Z jednego artykułu można wygenerować 40 pytań. Ale ile z nich ktokolwiek wpisuje w wyszukiwarkę? Przetestowaliśmy to na 24 domenach z portfolio Semgence, w tym na własnej domenie semgence.pl: dla każdego URL-a wygenerowaliśmy kandydackie pytania wyłącznie z widocznej treści, a następnie porównaliśmy je z zapytaniami z 90 dni GSC i danymi zewnętrznymi. Wynik: tylko 28% pytań wygenerowanych z treści miało potwierdzony popyt. Pytania z nagłówków H1/H2 trafiały 2,3 razy częściej niż pytania z tekstu ciągłego. Patent US11574013B1 opisuje dokładnie ten mechanizm – generowanie kandydackich zapytań z wyświetlanej treści i ich ocenę jakościową.
Parametry badania
| Parametr | Wartość |
|---|---|
| Liczba domen | 24 (w tym semgence.pl jako case study) |
| URL-i per domena | 1-3 (najważniejsze blog/poradniki) |
| Pytania wygenerowane łącznie | 487 |
| Dane GSC | 90 dni (maj-lipiec 2026) |
| Źródła zewnętrzne | AlsoAsked, Senuto, DataForSEO |
| Narzędzia GSCGA MCP | content_display_query_recommendation_audit, query_fanout_gsc_report, content_blog_brief_v2 |
| Weryfikacja | Ręczna ocena dwóch specjalistów SEO per URL |
Co mówi patent US11574013B1 o generowaniu pytań z treści?
Patent US11574013B1 („Query recommendations for a displayed resource”, Google LLC, granted 2023-02-07, priority 2016-07-21) opisuje system, który generuje kandydackie zapytania z treści wyświetlanej na stronie i ocenia ich jakość. Mechanizm jest precyzyjny: system analizuje tytuł strony, nagłówki, wyróżnienia (bold, underline, centered text) i częstotliwość terminów, a następnie przypisuje każdemu kandydackiemu zapytaniu quality score.
Kluczowy fragment z opisu patentu: system bierze pod uwagę „visual appearance” terminów źródłowych – czy pojawiają się w tytule, czy są pogrubione, podkreślone lub wycentrowane, czy powtarzają się wielokrotnie w zasobie. Termin z tytułu strony dostaje wyższy score niż termin z tekstu ciągłego. Termin pogrubiony dostaje wyższy score niż termin zwykły. To bezpośrednio potwierdza nasze obserwacje: pytania z H1/H2 trafiają w realny popyt 2,3 razy częściej niż pytania z tekstu ciągłego.
Patent opisuje także mechanizm oceny jakości zapytania na podstawie wyników wyszukiwania, które to zapytanie generuje: „determining a quality score for each of the multiple queries” obejmuje sprawdzenie, czy zapytanie prowadzi do satysfakcjonujących wyników. Nie każde logicznie poprawne pytanie jest pytaniem, na które warto odpowiadać. Analogiczne podejście do oceny jakości stosujemy w kontekście multimodalnej spójności tekst-obraz.
Jakie jeszcze patenty opisują ten mechanizm?
US11574013B1 to patent bezpośredni, ale trzy dodatkowe patenty Google opisują powiązane mechanizmy, które razem tworzą obraz tego, jak system ocenia pytania i odpowiedzi:
| Numer patentu | Tytuł | Status | Data | Związek z tematem |
|---|---|---|---|---|
| US11574013B1 | Query recommendations for a displayed resource | Granted, active | 2023-02-07 (priority 2016-07-21) | direct – generowanie i scoring kandydackich zapytań z wyświetlanej treści |
| US9940367B1 | Scoring candidate answer passages | Granted | 2018-04-10 (filed 2015-08-12) | supporting – scoring fragmentów jako kandydatów na odpowiedzi |
| US9213748B1 | Generating related questions for search queries | Granted | 2015-12-15 (filed 2013-03-14) | supporting – generowanie powiązanych pytań (People Also Ask) |
| US20170011116A1 | Generating elements of answer-seeking queries and elements of answers | Aplikacja | 2017-01-12 (filed 2016-06-28) | supporting – klasyfikacja zapytań jako answer-seeking i scoring fragmentów |
Patent US9940367B1 opisuje, jak system ocenia fragmenty tekstu jako kandydatów na odpowiedzi – używając query term match score i answer term match score. To druga strona tego samego problemu: US11574013B1 generuje pytania z treści, US9940367B1 ocenia, czy treść jest dobrą odpowiedzią na te pytania.
Patent US9213748B1 opisuje mechanizm „People Also Ask” – generowanie powiązanych pytań z analizy topic sets w wynikach wyszukiwania. To zewnętrzne źródło popytu, z którym porównujemy pytania wygenerowane wewnętrznie z treści.
Patent US20170011116A1 opisuje system, który klasyfikuje zapytania jako answer-seeking (nawet bez słów pytających jak „jak” czy „dlaczego”) i dopasowuje fragmenty tekstu do typów odpowiedzi. Kluczowy wniosek: zapytanie nie musi być sformułowane jako pytanie, żeby system szukał na nie odpowiedzi.
Dlaczego nie każde logiczne pytanie ma popyt?
Model językowy potrafi wygenerować pytanie z dowolnego fragmentu tekstu. Jeśli akapit opisuje proces kalibracji scoringu, model zaproponuje „Jak kalibrować scoring SEO?” – i pytanie jest logicznie poprawne. Problem w tym, że logiczna poprawność nie równa się popytowi. Użytkownicy mogą szukać tego samego tematu w zupełnie inny sposób.
Przykład z semgence.pl: artykuł o Google Discover (/google-discover-jak-wlaczyc-karty-discover-5-krokow/) logicznie generuje pytanie „Jak włączyć Google Discover?”. Ale w danych GSC (maj-lipiec 2026, 117 kliknięć) najsilniejsze zapytanie to „nie można odświeżyć karty discover” (8 kliknięć) i „funkcja discover jest niedostępna w tej wersji aplikacji” (5 kliknięć) – pytania o problemy, nie o włączenie. Generator pytań z treści nie wygenerowałby tych zapytań, bo treść opisuje włączanie, nie rozwiązywanie problemów.
Drugi przykład: artykuł o błędzie 403 (/blad-403-jak-naprawic-lub-ominac-7-sposobow/) generuje pytanie „Jak naprawić błąd 403?”. W GSC top zapytanie to „403 forbidden jak ominąć” – nie „naprawić”, lecz „ominąć”. Drobna różnica w intencji, ale istotna dla struktury treści. Więcej o rozróżnianiu intencji w kontekście query fan-out.
Case study: semgence.pl – pytania z treści vs realny GSC
Przeprowadziliśmy pełny test na 8 najważniejszych artykułach blogowych semgence.pl. Dla każdego URL-a wygenerowaliśmy kandydackie pytania z widocznej treści (nagłówki, tekst ciągły, tabele, FAQ) za pomocą content_display_query_recommendation_audit, a następnie porównaliśmy z danymi GSC z 90 dni (maj-lipiec 2026).
Wyniki dla top 8 URL-i semgence.pl
| URL (slug) | Kliknięcia GSC | Pytania wygenerowane | Match z GSC | Nowe okazje | Brak popytu |
|---|---|---|---|---|---|
| /wyszukiwania-zyskujace-popularnosc-jak-wylaczyc-w-4-krokach/ | 257 | 14 | 6 (43%) | 2 | 6 |
| /stare-strony-internetowe-jak-otworzyc-5-narzedzi/ | 207 | 11 | 3 (27%) | 1 | 7 |
| /czym-sa-posty-sponsorowane-na-instagramie-i-jak-je-zrobic/ | 136 | 16 | 4 (25%) | 3 | 9 |
| /blad-403-jak-naprawic-lub-ominac-7-sposobow/ | 117 | 12 | 3 (25%) | 2 | 7 |
| /google-discover-jak-wlaczyc-karty-discover-5-krokow/ | 117 | 13 | 2 (15%) | 3 | 8 |
| /jak-zwiekszyc-zasiegi-na-facebooku/ | 90 | 9 | 2 (22%) | 1 | 6 |
| /blad-504-jak-naprawic-w-6-prostych-krokach/ | 86 | 10 | 2 (20%) | 1 | 7 |
| /jak-wykorzystac-monitoring-promptow-w-seo-oraz-ai-search/ | 28 | 18 | 4 (22%) | 5 | 9 |
| Łącznie 8 URL-i | 1038 | 103 | 26 (25%) | 18 (17%) | 59 (57%) |
Tylko 25% pytań wygenerowanych z treści miało potwierdzony popyt w GSC – niżej niż mediana 28% z pełnej próby 24 domen. Ale artykuł o monitoringu promptów (/jak-wykorzystac-monitoring-promptow-w-seo-oraz-ai-search/) wygenerował 5 nowych okazji contentowych – pytania z popytem, których treść nie adresowała. To najwyższy wskaźnik okazji w całej próbie i sygnał, że temat wymaga rozbudowy.
Co system bierze z tytułu, nagłówków i wyróżnień?
W naszym teście pytania wygenerowane z elementów strukturalnych (H1, H2, tytuł strony, elementy strong/em) miały 2,3 razy wyższy wskaźnik pokrycia popytem niż pytania z tekstu ciągłego. Patent US11574013B1 potwierdza ten mechanizm: system przypisuje wyższy quality score terminom z tytułu i wyróżnionym wizualnie („the terms from which a particular query is generated appear in a title of the active resource”).
| Źródło pytania | Wygenerowane | Match GSC | Wskaźnik |
|---|---|---|---|
| H1/H2/title | 142 | 58 | 41% |
| Tekst pogrubiony (strong/em) | 67 | 19 | 28% |
| Tekst ciągły (paragraf) | 198 | 35 | 18% |
| Tabele i listy | 48 | 14 | 29% |
| FAQ istniejący | 32 | 10 | 31% |
| Łącznie | 487 | 136 | 28% |
Nie oznacza to, że pytania z tekstu ciągłego są bezwartościowe. 11% z nich (22 z 198) okazało się nowymi okazjami contentowymi – pytaniami, których nikt jeszcze nie adresował osobnym nagłówkiem lub sekcją, ale które miały potwierdzony popyt w GSC lub źródłach zewnętrznych.
Czym „niespodziewane zapytanie” różni się od „pytania z treści”?
Niespodziewane zapytanie to takie, którego nie da się wygenerować z widocznej treści strony, ale które Google wiąże z tą stroną. W GSC semgence.pl znaleźliśmy kilka wyrazistych przykładów:
| URL | Zapytanie GSC | Kliknięcia | Dlaczego niespodziewane? |
|---|---|---|---|
| /google-discover-jak-wlaczyc…/ | nie można odświeżyć karty discover | 8 | Treść mówi o włączaniu, nie o błędach |
| /google-discover-jak-wlaczyc…/ | funkcja discover jest niedostępna w tej wersji | 5 | Treść nie opisuje ograniczeń wersji aplikacji |
| /blad-403-jak-naprawic…/ | 403 forbidden jak ominąć | 14 | Treść mówi „naprawić”, użytkownicy szukają „ominąć” |
| /kampanie-sem/ | google ads cennik | 8 | Strona o kampaniach SEM, nie o cenniku Google Ads |
| /kampanie-sem/ | kampania google ads cennik | 5 | Pytanie o cenę, nie o strategię kampanii |
Te niespodziewane zapytania to sygnały, że treść zaspokaja potrzebę, którą autor nie planował adresować. Albo że Google łączy stronę z zapytaniem, na które nie jest najlepszą odpowiedzią – i stąd niski CTR.
Patent US20170011116A1 opisuje, jak system klasyfikuje zapytania jako answer-seeking nawet bez słów pytających. Zapytanie „403 forbidden jak ominąć” jest answer-seeking, ale nie zawiera klasycznego słowa pytającego („jak” + „ominąć” tworzą frazę intencyjną). Zapytanie „google ads cennik” nie jest pytaniem, ale jest answer-seeking – użytkownik szuka konkretnej informacji.
Metodologia porównania z GSC – krok po kroku
Każde wygenerowane pytanie przeszło cztery etapy weryfikacji. Podajemy narzędzia i parametry, żeby test był powtarzalny:
| Etap | Opis | Narzędzie | Parametry |
|---|---|---|---|
| 1. Exact/near match z GSC | Czy pytanie lub jego wariant pojawia się w zapytaniach GSC z 90 dni? | query_fanout_gsc_report | siteUrl: sc-domain:semgence.pl, dimensions: [page, query], rowLimit: 500 |
| 2. Weryfikacja w AlsoAsked | Czy pytanie pojawia się w pytaniach pokrewnych? | AlsoAsked API | język: pl, region: PL, depth: 2 |
| 3. Wolumen i intencja w Senuto | Czy pytanie ma mierzalny popyt i zgodną intencję? | Senuto Visibility Analysis | baza: PL, mobile + desktop |
| 4. Ocena ręczna | Czy pytanie jest wdrażalne jako H2, FAQ lub osobny URL? | Specjalista SEO | checklista: relevance, volume, intent match, cannibalization risk |
Kluczowa zasada: etapy 1-3 to screening automatyczny. Etap 4 to decyzja człowieka – podejście human-in-the-loop. Pytanie z potwierdzonym popytem, ale niezgodną intencją (np. komercyjne pytanie na informacyjnej stronie) jest odrzucane mimo volume.
Ile pytań istniało już w danych?
| Kategoria | Liczba | Procent | Przykład |
|---|---|---|---|
| Exact match z GSC | 52 | 11% | Pytanie identyczne z zapytaniem GSC |
| Near match z GSC (wariant) | 84 | 17% | „jak wyłączyć” vs „jak usunąć” (synonimy) |
| Potwierdzone źródłami zewnętrznymi | 48 | 10% | Volume w Senuto, brak w GSC danej strony |
| Nowa okazja contentowa | 53 | 11% | Popyt potwierdzony, brak adresacji na stronie |
| Brak dowodu popytu | 198 | 41% | Logicznie poprawne, nikt nie szuka |
| Niezgodność intencji | 52 | 10% | Popyt jest, ale intencja inna niż treść strony |
28% pytań (136 z 487) miało potwierdzony popyt w GSC. Dodatkowe 10% (48) miało popyt potwierdzony wyłącznie źródłami zewnętrznymi (AlsoAsked, Senuto). 41% pytań nie miało żadnego dowodu popytu – logicznie poprawne, ale nikt ich nie szukał. 10% miało popyt, ale niezgodną intencję.
Proporcje (GSC match 28%, zewnętrzne 10%, nowa okazja 11%, brak popytu 41%, niezgodna intencja 10%) powtarzały się z niewielkimi odchyleniami na różnych typach domen. Jedyny wyjątek: domeny z niszowym contentem eksperckim (jak semgence.pl z artykułami o AI SEO) miały wyższy wskaźnik „nowych okazji” (17% vs mediana 11%) – prawdopodobnie dlatego, że niszowy temat generuje zapytania, których jeszcze nikt nie pokrył.
Które pytania były nową okazją contentową?
53 pytania (11%) zakwalifikowaliśmy jako nowe okazje – pytania z potwierdzonym popytem, których żaden istniejący nagłówek lub sekcja na stronie nie adresował bezpośrednio. Trzy najczęstsze kategorie:
Pytania porównawcze. Treść opisywała jedno rozwiązanie, ale użytkownicy szukali porównania z konkurencyjnym („X czy Y”, „różnica między X a Y”). Przykład z semgence.pl: artykuł o monitoringu promptów generował pytanie „monitoring promptów narzędzia”, ale w GSC pojawiało się „query fan out” (7 kliknięć) – użytkownicy szukali mechanizmu, nie narzędzia.
Pytania o koszt i czas. Treść opisywała proces, ale nie odpowiadała na pytanie „ile to kosztuje” lub „ile to trwa”. W danych GSC semgence.pl: strona /kampanie-sem/ miała 62 kliknięcia, z czego „google ads cennik” (8) i „kampania google ads cennik” (5) stanowiły 21% ruchu – a strona nie miała sekcji o cenach.
Pytania o ograniczenia i błędy. Treść opisywała rozwiązanie, ale użytkownicy szukali problemów z tym rozwiązaniem. Strona /google-discover-jak-wlaczyc…/ miała 26% zapytań o błędy Discover, nie o włączanie. Więcej o budowaniu topical authority przez adresowanie pełnego spektrum pytań.
Kiedy pytanie powinno trafić do FAQ, sekcji H2 albo osobnego URL-a?
Na podstawie 487 przeanalizowanych pytań opracowaliśmy matrycę decyzyjną. Kluczowe kryterium to nie wolumen, lecz kombinacja wolumenu i złożoności odpowiedzi:
| Sygnał | Rekomendacja | Warunek | Przykład z danych |
|---|---|---|---|
| Wolumen <50/mies., intencja informacyjna | FAQ na istniejącej stronie | Pytanie mieści się w temacie strony | nie można odświeżyć karty discover → FAQ na stronie Discover |
| Wolumen 50-300/mies., złożona odpowiedź | Nowa sekcja H2 na istniejącej stronie | Odpowiedź wymaga 200+ słów | google ads cennik → H2 na stronie /kampanie-sem/ |
| Wolumen >300/mies. lub inna intencja | Osobny URL | Pytanie ma odmienną intencję lub wymaga osobnych danych | meta ads (38 kliknięć, intencja edukacyjna) → osobny artykuł |
| Brak popytu, ale logicznie trafne | Obserwacja, nie wdrożenie | Dodać do monitoringu, sprawdzić za 90 dni | Logiczne pytanie bez dowodu – shadow_no_publish |
W naszym teście 89 pytań (18% z 487) przeszło wszystkie cztery etapy i zostało zaakceptowanych do wdrożenia. Z tych 89: 34 (38%) trafiły do FAQ, 41 (46%) jako nowe sekcje H2, 14 (16%) jako rekomendacja osobnego URL-a.
Zapytania money page na blogowych stronach – sygnał kanibalizacji czy okazja?
W danych GSC semgence.pl zidentyfikowaliśmy zapytania, które „powinny” trafiać na strony usługowe (money pages), ale trafiają na blog:
| Zapytanie | Strona w GSC | Kliknięcia | Docelowa money page | Akcja |
|---|---|---|---|---|
| audyt seo cena | /audyt-seo/ | 8 | Poprawna (money page) | Brak akcji – poprawny match |
| konsultacje seo | /konsultacje-seo/ | 7 | Poprawna (money page) | Brak akcji – poprawny match |
| google ads cennik | /kampanie-sem/ | 8 | /kampanie-sem/ (usługowa) | Dodać sekcję cennikową |
| monitoring promptów | /jak-wykorzystac-monitoring-promptow…/ | 5 | /pozycjonowanie-ai/ | Link wewnętrzny blog→money page |
Większość zapytań usługowych trafiała poprawnie na money pages. Problem pojawił się tam, gdzie money page nie adresowała pytania o cenę – wtedy Google wybierało najbliższą stronę, którą często był blog. Rozwiązanie: uzupełnić money pages o sekcje cennikowe, nie tworzyć osobnych artykułów blogowych o cenach. Więcej o strategii linkowania blog→money page w kontekście audytu SEO.
Gotowy workflow dla content managera
Na podstawie testu 487 pytań z 24 domen opracowaliśmy 6-krokowy workflow. Każdy krok ma wskazane narzędzie i kryterium przejścia:
| Krok | Akcja | Narzędzie | Kryterium przejścia |
|---|---|---|---|
| 1 | Wygeneruj kandydackie pytania z treści strony | content_display_query_recommendation_audit | Min. 5 pytań per URL |
| 2 | Porównaj z danymi GSC z 90 dni | query_fanout_gsc_report | Oznacz exact match, near match, brak match |
| 3 | Uzupełnij o dane zewnętrzne | AlsoAsked, Senuto, DataForSEO | Dodaj pytania z volume >10/mies. |
| 4 | Odrzuć pytania bez popytu i z niezgodną intencją | Specjalista SEO + checklista | Pytanie ma volume LUB jest w PAA |
| 5 | Podziel pozostałe na FAQ, H2 i osobny URL | Matryca wolumen x złożoność | Przypisz akcję per pytanie |
| 6 | Wdróż w trybie shadow i sprawdź pokrycie po 30 dniach | content_blog_brief_v2 + GSC recheck | Porównaj dane GSC przed i po |
Podejście do audytu SEO opartego na danych GSC stosujemy w każdym projekcie. Zagadnienie generowania pytań z treści łączy się z aktualizacją treści wyzwalaną zmianami popytu – bo zmiana popytu w GSC oznacza, że pytania z treści trzeba ponownie zweryfikować. Warto przy tym unikać błędnego mapowania danych GSC-GA4, które zniekształca analizę.
Jak odgadnąć prompt użytkownika z zapytania GSC?
W Google Search Console pojawiają się zapytania, które mają 14 i więcej słów – są za długie na typowe wyszukiwanie ręczne. Część z nich to prawdopodobnie prompty wklejone do wyszukiwarki z interfejsu AI (ChatGPT, Claude, Perplexity) lub zapytania generowane przez AI Overviews i AI Mode w ramach mechanizmu query fan-out. Problem: GSC pokazuje zapytanie, ale nie pokazuje, jaki prompt je wygenerował.
Zbudowaliśmy system (smgnc.pl), który analizuje te długie zapytania i stawia hipotezę, jaki mógł być oryginalny prompt. System działa w trzech krokach: (1) identyfikuje zapytania GSC dłuższe niż 14 słów, (2) wyciąga z nich encje, intencję i brakujące termy, (3) generuje kandydacki prompt i ocenia confidence score.
Przykłady długich zapytań z GSC i hipotezy promptowe
Poniższe przykłady pochodzą z produkcyjnego systemu AI Monitor. Zapytania są anonimizowane do poziomu kategorii tematycznej, ale struktura i długość są autentyczne:
| Zapytanie GSC (14+ słów) | Pozycja | Hipoteza promptu | Confidence |
|---|---|---|---|
| [zapytanie 32 słowa o intercyzie w trakcie małżeństwa z warunkami finansowymi zabezpieczającymi stronę słabszą ekonomicznie] | 3.2 | Czy mogę w intercyzie zawrzeć warunki finansowe chroniące słabszą stronę? | 40.8% |
| [zapytanie 27 słów o prawach męża do domu rodzinnego żony po 20 latach wspólnego zamieszkiwania i rozwodzie] | 7.0 | Jakie prawa ma mąż do domu rodzinnego żony po rozwodzie? | 47.1% |
| [zapytanie 21 słów o alimentach na małżonka w przypadku rozwodu za porozumieniem stron lub z winy obu stron] | 2.0 | Czy po rozwodzie za porozumieniem stron przysługują alimenty na małżonka? | 68.3% |
Confidence score rośnie, gdy: (a) zapytanie GSC zawiera naturalny język konwersacyjny, (b) strona docelowa pokrywa temat zapytania, (c) encje z zapytania pasują do encji na stronie. Score spada, gdy zapytanie wygląda na copy-paste z innego źródła (np. fragment wizytówki Google Maps wklejony w wyszukiwarkę).
Monitoring promptów AI na semgence.pl – dane z 7 silników
Równolegle do analizy pytań z treści vs GSC prowadzimy monitoring promptów AI dla semgence.pl. System (smgnc.pl) odpytuje 7 silników AI (Google AI Mode, AI Overviews, Gemini, ChatGPT, Claude, Perplexity, Copilot) na 62 monitorowane prompty i mierzy, czy i jak marka pojawia się w odpowiedziach.
| Silnik AI | Runy (30 dni) | Avg score (/90) | Brand rate | Own domain citation rate |
|---|---|---|---|---|
| Copilot (Bing) | 1 246 | 22.36 | 26.7% | 26.7% |
| Google AI Mode | 1 866 | 19.66 | 20.7% | 27.4% |
| Google AI Overviews | 1 925 | 17.62 | 18.1% | 26.0% |
| Gemini | 1 860 | 17.30 | 9.4% | 33.6% |
| Perplexity | 1 860 | 11.80 | 7.4% | 21.3% |
| Claude | 1 860 | 10.60 | 5.8% | 14.0% |
| ChatGPT | 1 860 | 7.90 | 6.8% | 6.7% |
| Łącznie | 12 477 | 14.99 (avg) | 12.9% | 22.0% |
Kluczowa obserwacja: brand rate (czy AI wymienia markę Semgence z nazwy) i own domain citation rate (czy AI linkuje do semgence.pl) to dwa różne metryki. Gemini cytuje domenę w 33.6% przypadków, ale wymienia markę tylko w 9.4% – używa linku jako źródła, ale nie buduje rozpoznawalności marki. Podobny problem obserwujemy w kontekście local SEO i POI, gdzie Google wiąże encję z lokalizacją, ale nie z marką. ChatGPT ma najniższy citation rate (6.7%), co sugeruje, że treści semgence.pl nie trafiają do jego korpusu treningowego lub retrieval.
Top prompty – gdzie Semgence wygrywa
| Prompt | Avg score | Brand rate | Own citation | Runy |
|---|---|---|---|---|
| Czy Semgence prowadzi szkolenia SEO? | 86.2/90 | 100% | 99.5% | 200 |
| Szkolenie SEO z audytem strony – gdzie znaleźć? | 70.9/90 | 86.1% | 87.1% | 201 |
| Jakie szkolenie SEO polecacie dla firm? | 63.8/90 | 78.0% | 78.5% | 200 |
| Ile kosztuje szkolenie SEO w Polsce? | 50.6/90 | 45.8% | 80.6% | 201 |
| Gdzie zamówić konsultacje SEO? | 43.8/90 | 53.7% | 59.2% | 201 |
| Ile kosztuje audyt SEO? | 30.0/90 | 22.5% | 54.5% | 200 |
Prompty z wysokim score to te, gdzie Semgence ma silną pozycję w organiku i jednocześnie treść strony jest dobrze strukturyzowana pod ekstrakcję (BLUF, nagłówki pytające, dane liczbowe). Prompt „Czy Semgence prowadzi szkolenia SEO?” osiąga 86/90, bo strona /szkolenie-seo/ odpowiada wprost na to pytanie w pierwszym akapicie.
Prompt opportunities – gdzie Semgence nie jest widoczne
| Prompt | Avg score | Brand rate | Own citation | Problem |
|---|---|---|---|---|
| Agencje SEO AI z certyfikatami | 0.6/90 | 0% | 0% | Brak strony o certyfikatach AI SEO |
| Czy można śledzić widoczność w Google AI Overviews? | 1.8/90 | 0% | 0% | Brak dedykowanej strony o AI monitoring |
| Jak monitorować widoczność marki w wyszukiwarkach AI? | 1.9/90 | 0.5% | 0.5% | Treść rozproszona, brak hub page |
| Jak analizować ekspozycję marki w modelach AI? | 1.9/90 | 0% | 1.0% | Brak artykułu o metodologii analizy |
| Co wpływa na cytowania marki w AI? | 2.6/90 | 0.5% | 1.0% | Temat poruszony, ale nie jako focus |
Paradoks: Semgence buduje narzędzie do monitoringu AI visibility (smgnc.pl), ale na promptach o monitoring AI visibility ma score poniżej 2/90. To klasyczny przykład sytuacji, gdy pytanie z treści („mamy narzędzie do monitoringu AI”) nie przekłada się na widoczność na prompt („jak monitorować widoczność w AI”), bo treść nie jest zorganizowana jako odpowiedź na to pytanie.
Jak to się łączy z pytaniami z treści?
Monitoring promptów AI to druga strona tego samego problemu. Pytania z treści weryfikujemy przeciwko GSC (czy ktoś szuka?). Prompty monitorujemy przeciwko silnikom AI (czy AI odpowiada i cytuje?). Oba podejścia mierzą to samo: czy treść odpowiada na realne potrzeby użytkowników – tyle że w różnych kanałach.
Wnioski z obu analiz się uzupełniają. Strona /szkolenie-seo/ dobrze odpowiada na pytania z treści (H1/H2 match z GSC) i jednocześnie osiąga 86/90 w AI visibility na promptach brandowych. Strona /kampanie-sem/ generuje niespodziewane zapytania o cennik w GSC i jednocześnie ma niski score na promptach komercyjnych o Google Ads – bo nie adresuje pytania o cenę wprost.
Pełny opis metodologii monitoringu promptów AI i systemu hipotez promptowych dostępny na smgnc.pl. Zagadnienie budowania widoczności w AI search rozwijamy w artykule o monitoringu promptów w SEO i budowaniu cytowalnych encji.
Ograniczenia badania
Test ma kilka ograniczeń, które wpływają na interpretację wyników:
| Ograniczenie | Wpływ | Mitigacja |
|---|---|---|
| GSC nie raportuje zapytań z <~10 wyświetleń | Część popytu jest niewidoczna | Uzupełnienie danymi z AlsoAsked i Senuto |
| Generator pytań opiera się na widocznej treści | Nie uwzględnia rendered content (JS) | Crawl z renderem dla stron z heavy JS |
| 24 domeny to mała próba | Generalizacja ograniczona | Podano mediany i kwartyle, nie tylko średnie |
| Dane GSC z 90 dni, nie 12 miesięcy | Sezonowość może zniekształcać | Wybrano maj-lipiec (stabilny okres) |
| Ocena „nowej okazji” jest subiektywna | Dwóch oceniających może się nie zgodzić | Inter-rater agreement: 87% (Cohen kappa: 0.74) |
Źródła i narzędzia
Artykuł używa schematu Article (schema.org/Article) generowanego przez Rank Math SEO. Dane z produkcyjnego testu na 24 domenach z portfolio Semgence, maj-lipiec 2026. Nazwy domen zanonimizowane z wyjątkiem semgence.pl (case study na własnej domenie). Dane GSC pobrane przez API z parametrami: dimensions=[page, query], rowLimit=500, okres 90 dni.
| Narzędzie | Zastosowanie | Źródło |
|---|---|---|
| content_display_query_recommendation_audit | Generowanie kandydackich pytań z widocznej treści | GSCGA MCP |
| query_fanout_gsc_report | Porównanie z zapytaniami GSC | GSCGA MCP |
| query_fanout_brief_builder | Budowa briefu contentowego na bazie wyników | GSCGA MCP |
| content_blog_brief_v2 | Brief blogowy z uwzględnieniem popytu | GSCGA MCP |
| GSC API | 90 dni danych o zapytaniach | Google Search Console |
| AlsoAsked | Pytania pokrewne (People Also Ask) | alsoasked.com |
| Senuto | Wolumen i widoczność fraz | senuto.com |
| DataForSEO | Dane SERP i wolumeny | dataforseo.com |
Podejście do weryfikacji pytań rozwijamy również w kontekście consensus score i evidence SEO. Zagadnienie budowania cytowalnych encji jest ściśle powiązane z tym, jakie pytania system generuje o danej encji. Temat kalibracji scoringu dotyczy analogicznego problemu: system bez walidacji przeciwko realnym danym generuje pozornie sensowne, ale bezwartościowe wyniki.
Zastrzeżenie dotyczące patentów
Patenty przywołane w tym artykule – US11574013B1, US9940367B1, US9213748B1 i US20170011116A1 – opisują problemy techniczne i proponowane sposoby ich rozwiązania. Samo zgłoszenie lub udzielenie patentu nie dowodzi, że opisany mechanizm działa obecnie w wyszukiwarce Google ani że jest bezpośrednim czynnikiem rankingowym. W tym materiale patenty służą do budowy testowalnych hipotez, które zestawiamy z własnymi danymi i obserwacją działania systemów.
Jakie korzyści daje analiza pytań z treści strony?
Trzy główne korzyści: (1) identyfikacja luk contentowych – pytania z popytem, których treść nie adresuje, (2) priorytetyzacja FAQ i nowych sekcji H2 na podstawie danych, nie intuicji, (3) wykrycie niespodziewanych zapytań GSC, które sygnalizują nową potrzebę użytkowników. W naszym teście 18 nowych okazji contentowych (17%) na 8 URL-ach semgence.pl przełożyło się na konkretne rekomendacje wdrożeniowe.
Ile pytań można wygenerować z jednej strony?
W naszym teście mediana wynosiła 20 pytań per URL. Zakres: od 8 (krótka strona usługowa) do 47 (rozbudowany poradnik). Ale ilość nie ma znaczenia – ważne jest, ile z nich odpowiada realnemu popytowi. W naszym teście tylko 28% miało potwierdzenie w GSC. Patent US11574013B1 potwierdza, że system ocenia jakość kandydackich zapytań, nie tylko ich liczbę.
Czy pytania z nagłówków są lepsze niż z tekstu?
W naszym teście pytania z H1/H2/title miały 2,3x wyższy wskaźnik pokrycia popytem (41% vs 18%). Patent US11574013B1 opisuje ten sam mechanizm: termin z tytułu dostaje wyższy quality score niż termin z tekstu ciągłego. To nie oznacza, że nagłówki są „lepsze” – oznacza, że autorzy intuicyjnie umieszczają w nagłówkach tematy bliższe realnym potrzebom użytkowników.
Co zrobić z pytaniami bez potwierdzonego popytu?
Nie wdrażać od razu. Dodać do monitoringu w trybie shadow_no_publish i sprawdzić za 90 dni, czy popyt się pojawił. 41% pytań w naszym teście nie miało popytu. Wdrożenie ich wszystkich marnowałoby zasoby bez gwarancji efektu. Jedyny wyjątek: pytania o nowe produkty lub usługi, które dopiero budują popyt.
Jakie narzędzia są potrzebne do tego testu?
Minimum: GSC API (darmowe), AlsoAsked (darmowy tier wystarczy na test). Opcjonalnie: Senuto lub DataForSEO do wolumenów. W ekosystemie GSCGA MCP używamy content_display_query_recommendation_audit do generowania pytań i query_fanout_gsc_report do porównania z GSC. Konsultacja SEO może pomóc w interpretacji wyników.
