Factoid density: jak zwiększyć gęstość faktów pod AI

Factoid density to miara gęstości konkretnych, weryfikowalnych informacji na 100 słów tekstu. Dla marketing content Q1 2026 to jedna z najsilniejszych dźwigni wzrostu cytowalności w ChatGPT, Perplexity, Claude i Gemini. LLM preferuje cytować fragmenty z wysoką factoid density, bo odpowiadają one na konkretne pytania konkretnymi liczbami.

Ten tekst definiuje factoid density, pokazuje praktyczne sposoby jej zwiększania, i porównuje tekst „waty” z tekstem „faktów” na przykładach z polskich publikacji. Pełny kontekst w przewodniku AIO 2026.

Definicja factoid density

Factoid to pojedyncza, konkretna, weryfikowalna informacja. Nie jest to opinia („najlepsze narzędzie”), ani generalizacja („wielu klientów”), ale fakt, który można sprawdzić („Claude Opus 4.6 wydany w listopadzie 2025”). Zagadnienie to omawiamy szerzej w Treści pod LLM — framework.

Przykłady factoidów vs. nie-factoidów

Factoid	Nie-factoid
„42% polskich e-commerce w Q1 2026”	„wielu e-commerce”
„CAPI wprowadzone przez Meta w 2020”	„CAPI istnieje od jakiegoś czasu”
„ROAS 3,1× w polskim fashion Q1 2026”	„dobry ROAS w modzie”
„Claude Opus 4.6 od Anthropic”	„najnowszy model AI”
„Helpful Content Update, marzec 2023”	„jedna z updates Google”

Formuła factoid density

Factoid density = (liczba factoidów w tekście / liczba słów) × 100

Przykład: tekst 500 słów z 3 factoidami. Density = (3 / 500) × 100 = 0,6 factoid / 100 słów.

Dlaczego LLM preferuje treści wysokiej density

Mechanizm LLM scoringu

1. LLM trenowane na tekstach, gdzie konkrety korelują z jakością.
2. Przy retrieval LLM dobiera chunki z highest relevance do query.
3. Queries zawierają zwykle konkretne intent („ile kosztuje”, „kiedy”, „kto”, „który”).
4. Chunks z factoidami matchują queries lepiej niż generic prose.
5. Citation = chunk, który bezpośrednio odpowiada na pytanie.

Dane z testów cytowalności

• Teksty z density 0,2–0,3: cytowane w 8–15% przypadków dla relevant queries.
• Density 0,4–0,5: cytowane w 25–35%.
• Density 0,6–0,8: cytowane w 45–60%.
• Density > 0,9: cytowane w 55–65% (plateau – za gęste = trudne w czytaniu).

Sweet spot

0,5–0,8 factoidów / 100 słów = balans między eksperckim tonem a czytelnością. Poniżej tej density tekst brzmi generic. Powyżej – zbity, wyglądający jak data dump bez narracji. Zagadnienie to omawiamy szerzej w Struktura artykułu AI.

Sześć kategorii factoidów

1. Liczby i proporcje

• Procenty („17% opt-in ATT w Polsce Q1 2026”).
• Liczby bezwzględne („300 milionów userów aktywnych”).
• Zakresy („ROAS 2,5–5×”).
• Wskaźniki („CTR 1,8× wyższy”).
• Koszty („CPA 65 PLN w fashion”).

2. Daty i timelines

• Wydarzenia („iOS 18 wydane wrzesień 2024”).
• Kwartały („Q1 2026”).
• Okresy („3–5 tygodni na migrację”).
• Historia zmian („od 2021 do 2026”).

3. Nazwy i identyfikatory

• Narzędzia („Claude Opus 4.6, GPT-5, Gemini 2.5”).
• Marki („Anthropic, OpenAI, Google DeepMind”).
• Osoby („CEO Sundar Pichai”).
• Produkty („Advantage+ Shopping Kampanie”).
• Terminologia techniczna („CAPI, AEM, EMQ”).

4. Cytaty i źródła

• Direct quote („powiedział Dario Amodei w wywiadzie”).
• Cited findings („badania Anthropic 2025”).
• Industry reports („IAB Polska Q1 2026”).
• Oficjalne deklaracje („Meta oficjalnie ogłosiła w dokumentacji”).

5. Case studies i przykłady

• Identifiable case („sklep modowy, budżet 120K PLN / mies.”).
• Before / after numbers („ROAS 2,8× → 4,1×”).
• Timeline case („migracja trwała 30 dni”).
• Outcomes („wzrost konwersji o 38%”).

6. Lokalizacja i specyficzność

• Geographical („polskie e-commerce”).
• Branżowa („B2B SaaS z długim cyklem”).
• Rozmiar („budżet 100K+ PLN / mies.”).
• Timing („Q1 2026”, „po iOS 18”).

Sześć technik zwiększania density

1. Zamiana adjectives na liczby

• „wielu klientów” → „72 klientów”.
• „często” → „w 68% przypadków”.
• „szybko” → „w 48 godzin”.
• „ekspercki” → „10+ lat doświadczenia”.
• „znaczący” → „+35%”.

2. Dodawanie dat do wydarzeń

• „Google update” → „Helpful Content Update, marzec 2023”.
• „iOS zmienił” → „iOS 14.5 wprowadził ATT w kwietniu 2021”.
• „nowa funkcja” → „feature wydany w Q4 2025”.
• „ostatnio” → „w ciągu ostatnich 60 dni”.

3. Nazewnictwo narzędzi

• „AI tool” → „Claude Opus 4.6 od Anthropic”.
• „SEO software” → „Ahrefs, Semrush, Sistrix”.
• „analytics tool” → „GA4 + BigQuery”.
• „attribution platform” → „Triple Whale”.

4. Cytaty ekspertów

• „eksperci twierdzą” → „Andrej Karpathy w tweet z listopada 2025”.
• „research shows” → „badanie Anthropic Q4 2025 pokazuje”.
• „według Meta” → „Meta w dokumentacji CAPI API stan na marzec 2026”.
• „industry standard” → „benchmark IAB Polska 2026”.

5. Case studies z konkretami

• „klient osiągnął” → „sklep fashion, 300 SKU, 80K PLN budżet Meta miesięcznie”.
• „wzrost” → „ROAS 3,2× → 4,1× w 60 dni”.
• „oszczędności” → „CPA 95 PLN → 62 PLN”.
• „timeline” → „migracja trwała od Q4 2024 do Q1 2026”.

6. Lokalizacja branżowa i geograficzna

• „e-commerce” → „polski e-commerce fashion B2C”.
• „budżety” → „budżety 15K–350K PLN / miesiąc”.
• „stack narzędzi” → „Shopify Plus + Klaviyo + Triple Whale”.
• „specificity” → „firmy 50–500 FTE w SaaS B2B”.

Przykład: before / after

Before (density 0,15)

„Wiele firm używa AI do marketingu. Narzędzia AI pomagają pisać artykuły szybko. Zwykle firmy widzą znaczny wzrost produktywności. Warto przetestować kilka opcji, żeby znaleźć dobrą.”

29 słów, 0 factoidów. Density = 0.

After (density 0,7)

„67% polskich firm marketingowych w Q1 2026 używa AI do content production. Claude Opus 4.6 i GPT-5 dominują dla długich artykułów (3000+ słów), Gemini 2.5 dla multi-modal. Średni wzrost produktywności po wdrożeniu: 3,5× w 90 dni (dane IAB Polska marzec 2026). Stack do testu: Claude Pro (100 USD / miesiąc) + ChatGPT Plus (20 USD) dla porównania.” Praktyczne wskazówki znajdziesz w Jak działa wyszukiwanie AI.

58 słów, ~8 factoidów. Density = 1,4.

Różnica

• LLM odpowie na pytanie „jakie AI używane w polskim marketingu” z wersji after, nie before.
• Cytowalność wersji after: 3–5× wyższa.
• Czytelnik dostaje konkretną informację, nie ogólnik.
• Koszt dodania: 2–3 minuty research.

Bez przesady – kiedy density szkodzi

Symptomy przefaktoidowania

• Density > 1,5 / 100 słów – tekst wygląda jak data sheet, nie artykuł.
• Akapit złożony z 10 zdań, każde z 2–3 factoidami – czytelnik męczy się.
• Narracja znika – tylko liczby bez context.
• Brak flow między sekcjami – disjointed bullet list in prose form.

Balans

• Akapit strukturalny: pierwsze zdanie = teza, drugie = factoid, trzecie = implikacja.
• Nie wszystkie factoidy w jednym akapicie – rozproszyć.
• Tabele i listy grupują factoidy bez przeciążania narracji.
• Checklista: czy po dodaniu factoidu zdanie jest still czytelne?

Weryfikacja factoidów

Factoid jest cenny tylko, jeśli jest prawdziwy. Fałszywy factoid w tekście cytowanym przez LLM to risk brand (LLM cytuje, użytkownik sprawdza, widzi że false, trust goes down). Praktyczne wskazówki znajdziesz w AIO 2026 – przewodnik.

Źródła factoidów

• Oficjalna dokumentacja (dev docs, product pages).
• Oficjalne raporty (IAB, We Are Social, Statista).
• Własne dane (badania, audyty, case studies).
• Cytaty z wywiadów i konferencji.
• Peer-reviewed research (arXiv dla AI, SSRN dla marketingu).

Red flags przy weryfikacji

1. Liczba okrągła i wysoka bez źródła („95% firm”) – prawdopodobnie zmyślone.
2. „Wielu ekspertów twierdzi” bez nazwisk – filler.
3. Date bez roku („w marcu”) — niejednoznaczne.
4. „Badania pokazują” bez cytacji – prawdopodobnie AI hallucination.
5. Cytat bez identyfikacji („powiedział CEO”) — weryfikuj źródło.

Process weryfikacji

1. Autor dodaje factoid z notatką źródła.
2. Editor sprawdza źródło przed publikacją.
3. Jeśli źródło niepewne — usuwa factoid lub znajduje alternatywny.
4. Zachowaj research notes dla future audit.

Case studies – factoid density w praktyce

Case 1: blog B2B SaaS — z 0,18 do 0,74 density po refactorze

Polski SaaS do analityki marketingowej audytował swoje top 15 artykułów. Baseline factoid density: średnio 0,18/100 słów (typical AI-draft bez heavy edit). Cel: 0,7+. Refactor każdego artykułu 3–5 godz. pracy editora z research support.

• Typy dodanych factoidów: benchmarki branżowe (12 per artykuł), nazwy narzędzi z cenami (6 per artykuł), daty wydarzeń (3–5 per artykuł), case numbers z własnych projektów (8–10 per artykuł).
• Research time: 2 godz. research + 1 godz. weryfikacja + 1 godz. wklejanie do treści.
• Koszt: 48 000 PLN (15 artykułów × 8 godz. × 400 PLN/godz.).
• Rezultat po 3 mies.: cytowania Perplexity z 22% na 58% na branżowych queries, ChatGPT z 8% na 31%.
• ROI: +38% traffic z AI referrerów, dodatkowe 42 MQL/mies. przy koszcie 32k PLN (CAC 760 PLN vs. poprzedni 1 900 PLN).

Case 2: agencja PPC – factoid density jako differentiator

Warszawska agencja PPC używała generic AI-generated content z density 0,12. Po 6 miesiącach bez wzrostu rankings i zero AI citations. Pivot: każdy artykuł wymaga min 20 factoidów (benchmarks, narzędzia, case numbers, daty regulacji).

• Nowy proces: writer briefs content team z 20+ source facts, editor weryfikuje przed publikacją.
• Czas pisania wzrósł z 3h na 7h per 3000-słowowy artykuł (+133%).
• Ale: 4 z 15 artykułów trafiło na top 3 SERP dla konkurencyjnych keywords (wcześniej 0).
• Cytowania AI: 0 → średnio 14 cytowań/mies. per top artykuł (Perplexity, ChatGPT).
• Wniosek: factoid density to nie „nice to have” – to moat przeciw generic AI content competitors.

Techniki zbierania factoidów na artykuł

Czyste pisanie bez fact-hunt stage daje density 0,1–0,3. Dedicated research phase przed pisaniem daje 0,6–1,0. Poniżej proces dla efektywnego gathering.

Technika 1: Source mapping

1. Przed pisaniem, stwórz listę 5–8 oficjalnych źródeł dla tematu: IAB, Statista, Google/Meta documentation, branżowe raporty (Gemius, Polcom), konkurencyjne case studies.
2. Przeczytaj / skan każde źródło — wyciąg 3–7 factoidów per źródło (liczby, daty, nazwy).
3. Zbuduj „factoid pool” — spreadsheet z 25–50 factoidów.
4. Każdy factoid z source URL i short context.

Technika 2: Expert interviews

• 15–30 min rozmowa z praktykiem branży – 8–15 factoidów unikalnych (niewystępujących w publicznych źródłach).
• Nagraj, transkrybuj (Whisper API, 0,006 USD/min).
• Wyciąg konkretów: „jak często…”, „ile kosztuje…”, „co się zmieniło w ostatnim roku…”
• Permission to quote – email follow-up.

Technika 3: Own data mining

• Audit historical data w firmie – Google Ads account data (agregowane, aggregate benchmarks), CRM data (conversion rates, deal sizes), analytics data.
• Anonymizuj (żadnych names klientów), ale zachowaj szczegóły (branża, wielkość, metryki).
• 2–3 case fragments per artykuł – silny differentiator.

Technika 4: News aggregation

• Feedly / Inoreader z subskrypcją 15–20 branżowych źródeł.
• Tygodniowy briefing 30 min – wyciąg najświeższych factoidów (regulacje, premiery, aktualizacje algorytmów).
• Tagowanie per topic dla future articles.

Integracja factoid density z content ciąg procesów

Factoid śledzenie w Notion / Airtable

Setup: baza „Factoid Library” z kolumnami topic, claim, value, source URL, date added, used_in_articles (multi-select). Przy pisaniu nowego artykułu – filtruj po topic, pobierz 20–30 relevant factoidów. Po użyciu — mark w used_in_articles. Unika duplicate citation tego samego faktu w różnych artykułach (LLM widzi redundancy).

Factoid scorer w WordPress (Gutenberg plugin)

Custom plugin w sidebar Gutenberg: po kliknięciu „Analyze factoid density” wyświetla score + highlighted factoidy w tekście. Writer widzi w real-time, które sekcje wymagają dodatkowych konkretów. Koszt dev: 15–25k PLN one-time, potem zero maintenance.

Factoid verification proces

1. Writer oznacza każdy factoid tagiem {'{{FACT:source_id}}’} w draft.
2. Editor otwiera linked source, weryfikuje dokładność.
3. Jeśli OK – tag removed, factoid stays. Jeśli wątpliwy – editor flags.
4. Pre-publish script sprawdza, czy wszystkie {'{{FACT:}}’} tags removed – deploy blocker.

Narzędzia do mierzenia factoid density

Ręczny audit

• Google Docs: przeczytaj tekst, podlicz factoidy, podziel przez słowa.
• Time: 10–15 min dla 3000-słowego artykułu.
• Accurate, ale nie scalable.

AI-assisted audit

• Prompt do Claude / GPT: „Przeanalizuj tekst i zidentyfikuj factoidy (liczby, daty, nazwy). Policz density.”
• Scaling: tak; Accuracy: 85–90% (AI może omiłyć niektóre factoidy).
• Time: 1–2 min per artykuł.

Własne tooling

• Python + regex dla prostego factoid detection (liczby, daty).
• spaCy NER (Named Entity Recognition) dla nazw organizacji / osób.
• Custom classifier dla complex factoidów.
• Integracja z content CMS dla automated scoring.

Benchmarki factoid density per typ contentu (Q1 2026)

Typ content	Density target	Density „good enough”	Kluczowe typy factoidów
Pillar artykuł	0,7–1,0	0,5	Benchmarks, daty, narzędzia, case numbers
Supporting deep-dive	0,6–0,9	0,4	Benchmarks branżowe, case studies
Definition / glossary	0,4–0,6	0,3	Precyzyjne definicje, nazwy, daty kluczowych zmian
Tutorial / how-to	0,4–0,6	0,3	Konkretne numer steps, timing, ceny narzędzi
Analytical / opinion	0,7–1,0	0,5	Data-driven arguments, cytaty ekspertów
News / update	0,5–0,7	0,4	Daty, wersje, liczby zmian

Te benchmarki są empirycznie dopasowane – artykuły z density powyżej „target” cytowane są 3–5x częściej w LLM niż poniżej „good enough”. Między „good enough” a „target” różnica 2–3x.

Zespół i role – kto odpowiada za factoid quality

Research Analyst (nowa rola 2025/26)

• Odpowiada za zbieranie, weryfikację i maintenance factoid library.
• Skills: SEO research (Ahrefs, SEMrush), statystyka basics, branżowa wiedza, narzędzia web scraping.
• Wynagrodzenie PL Q1 2026: 8 000–14 000 PLN (junior), 15 000–22 000 PLN (senior).
• Jeden Research Analyst dla zespołu 5–15 writerów.

Content Writer skills update

• Umiejętność czytania źródeł pierwotnych (raporty, dokumentacje, research papers).
• Krytyczna weryfikacja – czy factoid pasuje do kontekstu?
• Data literacy – różnica między median a mean, sample size significance.
• Source citation etiquette – kiedy trzeba źródło, kiedy można bez.

Editor checklist strukturalny dla factoidów

1. Każda sekcja H2 zawiera min 2 factoidy.
2. Każdy factoid ma source (link, badanie, własne dane z kontekstem).
3. Brak sprzecznych factoidów („60% firm używa” w jednej sekcji, „35% firm używa” w drugiej – bez kontekstu, to spójność).
4. Daty zaktualizowane – nie wolno cite „2024 study” jako current w 2026 artykule bez notatki.
5. Numbers weryfikowane — przypadkowe sprawdzenie 30% factoidów per audit.

FAQ – factoid density AI

Ile factoidów powinien mieć artykuł 3000 słów?

Target: 15–24 factoidy (density 0,5–0,8). Rozkład: 4–5 w TL;DR, 8–12 w głównym tekście, 3–5 w FAQ. Nie musi być perfectly even distribution — ważniejsze, żeby każda sekcja H2 miała przynajmniej 1 factoid, a kluczowe sekcje (głowne argumenty) miały 2–3 factoidy. Dla porównania: generic AI-written content bez edycji ma zwykle density 0,1–0,2 — dlatego LLM go rzadko cytują. Pełen obraz tematu znajdziesz w kompletnym przewodniku aio 2026.

Jak zbierać factoidy do artykułu?

Pięć źródeł w kolejności priorytetu: (1) własne dane (audyty, case studies, CRM stats) – najwartościowsze, unikalne; (2) oficjalne raporty (IAB Polska, We Are Social, Statista) – autoritive, cytowalne; (3) dokumentacja oficjalna (Meta Ads, Google Ads, Anthropic docs) – zaktualizowana; (4) research papers (arXiv, SSRN) – dla claims technicznych; (5) cytaty z wywiadów / konferencji – dla opinii ekspertów. Research na artykuł: 1–3 godziny dla zbudowania factoid pool 20–30 pozycji.

Czy factoidy generowane przez AI są ok?

Nie bezpośrednio – AI hallucinuje liczby. Proces: (1) zadaj AI „wylistuj kluczowe facts o topic X w 2026”; (2) AI zwróci draft z liczbami; (3) weryfikuj każdy factoid ręcznie przed włączeniem do tekstu; (4) dodaj source. Bez weryfikacji 30–50% AI factoidów to hallucinations. Z weryfikacją proces oszczędza 50% czasu research. Dla mission-critical treści (regulacje, medical, legal) – factoidy tylko z direct source, nie z AI draftu.

Czy liczby bez źródła są ok?

Dla własnych danych — tak („w naszych audytach 2025–2026”). Dla cudzych – zawsze source. Compromise: „w branży fashion typowe ROAS 2,5–5× (benchmarki polskich agencji Q1 2026)” — nie cytuje konkretnej publikacji, ale wskazuje źródło generic. Akceptowalne, jeśli zgodne z truthful convention. Unikaj: „95% firm” bez source – wygląda na hallucination, obniża trust.

Czy factoidy trzeba aktualizować?

Tak, raz na 6–12 miesięcy. Factoidy z datą („w 2024”) starzeją się szybko. Factoidy bez daty („ROAS polskich e-com fashion”) wymagają re-weryfikacji co kwartał. Proces update: (1) audit existing factoidów; (2) weryfikacja current values z aktualnych źródeł; (3) update lub usunięcie nieaktualnych; (4) timestamp „last updated” w artykule. Rekomendacja: dla evergreen content — update 2× rocznie; dla time-sensitive — quarterly.

Jak unikać „data dumping” w imię density?

Pięć reguł: (1) każdy factoid powinien wspierać tezę zdania, nie być sam w sobie; (2) max 2 factoidy per zdanie, max 3–4 per akapit; (3) narracja między factoidami – „Z tego wynika X, ale jeśli…”; (4) grupuj factoidy tematycznie w tabele / listy (wydziela je z narracji); (5) sprawdź: usuń factoid i oceń, czy zdanie nadal ma sens. Jeśli zdanie rozpada się bez factoidu — ten factoid jest esencjonalny. Jeśli tylko traci trochę precyzji – ewentualnie można przenieść do list / table.

Czy density różni się między typami contentu?

Tak. Tutorials / how-to: 0,4–0,6 (więcej steps, mniej facts). Analytical / opinion: 0,6–0,9 (argumenty wymagają data support). Case studies: 0,8–1,2 (full of numbers, numbers). News / industry updates: 0,5–0,7 (balance faktów i context). Listicles / comparisons: 0,7–1,0 (tabele z factoidami). Dla marketing content generalnie: 0,5–0,7 to sweet spot.

Czy factoid density wpływa na Google SEO, czy tylko LLM citations?

Wpływa na oba. Google algorytm (po Helpful Content Update 2022 i kolejnych core updates) waży E-E-A-T – Experience, Expertise, Authoritativeness, Trustworthiness. Konkretne liczby, nazwiska, daty, cytaty z badań są signals expertise. Artykuły z density 0,7+ typowo rankują 3–8 pozycji wyżej niż generic content w konkurencyjnych SERPach. Google i LLM overlap w preferencjach: oba preferują fakty, konkret i authoritiveness. Investment w factoid quality płaci się w obu kanałach.

Jak balansować factoid density i readability dla ludzkiego czytelnika?

Kluczowe: factoidy mają być w service argumentu, nie w service density. Reader-first approach: pisz najpierw dla człowieka (claim, argument, example, factoid supporting, conclusion), potem optymalizuj density przez research. Jeśli dodanie factoidu psuje flow, przenieś go do tabeli lub listy (out of narrative). Readability score (Flesch-Kincaid dla polskiego: PLaf) powinien zostać 50-70 nawet z density 0,7+. Mostly wymaga to tylko iteracji akapitów, nie kompromisu w faktach.

Anti-patterns – co NIE robić pod pretekstem density

Factoid density easily pushed to toxic level. Poniżej błędy, które obniżają jakość treści mimo wysokiej density.

Anti-pattern 1: Fabricated precision

„47,3% polskich e-commerce używa Meta Ads” – bez source, precyzja sugeruje fałszywe autority. Lepiej: „Większość polskich e-commerce (~40–50%) używa Meta Ads” – niższa density, ale uczciwe.

Anti-pattern 2: Stale data

„Dane z 2019 badania…” – w 2026 artykule brzmi archaicznie. LLM preferują current facts (2024+). Audituj i update regularnie lub wyraźnie oznaczaj „historical data” vs. „current”.

Anti-pattern 3: Cherry-picked statistics

Używanie tylko factoidów wspierających tezę, ignorowanie przeciwnych. LLM z longer contexts wyłapie bias i będzie preferował balanced sources. Prezentuj conflicting data gdzie relevant.

Anti-pattern 4: Data dump without narrative

Paragraph: „CAC 1 200 PLN. ROAS 3,4. CPC 2,1 PLN. CVR 2,8%. AOV 280 PLN. LTV 1 400 PLN.” Bez narracji to lista w zdaniach. Lepiej: „Na tych benchmarkach – CAC 1 200 PLN przy LTV 1 400 PLN – ratio tylko 1,17x, czyli model ledwie opłacalny bez improvement w repeat rate”. Factoidy wspierają argument, nie są argumentem same w sobie.

Anti-pattern 5: False specificity

„Claude Opus 4.6 ma 78,342% accuracy na MMLU benchmark” — overspecified. Real-world: „Claude Opus 4.6 ma ~78% accuracy na MMLU” — more honest, less fragile (Anthropic może re-run benchmark z drobną różnicą, Twój factoid wygląda na literaturowy kopiujesz, nie fact-checked).

Co dalej

Factoid density to pojedyncza metryka, ale jest jedną z najsilniejszych pod cytowalność w LLM. Dodanie 5–10 factoidów do istniejącego artykułu podwaja szansę na citation w ChatGPT / Perplexity w ciągu 30 dni.

Plan 30-dniowy dla zespołu

1. Tydzień 1: audit 10 top-traffic artykułów – oblicz current factoid density dla każdego.
2. Tydzień 2: dla 3 najsłabszych – research phase (2–3 godz. per artykuł), zbuduj factoid pool 25–40 factoidów.
3. Tydzień 3: refactor 3 artykułów – wstaw factoidy naturalnie w narrative, usuń filler, zwiększ density do 0,7+.
4. Tydzień 4: setup ongoing proces – Research Analyst part-time, factoid library w Notion, checklist dla każdego nowego artykułu.

Po 30 dniach zespół ma systematyczne podejście do density. Po 90 dniach — mierzalne wzrosty w AI citations i organic traffic z AI referrerów. Inwestycja: ~60 godzin pracy editora/researchera, ROI typically 3–5x w 6 miesięcy.

Density to tylko jeden z czterech filarów AIO – reszta to struktura, self-contained chunks i internal linking graph. Ale z density zaczyna się differentiation vs. generic AI content, który zalewa internet od 2023. Marki inwestujące w factoid quality są te, które LLM preferują jako primary sources w 2026 i dalej.

Ostatnia uwaga: factoidy to krew argumentacji eksperckiej. Pisarz bez faktów produkuje opinię, pisarz z factami produkuje ekspertyzę. LLM distinguishują te dwa stany precyzyjnie – cytują ekspertyzę, pomijają opinię. Inwestycja w research i weryfikację to inwestycja w długoterminową authority marki w erze AI search.