Analiza SERP to jedno z niewielu zadań, w których prompty do analizy SERP dają powtarzalne wyniki, pod warunkiem że model dostaje surowe dane zamiast ogólnego pytania. Poniżej znajdziecie dziesięć szablonów, które obejmują cały proces: od klasyfikacji intencji, przez mapę sekcji u konkurencji, po ocenę szansy na ranking. Każdy szablon ma przykładowe wejście i opis oczekiwanego wyniku, więc można go skopiować i użyć od razu.
W skrócie
- Model nie widzi SERP: trzeba mu dostarczyć tytuły, adresy, nagłówki i fragmenty tekstu w ustalonym formacie.
- Dziesięć promptów dzieli się na pięć zadań: intencja, mapa sekcji, luki treściowe, pytania do FAQ, ocena szansy.
- Najlepiej działa łańcuch: wynik jednego promptu staje się wejściem kolejnego.
- Najczęstsza przyczyna bezużytecznych wyników to brak danych, nie zły prompt.
Jak przygotować dane wejściowe z SERP
Model językowy nie przegląda wyników wyszukiwania, dlatego jakość analizy zależy w całości od tego, co wkleicie. Minimalny zestaw danych dla jednego zapytania to: pozycja, adres URL, tytuł strony (title), nagłówek H1 oraz lista nagłówków H2 i H3. Warto dodać meta opis i pierwsze 200–300 słów treści, jeśli chcecie analizować ton i styl.
Dane najwygodniej zapisać w prostym formacie tekstowym, na przykład jako listę numerowaną lub tabelę w Markdown. Narzędzia takie jak Screaming Frog, Ahrefs czy zwykły skrypt w Pythonie pobiorą nagłówki z 10 adresów w kilka minut.
Zanim wynik analizy trafi do briefu, dobrze jest przepuścić go przez ten sam proces fact-checkingu treści AI, którego używacie przy gotowych tekstach. Model potrafi wymyślić nagłówek, którego u konkurencji nie ma, jeśli dane wejściowe były niekompletne.
Prompt: klasyfikacja intencji zapytania
Klasyfikacja intencji odpowiada na pytanie, czy zapytanie jest informacyjne, nawigacyjne, komercyjne czy transakcyjne, i jaki format treści dominuje w wynikach. Model radzi sobie z tym dobrze, bo widzi to samo, co analityk: tytuły i typy stron w pierwszej dziesiątce.
Szablon 1: intencja na podstawie tytułów
Poniżej masz 10 wyników wyszukiwania dla zapytania „[ZAPYTANIE]” w formacie: pozycja | tytuł | URL | typ strony. Określ dominującą intencję (informacyjna, nawigacyjna, komercyjna, transakcyjna) i podaj procentowy rozkład typów stron (poradnik, ranking, strona produktu, kategoria sklepu, narzędzie). Odpowiedz w formie tabeli, bez komentarza.
Przykładowe wejście: 10 wierszy dla zapytania „audyt seo cena”. Oczekiwany wynik: intencja komercyjna, 6 poradników z cennikiem, 3 strony usługowe agencji, 1 ranking. Taki rozkład od razu podpowiada, że sama strona usługowa nie wejdzie do TOP 10 bez sekcji edukacyjnej.
Szablon 2: intencja mieszana i podzapytania
Na podstawie tych samych danych wskaż, czy SERP obsługuje więcej niż jedną intencję. Dla każdej intencji wypisz, które pozycje ją realizują, i zaproponuj po jednym podzapytaniu, które lepiej rozdzieli te intencje.
Prompt: mapa sekcji u konkurencji
Mapa sekcji pokazuje, które tematy powtarzają się w większości tekstów z pierwszej dziesiątki, a które pojawiają się tylko u jednego konkurenta. To najbardziej praktyczny wynik całej analizy, bo bezpośrednio przekłada się na konspekt.
Szablon 3: tabela częstotliwości nagłówków
Masz listę nagłówków H2 i H3 z 10 stron w formacie: URL, potem nagłówki w kolejności. Pogrupuj nagłówki w tematy (nagłówki o tym samym znaczeniu, ale innym brzmieniu, trafiają do jednej grupy). Dla każdej grupy podaj: nazwę tematu, liczbę stron, na których występuje, i przykładowe brzmienie nagłówka. Posortuj od najczęstszych.
Przykład: dla zapytania „schema markup dla sklepu” model powinien zwrócić grupy takie jak „typy schematów Product i Offer” (9 z 10 stron), „walidacja w Rich Results Test” (7 z 10), „błędy w schemacie recenzji” (3 z 10). Grupy z wynikiem 7 i wyżej to obowiązkowe sekcje.
Szablon 4: kolejność i głębokość sekcji
Na podstawie tej samej listy określ typową kolejność tematów (co pojawia się na początku, co w środku, co na końcu) oraz przeciętną liczbę podsekcji H3 pod każdym tematem. Wypisz konspekt, który odzwierciedla medianę, nie wartość maksymalną.
Prompt: luki tematyczne względem naszego tekstu
Luka treściowa to temat, który występuje u większości konkurentów, a nie występuje w waszym tekście, albo odwrotnie: temat, którego nie ma nigdzie, a użytkownicy o niego pytają. Model porównuje dwie listy nagłówków szybciej niż człowiek, ale wynik trzeba sprawdzić, bo nazwy sekcji nie zawsze oddają ich zawartość.
Szablon 5: brakujące sekcje
Poniżej masz mapę tematów z konkurencji (temat, liczba stron) oraz listę nagłówków naszego tekstu. Wskaż tematy obecne u co najmniej 5 z 10 konkurentów, których nie ma u nas. Dla każdego podaj, w którym miejscu naszego konspektu powinien się znaleźć i jaką minimalną długość sugeruje mediana u konkurencji.
Szablon 6: sekcje nadmiarowe i unikalne
Z tych samych danych wypisz sekcje, które mamy tylko my. Dla każdej oceń w jednym zdaniu, czy to przewaga (odpowiada na realne pytanie użytkownika) czy balast (nie wiąże się z intencją zapytania). Nie usuwaj niczego, tylko oznacz.
Wynik tego promptu trafia zwykle do redaktora, a nie prosto do tekstu. Sam model nie wie, czy sekcja unikalna wynika ze świadomej strategii, dlatego proces akceptacji treści w agencji powinien uwzględniać osobny krok na przegląd luk.
Prompt: pytania użytkowników do sekcji FAQ
Sekcja FAQ działa najlepiej, gdy pytania pochodzą z realnych danych: bloku „Podobne pytania”, podpowiedzi wyszukiwarki i nagłówków w formie pytań u konkurencji. Model pomaga je uporządkować i odsiać duplikaty, ale nie powinien ich wymyślać.
Szablon 7: deduplikacja i grupowanie pytań
Masz listę 30 pytań zebranych z SERP dla zapytania „[ZAPYTANIE]”. Usuń duplikaty znaczeniowe, pogrupuj pozostałe w maksymalnie 6 tematów i w każdym temacie wskaż jedno pytanie, które najlepiej reprezentuje grupę. Zachowaj oryginalne brzmienie pytań.
Szablon 8: pytania bez odpowiedzi w TOP 10
Porównaj listę pytań z mapą tematów konkurencji. Wskaż pytania, na które żadna strona z TOP 10 nie odpowiada w osobnej sekcji. To kandydaci do FAQ lub do osobnego akapitu.
Przykład: dla zapytania „core web vitals wordpress” 4 z 30 pytań dotyczyły wtyczek cache, a tylko jedna strona z dziesiątki miała o tym sekcję. To typowa luka, którą jeden akapit zamyka.
Prompt: ocena szansy na ranking
Ocena szansy to najbardziej ryzykowny prompt w zestawie, bo model nie ma danych o linkach ani autorytecie domeny. Może jednak porównać kompletność treści i wskazać, czy różnica między naszym tekstem a TOP 10 leży w zawartości, czy poza nią.
Szablon 9: porównanie kompletności
Na podstawie mapy tematów konkurencji i naszego konspektu policz, jaki procent tematów obecnych u co najmniej 5 konkurentów pokrywamy. Podaj wynik jako liczbę i wypisz trzy tematy, których dodanie najbardziej podniesie ten wskaźnik.
Szablon 10: raport dla redakcji
Zbierz wyniki poprzednich kroków w raport o strukturze: intencja, obowiązkowe sekcje, luki, pytania do FAQ, wskaźnik pokrycia. Maksymalnie 250 słów, bez wstępu i podsumowania. Nie dodawaj żadnych tematów, których nie było w danych wejściowych.
Ostatnie zdanie szablonu 10 jest ważne. Bez niego model uzupełnia raport „oczywistymi” sekcjami, których w danych nie było, i cała analiza traci wiarygodność.
Jak łączyć prompty w jeden przepływ
Dziesięć promptów tworzy łańcuch, w którym wynik jednego kroku jest wejściem następnego. Poniższa tabela pokazuje kolejność i zależności.
| Krok | Szablony | Wejście | Wynik |
|---|---|---|---|
| 1 | 1, 2 | tytuły i typy stron z TOP 10 | intencja, rozkład formatów |
| 2 | 3, 4 | nagłówki H2/H3 z TOP 10 | mapa tematów, konspekt medianowy |
| 3 | 5, 6 | mapa tematów + nasze nagłówki | lista luk i nadmiarów |
| 4 | 7, 8 | pytania z SERP + mapa tematów | 6 tematów FAQ, pytania bez odpowiedzi |
| 5 | 9, 10 | wszystkie poprzednie wyniki | wskaźnik pokrycia, raport |
W praktyce cały łańcuch dla jednego zapytania zajmuje 15–25 minut, z czego większość to zbieranie danych. Same prompty wykonują się w 2–3 minuty. Jeśli automatyzujecie ten proces, każdy krok powinien zapisywać wynik do osobnego pliku, żeby dało się wrócić do dowolnego etapu bez powtarzania całości.
Google w dokumentacji o tworzeniu przydatnych treści podkreśla, że kopiowanie struktury konkurencji bez własnej wartości nie daje przewagi. Mapa tematów służy więc do wyznaczenia minimum, nie do odtwarzania cudzych tekstów.
Błędy, przez które wyniki są bezużyteczne
- Prompt bez danych. „Przeanalizuj SERP dla zapytania X” bez wklejonych wyników daje odpowiedź z pamięci modelu, czyli zgadywanie.
- Niespójny format wejścia. Jeśli połowa wyników ma nagłówki, a połowa tylko tytuły, model wyrówna braki własnymi domysłami.
- Brak zakazu dodawania tematów. Bez wyraźnego „nie dodawaj niczego spoza danych” model dopisuje sekcje, które uważa za typowe.
- Jeden prompt na wszystko. Połączenie pięciu zadań w jedno polecenie obniża jakość każdego z nich; lepiej pięć krótkich kroków.
- Traktowanie oceny szansy jak prognozy. Wskaźnik pokrycia mówi o treści, nie o linkach; strona z 100% pokryciem może nie wejść do TOP 10 z powodów pozatreściowych.
- Kopiowanie konspektu bez redakcji. Tekst zbudowany wyłącznie z mediany konkurencji wygląda jak każdy inny w SERP. Zasady opisane w artykule o humanizacji tekstu AI dotyczą też konspektów, nie tylko gotowych akapitów.
FAQ: najczęstsze pytania
Czy model może sam pobrać wyniki wyszukiwania?
Standardowy model czatu nie ma dostępu do Google. Niektóre narzędzia (Perplexity, ChatGPT z przeglądaniem, agenci z wtyczkami) potrafią pobrać stronę, ale wyniki są niepełne i nieprzewidywalne. Do analizy SERP lepiej zebrać dane samodzielnie i wkleić je w spójnym formacie.
Ile wyników z SERP wystarczy do analizy?
Dziesięć organicznych wyników to standard, bo odzwierciedla pierwszą stronę. Dla zapytań z dużą konkurencją warto rozszerzyć do 20, żeby zobaczyć, czym różnią się strony z drugiej strony wyników. Poniżej pięciu wyników mapa tematów przestaje być miarodajna.
Który model najlepiej nadaje się do tych promptów?
Wszystkie duże modele (Claude, GPT, Gemini) radzą sobie z klasyfikacją i grupowaniem nagłówków. Różnice pojawiają się przy długich wejściach: nagłówki z 20 stron plus 30 pytań to kilka tysięcy tokenów, więc model z dużym oknem kontekstu jest wygodniejszy.
Czy te prompty działają dla zapytań w innych językach?
Tak, pod warunkiem że dane wejściowe i polecenie są w tym samym języku. Mieszanie polskich nagłówków z angielskim promptem obniża jakość grupowania tematów, bo model gubi niuanse znaczeniowe.
Jak często powtarzać analizę dla tego samego zapytania?
Dla zapytań stabilnych wystarczy raz na kwartał. Dla tematów aktualnościowych lub sezonowych SERP zmienia się co kilka tygodni i mapa tematów sprzed dwóch miesięcy może być nieaktualna.
Co dalej
Gotowy raport z szablonu 10 najlepiej przekazać redaktorowi razem z surowymi danymi, żeby mógł zweryfikować każdą lukę. Jeśli tekst ma powstać z pomocą modelu, wynik analizy warto połączyć z zasadami z artykułu o fact-checkingu treści AI, bo konspekt zbudowany na danych z SERP nadal wymaga sprawdzenia faktów w gotowych akapitach.