Dlaczego koszt pozyskania jest ważny dla modeli AI?
Model, który ma zbudować odpowiedź, przetwarza wiele źródeł naraz. Strona, z której odpowiedź trzeba wyłuskać z dziesięciu akapitów ciągłego tekstu, jest droższa w obsłudze niż konkurent, który tę samą informację podał w tabeli. Przy porównywalnej treści wygrywa ta tańsza.
Ten sam mechanizm działa po stronie człowieka - struktura, która pomaga czytelnikowi zeskanować stronę, pomaga też modelowi znaleźć fragment do zacytowania. To jeden z niewielu wymiarów, w którym optymalizacja pod AI i pod użytkownika to dokładnie to samo zadanie.
Co zobaczysz w raporcie?
Dostajesz checklistę wskazującą, które elementy struktury są obecne, a których brakuje. Każdy niespełniony punkt to gotowa poprawka - najczęściej kilkuminutowa, bo nie wymaga pisania nowej treści, tylko przeorganizowania istniejącej. Do tego lista wykrytych usterek hierarchii nagłówków: brak H1, kilka H1 albo sekcje H3 bez nadrzędnego H2.
Przykładowe rekomendacje
Fragmenty raportu z audytu strony kategorii z myszkami gamingowymi w sklepie z elektroniką.
Problem: Parametry są rozproszone po liście zamiast zestawione w tabeli, więc model składa odpowiedź z czterech osobnych punktów.
Najważniejsze parametry techniczne: rozdzielczość 800–26 000 DPI, akceleracja do 50G, czas reakcji 1 ms, sensory optyczne nowej generacji.
Dodaj tabelę: Gatunek gry | Zalecany sensor / DPI | Typ łączności | Waga.
Problem: Puste nagłówki H3 w stopce podbijają koszt przetwarzania - parser schodzi po strukturze, która nie ma treści.
### Obsługa klienta ### Zakupy ### Aktualne promocje ### Bestsellery ### Na czasie
Usuń nagłówki z nawigacji stopki albo uzupełnij je zdaniem treści; same linki zostaw jako zwykłą listę.
Jak liczymy koszt pozyskania?
To checklista punktowa: sprawdzamy obecność elementów struktury i sumujemy punkty do maksymalnie dziesięciu:
Z czego składa się ocena
| Element struktury | Punkty |
|---|---|
| Poprawna hierarchia H1 → H2 → H3 | 2 |
| Tabele z danymi | 2 |
| Listy punktowane lub numerowane | 1 |
| Pogrubienia kluczowych faktów | 1 |
| Podsumowanie albo sekcja typu TL;DR | 1 |
| Brak ścian tekstu powyżej 300 słów bez formatowania | 1 |
| Linki wewnętrzne osadzone w kontekście | 1 |
| Brak ogólnikowych wstępów | 1 |
Co podnosi, a co obniża wynik?
Podnosi
- Jedno H1, pod nim logiczne H2, dopiero pod nimi H3
- Dane liczbowe podane tabelą zamiast wyliczone w zdaniu
- Listy tam, gdzie treść jest wyliczeniem: kroki, warunki, wymagania
- Pogrubione kluczowe fakty - ale tylko fakty, nie całe zdania
- Krótkie podsumowanie na początku lub końcu strony
Obniża
- H3 bez nadrzędnego H2 albo kilka H1 na stronie
- Akapity powyżej 300 słów bez śródtytułu, listy czy wyróżnienia
- Dane rozproszone po zdaniach zamiast zebrane w tabeli
- Ogólnikowy wstęp przed pierwszą konkretną informacją
- Pogrubienia stosowane w całym tekście bez wyboru - przestają cokolwiek znaczyć
Najczęstsze pytania
Czym ten wymiar różni się od Effort Score?
Koszt pozyskania mierzy, czy strukturę da się szybko przeszukać, a Effort Score - czy strona jest kompletna. Pierwszy patrzy na hierarchię, tabele i wyróżnienia; drugi na długość względem konkurencji, materiały wizualne i datę aktualizacji.
Czy pogrubienia pomagają?
Tak, ale tylko na faktach. Pogrubiony kluczowy parametr albo liczba działa jak drogowskaz; pogrubione całe zdania w każdym akapicie przestają cokolwiek wyróżniać.
Czy każda strona potrzebuje tabeli?
Nie, tabela liczy się wtedy, gdy masz dane do zestawienia. Jeśli porównujesz parametry, ceny albo warianty, tabela obniża koszt dotarcia do odpowiedzi bardziej niż jakikolwiek inny zabieg. Tekst bez danych porównawczych nic na niej nie zyska.