LLM SEO 2026 — taktyki cytowania w ChatGPT, Claude, Gemini, Perplexity

LLM SEO (Large Language Model SEO) to dyscyplina optymalizacji stron pod cytowanie przez modele językowe — ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Perplexity, Copilot (Microsoft), Mistral. Powstała w 2023-2024 wraz z masowym przyjęciem LLM jako narzędzi wyszukiwania (~25% wyszukiwań w 2026 odbywa się w LLM zamiast tradycyjnego SERP). LLM SEO to PODZBIÓR AI SEO, skupiony konkretnie na chat-based engines (LLM) — odróżnia się od optymalizacji pod Google AI Overviews (które są warstwą NAD SERPem). 3 typy cytowania w LLM: (1) DIRECT QUOTE — LLM cytuje zdanie z linkiem do źródła (Perplexity tak robi zawsze, ChatGPT/Claude w Web Search mode). (2) ATTRIBUTED MENTION — LLM wspomina markę/source bez cytatu (np. "według GMWEB ceny stron 2026..."). (3) PARAPHRASED INTEGRATION — LLM włącza Twoje fakty bez wskazania źródła (najczęstsze + najtrudniejsze do zmierzenia). LLM SEO walczy o (1) i (2).

llms.txt to nowy plik (proposed standard z września 2024 przez Jeremy Howard, fast.ai) — markdown plik w root domeny (gmweb.pl/llms.txt) który dostarcza LLM crawlerom skoncentrowany przegląd witryny: lista najważniejszych stron, krótki opis każdej, linki, fakty kluczowe. Działa jak sitemap.xml, ale bardziej semantycznie — w formacie markdown który LLM łatwo parsują. STRUKTURA llms.txt: # Nazwa strony + krótki opis (1-2 zdania). ## Sekcja (np. "Główne usługi") -- [Link](url) opis 1 zdaniem. STATUS 2026: nieoficjalny standard ale przyjęty przez Anthropic (Claude.ai), Cursor.com, mintlify.com. Google/OpenAI nie deklarują oficjalnie ale crawlerzy ich raczej nie ignorują. NAJWAŻNIEJSZE: llms.txt nie ZASTĄPI sitemap.xml ani robots.txt, ale UZUPEŁNIA. Stwórz oba. PRZYKŁAD GMWEB: gmweb.pl/llms.txt (już mamy!) — LLM widzi naszych top 30 stron, każdą z opisem 1-zdaniowym, łatwiej odnajduje content do cytowania.

Aktywne LLM crawlery 2026: (1) GPTBot (OpenAI dla ChatGPT) — User-agent: GPTBot, dokumentacja: openai.com/gptbot. (2) OAI-SearchBot (OpenAI dla ChatGPT Search nowy 2024) — User-agent: OAI-SearchBot. (3) ClaudeBot (Anthropic dla Claude) — User-agent: ClaudeBot, dokumentacja: anthropic.com. (4) Claude-Web (Anthropic legacy) — User-agent: Claude-Web. (5) Google-Extended (Google dla Gemini/Bard) — User-agent: Google-Extended. (6) PerplexityBot (Perplexity AI) — User-agent: PerplexityBot. (7) cohere-ai (Cohere) — User-agent: cohere-ai. (8) FacebookBot (Meta dla LLaMA training) — User-agent: FacebookBot. (9) Bytespider (TikTok dla content discovery LLM) — User-agent: Bytespider. (10) Bingbot (Microsoft Copilot) — używa Bingbot głównie. KONFIGURACJA: jeśli chcesz pozwolić LLM cytować (zalecane dla content sites): User-agent: * Allow: /. Jeśli zabronić: User-agent: GPTBot Disallow: / (dla każdego crawlera osobno). MIDDLE GROUND: pozwól crawlować strony marketingowe, blokuj /admin/, /private/. GMWEB STANDARD: pozwalamy wszystkim LLM crawlerom — to free brand awareness.

METODOLOGIA TESTOWANIA (zajmuje 30-60 min): (1) ZRÓB LISTĘ 15 ZAPYTAŃ — primary keywords Twojej strony + zapytania informational w niszy (np. "polecane agencje SEO Łańcut", "ile kosztuje strona WordPress 2026", "jak wybrać kreator stron www"). (2) TEST W KAŻDYM LLM — ChatGPT (Free + Plus z search), Claude (Sonnet 4.6), Gemini (Pro), Perplexity (Pro), Copilot (Microsoft), Mistral Le Chat. (3) DLA KAŻDEGO ZAPYTANIA ZAPISZ — czy Twoja domena pojawia się w sources / cytatach / mentions, jak długi excerpt został zacytowany, na której pozycji w sources (Perplexity/ChatGPT pokazują numbered sources). (4) PORÓWNAJ Z KONKURENCJĄ — które domeny są najczęściej cytowane? To Twoi prawdziwi konkurenci LLM SEO. (5) DASHBOARD W ARKUSZU — wiersze = zapytania, kolumny = LLM, wartości = pozycja (1, 2, 3, n/a). NARZĘDZIA AUTOMATYZUJĄCE: Profound (najpopularniejsze 2024+), Otterly.ai, BrandRank.ai, Mentioned by AI — 100-500 USD/mies, automatycznie testują 100+ zapytań tygodniowo. Dla SMB: ChatGPT API skript za 50 USD/mies wystarczy.

8-punktowy framework optymalizacji per stronę: (1) ANSWER-FIRST — pierwsza sekcja 40-80 słów = zwięzła odpowiedź na primary query. LLM łapie chunk + cytuje. (2) FACT-DENSITY — wstrzyknij liczby, daty, nazwy, marki w pierwsze 2 paragrafy. LLM faworyzują źródła z konkretnymi danymi. (3) UNIQUE PERSPECTIVE — nie kopiuj-wklej z Wikipedia. Daj swoją interpretację, case study, własne benchmarki. LLM dedupują paraphrases. (4) CHUNKING H2/H3 = PYTANIA — używaj nagłówków w formie pytań ("Jak X?", "Co to Y?", "Dlaczego Z?"). LLM łatwiej dopasowują chunk do query. (5) STRUCTURED DATA — Schema.org Article / FAQPage / HowTo / Person / Organization / Product. JSON-LD w HEAD. LLM crawlery używają Schema do walidacji entitów. (6) BRAND CONSISTENCY — zawsze ta sama nazwa brand w title/H1/copy/footer. LLM agregują mentions per entity. (7) CITATIONS WYCHODZĄCE — linkuj autorytatywne źródła (Wikipedia, gov, edu, branżowe). LLM "ufa" stronom które same cytują. (8) RECENCY SIGNALS — datePublished + dateModified Schema + "Aktualizacja: 2026-04-25" w copy. LLM faworyzują świeże dane.

RAG (Retrieval-Augmented Generation) to architektura w której LLM, zamiast odpowiadać tylko z własnej training data (która jest "stale" — wycięta na dzień training cut-off), W CZASIE ZAPYTANIA pobiera świeży content z webu (lub z prywatnej bazy wiedzy) i włącza go do generowanej odpowiedzi. CHATGPT z Web Search (ON od 2023) używa RAG. Perplexity to RAG-first product. Claude.ai z Web Search (ON od 2024) używa RAG. Gemini Pro Real-time używa RAG. JAK RAG WPŁYWA NA LLM SEO: (1) ŚWIEŻOŚĆ MA ZNACZENIE — w RAG mode LLM cytuje świeży content, nie tylko Wikipedia z 2022. dateModified Schema + nowe daty w copy = wyższa szansa cytowania. (2) FRESH CRAWL — strony muszą być crawlowane przez search engine używany przez LLM (Google dla Gemini, Bing dla Copilot/ChatGPT, własny crawler dla Perplexity). Sprawdź indeksację. (3) PASSAGE INDEXING — RAG wycina krótkie passages (50-200 słów) z całej strony. Krótkie chunked sekcje = lepsza retrievability. (4) QUERY-CONTENT MATCHING — RAG używa embedding similarity. Pisz językiem użytkownika, nie corporate jargon. UŻYTKOWNIK pyta "ile kosztuje strona", nie "jaki jest koszt witryny internetowej".

CZĘŚCIOWO. GA4 wciąż słabo śledzi AI referrers w 2026. PROBLEMY: (1) ChatGPT, Claude, Gemini RZADKO przekazują referer URL — często direct lub utm-less. (2) Perplexity ma referer "perplexity.ai" — można śledzić. (3) Bing Copilot przekazuje "bing.com" — niemożliwe odróżnić od regular search. (4) Direct traffic spike po pojawieniu się w LLM = często single source attribution failure. ROZWIĄZANIA 2026: (1) PLAUSIBLE ANALYTICS — wprowadziło "AI referrers" custom property w 2024 (chatgpt.com, perplexity.ai, claude.ai, copilot.microsoft.com). Czystszy data. (2) CLOUDFLARE ANALYTICS — pokazuje LLM bots crawl + AI referrer traffic w Web Analytics. (3) URL TAGGING — sygnaluj LLM-y żeby używały twoich UTM (np. dodaj w llms.txt opisach: "?utm_source=llm" — niektóre LLM to copy). (4) BRANDED SEARCH MONITORING — śledź wzrost branded queries w Google Search Console po pojawieniu się w LLM. To proxy dla LLM impact. (5) CONVERSION FORMS — pole "skąd dowiedziałeś się o nas" z opcją "ChatGPT/Claude/Gemini/Perplexity" = direct measurement.

PROTOKÓŁ "PIERWSZE 30 DNI LLM SEO" dla SMB: TYDZIEŃ 1 — AUDIT BASELINE: (a) test 15 zapytań w 4 LLM (ChatGPT, Claude, Gemini, Perplexity), zapisz mentions vs konkurencja. (b) audit robots.txt — czy GPTBot/ClaudeBot/Google-Extended są dozwolone? (c) audit Schema.org — czy każda strona ma JSON-LD? TYDZIEŃ 2 — TECHNICAL FOUNDATION: (a) stwórz llms.txt (5-15 stron z 1-zdaniowym opisem każdej). (b) sprawdź SSR/SSG renderowanie (LLM crawlery nie renderują JS — strona musi być w HTML). (c) dodaj missing Schema (FAQPage, Article, Person, Organization). TYDZIEŃ 3 — CONTENT REWRITE: (a) wybierz 5 top stron (najwyższy organic traffic). (b) przepisz pierwsze 100 słów = answer-first format z liczbami/datami. (c) dodaj 6-10 FAQ Q&A z Schema. TYDZIEŃ 4 — MEASURE: (a) re-test 15 zapytań, porównaj z baseline. (b) ustaw monthly cadence (re-test co 4 tygodnie). (c) zacznij content publikowanie 1-2 razy/mies skupiony na primary queries. WYNIK PO 3 MIES: typowo 20-50% zapytań zaczyna cię cytować w 1-2 LLM-ach (vs 0% baseline). PO 12 MIES: 50%+ branded mentions w LLM dla niche queries.