Dlaczego sam prompt do czata nie wystarczy
Wpisujesz prompt, dostajesz tekst, wklejasz na blog. Brzmi prosto, tylko nie działa. Modele językowe stworzone do pisania same z siebie nie potrafią pisać dobrze, a nawet jeśli uda się je czegoś nauczyć, efekt zwykle nie pojawia się w Google i nie generuje ruchu. Dotyczy to ofert, poradników i wpisów blogowych po równo. Autor porównuje takie teksty do roboty copywritera za kilka złotych za tysiąc znaków.
Sam pokazuje przykład artykułu napisanego w całości przez AI na firmowym blogu, którego tematem jest właśnie pisanie treści z AI. Po wpisaniu frazy „jak pisać treści z AI” w Google ten artykuł pojawia się wielokrotnie, czyli w AI Overview, w linkach polecanych oraz na drugiej pozycji w wynikach organicznych. Cytowanie przez modele bywa zmienne (zależy od dnia, godziny i decyzji modelu), ale widoczność trzyma się stabilnie.
Źródła jako punkt wyjścia
Pierwszy krok to pobranie źródeł. Chodzi o dwie rzeczy. Pytania typu People Also Ask, które pojawiają się przy danym temacie w wynikach wyszukiwania, oraz treści z samych wyników, oczyszczone tak, żeby zawierały wyłącznie realne informacje przydatne dla modelu piszącego tekst. Tych artykułów źródłowych jest zazwyczaj od pięciu do dwunastu, pobieranych za pomocą kilku narzędzi.
Założenie brzmi prosto. Jeżeli treść znajduje się w top 10, to musi być wartościowa i może posłużyć jako baza wiedzy. Nie oznacza to jednak, że nowy tekst powstaje na ich podstawie wprost, bo to byłoby zwykłe powielanie tego, co już istnieje.
Budowanie kontekstu i query fanout
W kolejnym kroku powstaje kontekst. Do procesu trafia treść z AI Overview dla danego zapytania, a potem za pomocą modelu wykonywany jest tak zwany query fanout. Polega on na wyliczeniu obszarów, które powinny zostać poruszone w artykule, żeby użytkownik wyszedł usatysfakcjonowany. Mogą to być wątki takie jak wartościowe treści SEO, skuteczny prompt, optymalizacja procesu z AI, personalizacja tone of voice, brak unikalności tekstu, kary algorytmów czy halucynacje modelu.
Następnie wyznaczane są encje, czyli konkretne tematy i elementy, które mają się pojawić w tekście. Nie chodzi o słowa kluczowe, a o konkretne pojęcia, takie jak sztuczna inteligencja, Google, SEO, tone of voice, AI Overview czy dane strukturalne. Każda encja ma swoją definicję i jest powiązana z innymi relacjami, dzięki czemu powstaje graf encji pokazujący, jak poszczególne tematy się ze sobą wiążą. Tak właśnie AI patrzy na tekst. Do tego dochodzą jeszcze fakty, które powinny zostać wplecione w treść.
Outline i brief jako plan na treść
Z zebranej wiedzy powstaje prosty outline, czyli spis nagłówków wraz z informacją, co ma znaleźć się w każdej sekcji. Każdy nagłówek odpowiada sekcji lub podsekcji w przypadku H3. Na tym etapie u autora zawsze specjalista przegląda outline, żeby wyłapać błędy i poprawić nagłówki, zanim proces ruszy dalej. Po akceptacji outline’u AI przygotowuje brief, czyli rozbudowany dokument, w którym do poszczególnych sekcji przypisywane są encje, fakty i relacje. Chodzi o to, żeby treść się nie powtarzała i miała spójny charakter, prowadząc czytelnika od jednego wątku do drugiego. Brief staje się planem, z którego model korzysta przy pisaniu.
Pierwszy szkic i optymalizacja
Na bazie briefu powstaje pierwszy szkic. Model idzie sekcja po sekcji, korzystając z wytycznych wypracowanych na podstawie prób i błędów, kursów oraz doświadczeń z klientami. Artykuł jest na tym etapie poprawny merytorycznie, ale nie nadaje się jeszcze do budowania widoczności w AI.
Potem przychodzi optymalizacja. Obejmuje ona zawartość informacji, czytelność i długość zdań, a watosłowne fragmenty po prostu wylatują. Tekst zaczyna nabierać realnych kształtów i można go poddać humanizacji. Ten etap polega na wycięciu charakterystycznych zwrotów AI, dziwnego użycia dwukropków i myślników oraz angielskich schematów zdaniowych, które model tłumaczy na polski. Celem jest, żeby tekst brzmiał jak napisany po polsku, a nie przetłumaczony z angielskiego.
Ile promptów stoi za jednym artykułem
Każdy z głównych kroków składa się z wielu etapów. W sumie na przestrzeni powstawania jednego tekstu wykonywanych jest nawet ponad 40 różnych promptów. Odpowiadają one za analizy tekstu, budowanie encji, przygotowanie briefu, draftu i kolejne optymalizacje.
Czy potrzebujesz do tego dedykowanego narzędzia? Niekoniecznie. Wystarczy zwykły agent typu Claude Code. Wewnętrzne narzędzie stosowane w firmie powstało tylko dlatego, że tekstów jest bardzo dużo i wygodniej zbierać wszystko w jednym miejscu, oszczędzając czas od zlecenia do pierwszej sensownej wersji.
Praca z agentem i unikalna wartość tekstu
Po wyjściu z liniowego narzędzia tekst trafia do agenta. To moment, w którym artykuł dostaje wartość unikalną, której nie znajdziesz w wynikach wyszukiwania, bo nie da się jej zbudować prostym, liniowym procesem. Autor pokazuje to na przykładzie własnego agenta zbudowanego w Claude Code na potrzeby nagrania.
Praca odbywa się lokalnie, w pełnym workspace przygotowanym do pracy nad treściami. W kontekście znajdują się podstawowe zasoby, czyli blog, mailingi, wewnętrzna firmowa wikipedia oraz transkrypcje wszystkich filmów z YouTube, dzięki czemu agent zna wiedzę autora. Do tego dochodzi dokumentacja opisująca, jak się humanizuje teksty, jak się pisze i czym jest semantyczne SEO. Agent ma też zestaw skilli, którymi wykonuje konkretne zadania na tekście.
W przykładzie z nagrania autor prosi agenta o przygotowanie artykułu sponsorowanego z tekstu „jak pisać treści z AI”. Agent analizuje całość, a potem zgłasza brak pliku z kontekstem, bo nie wie, jakiej marce ma dedykować sekcję sponsorską, czym ta marka się zajmuje ani gdzie mają prowadzić linki. Po dostarczeniu tych informacji przygotowałby gotową wersję artykułu.
Co daje praca ze skillami
Agent pozwala wzbogacić tekst o elementy, których nie wciśniesz w procesie liniowym. Skille mogą zasilać tekst danymi, narzucać ton marki (na przykład formę „państwo” zamiast „ty”), wprowadzać konkretne informacje do przekazania czy firmowy punkt widzenia, który ma wybrzmieć w artykule. Im lepsza baza wiedzy o własnej firmie, tym lepiej skille poprawiają tekst. Po pracy agenta artykuł i tak trafia jeszcze do człowieka, który go czyta, poprawia i robi ostatnie szlify przed publikacją.
Efekty pracy w procesie
Teksty zbudowane w ten sposób znacznie częściej i szybciej pojawiają się w wynikach, są wyżej pozycjonowane i generują ruch. Autor zachęca do przeczytania omawianego artykułu, żebyś sam ocenił, czy tekst napisany przez AI, ale rozbudowany w procesie, da się czytać, czy ma sens i czy realnie zdobywa widoczność.
Zastrzega przy tym, że pozycja nie zawsze będzie tak wysoka, a cytowania tak częste jak u niego, bo sam często wchodzi na własną stronę i jest do niej podpięty, co wpływa na to, co widzi w wynikach. U innych użytkowników efekt powinien być jednak zbliżony.
