Jak LLM-y wybierają i cytują źródła

Zanim zaczniesz optymalizować treść pod kątem LLM-ów, musisz zrozumieć, jak w ogóle wybierają one źródła. Ten mechanizm różni się fundamentalnie od algorytmów Google. Modele językowe preferują źródła o wysokiej gęstości informacji, ustrukturyzowanej architekturze i jednoznaczności semantycznej, a zaledwie 12% adresów URL cytowanych przez LLM-y pokrywa się z czołową dziesiątką organicznych wyników Google dla tego samego zapytania. To nie jest intuicyjne. Właśnie dlatego tak wiele stron o silnym profilu SEO w ogóle nie pojawia się w odpowiedziach AI. Sprawdź, jak działają mechanizmy cytowania – od architektury RAG, przez decyzje modelu, aż po paradoks, w którym więcej wyszukiwań wcale nie oznacza rzetelniejszych przypisów.

Dwa paradygmaty cytowania – G-Cite i P-Cite

Kiedy model generuje odpowiedź z przypisami, musi rozstrzygnąć jedno kluczowe pytanie projektowe. Czy przypisywać źródło równolegle z pisaniem tekstu, czy dopiero po jego zakończeniu? Oba podejścia mają zupełnie inne konsekwencje dla jakości cytowań i opóźnień (latencji) systemu.

Pierwsza strategia nosi nazwę Generation-Time Citation (G-Cite) – model generuje tekst odpowiedzi i znaczniki cytowań w jednym przebiegu dekodowania. Przetwarzając dostarczone w kontekście dokumenty, podejmuje lokalne decyzje autoregresyjne. Dla każdego fragmentu tekstu przewiduje kolejne tokeny treści i jednocześnie generuje powiązane tokeny odwołań, na przykład specjalne znaczniki XML wskazujące numer akapitu źródła. Zaletą jest tu precyzja dopasowania. Cytowanie powstaje dokładnie w momencie, gdy model „pisze” daną tezę, co minimalizuje rozbieżność między treścią a przypisem. Wadą pozostaje fakt, że dodatkowe tokeny pomocnicze obciążają mechanizm uwagi. To z kolei może obniżać płynność językową i wydłużać czas odpowiedzi.

Druga strategia – Post-hoc Citation (P-Cite) – całkowicie rozdziela oba procesy. W pierwszym kroku model generuje surowy szkic odpowiedzi bez przypisów. Dopiero w kroku drugim oddzielny moduł weryfikacyjny segmentuje wygenerowany tekst na pojedyncze twierdzenia. Traktuje je jako osobne zapytania skierowane do bazy wiedzy i za pomocą modeli wnioskowania naturalnego (NLI, ang. Natural Language Inference) dopasowuje każde twierdzenie do odnalezionych fragmentów. Takie podejście optymalizuje jakość samego tekstu. Generowanie bez przypisów nie zakłóca rozkładu prawdopodobieństwa tokenów, ale wymaga co najmniej dwóch przebiegów przetwarzania.

Oba podejścia różnią się pod kątem kluczowych wymiarów technicznych. Większość komercyjnych silników odpowiedzi stosuje wariant zbliżony do P-Cite lub hybrydę obu strategii.

Jak model szuka fragmentów w warstwie RAG?

Zanim model zdecyduje, co zacytować, musi w ogóle pobrać kandydatów do cytowania. W tym miejscu wkracza generowanie wspomagane wyszukiwaniem (RAG, ang. Retrieval-Augmented Generation). To architektura, w której silnik odpowiedzi dynamicznie przeczesuje zewnętrzne źródła i dostarcza wybrane fragmenty jako kontekst do generowania tekstu.

Silnik RAG nie czyta strony jak człowiek. Dzieli tekst na fragmenty o długości 50–150 słów, zamienia je na reprezentacje wektorowe (ang. embeddings – liczbowe reprezentacje znaczenia tekstu) i wyszukuje te, które są semantycznie najbliższe zapytaniu. Nie ocenia „jakości artykułu” jako całości. Analizuje każdy fragment osobno. To fundamentalna różnica. Możesz mieć świetny artykuł, ale jeśli żaden jego wycinek nie odpowiada samodzielnie na konkretne pytanie, silnik po prostu go pominie.

O wyborze konkretnego fragmentu przez RAG decydują trzy kluczowe właściwości.

• Samodzielność semantyczna – fragment zawiera kompletną tezę, definicję lub dane bez konieczności czytania otaczającego kontekstu, dzięki czemu model może go powtórzyć w izolacji
• Gęstość faktograficzna – liczby, daty, nazwy własne i cytowania badań, czyli elementy, które model bezpiecznie wyodrębnia jako weryfikowalne fakty
• Spójność z nagłówkiem – nagłówek sformułowany jako pytanie, a bezpośrednio pod nim odpowiedź, gdzie H2/H3 pełnią rolę znaczników granic bloków danych i ułatwiają silnikowi lokalizację właściwego fragmentu

Jeśli chcesz sprawdzić, jak Twoje konkretne adresy URL wypadają pod kątem cytowalności, narzędzie Ocena cytowalności strony przeanalizuje stronę na podstawie tych czynników w zaledwie kilkadziesiąt sekund.

Dlaczego silne SEO nie gwarantuje cytowania?

To jeden z najtrudniejszych do zaakceptowania faktów dla osób, które latami inwestowały w budowanie autorytetu domeny. Analizy porównawcze wykazują, że jedynie 12% adresów URL cytowanych przez modele językowe pokrywa się z czołową dziesiątką organicznych wyników Google dla tego samego zapytania. Modele nie sprawdzają, ile linków zwrotnych (backlinków) ma strona. Weryfikują wyłącznie to, czy dany fragment jest jednoznaczny i nasycony danymi.

Badanie Aggarwal et al. (KDD 2024) z Princeton University zdefiniowało konkretne czynniki podnoszące widoczność źródła w odpowiedziach LLM.

• Statystyki i dane liczbowe – wzrost wskaźnika cytowań o 15–40%, ponieważ liczby są łatwiejsze do ekstrakcji przez parsery wektorowe niż opisy narracyjne
• Cytaty eksperckie – wzrost o 30–40%, co wynika z faktu, że to gotowe moduły językowe o wysokim autorytecie semantycznym, które model może bezpiecznie powtórzyć
• Formatowanie fragmentów 50–150 słów – 2,3-krotny wzrost prawdopodobieństwa wyboru, czyli optymalny rozmiar pod algorytmy podziału na fragmenty
• Trzy lub więcej punktów danych na sekcję – 2,5-krotny wzrost liczby cytowań, co ułatwia modelowi agregację danych porównawczych
• Optymalizacja płynności tekstu – wzrost o 15–30%, gdzie brak błędów językowych zmniejsza opór przetwarzania dla modelu

Strony z pozycji 5–10 w Google, które zastosowały statystyki i cytowania ekspertów, zwiększały widoczność w LLM o 115,1% – znacznie więcej niż domeny z pozycji 1–3, które tego nie zrobiły. To empiryczne potwierdzenie. Gęstość faktograficzna bezwzględnie przebija autorytet domeny w logice cytowania przez LLM.

W tej samej analizie opisano jeszcze jedno zjawisko. Marka lub domena pojawia się w odpowiedzi o 161% częściej, jeśli spójnie występuje w wynikach wielu podzapytań (rozszczepienie zapytania, ang. query fan-out) generowanych przez model na etapie dekompozycji zapytania głównego. Dokładny opis tego mechanizmu znajdziesz w artykule o query fan-out. Zobaczysz tam na przykładzie, jak jedno złożone zapytanie B2B rozkłada się na kilkanaście podzapytań.

Jakimi metodami treningowymi model uczy się cytować?

Precyzyjne cytowanie nie jest naturalną cechą bazowego modelu językowego. Podczas wstępnego trenowania (pre-training) jedynym celem optymalizacyjnym modelu jest przewidywanie kolejnego słowa – i ten proces w ogóle nie uczy modelu, skąd pochodzi dana informacja. Zdolność cytowania wymaga dodatkowego, mocno ukierunkowanego strojenia.

Pierwszym etapem jest dostrajanie instrukcyjne (ang. instruction tuning) na wyspecjalizowanych zbiorach danych. Zawierają one przykłady w formacie pytanie–kontekst–odpowiedź-z-przypisami. Przykładem takiej metodologii jest proces Coarse-to-Fine (CoF), który automatyzuje tworzenie dużych zbiorów treningowych. Model najpierw generuje odpowiedzi na poziomie całych fragmentów, a następnie iteracyjnie zawęża je do precyzyjnych zdań źródłowych. Zbiór LongCite-45k stworzony w tym procesie zawiera 44 600 precyzyjnych instancji treningowych i pozwala modelom obsługiwać konteksty do 128 000 tokenów.

Drugi etap to uczenie ze wzmocnieniem (ang. Reinforcement Learning) ze szczegółowymi nagrodami na poziomie zdania, a nie całej odpowiedzi. Mniejsze modele wytrenowane ze szczegółowymi nagrodami na poziomie tokenu potrafią przewyższyć jakością cytowań znacznie większe modele komercyjne trenowane z tradycyjnymi, holistycznymi funkcjami nagrody. To niezwykle istotny wynik. Architektura nagrody ma tu znacznie większe znaczenie niż sama skala modelu.

Dostosowywanie modeli metodą RLHF (ang. Reinforcement Learning from Human Feedback) kalibruje zachowanie, czyli ton, pomocność i rzetelność naukową. Nie zmienia jednak bazowej wiedzy faktograficznej modelu. Kluczowe jest tu zastosowanie regularyzacji KL (Kullback-Leibler). Stabilizuje ona proces treningowy poprzez karanie za zbyt duże odchylenia nowej polityki modelu od modelu wyjściowego. Bez tej regularyzacji model mógłby „nauczyć się” cytowania kosztem utraty zdolności do generowania płynnego tekstu.

Paradoks głębokości wyszukiwania

To jeden z najważniejszych wyników badań nad agentami badawczymi, a zarazem jeden z najmniej intuicyjnych. Można by sądzić, że im więcej źródeł sprawdzi agent, tym rzetelniejsza będzie odpowiedź. Rzeczywistość jest jednak zupełnie odwrotna.

Ewaluacja 14 czołowych modeli komercyjnych i otwartoźródłowych (open-source) ujawniła charakterystyczny wzorzec. Wiarygodność cytowań mierzono w trzech wymiarach. Były to poprawność linków, zgodność tematyczna i faktyczna weryfikowalność twierdzeń (Fact Check). Podczas gdy dwa pierwsze wymiary pozostają stabilne niezależnie od liczby wywołań wyszukiwarki, trzeci dramatycznie spada wraz z rosnącą głębokością wyszukiwania.

Zwiększenie liczby przeszukiwanych stron z 2 do 150 obniża faktyczną weryfikowalność cytowań o około 62 punkty procentowe, przy niezmienionej poprawności linków. Model nadal podaje prawidłowe adresy URL i tematycznie pasujące źródła. Niestety treść, do której się odwołuje, nie zawsze potwierdza zacytowane fakty.

Przyczyną jest semantyczne przeciążenie kontekstu. Olbrzymia ilość pobranych danych wprowadza szum informacyjny, który rozprasza mechanizmy uwagi modelu generatora. W konsekwencji model poprawnie wnioskuje fakty ze swojej wiedzy parametrycznej, ale przypisuje je do losowych adresów URL, które znajdowały się w oknie kontekstowym. To zjawisko zwane błędną atrybucją (ang. misattribution).

Co z tego wynika w praktyce? Dla Twojej strategii GEO oznacza to jedno. Twój fragment musi być nie tylko tematycznie pasujący, ale i wyraźnie odróżniający się semantycznie od pozostałych fragmentów w kontekście modelu. Inaczej model przypisze do niego zupełnie inny fakt. W tym miejscu kluczową rolę odgrywa unikalna gęstość danych i precyzja sformułowania.

Jak oceniać jakość cytowań i unikać pułapek ewaluacji?

Skoro już wiesz, jak modele cytują, warto dowiedzieć się, jak mierzyć jakość tych cytowań. Standardowe metody mają istotne ograniczenia. Mogą one prowadzić do całkowicie błędnych wniosków o własnej widoczności.

Platformy ewaluacyjne takie jak ALCE (Academic Long-Context Evaluation) testowały spójność modeli na wymagających zbiorach pytań. Wykazały, że nawet najlepsze komercyjne modele nie zapewniają pełnego wsparcia źródłowego dla generowanych tez w blisko 50% przypadków. Standard automatycznej oceny AutoAIS (opracowany przez Google, oparty na modelu T5-XXL) ocenia cytowanie binarnie. Fragment albo wspiera tezę, albo nie. Ta uproszczona logika wnioskowania naturalnego (NLI) jest całkowicie nieczuła na niuanse semantyczne.

Bardziej zaawansowane ramy ewaluacyjne, takie jak CiteEval (CiteBench), wprowadzają trzystopniową gradację. Obejmuje ona pełne poparcie, częściowe poparcie i brak poparcia. Uwzględniają też pełny kontekst zapytania i historię wyszukiwania. To eliminuje nadmierną penalizację modeli za trafne cytowania, które nie pasują do wąsko zdefiniowanej bazy NLI.

Dla praktyka GEO ma to jedno konkretne przełożenie. Jeśli monitorujesz widoczność marki narzędziem, które mierzy tylko obecność lub nieobecność cytowania (binarnie), możesz przeoczyć ważne przypadki. Chodzi o sytuacje, w których Twoja marka jest wzmiankowana poprawnie, ale bez bezpośredniego linku. Szczegółowe podejście do pomiaru opisuje artykuł o audycie widoczności marki. Znajdziesz tam wskazówkę, jak odróżnić Citation Rate od Mention Rate w praktycznym pomiarze.

Warto też pamiętać, że wyniki ewaluacji zależą od struktury danych weryfikacyjnych. Analiza błędów automatycznej ewaluacji pokazuje, że ponad 66% pomyłek klasyfikacyjnych wynika z braku wrażliwości modeli ewaluacyjnych na drobnoziarniste informacje faktograficzne. Innymi słowy, narzędzia pomiarowe często nie wykrywają błędów, które dla ludzkiego oceniającego byłyby całkowicie oczywiste.

Co to oznacza dla Twoich treści?

Mechanizmy opisane powyżej przekładają się na konkretne decyzje redakcyjne. Nie optymalizujesz „artykułu” – optymalizujesz każdy fragment z osobna. RAG ocenia wycinki, a nie całe strony.

Poznaj zestaw reguł, które wynikają bezpośrednio z opisanych mechanizmów.

• Front-loading w każdej sekcji – wczesne sygnalizowanie kluczowych informacji (ang. front-loading), gdzie kluczowa teza lub liczba musi pojawić się w pierwszych dwóch zdaniach pod nagłówkiem, ponieważ silnik pobiera fragment, ale nie wie, co jest na dole akapitu
• Dane liczbowe z datą i źródłem – „wzrost o 30%” to konkretne dane do ekstrakcji, podczas gdy „znaczny wzrost” to szum, który model po prostu ignoruje
• Fragmenty 50–150 słów – optymalny rozmiar dla algorytmów podziału na fragmenty, w którym zbyt długie bloki tracą samodzielność semantyczną, a zbyt krótkie tracą kontekst
• Unikalne ujęcia tematyczne – dwa artykuły o podobnym temacie rywalizują o ten sam slot w kontekście modelu, więc jeden wygrywa, a drugi jest ignorowany lub generuje błędną atrybucję
• Spójność danych w sieci – jeśli Twoja strona i partnerski blog podają różne liczby dotyczące tej samej kwestii, model uzna tę informację za niejednoznaczną i usunie ją z syntezy

Jeśli chcesz sprawdzić, jak Twoja marka jest obecnie postrzegana przez cztery główne silniki AI i na tle której kategorii się pojawia, darmowe narzędzie Widoczność marki w AI zrobi to automatycznie. To doskonały punkt startowy przed głębszą optymalizacją treści zgodną z zasadami omawianymi w tym artykule.

Pełną logikę tego, czym GEO różni się od SEO i jakie działania przynoszą efekty w konkretnym horyzoncie czasowym, opisuje kompletny przewodnik po GEO. Jeśli ten artykuł to Twój pierwszy kontakt z tą dyscypliną, koniecznie zacznij właśnie od niego.