Fact density (czasem też information density) tłumaczymy jako gęstość faktów. Jest to stosunek liczby weryfikowalnych, konkretnych informacji (liczb, dat, nazw, parametrów) do objętości tekstu, najczęściej liczonej na 100 słów. Im więcej sprawdzalnych faktów przypada na tę samą liczbę słów, tym wyższa gęstość i tym większa szansa, że dany fragment zostanie wybrany przez systemy RAG jako źródło odpowiedzi.
Czy warto szacować fakt density? Tak, choćby po to by poprawiać teksty, wyeliminować ogólniki i lanie wody na rzecz treści, którą można sprawdzić i przytoczyć.
Dlaczego ma to znaczenie w AI: jedna z analiz branżowych dotyczących ekstrakcji faktów z tekstu (patent Google US9672251B1) opisuje gęstość faktów jako sygnał punktowany przy ocenie źródeł – fragment o wysokiej gęstości łatwiej zweryfikować i wyciąć bez utraty sensu.
To interpretacja autorów tej analizy, nie bezpośredni zapis patentu jako instrukcji dla systemów RAG (patent pochodzi z 2017 roku i opisuje klasyczne wyszukiwanie encji, a nie architekturę RAG w obecnym rozumieniu), ale kierunek, który wskazuje, potwierdzają dane z realnych testów cytowalności.
To nie jest kolejny buzzword z GEO. Michał Suski z zespołu Surfer SEO policzył to na 110 słowach kluczowych i 3491 adresach URL, definiując „fakt” jako unikalną trójkę encja-atrybut-wartość wyciągniętą przez model językowy na każde 100 słów tekstu: strony cytowane przez AI jako główne źródło pokrywały medianę 0,41 takich trójek z danego tematu, wobec 0,15 dla stron pominiętych w cytowaniach – niemal trzy razy więcej.
Czym różni się gęstość informacji od Information Gain?
Gęstość informacji i Information Gain to dwie różne miary jakości tekstu pod AI: Gain sprawdza, czy wnosisz coś nowego, a Density sprawdza, czy da się to zweryfikować. Gain pyta: „co nowego wnosisz, czego nie ma już w top 10?”. Density pyta: „ile z tego, co piszesz, da się w ogóle zweryfikować?”. Pierwsze omawiałam już przy okazji proofreadingu treści z AI (tam Information Gain to Twój dowód na to, że masz coś do powiedzenia). Density to sprawdzian, czy to, co masz do powiedzenia, w ogóle da się wyciągnąć z tekstu jednym kawałkiem.
Można mieć jedno bez drugiego (i to jest dokładnie ten moment, w którym większość tekstów przegrywa). Genialny insight, utopiony w czterech akapitach wstępu, ma wysoki Gain i fatalną Density. Elegancka, zwięzła parafraza cudzej definicji ma odwrotnie (wysoką Density, zerowy Gain). Model zacytuje tylko fragment, który łapie oba parametry naraz.
A co z keyword density? Czy to już nieaktualne?
Wskaźnik jako taki – tak, jest nieaktualny w klasycznym rankingu Google: John Mueller powtarza od lat, że keyword density nigdy nie było i nie jest czynnikiem rankingowym w wyszukiwarce. To stanowisko dotyczy jednak sposobu, w jaki Google rankuje strony w klasycznym wyszukiwaniu – nie mamy analogicznie jednoznacznej deklaracji co do tego, jak systemy RAG w ChatGPT, Perplexity czy Gemini ważą częstotliwość i rozmieszczenie fraz przy wyszukiwaniu i ocenie fragmentów do cytowania. To inna architektura (retrieval oparty na embeddingach, często hybrydowy z komponentami sparse jak BM25, które z definicji uwzględniają częstotliwość terminu) i nie warto zakładać, że wnioski z klasycznego SEO przenoszą się tu 1:1 – w żadną stronę.
To, co wiemy na pewno: upychanie frazy w co trzecim zdaniu, żeby wskaźnik się zgadzał, brzmi sztucznie, a modele językowe wychwytują to równie łatwo jak ludzie. Fraza kluczowa nadal pomaga skojarzyć tekst z zapytaniem, ale przez naturalne, kontekstowe wystąpienie, nie przez osiągnięcie magicznego procentu. Ryzyko dla wielu specjalistów SEO polega na tym, że zamieniają stary wskaźnik na nowy w tym samym, mechanicznym stylu liczenia, zamiast przejść na myślenie w kategoriach pokrycia tematu faktami. Pisz naturalnie, tak jak opowiadałabyś o produkcie znajomej, i zadbaj o realne pokrycie tematu konkretami – fraza kluczowa pojawi się sama, bo trudno pisać szczegółowo o czymś, nie nazywając tego wprost.
Jak systemy RAG faktycznie liczą gęstość?
Modele generatywne dzielą Twoją stronę na fragmenty długości mniej więcej 128-600 tokenów i oceniają każdy z osobna, bez kontekstu reszty artykułu. To dlatego akapit, który zaczyna się od rozgrzewki, a odpowiedź chowa w trzecim zdaniu, może zostać odrzucony, zanim system w ogóle dotrze do sedna.
Jedna z analiz cytowalności w AI opisuje te sygnały, powołując się na kilka patentów Google: fact density (US9672251B1), extractability, czyli zdolność fragmentu do wyświetlenia jako samodzielna odpowiedź (US10783156B1), oraz corroboration, czyli sprawdzanie, czy niezależne źródła potwierdzają te same liczby (US9785686B2). Zastrzeżenie: to interpretacja autorów tej analizy, nie oficjalne stanowisko Google co do tego, jak dokładnie działają współczesne systemy RAG w ChatGPT czy Perplexity – część z tych patentów pochodzi z okresu sprzed obecnej architektury RAG i opisuje klasyczne mechanizmy wyszukiwania. Traktuję to jako wskazówkę kierunkową, nie instrukcję obsługi. Zdanie „jesteśmy liderem branży” ma gęstość faktów równą zero niezależnie od tego, który dokładnie mechanizm to penalizuje. Zdanie z konkretną liczbą, datą i nazwą — nie.
Złoty środek: dlaczego przegęszczenie szkodzi tak samo jak lanie wody
Wysoka gęstość informacji nie znaczy, że każde zdanie ma być liczbą. Znaczy, że na jednostkę tekstu przypada więcej faktów niż wypełniaczy (a to różnica, którą łatwo przesadzić w obie strony).
Z analiz i testów wynika prosta kalibracja: fakt co jedno-dwa zdania to punkt równowagi. Ściana liczb i terminów bez oddechu jest męcząca i budzi podejrzenie o keyword stuffing. Rozwodniona proza, w której konkret pojawia się raz na kilka akapitów, po prostu nie zostawia modelowi niczego do wyciągnięcia.
Test, który stosuję przy redakcji: weź dowolny akapit i policz, ile zawiera konkretnych, weryfikowalnych informacji. Jeśli pięć zdań ma jeden fakt, gęstość jest za niska. Jeśli każde zdanie to liczba, rozbij blok akapitem wyjaśniającym.
Ten sam mechanizm kalibracji widać w strukturze BLUF, którą przywoływałam już przy okazji trendów wyszukiwania na 2026 rok (prezentacja z Crash Mondays Wrocław): artykuły w formacie answer-first mają wielokrotnie wyższą cytowalność niż te, które odpowiedź chowają za wstępem. Sam format nie wystarczy jednak bez gęstości w środku sekcji, bo BLUF odpowiada na pytanie „gdzie jest odpowiedź”, a fact density na pytanie „czy ta odpowiedź w ogóle coś znaczy”.
Case study: opisy produktów oparte na faktach zamiast przymiotników
W Fox Strategy przetestowaliśmy zmianę sposobu pisania opisów produktowych: zamiast przymiotników – konkretne parametry. Poniżej ten sam produkt w dwóch wariantach.
Wersja standardowa:
Elegancki kubek termiczny wykonany z wysokiej jakości materiałów. Doskonały wybór dla osób ceniących styl i funkcjonalność. Dostępny w wielu kolorach. Utrzymuje temperaturę napojów przez długi czas. Idealny do pracy i podróży.
Zero liczb. Zero czegokolwiek, czego AI albo klient mógłby się złapać – tak wygląda dziewięć na dziesięć opisów kubków w polskich sklepach.
Wersja o wysokiej gęstości faktów:
Kubek termiczny 350 ml ze stali nierdzewnej 18/8 z podwójnymi ściankami próżniowymi. Utrzymuje ciepło do 12 godzin, zimno do 24 godzin. Pokrywka szczelna 360°. Można myć w zmywarce. Bez BPA, certyfikat FDA. Waga 280 g, mieści się w uchwycie samochodowym.
Ten sam produkt, zero przymiotników, dziewięć weryfikowalnych parametrów w tej samej objętości tekstu, w której pierwsza wersja nie ma żadnego. Druga wersja odpowiada wprost na pytania, które realnie zadaje klient (czy zmieści się w uchwycie, czy można umyć w zmywarce) zamiast na pytania, których nikt nie zadaje, typu „czy jest elegancki”.
Efekty tego testu wciąż zbieramy, Obserwacja jakościowa na tym etapie: opis o wysokiej gęstości faktów łatwiej wyciąć jako samodzielny, sensowny fragment, dokładnie to, czego szuka RAG, kiedy dzieli stronę na chunki.
Jak sprawdzić gęstość we własnym tekście
Przed publikacją sprawdź tekst pod kątem czterech rzeczy:
- czy odpowiedź pojawia się od razu,
- czy fakty są rozłożone równo,
- czy zniknęły puste frazy
- i czy wyróżnienia są rzadkie.
Po pierwsze: czy pierwsze zdanie po każdym nagłówku odpowiada wprost na pytanie z tego nagłówka, bez odsyłania do dalszej części artykułu.
Po drugie: czy w każdej sekcji merytorycznej pojawia się przynajmniej jeden fakt na dwa-trzy zdania, a nie raz na akapit.
Po trzecie: czy usunęłaś frazy zerowej wartości – „warto podkreślić”, „należy zaznaczyć”, „warto wiedzieć” (każda z nich zajmuje miejsce, nie wnosząc nic).
Po czwarte: czy pogrubienia i tabele pojawiają się tam, gdzie faktycznie sygnalizują coś ważnego, a nie przy okazji.
To pytania które warto sobie zadawać przy każdym akapicie, zanim uznasz, że tekst jest gotowy.
Sprawdź to na swoim ostatnim artykule
Otwórz dowolny tekst, który opublikowałaś w tym miesiącu. Weź pierwszy akapit pod pierwszym śródtytułem i policz, ile w nim faktów, a ile słów, które nic nie znaczą. Jeśli wynik Cię zaskoczy, to dobrze — znaczy, że wiesz już, od czego zacząć redakcję.
Gęstość faktów w tekście to jedna strona medalu. Druga to zaufanie zbudowane poza Twoją stroną (opinie, wzmianki, social proof) – o tym, jak jedno wzmacnia drugie, piszę więcej w książce SEO dla małych i startujących sklepów internetowych, którą współtworzyłam z Eweliną Podrez-Siamą.
Źródła
- Michał Suski, Surfer SEO – Information retrieval source, prezentacja: SEO Vibes on Tour, Zakopane 2025 (raport prywatny, niepublikowany – dane z prezentacji konferencyjnej)
- Artur Smolicki – kalibracja gęstości informacji i Information Gain, artursmolicki.com
- John Mueller, Google Search Central – stanowisko ws. keyword density jako czynnika rankingowego
Przy researchu informacji wykorzystałam AI.
