójności i kontroli.

AI nie przejęło tego procesu. Pozwoliło jednak wykonać pracę, która bez jego wsparcia byłaby znacznie bardziej czasochłonna, a być może również nieopłacalna.

Dlatego pytanie nie powinno brzmieć: „czy AI zastąpi specjalistę SEO?”, lecz raczej: „czy specjalista potrafi zaprojektować proces, w którym AI rzeczywiście zwiększa wartość jego pracy?”.

FAQ – AI w procesie SEO

Czy AI może samodzielnie zoptymalizować wszystkie teksty na stronie?

AI może analizować i redagować dużą liczbę materiałów, ale nie powinno samodzielnie podejmować decyzji o strategii, łączeniu treści, usuwaniu artykułów czy interpretacji wiedzy eksperckiej. Wymaga jasno określonych zasad oraz kontroli człowieka.

Jak AI pomaga w klasteryzacji treści?

Model może szybko rozpoznawać podobieństwa między tekstami, grupować zagadnienia i wskazywać materiały potencjalnie dotyczące tego samego tematu. Ostateczne przypisanie powinno jednak uwzględniać intencję użytkownika, funkcję tekstu i jego wartość strategiczną.

Czy treści medyczne można optymalizować za pomocą AI?

Tak, ale konieczne są szczególnie rygorystyczne zasady. AI nie powinno dopisywać informacji spoza materiału źródłowego, tworzyć odniesień do nieweryfikowanych badań ani samodzielnie interpretować zależności medycznych. Każda treść wymaga kontroli merytorycznej.

Co jest największym ryzykiem wykorzystania AI w SEO?

Największym ryzykiem nie zawsze są oczywiste błędy. Bardziej niebezpieczne bywają informacje, które brzmią wiarygodnie, ale nie wynikają z materiałów źródłowych, oraz wnioski, które są logiczne językowo, lecz nieprawidłowe merytorycznie.

Czy AI może nauczyć się stylu autora?

Model może odwzorować słownictwo, długość zdań, ton i sposób konstruowania tekstu. Nie oznacza to jednak, że automatycznie przejmie sposób myślenia autora. Dlatego oprócz kontroli stylistycznej potrzebna jest weryfikacja znaczenia i wniosków.

Dlaczego nie warto od razu usuwać starych treści i pisać nowych?

W istniejących materiałach często znajduje się wartościowa wiedza ekspercka, historia domeny oraz informacje, których odtworzenie byłoby kosztowne. Przed podjęciem decyzji o usunięciu warto sprawdzić, czy tekst można połączyć z innym artykułem, zaktualizować lub wykorzystać w nowej strukturze.

Jak długo trwa przygotowanie dużego zasobu treści do optymalizacji?

Czas zależy od liczby publikacji, jakości materiałów, poziomu duplikacji i złożoności tematyki. W opisanym projekcie całe działania trwały osiem miesięcy, z czego trzy miesiące zajęła analiza, selekcja i przygotowanie contentu do właściwej optymalizacji.

Czy AI skraca czas realizacji projektu SEO?

Tak, zwłaszcza przy analizie dużej liczby materiałów. Oszczędność czasu pojawia się jednak dopiero wtedy, gdy proces jest dobrze zaprojektowany. Niewłaściwie używane AI może zwiększyć zakres pracy, ponieważ generuje błędy, nieprawidłowe klasyfikacje i treści wymagające ponownej weryfikacji.

Na czym polega dobry proces wykorzystania AI w SEO?

Dobry proces określa źródła, z których model może korzystać, zakres dozwolonych zmian, sposób oznaczania niepewnych informacji, zasady klasyfikacji treści oraz etapy kontroli. AI powinno wspierać analizę i redakcję, natomiast decyzje strategiczne i merytoryczne powinny pozostać po stronie człowieka.