---
title: "Narzędzia AI w SEO: mój zestaw z testami i pułapkami - Łukasz Rogala"
description: "Jakich narzędzi AI używam w SEO: modele językowe, dane o wynikach, skanowanie serwisu i własne skrypty. Pokazuję testy z liczbami i pułapki."
url: "https://rogala.pro/blog/narzedzia-ai-w-seo/"
language: "pl"
author: "Łukasz Rogala"
published: "2026-10-18T12:15:00+02:00"
modified: "2026-10-18T12:16:57+02:00"
---

[Blog](https://rogala.pro/blog/)

# Narzędzia AI w SEO: mój zestaw i testy, które go ukształtowały

[Łukasz Rogala](https://rogala.pro/o-mnie/) · 18 października 2026 · 14 min czytania

**Mój zestaw narzędzi AI w SEO to modele językowe, płatne dane o wynikach Google, program do skanowania serwisów i własne skrypty.** Model dobrze porządkuje dane, opisuje je i pisze kod. Wynik z jednego zrzutu wyników albo z jednej odpowiedzi modelu bywa jednak przypadkowy. Dlatego pokazuję testy, które zmieniły sposób, w jaki korzystam z tych narzędzi. Nie układam rankingu od 1 do 10, bo nie porównałem tych narzędzi obok siebie na tych samych danych.

**Testy w tym tekście zrobiłem od lipca do października 2026 na własnych danych i na danych projektów, których nazw nie podaję.** Za płatne narzędzia z tego tekstu płacę, a ich nazwy podaję bez linków. Współprowadzę Linko, platformę linkową, a w VerticalSEO, mojej agencji, budujemy własne narzędzia SEO. Piszę o nich z tym zastrzeżeniem. Nazwy modeli podaję w wersjach z dnia testu wszędzie tam, gdzie je zapisałem, bo wersje zmieniają się co kilka tygodni. Wyniki z małych prób opisuję jako wstępne.

## Co AI robi w SEO dobrze, a czego nie?

**Model językowy dobrze czyta, porządkuje i pisze, ale źle liczy z pamięci i nie widzi danych, których mu nie dasz.** 26 i 27 września 2026 sprawdziłem modele językowe na 17 typach zadań SEO, każdy na poziomie łatwym i trudnym. Część typów zbudowałem na podstawie 103 ogłoszeń o pracę dla specjalistów SEO. Ogłoszenia najczęściej wymieniały audyt techniczny, raportowanie i analizę danych. Z narzędzi najczęściej wymieniały Search Console, Google Analytics 4 (GA4), Ahrefs, Semrush i Screaming Frog.

**Najmocniejsze modele miały prawie 100% w niemal każdym typie zadań, więc różnice pokazały dopiero słabsze modele.** Do czołówki należały między innymi Claude Opus 5.5, Fable 5.1, Codex i Gemini 3.1 Pro. Przy liczeniu z pliku na trudnym poziomie Claude Haiku 4.5 dostał 2 z 10 punktów. Gemini 3.8 Flash z niskim poziomem rozumowania dostał 1 z 10, a lokalna Gemma 4 12B 0 z 10. W zadaniach, w których model mógł policzyć dane skryptem w Pythonie, wszystkie badane modele w chmurze dostały komplet punktów. Także najsłabsze z nich dostały komplet. Dane w tych zadaniach to eksporty ze Screaming Frog, 45 tys. zdarzeń GA4 i log serwera ze 160 tys. linii. Dlatego liczby w mojej pracy liczy skrypt, który model pisze i uruchamia.

**Tekst po polsku oceniały na ślepo dwa modele i tu różnice były duże.** Oceniający nie wiedzieli, który model napisał tekst. Skala miała 5 stopni, a 5 oznaczało tekst gotowy do wysłania klientowi bez poprawek. Tylko Claude Opus 5.5 i Claude Sonnet 5 dostały 5 na trudnym zadaniu pisarskim. Gemini 3.1 Pro dostał 2, bo zmyślił „wczorajszą rozmowę” z odbiorcą. Oceniający Claude Opus był surowszy od oceniającego Gemini, zarówno dla odpowiedzi Claude'a, jak i dla pozostałych modeli.

**Ten sam model potrafi dać inny wynik przy kolejnym uruchomieniu tego samego testu.** Claude Haiku 4.5 dostał w dwóch przebiegach 62 i 39 punktów na 102. W tekście o [audycie SEO](https://rogala.pro/blog/audyt-seo/) opisałem, dlaczego model AI nie zrobi pełnego audytu strony sam.

## Mój zestaw: do czego używam którego narzędzia?

**Narzędzia dzielę na sześć zastosowań w pracy, a nie według producentów.** Ten sam model bywa w kilku zastosowaniach, bo inaczej używam go do czytania danych, a inaczej do kontroli. Przy każdym zastosowaniu podaję test, po którym zmieniłem sposób pracy.

**Każde zastosowanie w moim zestawie ma test, który zmienił sposób pracy**

Macierz sześć na dwa. Wiersze: modele językowe, modele lokalne, dane o wynikach, skanowanie serwisu, treść i semantyka, kontrola. Kolumny: narzędzia i zadania oraz test, który zmienił sposób pracy.

*Testy z września i października 2026 na własnych danych i na danych projektów, których nazw nie podaję. Wyniki z małych prób traktuję jako wstępne.*

## Których modeli językowych używam i do czego?

**Główną pracę robię w Claude Code, czyli w Claude działającym w terminalu z dostępem do plików, skryptów i danych.** Claude pisze i uruchamia skrypty, czyta eksporty i przygotowuje szkice raportów. Codex (OpenAI) i Gemini (Google) dostają te same materiały do drugiej kontroli.

**Teksty i raporty sprawdzam drugim modelem innego producenta, w dwóch rundach.** Pierwsza runda szuka błędów faktów i luk. Druga runda sprawdza tylko poprawki, bo przy poprawianiu powstają nowe błędy. W październiku 2026 w jednym projekcie druga runda znalazła w przewodniku złą liczbę wszystkich linków, od której liczony był odsetek: 79 zamiast 76. Ten błąd powstał dopiero przy poprawkach. Mój skrypt kontrolny go nie znalazł.

**Model jako sędzia jakości potrafi mierzyć coś innego niż człowiek, dlatego sprawdzam go na tekstach, które już oceniłem.** 7 października 2026 dałem dwóm modelom do oceny 87 opisów patentów Google. Wśród nich było 8 opisów, które wcześniej sam uznałem za gotowe, a sędziowie o tym nie wiedzieli. Fable, model firmy Anthropic, uznał za gotowe 5 z tych 8. Codex z wysokim poziomem rozumowania uznał 1 z 8.

**Te dwa wyniki mówią tylko o tekstach, które sam uznałem za gotowe.** Pozostałych 79 opisów nie oceniłem, więc nie wiem, ile odrzuceń było słusznych. Codex odrzucił łącznie 51 z 87 opisów, bo każde zdanie opisu porównywał z zastrzeżeniami, czyli z prawnym zakresem patentu. Zgodność sędziów między sobą była bliska przypadkowej. Kappa Cohena wyniosła 0,06, gdzie 0 oznacza zgodność przypadkową, a 1 pełną.

**Modeli lokalnych na własnym komputerze z kartą graficzną używam do masowych etykiet, bo nie płacę za każdą sztukę.** 1 października 2026 sprawdziłem modele lokalne na czterech prostych czynnościach. Danymi były strony trzech polskich sklepów internetowych. Gemma 4 31B rozpoznała rodzaj strony w 98,5% z 403 stron. Rodzaje stron to produkt, lista produktów, artykuł albo inna. Skrypt z regułami trafiał w 84% tych stron.

**Gemma prawie bez błędów odczytała ceny i oceniła zgodność liczb, ale część wzorców w tym teście pochodziła z modelu, a nie od człowieka.** Wzorcem rodzaju strony były etykiety ze skryptu poprawione przez model Claude Opus. Gemma odczytała poprawnie cenę ze wszystkich 177 kart produktu. Wzorcem była cena z danych strukturalnych, zgodna z tekstem strony. W 99,3% ze 134 przypadków Gemma poprawnie oceniła, czy liczba w zdaniu zgadza się z danymi. Połowa tych zdań miała celowo zmienioną liczbę. Gemma rozpoznała też rodzaj popytu we frazie (oferta, poza ofertą albo porada) w 97,7% z 218 fraz. Wzorcem były tu etykiety modelu Claude Opus.

**Ta sama rodzina modeli zawiodła przy porównaniu liczb między dwoma plikami w prawdziwej ofercie.** 12 października 2026 dwie wersje Gemmy 4, 26B i 31B, porównały 63 wiersze i zgłosiły tylko fałszywe sprzeczności. Uznały na przykład, że „-34%” i „jedna trzecia” to sprzeczne wartości. Jedyny prawdziwy problem w tym tekście nie dotyczył liczb, tylko przesadnego słowa przy wyniku z tabeli. Nie należał więc do zadania Gemmy. Teraz skrypt sprawdza, czy każda liczba z jednego pliku występuje w drugim. To kontrola obecności liczb, a ich znaczenie sprawdza człowiek albo drugi model.

## Jakich narzędzi używam do danych o pozycjach i popycie?

**Dane o wynikach Google biorę z DataForSEO, Search Console i Ahrefs, a każde z tych źródeł ma inną pułapkę.** DataForSEO sprzedaje zrzuty wyników Google i dane o popycie z opłatą za każde zapytanie. Od 17 września do 14 października 2026 zleciłem tam 17 076 zadań za 99,89 USD. Wśród nich było 13 085 zrzutów wyników Google.

**Jeden zrzut wyników nie wystarcza do pomiaru pozycji, bo kolejne zrzuty tej samej frazy wyglądają inaczej.** 7 października 2026 pobrałem wyniki dla 94 fraz trzy razy co godzinę i dwa razy w tej samej minucie, za 1,57 USD. Potem porównałem domeny z pierwszej dziesiątki w dwóch zrzutach tej samej frazy. Wspólne domeny stanowiły w medianie ok. 15% wszystkich różnych domen z obu zrzutów. W zrzutach z tej samej minuty było to ok. 8%. Jedna fraza miała w medianie 4 warianty wyników. Dlatego zamiast pozycji liczę odsetek zrzutów, w których domena jest w pierwszej dziesiątce. Zrzutów jest ok. 10 i wysyłam je naraz.

**Ten pomiar unieważnił mój wcześniejszy test, w którym porównałem pozycję z jednego zrzutu z cytowaniami z pięciu zrzutów.** Wynik testu „zdany” okazał się fałszywy, więc test wstrzymałem. AI Overview, czyli odpowiedź AI nad wynikami Google, był w tym pomiarze stabilny: pojawiał się w 97-99% zrzutów, a lista cytowanych stron się nie zmieniała.

**Search Console pokazuje kliknięcia zmierzone przez samo Google, ale eksport z panelu ucina tabelę do 1 000 wierszy.** Tysiąc zapytań posortowanych według kliknięć to najbardziej klikalna część danych. 20 września 2026 w jednym serwisie eksport z panelu pokazał CTR 4,28% dla pozycji 1-3 w USA. CTR to odsetek wyświetleń zakończonych kliknięciem. Dane z 16 miesięcy pobrane bez limitu 1 000 wierszy, czyli 123 498 zapytań, dały 1,40%. Takie dane pobieram przez API Search Console, czyli interfejs dla programów. Drugi sposób to raport w Looker Studio, darmowym narzędziu Google do raportów, ze złączem Search Console.

**Ahrefs używam do linków, fraz i konkurencji, ale jego szacunki ruchu sprawdzam w Search Console.** Kolumna ruchu w Rank Trackerze Ahrefs to szacunek: szacowany popyt pomnożony przez przyjęty odsetek kliknięć. W jednym serwisie ten szacunek był 10-50 razy wyższy niż kliknięcia w Search Console, a w innym ok. 3 razy niższy. Rank Tracker liczy też bloki na stronie wyników jako pozycje. W jednym przypadku spadek z 1. na 13. miejsce oznaczał tylko to, że nad wynikami pojawił się AI Overview.

## Jakich narzędzi używam do audytu technicznego?

**Do audytu używam Screaming Frog i przeglądarki Chrome bez okna, a model AI czyta wyniki, ale nie zastępuje skanowania serwisu.** Screaming Frog przechodzi serwis tak jak robot wyszukiwarki. Chrome uruchomiony bez okna pokazuje stronę po wykonaniu JavaScriptu, więc porównuję obie wersje strony. W jednym audycie skanowania z JavaScriptem i bez niego uruchomione równolegle dały fałszywy sygnał o renderowaniu. Od tego czasu uruchamiam je po kolei.

**Gdy zapora sieciowa audytowanego serwisu blokuje mój program do skanowania, pojedyncze adresy pobieram przez usługę Apify Web Fetch.** W teście z 12 października 2026 usługa odczytała 8 z 8 stron, których nie mogłem pobrać z mojego adresu IP. Dwie z nich należały do serwisów klientów, a sześć do publicznych serwisów z opiniami, porównywarek i sklepów internetowych. Kosztowało to 0,00155 USD za adres. Usługa czasem zgłaszała jednak udane pobranie z kodem 200, choć pobrała tylko stronę weryfikacji. Bardzo krótki tekst albo tekst o weryfikacji uznaję więc za blokadę i ponawiam pobranie.

**Ta usługa nie pokazuje, co widzi prawdziwy robot Google albo robot AI.** Łączy się z innego adresu IP, a nawet gdy podam nazwę robota, pozostałe nagłówki zdradzają zwykłą przeglądarkę Chrome. Blokady robotów sprawdzam więc w Search Console i własnym skryptem, który porównuje odpowiedzi serwera dla różnych robotów. W tekście o [pliku llms.txt](https://rogala.pro/blog/llms-txt/) opisałem, jak po adresie IP sprawdzam, czy żądanie wysłał prawdziwy robot.

**Asystenta audytów technicznych zbudowałem na audytach mojej agencji z lat 2020-2026 i mierzę go na audytach zrobionych wcześniej przez człowieka.** Asystent to agent AI, który zbiera dane o serwisie i sprawdza je według katalogu reguł spisanych z tych audytów. Zakres audytu i priorytety zatwierdzam sam, na początku pracy i przed wysłaniem audytu. Wynik pomiaru dopiszę tutaj po drugim pomiarze na nowym serwisie.

## Jakich narzędzi używam do treści i semantyki?

**Frazę do strony przypisuję wyszukiwaniem hybrydowym, bo poprzednia wersja mojego narzędzia trafiała tylko w jednej trzeciej fraz.** 14 października 2026 wziąłem frazy z Search Console dwóch serwisów, bez fraz z nazwą marki. Dla każdej frazy wzorcem była strona, która dostała co najmniej 60% kliknięć z tej frazy i była wśród zeskanowanych stron serwisu. Poprzednia wersja narzędzia używała modelu MiniLM do embeddingów, czyli zamiany tekstu na wektor liczb. Wskazała stronę wzorcową jako pierwszą w 34% fraz.

**Wyszukiwanie hybrydowe łączy trzy listy stron i trafiało w stronę wzorcową w 80,5% i 77,1% fraz.** Pierwsza lista pochodzi z modelu e5-large. Druga to wyszukiwanie po słowach w treści, a trzecia po słowach w tytule, nagłówku H1 i adresie. Listy łączę metodą RRF, która nagradza strony wysoko na kilku listach naraz. Najlepszy pojedynczy model do embeddingów był inny w każdym z serwisów, a hybryda wygrała w obu.

**Wyszukiwanie hybrydowe trafiało w stronę z większością kliknięć ponad dwa razy częściej niż poprzednia wersja mojego narzędzia**

Poziome słupki dla czterech metod. Przy każdej dwa słupki: odsetek fraz, dla których metoda wskazała jako pierwszą stronę z większością kliknięć, osobno dla dwóch serwisów. MiniLM 33,9% i 34%, e5-large 70,8% i 54,9%, wyszukiwanie po słowach w treści 67,1% i 63,2%, wyszukiwanie hybrydowe 80,5% i 77,1%.

*Test z 14 października 2026. Strona wzorcowa to strona z co najmniej 60% kliknięć z danej frazy w Search Console, bez fraz z nazwą marki. Wynik MiniLM dotyczy poprzedniej wersji narzędzia z błędem cięcia tekstu. Wyszukiwanie hybrydowe łączy e5-large z wyszukiwaniem po słowach w treści oraz w tytule, nagłówku H1 i adresie strony. Wynik mierzy zgodność z kliknięciami w Google, a nie to, która strona najlepiej odpowiada na zapytanie.*

**Przy tym teście znalazłem błąd we własnym narzędziu: model nie widział końca większości fragmentów tekstu.** Skrypt dzielił tekst na fragmenty po 80 słów, a model przyjmuje 128 tokenów, czyli kawałków słów. Polskie słowa dzielą się na więcej tokenów niż angielskie, więc 89-98% fragmentów było ucinanych. Wynik 34% dotyczy więc poprzedniej wersji narzędzia razem z tym błędem, a nie samego modelu MiniLM. Test mierzy zgodność z kliknięciami w Google, a nie to, która strona najlepiej odpowiada na zapytanie.

**Encje, czyli nazwy firm, produktów, osób i pojęć, wyciągam z tekstów lokalnym modelem GLiNER2.** W moim teście z lipca 2026 model miał na polskich tekstach F1 0,94, tyle samo co na angielskich. F1 łączy trafność i kompletność, a 1 oznacza wynik idealny. Ten wynik dotyczy etykiet, które się nie pokrywają. Gdy w jednym zapytaniu były naraz etykiety „firma” i „marka”, F1 spadał do 0,85. Model działa na zwykłym procesorze, ok. 20 akapitów na sekundę, bez opłaty za stronę.

**Nie używam GLiNER2 do rozpoznawania intencji fraz, bo w moim teście trafiał tylko w 33-42% przypadków.** Często mylił się z pewnością 0,99, czyli z prawie najwyższą pewnością, jaką sam podaje.

**Mapę tematów tej serii wpisów zrobiłem z encji na 71 stronach konkurencji z Polski i USA.** Skrypt wyciągnął 110 encji i 1 764 trójki, czyli zapisy w formie encja, cecha i wartość. Dane kosztowały 0,072 USD. Mapa pokazała role wpisów, pary tekstów do połączenia linkami i tematy, których brakuje na tej stronie.

## Jakich narzędzi używam do link buildingu?

**Do analizy linków używam Ahrefs, ale linki oznaczone jako utracone sprawdzam na żywo, zanim trafią do wniosków.** W październiku 2026 w jednym projekcie Ahrefs pokazywał 360 polskich domen jako utracone. 140 z nich nadal linkowało tym samym adresem. Ok. 70 adresów odpowiadało błędem 403 na pobranie zwykłym programem, więc sprawdziłem je w przeglądarce sterowanej skryptem (Playwright).

**Współprowadzę Linko, platformę linkową, więc nie opisuję jej tu jak narzędzia innej firmy.** W tekście o [link buildingu](https://rogala.pro/blog/link-building/) opisałem, jak oceniam portale przed zakupem publikacji. W tekście o [link buildingu w erze AI](https://rogala.pro/blog/link-building-w-erze-ai/) opisałem, jak AI pomaga przygotować publikacje i kontakt z wydawcami.

## Jakich narzędzi używam do pomiaru widoczności w AI?

**Narzędzia do pomiaru widoczności marki w AI opisałem w osobnym tekście, więc tu podaję tylko zasadę.** Wzmiankę marki w odpowiedzi i cytowanie jej strony liczę osobno. Każde pytanie zadaję kilka razy, bo odpowiedzi asystentów się zmieniają. W tekście o [widoczności marki w AI](https://rogala.pro/blog/widocznosc-marki-w-ai/) opisałem pomiar, liczbę powtórzeń i pułapki narzędzi. W tekście o [pozycjonowaniu w AI](https://rogala.pro/blog/pozycjonowanie-w-ai/) opisałem, co robię na stronie, żeby asystenci AI mogli ją cytować.

## Jakie narzędzia SEO zbudowaliśmy sami?

**Gdy żadne narzędzie nie odpowiada na moje pytanie, piszę z pomocą AI własny skrypt.** Większość tych skryptów służy do pracy wewnętrznej: skanowanie, pobieranie danych, encje, kontrola tekstów i liczb. Zanim zacznę używać skryptu w pracy, sprawdzam go na danych z poprawną odpowiedzią.

**W VerticalSEO przygotowujemy 16 narzędzi SEO, które będą dostępne przez stronę i przez API, także dla agentów AI.** Narzędzia nie są jeszcze opublikowane. Testy z 8 października 2026 sprawdzały, czy narzędzia działają zgodnie ze specyfikacją. Przeszło 610 z 610 testów API i 325 z 325 testów narzędzi dla agentów w przeglądarce. Te narzędzia działają w standardzie WebMCP, który udostępnia funkcje strony agentom AI. Testy nie mierzą jeszcze, czy narzędzia dają trafne wnioski SEO.

**Test narzędzia do sprawdzania encji pokazał, że sama nazwa nie wystarcza do wskazania encji.** Szukałem polskiej platformy handlowej Allegro, ale narzędzie wybierało z grafu wiedzy Google, czyli z jego bazy encji, utwór Vivaldiego. Pod moim imieniem i nazwiskiem wybierało aktora. Teraz narzędzie potwierdza encję dopiero wtedy, gdy Google podaje dla niej sprawdzaną stronę. Potwierdzeniem jest też identyfikator wskazany przez Wikidata albo przez dane strukturalne strony.

**LemmeGSC, mój panel do danych z Search Console, przygotowuję do wydania jako otwarte oprogramowanie.** Panel pobiera dane z Search Console bez limitu 1 000 wierszy. Pokazuje między innymi kanibalizację fraz, czyli kilka stron jednego serwisu na tę samą frazę.

## Jakie darmowe narzędzia SEO wystarczą na początek?

**Na początek wystarczą Search Console, Looker Studio, darmowa wersja asystenta AI i darmowa wersja Screaming Frog.** Każde z tych narzędzi ma inną rolę:

- Search Console pokazuje kliknięcia, wyświetlenia i zapytania z Google;
- Looker Studio ze złączem Search Console pobiera te dane bez limitu 1 000 wierszy;
- darmowa wersja asystenta AI grupuje frazy, pisze szkice i skrypty, jeśli dasz jej dane;
- darmowa wersja Screaming Frog skanuje do 500 adresów, co wystarcza dla małego serwisu.

**Płatne narzędzia do fraz i linków warto dodać dopiero wtedy, gdy wiesz, na jakie pytanie mają Ci odpowiedzieć.** Darmowy asystent AI nie zna Twoich danych z Search Console. Najwięcej daje wtedy, gdy dostaje od Ciebie eksport i prośbę o skrypt, który policzy wynik.

## Jak testuję narzędzie AI, zanim mu zaufam?

**Narzędzie sprawdzam na danych, dla których znam poprawną odpowiedź.** Nie każdy test z tego tekstu miał wszystkie elementy z listy poniżej. W teście modeli lokalnych wzorzec rodzaju strony poprawił model, a nie człowiek. Dziś test ma te elementy:

- zbiór wzorcowy z decyzji człowieka albo z danych Google, na przykład strona z większością kliknięć z danej frazy;
- przewidywany wynik zapisany przed uruchomieniem testu;
- powtórka tego samego przebiegu, bo jeden przebieg modelu albo jeden zrzut wyników bywa przypadkowy;
- przypadki z podłożonym błędem, żeby sprawdzić, czy kontrola go wykryje;
- koszt i czas na jedną sztukę;
- liczby sprawdzone skryptem, a nie modelem.

**Dane do testów kosztowały mnie niewiele, a najwięcej pracy wymaga zbiór wzorcowy.** Test zrzutów wyników kosztował 1,57 USD, a dane do mapy tematów serii 0,072 USD. Zbiór wzorcowy wymaga wcześniejszej oceny człowieka. Podane koszty nie obejmują tej pracy.

**Wynik testu zapisuję razem z tym, czego test nie sprawdził.** Przy przypisaniu frazy do strony znam zgodność z kliknięciami w Google, ale nie wiem, czy wskazana strona najlepiej odpowiada na zapytanie. Przy modelach lokalnych sprawdziłem cztery proste czynności, a nie pełne zadania. Bez takiego zapisu wynik testu łatwo uznać za szerszy, niż jest.

**Sprawdzę, które zadania w Twoim SEO da się przyspieszyć narzędziami AI, a gdzie potrzebny jest skrypt albo człowiek.** Napisz, jakie zadania powtarzasz co tydzień i z jakich danych korzystasz. Odpiszę, od czego bym zaczął.

[Napisz do mnie](https://rogala.pro/kontakt/) · [LinkedIn](https://www.linkedin.com/in/lukaszrogala/?locale=pl_PL) · [WhatsApp](https://wa.me/48570081225)

## Najczęstsze pytania o narzędzia AI w SEO

### Czy ChatGPT nadaje się do SEO?

**Tak, do pracy z danymi, które mu dasz, ale nie jako źródło danych o pozycjach i popycie.** W moich testach sprawdzałem głównie Claude, Codex i Gemini, a nie samego ChatGPT. Asystent tego typu może streszczać, grupować frazy, pisać szkice tekstów i kod, ale wynik trzeba sprawdzić. Bez danych z Search Console albo z narzędzia do fraz nie zna pozycji Twojej strony ani liczby wyszukiwań. Liczby podane z pamięci bywają zmyślone.

### Czy AI zastąpi specjalistę SEO?

**Moje testy tego nie sprawdzały, bo dotyczyły pojedynczych czynności, a nie całej pracy specjalisty.** W tych czynnościach najmocniejsze modele często miały komplet punktów. Błędne wnioski brały się z niepełnych danych i ze słabej kontroli: z jednego zrzutu wyników, z obciętego eksportu z Search Console i z modelu, który sam porównywał liczby. Te błędy znalazł człowiek albo skrypt, który zaprojektował człowiek.

### Czy Google karze za treści pisane przez AI?

**Nie za samo użycie AI: Google pisze, że odpowiednie użycie AI nie narusza jego wytycznych.** Zasady Google dotyczące nadużywania treści na dużą skalę obejmują tworzenie wielu stron przede wszystkim po to, żeby manipulować rankingiem, a nie pomagać użytkownikom. Te zasady dotyczą stron powstałych w każdy sposób, także z pomocą AI. Google zaleca też ręczne sprawdzenie faktów w treściach z AI przed publikacją, także w tytułach, opisach i danych strukturalnych.

## Od czego zacząć?

**Zacznij od jednego zadania, które robisz co tydzień, i od danych, które już masz w Search Console.** Daj modelowi pełne dane i poproś o skrypt, który policzy to, co dziś liczysz ręcznie. Wynik porównaj z kilkunastoma przypadkami, które sprawdzisz sam. Dopiero gdy wyniki się zgadzają, uruchom skrypt na całych danych. W tekście o [strategii SEO](https://rogala.pro/blog/strategia-seo/) opisałem, które dane z Search Console sprawdzam na początku pracy.

Źródła zewnętrzne (sprawdzone 18 października 2026):

- Google Search Central: Google Search's guidance on using generative AI content on your website (developers.google.com)
- Google Search Central Blog: Google Search's guidance about AI-generated content (8.02.2023) (developers.google.com)
- Google Search Central: Spam policies for Google web search (developers.google.com)

cennik Screaming Frog SEO Spider na stronie producenta (limit wersji darmowej: 500 adresów). Dane własne: test modelu GLiNER2 (lipiec 2026), test 17 typów zadań na modelach językowych (26-27 września 2026), test modeli lokalnych na czterech czynnościach (1 października 2026), test sędziów jakości (7 października 2026), test zmienności zrzutów wyników DataForSEO (7 października 2026), test Apify Web Fetch i porównanie liczb w ofercie (12 października 2026), test przypisania frazy do strony (14 października 2026), zużycie DataForSEO (17 września - 14 października 2026), mapa tematów serii (18 października 2026).

[Łukasz Rogala](https://rogala.pro/o-mnie/)

strateg i konsultant SEO

Łukasz Rogala - strateg i konsultant SEO, prezes VerticalSEO i współzałożyciel Linko. Od 2014 roku prowadzi SEO 360°: od strategii i audytów, przez SEO techniczne, treści i link building, po semantic SEO i widoczność marek w wyszukiwarkach AI (GEO).

[O mnie](https://rogala.pro/o-mnie/) · [Wystąpienia](https://rogala.pro/wystapienia/)

Przeczytaj też

- [Widoczność marki w AI: jak ją mierzę i jakimi narzędziami](https://rogala.pro/blog/widocznosc-marki-w-ai/)
- [Audyt SEO: jak robię audyt strony krok po kroku](https://rogala.pro/blog/audyt-seo/)