Proces
Gdzie automatyzacja w SEO ma sens
W SEO opłaca się automatyzować zbieranie i przetwarzanie danych, a nie podejmowanie decyzji. Najczęstszy błąd to odwrotny podział: firmy automatyzują pisanie, a ręcznie robią analizy. Miałem klienta, który publikował 2 teksty tygodniowo przez rok bez wzrostu - wszystkie odpowiadały na tę samą intencję.
Co warto automatyzować?
Wszystko, co jest powtarzalne, mierzalne i ma jednoznacznie poprawny wynik. Im bardziej zadanie przypomina przepisywanie danych z miejsca A do B, tym lepiej nadaje się do automatyzacji.
Praktyczny przykład z mojej pracy: pobieranie danych z Search Console, łączenie ich z danymi o pozycjach i wykrywanie stron, na których spadła skuteczność. To zadanie czysto mechaniczne - robione ręcznie zajmuje godziny, a skryptem sekundy, i wynik jest identyczny.
Czego nie automatyzować?
Decyzji, które wymagają kontekstu biznesowego. Model nie wie, że akurat ten produkt ma najwyższą marżę, że tamta usługa jest wycofywana, ani że klient nie chce być kojarzony z konkretnym tematem.
Najdroższy błąd, jaki widuję: automatyczna produkcja treści bez automatyzacji wyboru tematów. Powstaje wtedy dużo tekstów odpowiadających w kółko na tę samą intencję. Miałem klienta, który publikował dwa artykuły tygodniowo przez rok bez wzrostu - wszystkie odpowiadały na to samo pytanie, tylko innymi słowami.
Dlaczego akurat wybór tematów jest trudny do zautomatyzowania?
Bo wymaga trzech rzeczy naraz: danych o popycie, wiedzy o tym, co już masz, i rozumienia, na czym zarabiasz. Narzędzie zna pierwszą, czasem drugą, a trzeciej nie zna nigdy.
Do tego dochodzi mechanika wyszukiwarek AI. Silniki rozkładają pytanie na podzapytania, więc wartość ma pokrycie różnych pytań, nie liczba tekstów. Automat optymalizujący pod objętość produkuje dokładnie to, co nie działa.
Gdzie AI pomaga w treści, a gdzie nie?
Pomaga w pracy pomocniczej: robieniu wyciągów ze źródeł, sprawdzaniu, czy tekst odpowiada na zadane pytanie, generowaniu wariantów nagłówków do wyboru, wyłapywaniu powtórzeń.
Nie pomaga tam, gdzie wartością jest to, czego model nie ma: Twoje własne dane, testy i przypadki z wdrożeń. Badanie Princeton pokazało, że dodanie statystyk podnosi widoczność treści o 41%, ale tylko wtedy, gdy statystyka ma nazwane źródło. Model nie wygeneruje Ci danych, których nie ma nigdzie w internecie - a to właśnie one są przewagą.
Jest jeszcze test redakcyjny, który dobrze oddziela jedno od drugiego: jeśli akapit da się wkleić do dowolnego artykułu konkurencji bez zmiany sensu, nie wnosi nic. Treść, którą mógł napisać każdy, jest trywialnie zastępowalna.
Jak to poukładać w procesie?
Podział, który stosuję u klientów: maszyna zbiera i przetwarza, człowiek decyduje i weryfikuje.
| Etap | Kto | Dlaczego |
|---|---|---|
| Zbieranie danych | Automat | Powtarzalne, mierzalne, bez wariantów |
| Wykrywanie anomalii | Automat | Reguły dają się zapisać |
| Wybór tematów | Człowiek | Wymaga kontekstu biznesowego |
| Szkielet tekstu | Wspólnie | Model proponuje, człowiek wybiera |
| Dane i przykłady własne | Człowiek | Model ich nie ma |
| Publikacja i kontrola | Człowiek | Odpowiedzialność za treść |
Kiedy automatyzacja się nie opłaca
Przy małej skali. Napisanie i utrzymanie skryptu ma sens, gdy zadanie wraca - przy jednorazowej analizie dziesięciu stron szybciej zrobić to ręcznie.
Drugi przypadek to procesy, które jeszcze się zmieniają. Automatyzowanie czegoś, czego kształt ustali się dopiero za miesiąc, kończy się przepisywaniem skryptu.
Konkretne automatyzacje, które u mnie pracują
Zamiast katalogu możliwości - lista rzeczy, które realnie chodzą w moich projektach, z uczciwą oceną nakładu:
| Automatyzacja | Co robi | Nakład wdrożenia |
|---|---|---|
| Alert anomalii z GSC | Codzienny odczyt API; spadek kliknięć na stronie ponad próg = powiadomienie | skrypt, 1-2 h |
| Monitor 404 i przekierowań | Cykliczny crawl kluczowych adresów; zmiana kodu odpowiedzi = alert | skrypt, ~1 h |
| Pilnowanie kanibalizacji | Frazy z GSC, dla których wyświetla się więcej niż 1 URL - raport tygodniowy | skrypt, 2-3 h |
| Świeżość sitemapy | Porównanie sitemapy z realnymi stronami przy każdym buildzie | element CI |
| Draft meta opisów | LLM proponuje warianty description; człowiek wybiera i redaguje | prompt + przegląd |
| Raport miesięczny - dane | Automatyczne zaciąganie liczb do szablonu; komentarz zawsze ręczny | Looker/skrypt |
Wzorzec wspólny: automat pilnuje i przygotowuje, człowiek decyduje. Ani jedna pozycja z tej listy nie publikuje niczego samodzielnie.
Jaki stack do automatyzacji SEO?
API Search Console - punkt wyjścia większości automatyzacji. Darmowe, stabilne, daje zapytania/strony/pozycje. Jeden skrypt w Pythonie zastępuje godziny klikania.
Skrypty własne vs platformy no-code - n8n/Make są świetne do sklejek („gdy X, wyślij Y"), skrypty wygrywają przy przetwarzaniu danych. Kryterium: jeśli logika mieści się w trzech krokach, bierz no-code; jeśli zaczynasz zagnieżdżać warunki, pisz kod - będzie tańszy w utrzymaniu.
Crawler z harmonogramem - Screaming Frog w trybie CLI albo lekki własny crawler na kluczowych adresach. Pełny crawl raz na tydzień, wycinek krytyczny codziennie.
LLM przez API - do zadań językowych z ludzkim przeglądem: klasyfikacja intencji zapytań z GSC, propozycje meta, wyciągi z dokumentów. Koszt groszowy, pod warunkiem że nie prosisz o „napisz artykuł".
Gdzie LLM naprawdę pomaga w SEO - a gdzie tylko udaje?
Pomaga: klasyfikacja tysięcy zapytań na intencje, grupowanie fraz w tematy, pierwsza wersja struktury tekstu do oceny, wychwytywanie powtórzeń i sprzeczności w istniejącej treści, tłumaczenie briefu klienta na listę pytań.
Udaje: pisanie „eksperckich" artykułów bez eksperta (powstaje treść, którą mógł napisać każdy - pisałem wyżej, dlaczego to jest trywialnie zastępowalne), automatyczny wybór tematów bez kontekstu biznesowego, masowe generowanie stron pod frazy.
Granica przebiega dokładnie tam, gdzie w tabelce wyżej: język i klasyfikacja - tak; decyzje i wartość merytoryczna - nie.
Od czego zacząć, jeśli nie masz nic?
Jedna rekomendacja zamiast dziesięciu: alert anomalii z GSC. Dwie godziny pracy, zero ryzyka, a zamienia SEO z „sprawdzę na koniec miesiąca" w „wiem następnego dnia". Większość katastrof SEO, które sprzątałem, byłaby incydentami, gdyby ktoś dowiedział się o nich w 24 godziny zamiast po sześciu tygodniach.
Częste pytania
Czy warto pisać teksty SEO przy pomocy AI?
Jako wsparcie - tak: wyciągi ze źródeł, warianty nagłówków, wyłapywanie powtórzeń. Jako zamiennik autora - nie, bo wartością jest to, czego model nie ma: Twoje dane, testy i przypadki z wdrożeń.
Co automatyzować w pierwszej kolejności?
Zbieranie danych z Search Console i wykrywanie stron, na których spadła skuteczność. To zadanie czysto mechaniczne, powtarzalne i z jednoznacznym wynikiem.
Czy Google karze treści generowane przez AI?
Google deklaruje, że ocenia jakość i przydatność treści, a nie sposób jej powstania. Problemem nie jest narzędzie, tylko masowa produkcja tekstów bez wartości dodanej.
Dlaczego publikowanie dwóch tekstów tygodniowo nie dało efektu?
Najczęstsza przyczyna to odpowiadanie w kółko na tę samą intencję. Silniki rozkładają pytania na podzapytania, więc wartość ma pokrycie różnych pytań, a nie liczba tekstów.
Chcesz uporządkować proces treści w zespole?
Na warsztacie pracujemy na Waszych realnych tekstach i danych: ustalamy, co przejmuje automat, co zostaje przy ludziach i jak wygląda checklista przed publikacją. Zespół wychodzi z procesem, nie z notatkami.
Zapytaj o szkoleniePowiązane materiały
- Aggarwal i in., KDD 2024 - wpływ statystyk na widoczność
- ZipTie, analiza gęstości semantycznej treści, 2026
- Google Search Central, wytyczne o treściach tworzonych przez AI
Autor
Adrian Grabski
Konsultant SEO i AI search. W wyszukiwarkach od 2002 roku - przez wszystkie aktualizacje Google i teraz przez wyniki generowane przez AI. Robię audyty, prowadzę konsultacje i szkolę zespoły marketingowe.