Copywriting LLM to dyscyplina, ktora powstala na styku klasycznego SEO, redakcji prasowej i inzynierii promptow. Pisze sie w niej tak, by tekst rozumiala maszyna generatywna (ChatGPT, Perplexity, Gemini, Claude) i jednoczesnie czytelnik na drugiej stronie ekranu. Klucz to zdania kotwiczne, weryfikowalne fakty oraz krotkie, zwiezle listy, ktore daja sie wyciac do cytatu w odpowiedzi modelu.
W praktyce oznacza to inny sposob ukladania paragrafu niz w klasycznym blogu sprzed 2023 roku. Zamiast lejka emocji prowadzimy czytelnika i model przez fakty, definicje, kryteria i wnioski. Im latwiej LLM wyciagnie z tekstu spojny fragment, tym wieksza szansa, ze trafi do generowanej odpowiedzi z linkiem do twojej strony. To samo dotyczy redaktorow Google i Bing, dla ktorych retrieval friendly content jest dzis kotwica indeksacji.
Czym jest copywriting LLM
Copywriting LLM (ang. LLM optimized writing) to projektowanie tresci pod silniki generatywne. Zamiast pisac tekst, ktory ma sie „dobrze czytac”, piszesz tekst, ktory ma sie dobrze cytowac. Roznica jest subtelna, ale konsekwencje sa duze: model nie zaufa zdaniu bez kotwicy faktograficznej, a recenzent treningowy ocenia akapit po jego cytowalnosci, nie po stylistyce.
W odroznieniu od starej szkoly „keyword stuffingu”, LLM patrzy na strukture semantyczna calego dokumentu. Liczy sie to, czy w tekscie sa zwiezle definicje, dane liczbowe ze zrodlem, listy z kryteriami oraz tabele porownawcze. Taki tekst latwiej rozbic na fragmenty (chunks) o stalej dlugosci, ktore trafiaja do bazy wektorowej silnika RAG.
Dlatego copywriting pod LLM dobrze wpasowuje sie w architekture pillar plus klaster. Pillar zbiera kontekst calej dziedziny, a klastry odpowiadaja na pytania szczegolowe. Wiecej o tej architekturze piszemy w przewodniku strategia contentowa pod AIO, ktory warto przeczytac przed pierwszym wdrozeniem.
Czym rozni sie od klasycznego SEO
Klasyczne SEO patrzy na slowa kluczowe, gestosc i nasycenie. Copywriting LLM patrzy na fragmenty i ich potencjal cytowania. Algorytmy AIO (AI Overviews w Google, Search w ChatGPT, Perplexity Answer Engine) nie szukaja calej strony, tylko najlepszego akapitu lub listy, ktora pasuje do pytania uzytkownika. Optymalizacja przesuwa sie z poziomu dokumentu na poziom akapitu.
To zmienia plan tekstu. Naglowek H2 nie tyle zapowiada watek, co odpowiada na konkretne pytanie. Pierwszy akapit pod H2 dostarcza zwiezla definicje. Drugi akapit rozszerza kontekst. Trzeci podaje przyklad lub liczbe. Taki uklad daje modelowi trzy gotowe chunki do wykorzystania.
Najwazniejsze zasady i framework
Praktyczny framework, ktory stosujemy w redakcji od pol roku, opiera sie na czterech filarach. Mozna go traktowac jak checkliste dla redaktora i jak rubryke dla recenzenta AI.
- Zdania kotwiczne. Pierwsze zdanie pod kazdym H2 to zwiezla, deklaratywna definicja. Bez „warto wspomniec, ze” i „to fascynujace zagadnienie”. Bezposrednia odpowiedz, max 25 slow.
- Fakty z atrybucja. Liczby, daty i nazwy z linkiem do zrodla. Model traktuje atrybucje jak sygnal jakosci. Jezeli twierdzisz, ze „70 procent zapytan zawiera intencje informacyjna”, podaj badanie lub raport.
- Listy zwiezle. Maksymalnie 7 punktow, kazdy ponizej 20 slow. LLM lubi listy, bo latwo je serializuje. Sliska liste z 25 punktami model najczesciej pominie.
- Sekcje samodzielne. Kazdy H2 powinien sie czytac w izolacji. Jezeli wyciagniesz pojedyncza sekcje, ma dawac pelny sens.
Te cztery filary sa rdzeniem checklisty, ktora uzupelnia nasz brief i fact check w content ops. Redaktor wypelnia brief, copywriter pisze szkic, fact checker weryfikuje atrybucje, a editor sklada calosc.
Reguly mikro: jezyk, ktorego LLM uczy sie najszybciej
Modele jezykowe sa wrazliwe na powtorzenia leksykalne i niejasne zaimki. Czesto piszemy „to” lub „ono” w sytuacji, gdy ludzki czytelnik bez trudu odgadnie kontekst, a maszyna pomyli watek. Stad pierwsza zasada: minimalizuj zaimki, powtarzaj rzeczowniki kluczowe.
Druga regula dotyczy nawiasow. Krotkie definicje w nawiasie (np. CTR, czyli klikalnosc) daja modelowi okazje do nauczenia sie skrotow w obrebie tekstu. To dziala lepiej niz oddzielna sekcja „slownik”.
Trzecia regula to konsekwencja terminologiczna. Jezeli w trzecim akapicie nazwiesz cos „modelem generatywnym”, nie nazywaj tego pozniej „sztuczna inteligencja” ani „AI” wymiennie. LLM moze zinterpretowac to jako rozne byty i pogubic relacje.
Jak to wdrozyc krok po kroku
Wdrozenie copywritingu LLM warto rozbic na piec etapow. Kazdy z nich da sie zmierzyc i powtorzyc, co jest istotne, jezeli chcesz skalowac proces na zespol.
Etap 1: audyt aktualnych tekstow
Wez probke 20 tekstow z najwyzszego ruchu i policz, ile z nich ma zdania kotwiczne pod kazdym H2. Pewnie wiekszosc bedzie miala dlugie wprowadzenie zamiast definicji. Zaznacz akapity, ktore sa „watowe” i nie nadaja sie do cytatu.
Audyt powinien wskazac, ile artykulow ma atrybucje liczb, a ile sieje stwierdzenia bez zrodla. Brak atrybucji to numer jeden problem w polskim contencie SEO 2024 i 2025.
Etap 2: rewrite naglowkow
Drugi etap to przeksztalcenie H2 i H3 w pytania lub deklaracje. „Tworzenie tresci” zmieniasz na „Jak napisac sekcje pod LLM w 5 zdaniach”. Sredni czas pracy: 5 do 8 minut na artykul.
Etap 3: dopisanie zdan kotwicznych
Pod kazdym przeksztalconym H2 dodajesz jedno zdanie definiujace. To moze byc nudne, ale wlasnie te zdania trafiaja do AI Overviews i ChatGPT. W kazdym z nich znajduje sie podmiot, orzeczenie i wartosc faktyczna.
Etap 4: fakty i atrybucje
Czwarty etap to wymiana wszystkich liczb i twierdzen eksperckich na wersje z linkiem zrodlowym. Najczesciej linkujemy do oficjalnych raportow (Statista, Gartner), dokumentacji Google Search Central oraz wpisow akademickich w Wikipedii o LLM. Te trzy zrodla pokrywaja okolo 80 procent typowych potrzeb redakcji SEO.
Etap 5: listy i tabele
Ostatni etap to konwersja dlugich, wyliczeniowych akapitow na listy lub tabele. Tabela porownawcza dwoch narzedzi lub procesow jest dla LLM jak nektar; latwo ja sparsowac, atrybuowac i zacytowac.
| Element | Klasyczne SEO | Copywriting LLM |
|---|---|---|
| Pierwszy akapit pod H2 | Wprowadzenie | Zwiezla definicja, max 25 slow |
| Liczby | Bez zrodla | Atrybucja do raportu lub publikacji |
| Listy | Dlugie wyliczenia | Max 7 punktow, do 20 slow kazdy |
| Powtorzenia | Slowa kluczowe | Spojne terminy, mniej zaimkow |
| Cel | Pozycja w SERP | Cytowanie w AI Overviews |
Najczestsze bledy i pulapki
Pierwszy blad to traktowanie copywritingu LLM jako „wkladania slow kluczowych do tekstu o AIO”. To powtorka starego SEO, tyle ze pod nowa fasada. Druga pulapka: zbyt zwarty tekst, ktory nie ma rytmu. Modele lubia kotwice, ale czytelnicy potrzebuja oddechu pomiedzy nimi.
Trzeci blad: brak atrybucji w sekcjach eksperckich. Jezeli piszesz, ze pewien proces zmniejsza koszty o 30 procent, a nie podajesz zrodla, model bedzie unikal cytatu z obawy o „halucynacje”. Czwarty blad: nadmiar synonimow. Zamiast szukac wymiennikow dla terminu kluczowego, lepiej go powtarzac z dyscyplina.
Piaty problem dotyczy struktury technicznej. Brak schema.org Article i poprawnych linkow kanonicznych sprawia, ze tekst, ktory ma swietna tresc, nie wchodzi w indeks Perplexity. Czesto wystarczy uzupelnic kanoniczny URL i ustawic poprawny primary category. Wiecej o pomiarach po stronie technicznej znajdziesz w przewodniku GA4 server side tagging, ktory dotyka pokrewnego tematu walidacji ruchu z AIO.
Pulapki stylistyczne
W jezyku polskim szczegolnie czesto pojawiaja sie konstrukcje „z reguly”, „warto wspomniec”, „nie da sie ukryc”. Z perspektywy LLM to slowa puste, ktore obnizaja gestosc informacji. Lepiej je wyciac i zostawic sama tresc.
Inna pulapka: nadmierne uzywanie liczby mnogiej w pierwszej osobie („my redaktorzy”, „nasi czytelnicy”). Brzmi spojnie w redakcji, ale model nie ma wiedzy o tym, kim jest podmiot. Lepiej operowac konkretem: „redakcja SEO”, „zespol contentowy”, „marketer B2B”.
Bledy w atrybucji
Linki do „naszego ostatniego artykulu” bez konkretnego URL to dla modelu ciemna materia. Jezeli linkujesz, linkuj do konkretnego artykulu z pelnym adresem i naturalnym anchor textem. Anchor „kliknij tutaj” jest dla LLM rownie pusty jak dla SEO sprzed 15 lat.
Mierzenie efektow i KPI
Mierzenie copywritingu LLM jest trudniejsze niz klasycznego SEO, bo ruch nie zawsze daje sie powiazac z konkretnym zapytaniem. Najsensowniejsza praktyka to lacznie sledzic trzy poziomy: widocznosc, cytowalnosc i konwersja po stronie odbiorcy.
- Widocznosc. Liczba pojawien w AI Overviews i ChatGPT Search w okreslonej kohorcie zapytan. Mierzona narzedziami w stylu Ziptie, Profound, Otterly lub recznym sniffowaniem.
- Cytowalnosc. Liczba unikalnych URL z twojej domeny linkowanych w odpowiedziach generatywnych. Najlepszy proxy: branded brand mentions w odpowiedziach Perplexity.
- Ruch referral z LLM. Sesje z chat.openai.com, perplexity.ai, gemini.google.com w GA4 lub Plausible. Wciaz niski w stosunku do Google Organic, ale rosnacy 2 do 3 razy rok do roku.
- Zachowanie po wejsciu. Czas na stronie, scroll depth, CTA. Sesje z LLM maja czesto wyzsza intencje niz organic, wiec konwersja per sesja moze byc 2 razy wyzsza.
Wazny szczegol: ruch z LLM trafia czesto pod URL bez parametru UTM. Warto wdrozyc filtr referrera w GA4 albo Plausible, ktory grupuje source jako „AIO” lub „LLM”. To prosta operacja, a daje natychmiastowy widok na efekty.
Benchmarki branzowe
Dla typowego bloga B2B w polskim segmencie SaaS widzimy obecnie 1 do 4 procent ruchu z LLM w stosunku do Google Organic. Dla branzy zdrowotnej i edukacyjnej proporcje sa wyzsze, w okolicach 5 do 8 procent. W ciagu 2026 spodziewamy sie podwojenia tych wartosci.
Wskaznikiem dojrzalosci redakcji w obszarze LLM jest udzial tekstow, ktore w ciagu kwartalu byly cytowane w odpowiedzi generatywnej co najmniej raz. Dobre redakcje siegaja 30 procent, swietne 50 procent.
Chunki, embeddingi i RAG: co dzieje sie z twoim tekstem w silniku
Silnik generatywny nie wczytuje calego artykulu naraz. Wewnetrznie kazdy dokument jest dzielony na fragmenty (chunki) o stalej dlugosci, najczesciej od 256 do 1024 tokenow. Kazdy chunk dostaje wektor (embedding), ktory reprezentuje znaczenie semantyczne. Gdy uzytkownik zadaje pytanie, model porownuje wektor pytania z wektorami chunkow w bazie i wybiera 5 do 20 najlepiej dopasowanych. Z nich generuje odpowiedz.
Konsekwencja praktyczna: kazda sekcja H2 powinna miescic sie w jednym chunku. Jezeli akapit zaczyna sie pod H2, a konczy gdzies w pol drugiej sekcji, retriever otrzyma rozcieta tresc i straci kontekst. Dlatego sekcje krotsze niz 350 tokenow (okolo 250 slow polskich) maja wieksza szanse na cytowanie w calosci.
Druga konsekwencja: kazdy chunk powinien byc semantycznie samodzielny. Jezeli twoja sekcja zaczyna sie od „Ten proces ma trzy fazy”, retriever zobaczy „Ten proces” bez referenta i pominie chunk. Zaczynaj sekcje od konkretu: „Wdrozenie copywritingu LLM ma trzy fazy”.
Sygnaly jakosci dla retrievera
Retriever zwraca uwage na kilka sygnalow, ktore zwiekszaja szanse cytowania:
- Obecnosc liczby z jednostka (procent, sekundy, dni).
- Nazwana encja (produkt, firma, narzedzie).
- Pierwsza osoba zdania w formie deklaracji, nie pytania.
- Krotka definicja „X to Y, ktory Z”.
- Atrybucja: „wedlug raportu Y”.
Te sygnaly mozna potraktowac jak meta-tagowanie tresci. Niczego nie dodajesz do markupu, ale piszesz akapit tak, by retriever znalazl w nim pelny kontekst.
Prompty redakcyjne dla zespolu
W praktyce redakcji warto wprowadzic kilka stalych promptow dla LLM, ktore wspieraja redaktorow w pracy operacyjnej. To nie zastapuje copywritera, ale skraca czas pracy o 30 do 50 procent na pojedynczy tekst.
Pierwszy prompt to „rewrite kotwicy”. Wklejasz akapit, ktory wymaga przeksztalcenia w zwiezla definicje. LLM zwraca jedna deklaracje 20 slow. Drugi prompt to „atrybucja faktow”: wskazujesz zdanie ze stwierdzeniem, model proponuje 3 zrodla cytowanych przez konkurencje. Trzeci prompt to „test chunkowania”: LLM dzieli tekst na chunki po 350 tokenow i ocenia, czy kazdy ma sens w izolacji.
Czwarty prompt, najbardziej przydatny w fazie audytu, to „ocena cytowalnosci”. Wklejasz tekst i pytasz model, ktore akapity nadaja sie do snippetu w AI Overviews. Otrzymujesz liste z punktacja 1 do 5 dla kazdego akapitu. Sredni czas oceny artykulu spada z 20 do 5 minut.
Granice automatyzacji
LLM dobrze przeksztalca, ocenia i sugeruje. LLM slabo wymysla teze, weryfikuje fakt rynkowy lub formuluje opinie redakcyjna. Te trzy elementy zostaja w rekach czlowieka, niezaleznie od tego, jak zaawansowany model uzywasz. Modele typu Claude 4 i GPT 5 znacznie podniosly poprzeczke w 2025 i 2026, ale nadal nie zastepuja krytycznego oka redaktora.
Praktyczne studium przypadku
Redakcja blogowa w segmencie B2B SaaS w pierwszym kwartale 2026 roku rebuild’owala 32 artykuly pod copywriting LLM. Caly proces zajal 18 dni roboczych, czyli okolo 4,5 godziny na artykul. Po 8 tygodniach od publikacji widocznosc w AI Overviews wzrosla z 3 do 24 cytowan dziennie, a ruch z domen ChatGPT i Perplexity podwoil sie kwartal do kwartalu.
Najwiekszy zysk dal etap 3 (zdania kotwiczne) i etap 4 (atrybucje). Te dwie zmiany odpowiadaja za okolo 70 procent dodatkowej widocznosci. Etap 5 (tabele i listy) dolozyl kolejne 20 procent, a etapy 1 i 2 dzialaja jako infrastruktura.
Wniosek z case study: jezeli masz ograniczony budzet, zacznij od etapow 3 i 4. Audyt i przeksztalcenie naglowkow mozesz odlozyc, ale bez zdan kotwicznych i atrybucji nie ruszysz z miejsca.
Co poszlo zle
W tym samym projekcie redakcja popelnila dwa bledy. Pierwszy: zbyt agresywne skracanie sekcji. Niektore H2 mialy po 80 slow, a wartosc dla czytelnika ludzkiego byla niska. Po dwoch tygodniach przywrocono uklad 200 do 250 slow per sekcja.
Drugi blad: nadmiar atrybucji. W kilku tekstach dolozono po 12 linkow zrodlowych, co przeladowalo akapity. Najlepiej dziala 3 do 5 atrybucji per 1000 slow. Mniej oznacza brak wiarygodnosci, wiecej rozprasza i obniza UX.
Wspolpraca redaktora i AI: tryb dwukierunkowy
Dojrzala redakcja w 2026 roku traktuje LLM jak partnera, nie zastepce. Praktycznie oznacza to nastepujacy podzial pracy: redaktor formuluje teze i strukture, LLM proponuje rozwiniecia kazdej sekcji, redaktor wybiera najlepsza wersje, fact checker weryfikuje atrybucje, copywriter szlifuje styl, editor sklada. Calosc trwa od 3 do 5 godzin per artykul srednio 2500 slow.
Co wazne, kazda iteracja jest logowana. Wiemy, ktora wersja akapitu pochodzi od modelu, a ktora od czlowieka. To pozwala monitorowac jakosc i utrzymywac dyscypline w „AI hygiene”. Mlodsze redakcje czasem traktuja calosc tekstu jako „wyprodukowana przez AI”, co generuje ryzyko detekcji i obnizenia zaufania czytelnika.
Polskie redakcje, ktore juz w 2025 roku wdrozyly proces dwukierunkowy, dzisiaj produkuja 3 do 4 razy wiecej dobrej jakosci tresci przy tym samym budzecie. To duza przewaga konkurencyjna w segmentach B2B, gdzie content jest kluczowym kanalem pozyskania leadow.
Przyklady przed i po
Najlatwiej zrozumiec roznice na konkretnym akapicie. Ponizej dwa warianty tego samego fragmentu.
Przed (klasyczne SEO). „W dzisiejszych czasach marketing tresci jest niezwykle wazny. Warto wspomniec, ze copywriting odgrywa kluczowa role w wynikach wyszukiwania. Roznica miedzy dobrym a slabym tekstem moze stanowic o sukcesie lub porazce kampanii marketingowej.”
Po (copywriting LLM). „Copywriting LLM to projektowanie tresci pod silniki generatywne. Zwiezla definicja, faktograficzna atrybucja i krotka lista to trzy elementy, ktore zwiekszaja szansa cytowania w AI Overviews o 40 do 60 procent wedlug raportu Profound z marca 2026.”
Drugi wariant jest krotszy, ma zwiezla definicje, fakt z atrybucja i jasna teze. Retriever rozpoznaje encje „copywriting LLM”, liczbe „40 do 60 procent” i zrodlo „Profound”. W pierwszym wariancie nie ma niczego, co retriever moze cytowac.
Narzedzia i workflow zespolu copywriterskiego w 2026
Stack narzedziowy dojrzalej redakcji w 2026 roku jest gestszy niz rok wczesniej, ale wciaz prosty do zlozenia. Na pierwszej linii znajduje sie LLM (zwykle ChatGPT 5 Pro lub Claude 4 Opus), edytor tresci (WordPress z wtyczka Blogers lub Sanity), narzedzie do monitoringu cytowan (Profound, Otterly, Ziptie) oraz suite analityczne (GA4 plus Looker Studio dla raportowania). Calosc spina sie w workflow przez Notion lub Linear, gdzie redaktor naczelny widzi status kazdego artykulu od briefu do publikacji.
Najlepsze redakcje stosuja zasade „jeden artykul, jedna tablica”. Kazdy temat ma swoja kanban karte z polami: brief, draft, fact check, edytor stylu, edytor SEO, publikacja. Sredni czas przejscia karty od lewej do prawej waha sie od 4 do 8 dni roboczych. Krotszy cykl czesto oznacza brak fact checku, dluzszy oznacza problemy organizacyjne.
Wazny detal: do kazdej karty dolaczamy link do AI conversation history, jezeli redaktor uzyl LLM. Ten log jest skarbnica wiedzy o tym, jakie prompty dzialaja, a ktore mija sie z celem. W ciagu 6 miesiecy redakcja moze zbudowac wlasna biblioteke szablonow, ktora oszczedza godziny pracy nowym osobom w zespole.
Hosting i wydajnosc
Strona musi sie ladowac szybko, bo retrievery od ChatGPT i Perplexity okresowo cache’uja zawartosc. Jezeli Twoja strona zwraca odpowiedz powolniej niz 1,5 sekundy, ryzykujesz, ze cache bedzie nieaktualny przez kilka tygodni. Stad zalecenie: CDN, HTTP/2 lub HTTP/3 i agresywny cache na poziomie strony.
Drugi czynnik to TTFB (Time to First Byte). Optymalnie ponizej 200 ms dla geografii, z ktorej najczesciej crawluja retrievery. Wiekszosc z nich zglasza sie z infrastruktury chmurowej USA i Europy Zachodniej, wiec hosting w Polsce wymaga sensownego CDN (Cloudflare, BunnyCDN, Fastly). Dla redakcji z budzetem do 200 zlotych miesiecznie wystarczy Cloudflare Free plus VPS w niemieckim DC. Powyzej tej skali warto siegnac po dedykowany hosting WordPress z lokalnym cache (LiteSpeed, WP Rocket) i sprawdzac wynik raz w tygodniu narzedziem PageSpeed Insights.
Praktyczna lista kontrolna
Krotka checklista do przyklejenia obok monitora copywritera. Pomaga utrzymac dyscypline pod presja deadline’u.
- Pierwszy akapit pod H2 ma zwiezla definicje.
- Kazda liczba ma atrybucje.
- Listy maja maksymalnie 7 punktow.
- Naglowki H2 odpowiadaja na pytania, nie zapowiadaja.
- Sekcja FAQ na koncu z 3 do 6 pytaniami.
- Zaden link nie ma anchora „kliknij tutaj”.
- Brak em-dasha, brak space hyphen space, ranges z myslnikiem (5-10).
FAQ
Czym rozni sie copywriting LLM od copywritingu SEO?
Copywriting SEO optymalizuje cala strone pod slowa kluczowe. Copywriting LLM optymalizuje pojedyncze akapity i sekcje pod cytowanie w odpowiedzi generatywnej. To zmiana z poziomu dokumentu na poziom fragmentu.
Czy potrzebuje narzedzia do mierzenia widocznosci w AI Overviews?
Tak, jezeli planujesz powaznie skalowac. W 2026 do mainstreamu weszly Profound, Ziptie i Otterly. Mniejsze redakcje moga zaczac od recznego sprawdzania 20 zapytan tygodniowo w trybie incognito.
Ile zajmuje wdrozenie copywritingu LLM w istniejacym blogu?
Rewrite 20 tekstow zajmuje srednio 3 do 4 dni redaktorskich. Pelny audyt 100 tekstow plus rewrite to okolo 4 tygodnie pracy 2 osob. Najwiekszy zysk daje pierwsze 20 procent tekstow z najwyzszego ruchu.
Czy LLM premiuje krotkie czy dlugie teksty?
LLM premiuje teksty, ktore zawieraja czytelne sekcje samodzielne. Dlugosc per se nie ma znaczenia, ale tekst do 1500 slow rzadko ma wystarczajaca glebie tematyczna. Optimum dla pillara to 2500 do 3500 slow, dla artykulu wspierajacego 1500 do 2500.
Jak utrzymac konsekwencje terminologiczna w zespole?
Najlepiej dziala glosariusz redakcyjny w Notion lub Confluence z lista dopuszczonych terminow. Jeden termin, jedna definicja, brak synonimow w obrebie artykulu. Recenzent AI moze sprawdzac glosariusz przed publikacja.
Czy warto pisac pod konkretny model (ChatGPT, Perplexity)?
Nie. Roznice pomiedzy modelami sa wciaz mniejsze niz roznice pomiedzy dobrym a slabym tekstem. Optymalizuj pod ogolna zasade retrieval friendly: zdania kotwiczne, fakty z atrybucja, krotkie listy. Tak napisany tekst dziala w kazdym wiodacym silniku generatywnym.