AI bardzo szybko zadomowiło się w content marketingu. 87% marketerów wykorzystuje je przy tworzeniu treści, a według analizy Ahrefs aż 74,2% z 900 tys. przebadanych nowych stron zawierało treści stworzone lub współtworzone z AI. Piszemy szybciej, taniej i możemy publikować znacznie więcej. Tylko że samo pisanie jest jednym z ostatnich etapów pracy nad dobrą treścią.
Najbardziej interesuje mnie przy tym nie samo generowanie tekstu, ale wszystko to, co dzieje się wcześniej. Research, analiza marki i konkurencji, intencja, praca ze źródłami i faktami, brief czy wybór odpowiedniej formy treści.
Ten tekst powstał na bazie wystąpienia „AI slop? Stop!”, które razem z Romanem Rozenbergerem przygotowaliśmy na 47. edycję Crash Mondays we Wrocławiu. Pokazywaliśmy tam przede wszystkim proces, który zbudowaliśmy po to, żeby sprawdzić, jak głęboko można wykorzystać AI przy pracy nad treścią, tak by nadal miała ona wartość.
AI w content marketingu? To już właściwie standard
W badaniu Ahrefs przeprowadzonym na 900 tys. nowych stron 74,2% zawierało treści stworzone lub współtworzone przy pomocy AI. Dokładniej: 2,5% stron zaklasyfikowano jako „pure AI”, 25,8% jako „pure human”, a 71,7% jako połączenie treści ludzkich i generowanych przez AI.
W innym badaniu Ahrefs, przeprowadzonym wśród 879 marketerów, 87% zadeklarowało wykorzystywanie AI do tworzenia lub pomocy w tworzeniu contentu. Firmy korzystające z AI publikowały też więcej treści.
Dochodzi do tego koszt. Według danych Ahrefs treść generowana z wykorzystaniem AI była średnio 4,7 razy tańsza niż treść tworzona przez człowieka.
Graphite spojrzał na problem od innej strony. Według analizy udziału AI w artykułach publikowanych w internecie w I kwartale 2026 roku 49,9% artykułów zostało sklasyfikowanych jako przede wszystkim generowane przez AI. Po gwałtownym wzroście udział ten zatrzymał się w okolicach 50%.
publikowanych obecnie artykułów
jest przede wszystkim generowanych
przez AI
Na LinkedIn wynik jest jeszcze bardziej efektowny. Według analizy Originality.ai z lipca 2026 roku 81,2% z 5 tys. przebadanych publicznych postów liczących co najmniej 100 słów zostało sklasyfikowanych jako „Likely AI”.
Tu oczywiście trzeba zrobić zastrzeżenie. Mówimy o klasyfikacji wykonanej przez detektor, a nie o wiedzy, kto rzeczywiście napisał dany post. Badanie obejmuje też określoną próbę publicznych postów, a nie cały LinkedIn. Nie wiem zresztą, czy najważniejsze jest tu 74,2%, 49,9% czy 81,2%. Kierunek trudno przeoczyć.
Nigdy nie było tak łatwo tworzyć contentu. A jednocześnie nigdy nie było tak trudno zdobyć uwagę odbiorcy.
AI pozwoliło nam produkować więcej. I produkujemy więcej
Pisanie jest jednym z najbardziej oczywistych zastosowań modeli językowych. Dajemy temat i kilka wytycznych. Po kilkudziesięciu sekundach dostajemy tekst.
Na jednym ze slajdów naszej prezentacji pokazaliśmy, że cyfrowa transformacja ma swoje „skutki uboczne”. O ile przed AI byliśmy w stanie tworzyć np. 1 słaby tekst tygodniowo o tyle teraz (mając AI) możemy tworzyć 30 słabych tekstów dziennie 😉
To oczywiście żart, bo nie uważam, że tekst stworzony z wykorzystaniem AI musi być słaby. Dane, które pokazywaliśmy, właściwie przeczą takiemu uproszczeniu.
Tekst AI może być całkiem dobry
W badaniu Bynder dotyczącym odbioru treści tworzonych przez AI i człowieka wzięło udział 2000 osób z USA i Wielkiej Brytanii. Badanym pokazano dwa teksty przygotowane według tego samego briefu: 300 słów o tym, jak umyć samochód. Jeden stworzył ChatGPT, drugi profesjonalny copywriter. Uczestnicy nie wiedzieli, który jest który. 56% wybrało tekst wygenerowany przez AI.
Jednocześnie 52% badanych deklarowało mniejsze zaangażowanie w czytanie treści, jeśli podejrzewali, że została wygenerowana przez AI.
Nie wyciągałabym z tego prostego wniosku, że odbiorcy lubią albo nie lubią treści AI. Ciekawsze jest coś innego. W tym konkretnym porównaniu model wygenerował tekst, który 56% badanych preferowało względem tekstu profesjonalnego copywritera.
Problem z AI slopem nie musi więc polegać na tym, że modele piszą fatalnie. Tekst może być językowo całkiem dobry, a jednocześnie nie wnosić wiele więcej niż dziesiątki innych materiałów na ten sam temat.
Osobnym problemem jest charakterystyczny styl modeli i ślady, po których tekst zaczyna wyglądać jak kolejny wygenerowany materiał. Pisałam o tym szerzej w tekście o humanizacji treści AI.
Dlaczego rozpoczynanie procesu od pisania nie jest dobrym rozwiązaniem?
Wiele osób rozpoczyna proces tworzenia treści od wpisania w nowym oknie chata promptu w stylu: „Napisz mi artykuł o kotwieniu prętów zbrojeniowych na 1000 słów. Pisz profesjonalnie” itd. Wynikowo dostajemy tekst. Jest on w mniejszym lub większym stopniu poprawny, ale rzadko kiedy w pełni satysfakcjonujący.
I wtedy zaczyna się „prompt engineering” :p
I w końcu „prompt engineering level master” w stylu: „jprdl! Nie! Co za gówno, zmień to!”
Trochę się z tego śmieję, ale ten sposób pracy z AI jest częsty i niestety frustrujący.
Dobry prompt nadal nie zastępuje procesu
Treść nie powstaje w próżni. Jest częścią komunikacji konkretnej firmy. Powinna uwzględniać ofertę, odbiorców, konkurencję, wcześniejsze materiały i to, czego użytkownik potrzebuje po trafieniu na stronę. Do tego dochodzą źródła, fakty, dane i wymagania zlecenia.
Możemy próbować zmieścić wszystko w jednym projekcie i coraz dłuższej instrukcji. Nadal pracujemy wtedy przede wszystkim nad tym, żeby model lepiej napisał tekst.
A samo pisanie jest tylko jednym z etapów pracy nad contentem.
Przed LLM też było życie
Przed ChatGPT też tworzyliśmy content. Robiliśmy research. Analizowaliśmy dane. Sprawdzaliśmy konkurencję. Szukaliśmy tematów. Ocenialiśmy intencję. Zbieraliśmy informacje od klienta. Powstawał brief. Ktoś pisał tekst. Potem go sprawdzaliśmy i patrzyliśmy na wyniki.
Sam proces nie jest więc czymś nowym. Zmieniają się narzędzia i skala pracy, ale nadal trzeba wiedzieć, po co powstaje dany materiał, do kogo ma trafić i jakie miejsce zajmuje w całym contencie. Szerzej pisałam o tym przy okazji strategii tworzenia treści.
W prezentacji sprowadziliśmy fundamenty do trzech elementów: analityka i dane, logika i reguły, wiedza ludzka.
AI nie sprawiło, że przestały być potrzebne. Zaczęliśmy więc z Romanem rozpisywać normalny proces pracy nad treścią i sprawdzać, w których jego miejscach AI rzeczywiście może nam coś usprawnić. I wtedy samo pisanie dość szybko przesunęło się daleko w dół listy.
Co dzieje się przed napisaniem dobrego tekstu?
Zanim powstanie tekst, trzeba podjąć całą serię decyzji.
O czym właściwie warto napisać? Dla kogo? Co wiemy o firmie i jej ofercie? Z kim konkurujemy? Czego szuka użytkownik i jakiej odpowiedzi oczekuje? Jakie informacje powinniśmy wykorzystać? Które z nich potrafimy potwierdzić? Czy źródła są zgodne? Czego brakuje?
I jeszcze jedno: czy użytkownik rzeczywiście potrzebuje artykułu?
Dopiero z odpowiedzi na te pytania zaczyna powstawać sensowny brief.
W naszym procesie nie próbujemy więc załatwić wszystkiego jednym czatem. Poszczególne etapy mają konkretne zadania, a wynik jednego staje się materiałem dla następnego:
badanie marki → konkurencja → zlecenie → intencja → fakty i źródła → brief → wzbogacanie treści → pisanie → sprawdzenie → ewaluacja.
Dużą część możliwości AI można więc wykorzystać zanim model napisze pierwsze zdanie artykułu.
Najpierw: o kim właściwie piszemy?
Jeżeli model ma przygotować tekst dla konkretnej firmy, samo podanie jej nazwy niewiele daje. Potrzebny jest kontekst.
Dlatego w naszym procesie zaczynamy od zebrania informacji o marce. System pobiera strony firmy i klasyfikuje je: oferta, informacje o firmie, cennik, blog itd. Dopiero na tych materiałach pracuje AI.
Wyciąga fakty dotyczące usług, wartości, odbiorców czy oferty. Przy wnioskach zachowujemy źródło i fragment, z którego dana informacja wynika. Kolejny etap sprawdza, czy wniosek rzeczywiście ma pokrycie w materiale.
Jeżeli nie ma – obserwacja odpada. Model nie powinien uzupełniać brakującej informacji dlatego, że „tak zazwyczaj wygląda oferta firm z tej branży”. Nie znaleźliśmy informacji? To też jest wynik. Dopiero zaakceptowany profil marki przechodzi dalej.
Potem sprawdzamy konkurencję
Podobnie pracujemy z konkurencją. Najpierw ustalamy, kogo rzeczywiście chcemy analizować, a następnie AI pracuje na zawartości konkretnych stron. Wyciąga fakty wraz ze źródłami, dzięki czemu możemy zobaczyć powtarzające się elementy oferty, różnice w komunikacji czy potencjalne luki.
Dopiero taki materiał trafia dalej. Nie oznacza to oczywiście, że wszystko, co znaleźliśmy u konkurencji, ma później znaleźć się w artykule. Na tym etapie zbieramy materiał potrzebny do podejmowania kolejnych decyzji.
SERP daje nam więcej niż listę fraz do użycia
Kolejnym etapem jest analiza intencji.W prezentacji pokazaliśmy taki przykład:
Formalnie możemy mieć świetnie zoptymalizowany artykuł. Tylko użytkownik nadal nie dostał tego, czego szukał…
W analizie intencji bierzemy więc wyniki wyszukiwania i ich zawartość. AI czyta materiały i wyciąga z nich m.in. występujące intencje, typy stron, sposoby odpowiedzi, pytania czy powtarzające się elementy. Program może następnie policzyć, jak często poszczególne intencje występują w TOP10.
Dzięki temu brief nie powstaje wyłącznie na podstawie frazy. Wiemy znacznie więcej o tym, czego użytkownik może oczekiwać po wejściu na stronę.
Ma to znaczenie również wtedy, gdy myślimy o widoczności poza klasycznym SERP-em. W tekście o tym, jak pisać treści przyjazne AI i LLM, szerzej opisuję m.in. BLUF, ekstrahowalność informacji i information gain.
Czasami użytkownik nie potrzebuje kolejnego akapitu
Wróćmy do przykładu z fotowoltaiką. Jeżeli użytkownik chce policzyć koszt, można mu przez pięć akapitów tłumaczyć, od czego zależy cena. Można też dać mu kalkulator.
Przy innym temacie lepiej zadziała tabela. Formularz. Ścieżka decyzyjna. Konkretne porównanie. Dlatego jeszcze przed writingiem wracamy do intencji i sprawdzamy, czy sam tekst wystarczy.
W naszym procesie nazwaliśmy ten etap wzbogacaniem treści. Chodzi o zaplanowanie elementów, które pomogą użytkownikowi coś zrobić, a nie tylko przeczytać kolejne informacje. I tutaj optymalizacja contentu zaczyna wychodzić poza pytania o długość artykułu, frazy czy liczbę nagłówków.
Fakty zbieramy przed pisaniem, a nie dopiero sprawdzamy po fakcie
Przy pracy z faktami mieliśmy podczas prezentacji prosty żart:
Samo polecenie „sprawdź fakty” nie mówi jeszcze, co właściwie uznajemy za sprawdzony fakt. Dlatego ten etap rozbiliśmy:
Źródło → fakt → dowód → konflikt → luka → decyzja → dopiero brief
AI wyciąga fakt ze źródła. Program sprawdza, czy wskazany fragment rzeczywiście się w nim znajduje. Jeżeli dwa źródła podają różne informacje, konflikt pozostaje widoczny. Jeżeli nie udało się czegoś potwierdzić, zostaje luka. Dopiero wynik tej pracy może zasilić brief.
Podczas wystąpienia podsumowaliśmy to jednym pytaniem:
Nie pytamy AI: „co wiesz?”. Pytamy: „na podstawie czego wolno ci to napisać?”.
Brief powstaje z wyników wcześniejszej pracy
I dopiero teraz zaczyna układać się plan tekstu. To już nie jest lista nagłówków wygenerowana na podstawie frazy. Brief korzysta z wcześniejszych etapów: zlecenia, analizy intencji, informacji o marce, researchu i zebranych faktów.
Przy konkretnej sekcji możemy określić, co powinno się w niej znaleźć, jakie fakty wykorzystujemy, jakie mamy dla nich dowody i w jakiej formie najlepiej podać informację.
To również dobre miejsce, żeby myśleć o treści jako o osobnych, znaczeniowo domkniętych fragmentach. Szerzej opisywałam ten temat w artykule: chunking treści w kontekście GEO.
Sam brief też można sprawdzić. Czy każde wymaganie ze zlecenia ma swoje miejsce? Czy planowane twierdzenia mają dowody? Czy sekcja nie wymaga wniosku, którego nie możemy wyciągnąć z zebranego materiału?
W naszym rozwiązaniu druga instancja AI sprawdza plan przed przekazaniem go dalej. Jeśli znajduje problem, nie chodzi o wystawienie briefowi oceny w rodzaju „8/10, warto dopracować”. Wynikiem ma być konkretna rzecz do poprawienia.
Dopiero taki plan trafia do kolejnego etapu.
Cała nasza prezentacja „AI slop? Stop!” miała 113 slajdów. „PISANIE” pojawiło się dopiero na slajdzie 95. Celowo tak daleko, by pokazać, że etap pisania musi zostać poprzedzony dobrym przygotowaniem.
O samym writingu z AI powiedziano już naprawdę dużo. Jak tworzyć prompty. Jak dostarczać kontekst. Jak odtworzyć tone of voice. Jak pozbyć się charakterystycznych manier modeli.
To zresztą osobny temat. Pisałam już o tym, jak tworzyć treści przyjazne AI i LLM oraz jak przeprowadzić proofreading treści wygenerowanej z wykorzystaniem AI.
Tutaj interesuje nas etap wcześniejszy. Jeśli przed writingiem wykonaliśmy całą tę pracę, model nie musi jednocześnie zgadywać, czego chce użytkownik, poznawać firmy, szukać faktów, wymyślać struktury i pisać. Dostaje przygotowany materiał. I ma napisać.
AI w content marketingu to znacznie więcej niż generator treści
Nie zamierzam przekonywać, że powinniśmy przestać generować teksty z AI. Modele potrafią pisać i można z tej możliwości korzystać. Tyle że writing jest tylko fragmentem procesu contentowego.
Dużo ciekawsze staje się dla mnie wykorzystanie modeli do pracy, na którą wcześniej często brakowało czasu albo którą wykonywaliśmy na znacznie mniejszej próbie: przeczytania większej liczby materiałów, dokładniejszego researchu marki i konkurencji, analizy intencji, zebrania i zweryfikowania faktów czy sprawdzenia briefu.
Czasami efektem tej pracy będzie lepszy artykuł. Innym razem okaże się, że użytkownikowi bardziej przyda się tabela, kalkulator albo inne narzędzie. A dopiero potem przychodzi czas na pisanie.
Nasze wystąpienie zakończyliśmy zdaniem:
Nie skaluj produkcji treści. Skaluj dobry proces.
Gorąco zachęcamy do tego, by zamiast za każdym razem zaczynać od pustego okna czata i generować kolejną treść, ułożyć cały workflow związany z jej tworzeniem – od researchu i pracy z faktami, przez analizę intencji i brief, aż po pisanie i weryfikację. Taki proces warto konsekwentnie rozwijać i usprawniać, wykorzystując AI tam, gdzie rzeczywiście może usprawnić pracę, przyspieszyć ją albo pozwolić wykonać ją na większej skali.
Cała prezentacja do pobrania po zapisie do newslettera Fox Strategy – https://nl.zwinnie.com/cm-2026-09-14/
Źródła i badania
- Ahrefs – What Percentage of New Content is AI-Generated? – analiza 900 tys. nowych stron internetowych i udziału treści tworzonych z wykorzystaniem AI – https://ahrefs.com/blog/what-percentage-of-new-content-is-ai-generated/
- Ahrefs – Marketers Using AI Publish More Content – badanie 879 marketerów dotyczące wykorzystania AI w content marketingu i częstotliwości publikacji – https://ahrefs.com/blog/marketers-using-ai-publish-more-content
- Ahrefs – AI Content Is 4.7x Cheaper Than Human Content – porównanie deklarowanych kosztów tworzenia artykułów z wykorzystaniem AI i przez człowieka – https://ahrefs.com/blog/ai-content-is-5x-cheaper-than-human-content/
- Graphite – AI Now Writes as Many Online Articles as Humans Do – analiza 55,4 tys. artykułów i udziału materiałów klasyfikowanych jako przede wszystkim generowane przez AI – https://graphite.io/five-percent/research/ai-now-writes-as-many-online-articles-as-humans-do
- Originality.ai – AI Content Published on LinkedIn – analiza 5 tys. publicznych postów na LinkedIn pod kątem prawdopodobnego wykorzystania AI – https://originality.ai/blog/ai-content-published-linkedin
- Bynder – AI vs. Human-Made Content Study – badanie 2000 konsumentów z USA i Wielkiej Brytanii dotyczące rozpoznawania i odbioru treści tworzonych przez AI oraz copywriterów – https://www.bynder.com/en/press-media/ai-vs-human-made-content-study/
