AI Readiness Score — czy Twoja strona jest gotowa na erę LLM?

W 2026 roku coraz więcej ruchu nie pochodzi z klasycznych wyników wyszukiwania. Google AI Overviews pokazuje odpowiedzi w SERP-ach. ChatGPT Search, Perplexity i Claude wyciągają informacje wprost z dziesiątek stron i syntetyzują odpowiedź dla użytkownika. Google Gemini odpowiada w aplikacji bez przekierowania na stronę.

Pytanie, które zadają sobie marketing managerowie i ownerzy: „czy moja strona jest dobrze widoczna dla LLM-ów?”.

To jest fundamentalnie nowe pytanie. Klasyczne SEO sprawdza, czy Googlebot indeksuje Twoją stronę. AI Readiness sprawdza, czy LLM-y potrafią z Twojej strony WYCIĄGNĄĆ wartościową informację — i czy ta informacja jest na tyle wartościowa, że LLM użyje jej w odpowiedzi dla użytkownika.

W tym artykule pokażę, czym jest AI Readiness Score w SiteSpector, co dokładnie sprawdza, jakie poziomy gotowości można osiągnąć i jakie konkretne zmiany dają największy boost.

Czym różni się AI Readiness od klasycznego SEO

Klasyczne SEO optymalizuje pod algorytm rankingowy Google: title, meta, heading hierarchy, internal linking, backlinks, performance. Cel: pojawić się w TOP 10 wyników na konkretną frazę.

AI Readiness optymalizuje pod modele językowe: structured data, semantic HTML, content extraction, factual density, source attribution. Cel: być WYBRANYM przez LLM jako źródło odpowiedzi.

To są pokrewne dyscypliny, ale nie tożsame. Strona z idealnym SEO może mieć słabe AI Readiness (np. pełna treści w obrazach, brak schemy, tekst pisany z myślą o ludziach, nie o ekstrakcji). I odwrotnie — strona z świetnym AI Readiness może mieć słabe pozycje w SERP, jeśli brakuje jej tradycyjnych sygnałów rankingowych.

W praktyce dobre AI Readiness często pomaga w klasycznym SEO (Schema.org, semantic HTML, content quality) — ale to nie są te same priorytety.

Co sprawdza AI Readiness Score w SiteSpector

Wynik 0–100 z breakdown na 6 kategorii:

1. Structured Data (max 25 pkt)

• Czy strona ma Schema.org markup?
• Czy schemy są poprawne (Google Rich Results test pass)?
• Czy schemy pokrywają kluczowe entity strony (Product, Article, Organization, FAQPage)?
• Czy są nested entity (Product → Brand → Organization)?

LLM-y używają structured data jako pierwszego sygnału do ekstrakcji informacji. Strona z bogatą Schema.org dostaje preferencję w odpowiedziach AI Overviews.

2. Semantic HTML (max 20 pkt)

• Czy strona używa semantic tagów (article, section, nav, main, aside)?
• Czy hierarchia headings jest logiczna (h1 → h2 → h3)?
• Czy są opisy alt na obrazach?
• Czy ARIA labels są obecne, gdzie potrzeba?

Semantic HTML pomaga LLM-om zrozumieć strukturę strony bez polegania na CSS/layout.

3. Content Extraction (max 20 pkt)

• Czy LLM potrafi wyciągnąć kluczowe info ze strony? (testowane przez actual LLM call)
• Czy najważniejsze fakty są w tekście (nie w obrazach, nie w JS-rendered content)?
• Czy strona ma jasną strukturę „pytanie → odpowiedź”?
• Czy są listy, tabele, definicje (łatwo parsowane przez AI)?

Test polega na rzeczywistym wezwaniu Gemini z zapytaniem „wyciągnij top 5 informacji z tej strony” — i ocenie, jak dobrze sobie poradzi.

4. AI Crawler Access (max 15 pkt)

• Czy robots.txt nie blokuje crawlerów AI (GPTBot, ClaudeBot, PerplexityBot, GoogleBot)?
• Czy nie ma client-side JS-only rendering (LLM-y często nie wykonują JS)?
• Czy są dostępne sitemap.xml i RSS feeds?
• Czy meta tagi (noindex, nofollow) są używane świadomie?

Najprostszy fix dający duży boost: jeden tag w robots.txt może otworzyć drogę milionom LLM-owych crawli miesięcznie.

5. AI Overviews Presence (max 15 pkt)

• Czy Twoja domena pojawia się w aktualnych AI Overviews dla branżowych fraz?
• Ile fraz? Jak często?
• Jakie typy fraz (question-based vs commercial vs informational)?
• Trend ostatnie 30 dni?

To jest jedyny moduł, który mierzy aktualny stan, nie potencjał. Pokazuje, co Google AI faktycznie myśli o Twojej stronie.

6. Content Quality dla AI (max 5 pkt)

• Czy treść ma factual density (informacje per akapit)?
• Czy są źródła i atrybucje (LLM-y preferują źródła z cytowaniami)?
• Czy autorzy są oznaczeni (E-E-A-T sygnały)?
• Czy daty publikacji i aktualizacji są jawne?

Te elementy LLM-y traktują jako wskaźniki wiarygodności.

Poziomy AI Readiness

0–30: Niedostępny dla AI. Strona w dużej mierze niewidzialna dla LLM-ów. Typowo: brak Schema, JS-only rendering, treść w obrazach, robots.txt blokuje AI crawlery. Konieczna zasadnicza praca.

31–55: Słabo widoczny. Część treści jest dostępna, ale LLM-y rzadko wybierają stronę jako źródło. Brak structured data lub bardzo lakoniczne. Performance jest OK, ale AI extraction słabe.

56–75: Średnio widoczny. Strona pojawia się w AI Overviews dla niektórych fraz, ale nie wszystkich potencjalnych. Schema.org jest, ale niepełna. Content extraction działa, ale są luki.

76–90: Dobrze widoczny. Strona regularnie pojawia się w AI Overviews. Schema bogata i pełna. LLM-y łatwo wyciągają info. Brak większych blockerów.

91–100: Optymalnie widoczny. Strona jest preferred source dla AI w branży. Wszystkie 6 kategorii na max lub blisko. Aktywnie monitorowana — nowe podstrony mają AI Readiness w spec.

W naszych danych z 2026: średnia stron polskich e-commerce to 42, średnia portali contentowych to 58, średnia korporacyjnych SaaS to 51. Przedsiębiorstwa enterprise robiące AI-aware content (np. duże media) — 75+.

Top 5 quick winów dla AI Readiness

Z analizy 1000+ audytów w SiteSpector — najczęstsze quick winy z największym impactem:

1. Dodaj Schema.org Article do każdego artykułu (+8–12 pkt)

Najprostsza struktura, największy efekt. Article Schema z pełnymi polami (headline, datePublished, dateModified, author, description, image). LLM-y preferują artykuły z metadanymi.

2. Otwórz robots.txt dla AI crawlerów (+5–8 pkt)

Sprawdź, czy nie blokujesz GPTBot, ClaudeBot, PerplexityBot, Google-Extended. Wiele domyślnych konfigów blokuje wszystko poza Googlebot. Otwarcie zwiększa AI crawl rate dramatycznie.

3. Konwertuj treść z obrazów do HTML (+5–10 pkt)

Infografiki, tabele jako screenshoty, „featured stats” jako grafiki — to wszystko jest niewidzialne dla LLM-ów. Dodaj odpowiednik w HTML (z semantic tabelą, listą, structured paragraph).

4. Dodaj FAQPage Schema do contentu Q&A (+5–7 pkt)

Każda strona z sekcją FAQ powinna mieć FAQPage Schema. AI Overviews bardzo często wyciągają z nich odpowiedzi (widać to w wynikach „People also ask”).

5. Zaktualizuj daty publikacji w starych artykułach (+3–5 pkt)

LLM-y preferują świeże treści. Stare artykuły z dateModified sprzed 3 lat są dyskryminowane. Jeśli artykuł jest nadal aktualny, zaktualizuj dateModified.

Jak SiteSpector mierzy AI Readiness

Pełna metodyka (transparentnie):

1. Crawl strony (faza 1 audytu) — zbieramy HTML, headers, robots.txt, sitemap.
2. Parse Schema.org — wyciągamy wszystkie schemy z JSON-LD i Microdata.
3. Test extraction LLM-em — dla 5–10 reprezentatywnych podstron robimy real call do Gemini „wyciągnij top 5 informacji”. Oceniamy jakość ekstrakcji.
4. Sprawdzenie AI crawler accessibility — parsowanie robots.txt pod kątem AI bots.
5. Aktualne dane AI Overviews — z modułu widoczności pobieramy listę fraz, dla których pojawiasz się w AI Overviews.
6. Aggregacja punktów — sumujemy z każdej kategorii, normalizujemy do skali 0–100.

Cały proces zautomatyzowany, kompletuje się w 30–60 sekundach po fazie 1.

Działać teraz, nie za rok

Era LLM search dopiero się zaczyna, ale dynamika jest znana z poprzednich rewolucji w SEO (mobile-first, voice search, featured snippets). Pierwsze 2 lata definiują, kto będzie liderem branży w AI Overviews na 5+ lat. Dziś jest to dobry moment, żeby zacząć optymalizować — konkurencja jeszcze tego nie traktuje serio, więc stosunkowo niskie bariery dają duży advantage.

Sprawdź AI Readiness swojej strony — w darmowym audycie SiteSpector dostajesz pełny breakdown z wszystkimi 6 kategoriami i konkretnymi quick winami. 50 kredytów na start, bez karty kredytowej. Zobacz, gdzie jesteś — i co możesz poprawić w ciągu jednego sprintu, żeby przeskoczyć konkurencję.