Jak technicznie zoptymalizować Next.js pod GEO i AEO

W tym artykule wyjaśniam, czym GEO i AEO różnią się od klasycznego SEO, jakie zmiany techniczne wdrożyć w projekcie Next.js, jak strukturyzować treści pod cytowanie przez modele językowe i jakie wyniki można realistycznie osiągnąć.

Ten wpis jest techniczną listą kontrolną dla stron Next.js, natomiast szerszy fundament strategii, contentu i pomiaru znajdziesz w artykule GEO — Generative Engine Optimization, czyli jak optymalizować treści pod AI.

SEO, AEO i GEO w Next.js: trzy filary widoczności w AI

Zanim przejdziemy do implementacji, warto precyzyjnie rozróżnić te trzy elementy, ponieważ każda z nich odpowiada na inne zachowanie użytkownika i inny mechanizm ekstrakcji treści.

SEO w Next.js, czyli klasyczna optymalizacja jest fundamentem

Tradycyjne SEO optymalizuje strony pod algorytmy rankingowe Google, Bing i innych wyszukiwarek, a jej celem jest wysoka pozycja na liście wyników (blue links). Miernikiem sukcesu jest ruch organiczny, pozycje na słowa kluczowe i konwersje z wyszukiwania, ponieważ bez tego GEO i AEO nie mają racji bytu.

AEO - Answer Engine Optimization pod odpowiedzi bez kliknięcia

AEO strukturyzuje treść tak, aby pojawiała się bezpośrednio w odpowiedziach wyszukiwarek — featured snippetach, panelach wiedzy, odpowiedziach głosowych i sekcjach „People Also Ask". Kluczowe jest dostarczenie zwięzłej, precyzyjnej odpowiedzi na konkretne pytanie, a miernikiem jest tutaj widoczność w zero-click results. W rezultacie, użytkownik otrzymuje odpowiedź bez konieczności kliknięcia w link.

GEO — Generative Engine Optimization pod ChatGPT, Gemini i Perplexity

GEO to warstwa praktyk pomocnych wtedy, gdy dany produkt AI korzysta z wyszukiwania lub RAG (Retrieval-Augmented Generation). Gdy użytkownik pyta ChatGPT „jakie narzędzie do email marketingu jest najlepsze dla małej firmy?", odpowiedź może korzystać z bieżącego wyszukiwania, pobranych źródeł i syntezy ich fragmentów, ale nie dzieje się tak dla każdego pytania ani w każdym interfejsie. Dopracowana strona zwiększa szansę, że będzie możliwa do znalezienia i zrozumienia; nie daje gwarancji cytowania.

W klasycznym SEO użytkownik zwykle wybiera link z wyników. W interfejsie generatywnym może najpierw zobaczyć syntezę odpowiedzi, a czasem nie przejść na stronę; gdy system pokaże źródło, link i marka nadal mogą prowadzić do wartościowego wejścia. Nie każdy wynik AI działa jednak w ten sam sposób.

Dlaczego GEO i AEO to szansa dla polskich stron Next.js

GEO jest szansą, ponieważ wiele serwisów publikuje treści bez jasnych definicji, źródeł, aktualizacji i czytelnej architektury informacji. Dobrze uporządkowany serwis może dzięki temu odróżnić się jakością techniczną i redakcyjną, ale sama obecność FAQ czy definicji nie jest mechanizmem zapewniającym widoczność.

Warto pamiętać, że GEO nie zastępuje SEO, tylko rozszerza je. Jest więc kolejną warstwą skomplikowania w kreacji treści. Strony potrzebują solidnego fundamentu technicznego SEO i głębokości treści, żeby zostać odkryte, zrozumiane i ewentualnie zacytowane przez systemy AI. Najczęściej wygrywają te same serwisy, które mają mocne SEO, czytelną strukturę informacji, wyraźne autorstwo i aktualne treści.

Architektura Next.js pod GEO i AEO: implementacja techniczna

Next.js jest jednym z najlepszych frameworków do wdrożenia strategii GEO/AEO dzięki natywnej obsłudze Server-Side Rendering, Static Site Generation, React Server Components i rozwiniętemu ekosystemowi narzędzi SEO.

Właśnie dlatego, mając już doświadczenie w SEO i ucząc się JS/React, zwróciłem większą uwagę na Next.js. Problemem nie był sam React, tylko typowy setup oparty na client-side renderingu: treść nie trafiała do HTML-a od razu, tylko po wykonaniu JavaScriptu, co osłabia możliwości SEO. Next.js oferuje SSR i SSG, więc użytkownicy oraz roboty wyszukiwarek szybciej dostawali gotową treść, a jest to istotna część optymalizacji.

Metadata API w Next.js jako fundament GEO i AEO

Next.js App Router oferuje wbudowane Metadata API do deklaratywnego definiowania meta tagów, Open Graph, kanonicznych adresów i alternatyw językowych. JSON-LD renderuje się osobnym, natywnym tagiem <script> w komponencie strony lub layoutu:

// app/blog/[slug]/page.tsx
import type { Metadata } from 'next'
 
type Props = {
  params: Promise<{ slug: string }>
}
 
export async function generateMetadata({ params }: Props): Promise<Metadata> {
  const { slug } = await params
  const post = await getPost(slug)
 
  return {
    title: `${post.title} - CompanyName`,
    description: post.excerpt,
    openGraph: {
      title: post.title,
      description: post.excerpt,
      type: 'article',
      publishedTime: post.datePublished,
      modifiedTime: post.dateModified,
      authors: [post.author],
    },
    alternates: {
      canonical: '/blog/' + slug,
    },
  }
}

Ustaw też metadataBase raz w głównym app/layout.tsx. Wtedy Next.js zamieni względny canonical i adresy obrazów Open Graph na pełne URL-e, zamiast wymagać ręcznego sklejania domeny w każdej trasie.

JSON-LD i structured data dla wyszukiwarek oraz silników AI

Dane strukturalne opisują treść w formacie maszynowym. Google wskazuje je jako pomoc w rozumieniu strony i kwalifikowaniu do wybranych wyników wzbogaconych (rich results); nie publikuje jednak reguły, według której JSON-LD zwiększa cytowalność w AI Overviews. W praktyce wdrażaj je dla zgodności semantycznej i wyszukiwarki, nie jako obietnicę działania RAG. Oto bezpieczna implementacja JSON-LD w Next.js:

// components/ArticleJsonLd.tsx
interface ArticleJsonLdProps {
  title: string;
  description: string;
  datePublished: string;
  dateModified: string;
  authorName: string;
  url: string;
  imageUrl: string;
}
 
export function ArticleJsonLd({
  title,
  description,
  datePublished,
  dateModified,
  authorName,
  url,
  imageUrl,
}: ArticleJsonLdProps) {
  const jsonLd = {
    '@context': 'https://schema.org',
    '@type': 'Article',
    headline: title,
    description,
    datePublished,
    dateModified,
    author: {
      '@type': 'Person',
      name: authorName,
      url: 'https://example.com/o-mnie',
    },
    publisher: {
      '@type': 'Organization',
      name: 'CompanyName',
      url: 'https://example.com',
      logo: {
        '@type': 'ImageObject',
        url: 'https://example.com/logo.png',
      },
    },
    mainEntityOfPage: url,
    image: imageUrl,
  };
 
  return (
    <script
      type="application/ld+json"
      dangerouslySetInnerHTML={{
        __html: JSON.stringify(jsonLd).replace(/</g, '\\u003c'),
      }}
    />
  );
}

Typy schema szczególnie istotne dla GEO:

• Article / BlogPosting dla treści blogowych i artykułów eksperckich,
• FAQPage dla prawdziwej, widocznej sekcji pytań i odpowiedzi,
• HowTo tylko gdy strona faktycznie opisuje instrukcję krok po kroku; Google nie wyświetla już wyników rozszerzonych HowTo,
• Organization / Person dla budowania autorytetu encji (Entity Authority),
• BreadcrumbList dla jasnej hierarchii nawigacyjnej.

FAQPage Schema w Next.js pod AEO i odpowiedzi AI

FAQ poprawia nawigację i pozwala opisać widoczne pytania oraz odpowiedzi w danych strukturalnych. Nie traktuj jednak FAQPage jako taktyki na featured snippets lub AI: Google ogranicza wyniki wzbogacone FAQ głównie do autorytatywnych serwisów rządowych i medycznych, a brak bogatego wyniku nie jest błędem implementacji.

// components/FaqJsonLd.tsx
interface FaqItem {
  question: string;
  answer: string;
}
 
export function FaqJsonLd({ items }: { items: FaqItem[] }) {
  const jsonLd = {
    '@context': 'https://schema.org',
    '@type': 'FAQPage',
    mainEntity: items.map((item) => ({
      '@type': 'Question',
      name: item.question,
      acceptedAnswer: {
        '@type': 'Answer',
        text: item.answer,
      },
    })),
  };
 
  return (
    <script
      type="application/ld+json"
      dangerouslySetInnerHTML={{
        __html: JSON.stringify(jsonLd).replace(/</g, '\\u003c'),
      }}
    />
  );
}

Struktura answer-first: odpowiedź na początku, bez sztucznego limitu słów

Nie ma publicznej reguły, że ChatGPT, Perplexity czy Google AI Overviews oceniają stronę głównie po pierwszych 200 słowach. Warto mimo to stawiać odpowiedź na główne pytanie wysoko na stronie: użytkownik szybciej oceni trafność materiału, a fragment z definicją lub tezą jest łatwiejszy do odnalezienia niż odpowiedź ukryta po długim wstępie.

W praktyce oznacza to:

1. Zdanie definicyjne pierwsze 1–2 zdania artykułu powinny zawierać precyzyjną definicję lub odpowiedź na pytanie z tytułu,
2. Kluczowe fakty — natychmiast po definicji podaj 2–3 najważniejsze punkty,
3. Kontekst i rozwinięcie — dopiero potem rozwijaj temat w szczegółach.

Ta struktura (nazywana „inverted pyramid" lub „TLDR-first") poprawia czytelność i ułatwia wyodrębnienie odpowiedzi. Nie jest jednak udokumentowanym czynnikiem cytowania przez modele generatywne.

Strategia treści pod GEO: jak pisać artykuły cytowane przez AI

Topic clusters i pillar pages pod GEO

Strategię opartą na słowach kluczowych warto uzupełnić podejściem opartym na topic clusterach, którego struktura wygląda tak:

• Pillar Page, czyli obszerny artykuł (3000–5000 słów) pokrywający temat jak najszerzej się da, jednocześnie bez przysłowiowego lania wody,
• Cluster Content, czyli zestaw rozbudowanych artykułów pokrywających podtematy, warianty long-tail oraz powiązane pytania (bloki tematyczne),
• Wewnętrzne linkowanie, w którym pillar linkuje do clusterów i odwrotnie, tworząc semantyczną sieć.

Przykład dla strony o usługach inspekcyjnych:

• Pillar: „Przegląd instalacji elektrycznej — kompletny przewodnik"
• Cluster: „Co ile lat przegląd elektryczny?", „Ile kosztuje przegląd instalacji?", „Kto wykonuje przeglądy elektryczne?".

Wyczerpujące pokrycie tematu i sensowne linkowanie wewnętrzne pomagają użytkownikom oraz crawlerom odnajdywać powiązane materiały. Nie ma natomiast publicznego wzoru, który przelicza „topical authority" na widoczność w odpowiedziach AI.

Dane, statystyki i cytowania jako sygnały wiarygodności GEO

Oryginalne dane, statystyki i konkretne liczby mogą dostarczyć materiału, którego nie ma w wielu podobnych tekstach. Jasne źródło, data i kontekst liczby ułatwiają ich weryfikację przez czytelnika i systemy wyszukiwania, ale nadal nie gwarantują cytowania.

Praktyczne wskazówki:

• Podawaj sprawdzone liczby zamiast ogólników („redukcja kosztów o 34%" zamiast „znacząca redukcja kosztów"),
• Oznaczaj datę ostatniej aktualizacji i rok danych,
• Cytuj wiarygodne źródła (raporty branżowe, dane GUS, badania naukowe),
• Twórz własne badania i ankiety — oryginalne dane to content, którego AI nie może wygenerować samodzielnie.

Entity Authority: budowanie tożsamości marki dla AI

„Entity Authority" nie jest oficjalną metryką Google ani dostawców modeli. To praktyczny skrót na wiarygodność encji — spójność danych o marce, osobie lub organizacji w wielu źródłach. Takie informacje ułatwiają ich weryfikację i ograniczają sprzeczności.

Jak budować Entity Authority:

1. Spójna informacja o autorze. Mam tu na myśli biogram z kwalifikacjami, zdjęciem, linkami do profili (LinkedIn, GitHub) na każdej stronie.
2. Schema Person/Organization. Kompletna, a także identyczna we wszystkich artykułach.
3. Wzmianki w zewnętrznych źródłach. Cytowania w mediach branżowych, artykuły gościnne, wypowiedzi eksperckie etc.
4. Spójna obecność w wielu kanałach. Blog, LinkedIn, X, YouTube z komplementarnymi treściami.

Sekcja aktualizacji: co zmieniło się w danym roku

Widoczna data aktualizacji, opis realnych zmian i świeże statystyki pomagają ocenić aktualność materiału. Nie aktualizuj jednak samej daty bez zmiany merytorycznej: data dateModified i lastmod powinny odpowiadać rzeczywistej, istotnej edycji.

Optymalizacja techniczna Next.js pod crawlery AI

Dostępność strony Next.js dla botów AI

Nie ma jednego „crawlera AI”. Rozdziel dostęp do wyszukiwania, pobierania treści na żądanie użytkownika i treningu modeli, bo te role mają inne identyfikatory oraz konsekwencje. Publiczna strona powinna zwracać indeksowalny HTML, kod 200 i nie być przypadkowo blokowana przez robots.txt, noindex, logowanie ani WAF.

# robots.txt
User-agent: *
Allow: /

# ChatGPT Search: odkrywanie i cytowanie publicznych treści
User-agent: OAI-SearchBot
Allow: /

# Wyniki wyszukiwania Perplexity
User-agent: PerplexityBot
Allow: /

# Google Search, w tym funkcje AI w wynikach wyszukiwania Google
User-agent: Googlebot
Allow: /

# Opcjonalna, niezależna zgoda na trening Gemini i grounding Gemini
User-agent: Google-Extended
Allow: /

# Osobna decyzja o możliwym użyciu treści do treningu przez OpenAI
User-agent: GPTBot
Disallow: /

Sitemap: https://twojadomena.pl/sitemap.xml

OAI-SearchBot dotyczy odkrywania i cytowania treści w ChatGPT Search. GPTBot jest odrębną decyzją dotyczącą potencjalnego treningu, a Google-Extended steruje wykorzystaniem treści do treningu i grounding Gemini, nie do indeksowania ani rankingu w Google Search. Perplexity-User oraz analogiczne fetchery uruchamiane przez użytkownika to inna kategoria niż crawler wyników i nie są dowodem na odkrywalność strony.

robots.txt jest tylko jedną warstwą. Przy Cloudflare, CDN lub własnym WAF sprawdź osobno, czy zweryfikowane boty nie dostają 403, challenge, przekierowania do logowania albo pustego dokumentu. Nie ufaj samemu nagłówkowi User-Agent: do list dozwolonych używaj procedury weryfikacji i zakresów IP opublikowanych przez konkretnego dostawcę.

Test odpowiedzi HTTP i widocznej treści

Po wdrożeniu sprawdź stronę w produkcji, nie tylko lokalnie. Dla kluczowego URL-a zweryfikuj kod odpowiedzi, canonical, dyrektywy robotów i to, czy główna treść występuje w zwróconym HTML-u:

curl -sS -o /dev/null -D - https://example.com/blog/next-js-geo-aeo
curl -sL https://example.com/blog/next-js-geo-aeo | rg -n \
  'rel="canonical"|name="robots"|application/ld\+json|Jak technicznie'

W Google Search Console korzystaj dodatkowo z narzędzia „Inspekcja adresu URL”, aby zweryfikować stan indeksowania oraz sposób renderowania strony. Pamiętaj, że brak tagu noindex to za mało, ponieważ Google wymaga, aby strona była dostępna dla Googlebota, zwracała kod odpowiedzi 200 i zawierała treść możliwą do poprawnego zindeksowania, również na potrzeby formatów wspieranych przez AI.

Sitemap XML z lastmod dla Google i crawlerów AI

Mapa strony pomaga wyszukiwarkom odkrywać kanoniczne adresy i oceniać, które dokumenty zmieniły się od ostatniego pobrania. lastmod nie jest sygnałem GEO ani gwarancją ponownego crawlu, dlatego podawaj rzeczywistą datę istotnej modyfikacji:

// app/sitemap.ts
import { MetadataRoute } from 'next'
 
export default async function sitemap(): Promise<MetadataRoute.Sitemap> {
  const posts = await getAllPosts()
 
  return posts.map((post) => ({
    url: 'https://twojadomena.pl/blog/' + post.slug,
    lastModified: new Date(post.updatedAt),
    changeFrequency: 'weekly',
    priority: 0.8,
  }))
}

llms.txt możesz utrzymywać jako wygodny, tekstowy indeks najważniejszych materiałów, zwłaszcza gdy generujesz go z tych samych danych co sitemapę. Nie jest jednak standardem sieciowym ani udokumentowanym wymogiem Google, OpenAI czy Perplexity.

Core Web Vitals i jakość strony

Core Web Vitals są elementem jakości doświadczenia strony i sygnałem używanym w klasycznym Google Search. Google zaleca dobrą jakość strony także dla wejść z AI Overviews i AI Mode, ale nie publikuje osobnego progu CWV, który decyduje o cytowaniu w odpowiedzi AI. W Next.js pomagają osiągnąć dobre wyniki:

• Image Optimization z next/image, czyli automatyczne WebP/AVIF, lazy loading, responsive sizes,
• Font Optimization z next/font, czyli samodzielne hostowanie fontów Google bez layout shift,
• Streaming z Suspense odpowiada za szybsze dostarczenie krytycznych fragmentów strony bez czekania na całość,
• React Server Components mogą ograniczyć JavaScript po stronie klienta i pracę przeglądarki; efekt dla LCP trzeba potwierdzić danymi z realnych użytkowników.

Warto też zadbać o semantyczny HTML i poprawne nazwy oraz stany kontrolek. Pomagają one osobom korzystającym z technologii asystujących, a także narzędziom, które odczytują strukturę i interakcje strony. Nie zastępuje to klasycznego SEO, Core Web Vitals ani testu crawlability.

Jak mierzyć widoczność w AI Search, ChatGPT i Perplexity

Pomiar GEO jest nadal mniej dojrzały niż klasyczne SEO, więc najlepiej łączyć kilka źródeł sygnałów zamiast szukać jednego „wskaźnika prawdy”.

• Manualny benchmark promptów. Zbuduj listę 20–40 pytań, które użytkownik rzeczywiście zadaje ChatGPT, Perplexity, Gemini i Google. Przy każdym zapisz datę, kraj/język, tryb wyszukiwania, użyty prompt, cytowane URL-e i wynik; interfejsy oraz źródła odpowiedzi zmieniają się między sesjami.

• Referral traffic i atrybucja. Monitoruj wejścia z AI search w analityce, przykładowo w przypadku ChatGPT Search możesz śledzić ruch z parametrem utm_source=chatgpt.com, ale nie zakładaj, że każdy silnik AI da podobny sygnał.

• Search Console i logi serwera. Obserwuj wzrost impressions na pytaniowe frazy, częstotliwość recrawlu i to, czy zaktualizowane treści są szybko pobierane przez boty.

• Jakość cytowania. Sama wzmianka o marce jest słabszym sygnałem niż cytat z konkretną tezą, link do strony lub wykorzystanie Twojej tabeli, definicji czy FAQ jako podstawy odpowiedzi.

Jeśli korzystasz z dedykowanych narzędzi monitorujących AI visibility, traktuj je jako warstwę pomocniczą, nie jedyne źródło prawdy. Najważniejsze pozostaje to, czy treść jest realnie wybierana jako źródło i czy generuje wartościowy ruch lub wzrost zapytań brandowych.

Lista kontrolna wdrożenia GEO i AEO dla Next.js

Poniżej zestawienie działań, które możesz wdrożyć systematycznie:

Warstwa techniczna:

• Implementacja JSON-LD zgodnego z widoczną treścią (zwykle Article lub BlogPosting, Organization/Person i BreadcrumbList; FAQPage/HowTo tylko gdy typ faktycznie pasuje)

• Walidacja danych strukturalnych w Google Rich Results Test

• Rozdzielona polityka robots.txt dla Googlebota, OAI-SearchBot, PerplexityBot oraz opcjonalnie Google-Extended i GPTBot

• Sitemap XML z właściwymi datami lastmod

• Opcjonalny llms.txt generowany z tego samego źródła prawdy co sitemap i treści, bez traktowania go jako sygnału rankingowego

• Indeksowalna treść w odpowiedzi HTML oraz test 200, canonicala, noindex i blokad WAF na produkcji

• Core Web Vitals w zielonych strefach (LCP < 2,5s, INP < 200ms, CLS < 0,1)

• Kanoniczne URL-e na każdej stronie

Warstwa treści:

• Struktura answer-first — konkretna odpowiedź wysoko na stronie, bez sztucznego limitu liczby słów

• Sekcje FAQ z pytaniami w języku naturalnym (czyli, jak ludzie pytają AI)

• Dane, statystyki i konkretne liczby z podaniem źródeł
• Sekcja „Co zmieniło się w 2026" w kluczowych artykułach
• Topic clusters z pillar pages i wewnętrznym linkowaniem
• Widoczna data publikacji i ostatniej aktualizacji

• Kompletny biogram autora z kwalifikacjami (wprowadzenie Author Boxa z linkami)

Warstwa autorytetu:

• Spójna schema Person/Organization na całej stronie
• Obecność marki/autora w wielu zewnętrznych źródłach
• Cytowania w mediach branżowych i guest posty
• Profile społecznościowe z komplementarną treścią