Co automatyzować w SEO w 2024 r.?

Odpowiedź na pytanie w nagłówku tego artykułu mogłaby brzmieć: „wszystko, co możliwe”, ale byłoby to zbyt duże uproszczenie.

Gdy piszę ten wpis, tj. w lipcu 2024 r., wszyscy mniej lub bardziej zdajemy sobie sprawę, że automatyzacja czynności podejmowanych przez człowieka jest tylko kwestią czasu i zasobów. Umasowienie LLM’ów (Large Language Models) tylko nas w tym utwierdziło, choć należy zacząć od tego, że AI nie jest synonimem automatyzacji. Automatyzacja sama w sobie zwykle nie potrzebuje dużych modeli językowych, aby optymalizować zadania operacyjne.

Dla wielu firm i organizacji upowszechnienie LLM’ów stało się powodem, dla którego C-level dostrzegł, że kod może być źródłem realnych oszczędności. A to, czy do pracy zaprzęgnięte jest AI, czy zespół IF’ów, jest tu już wtórne. 

I wbrew pozorom, kontrolowane IF’y są w mojej ocenie większą wartością dodaną dla przedsiębiorstwa niż AI, choć to też zależy, co jest w priorytetach Twojej organizacji i jakie problemy chcesz rozwiązać. Bo zwykły software zawsze zwraca zero-jedynkowy wynik. A AI trzeba wciąż kontrolować, aby nie generować takich patternów, jak np. GPT-4 i jego próby przenoszenia przymiotników między leksykonami (patrz: przymiotnik nieflatterujący).

Automatyzacja ≠ AI, AI ≠ automatyzacja

Uporządkujmy to. Automatyzacja SEO polega na wykorzystaniu narzędzi i technologii do wykonywania zadań w sposób efektywny i uwaga(!) niezawodny oraz powtarzalny. Czytając te słowa, że wyczuwasz tę subtelną różnicę między AI a automatyzacją.

AI świetnie radzi sobie z analizą danych, ale bez odpowiednio uporządkowanych danych wejściowych jest nieskuteczne (jaki input, taki output). Dlatego, aby przygotować dane dla AI, konieczna jest automatyzacja.

Jeśli jesteś właścicielem firmy i czytasz te słowa, i masz wrażenie, że Ciebie nie ma w tym pociągu, tj. sprincie automatyzacji, to wcale nie znaczy, że przesypiasz erę AI. Przesypiasz pewnego rodzaju etap rozwoju swojej organizacji. Bo bez centralizacji danych da się rozwijać biznes tylko do pewnej skali, a jeśli wokół Ciebie krążą tylko Arkusze Google, to wieloletniego długu technicznego, jakim jest brak oprogramowania procesów, nie da się zastąpić ChatemGPT ani żadną podobną technologią. 

Musisz zrozumieć, że kod, który automatyzuje powtarzalne procesy, kosztuje więcej niż 20$ za subskrypcję ChatGPT.

Znacznie więcej.

Jakie zadania w SEO można zautomatyzować za pomocą AI, a jakie nie?

Jedynym bezdyskusyjnym wyjątkiem, który wyłamuje się z tej definicji (że automatyzacja ≠ AI), jest wytwórstwo treści jako takie, tzn. tworzenie treści na bloga, widoki kategorii czy karty produktowe. 

Bo powiedzieć, że treści wytworzone przez GPT albo Claude nie są automatyzacją, byłoby (delikatnie rzecz ujmując) niedopowiedzeniem. Niedopowiedzeniem, bo oszczędności z tytułu odpowiednio wdrożonej automatyzacji treści przez AI pozwalają na fundamentalną poprawę rentowności przy zachowaniu tego samego przychodu organizacji. A biorąc pod uwagę, że 63% badanych internautów nie potrafi odróżnić treści tworzonych przez sztuczną inteligencję od treści tworzonych przez ludzi, branża SEO automatyzuje to, co jest w jej zasięgu.

Dlatego wskazałbym 3 fundamentalne obszary, które należy rozpatrywać w kontekście automatyzacji pracy w SEO:

1. Automatyzacja wytwórstwa treści i/lub mediów = AI
   
   Automatyzacja wytwórstwa treści w SEO jest w zasadzie równoznaczna z AI, ponieważ niemożliwym jest opisanie tego procesu kilkoma prostymi IF-ami, tzn. bez LLM nie ma automatyzacji wytwórstwa treści. 

Najlepszym dowodem na to, jak bardzo AI potrafi zautomatyzować wytwórstwo treści, są wyniki WeNetu, którego rentowność rośnie szybciej niż przychody.

Do tej grupy należałoby dodać także wszystkie duże modele generujące obrazy (np.  DALL-E 3, Midjourney, Stable Diffusion XL) i inne media, ale w przypadku wideo mówimy już o VDM (Video Diffusion Models) – nie będę rozwijał tego wątku szerzej, bo nie jest wprost skorelowany z zadaniami SEO.

2. Automatyzacja analizy danych = ≠ AI
   
   Dane pochodzące np. z pracy z crawlerem jak Sitebulb, Audisto albo Screaming Frog mogą być analizowane przez AI, choć bez wytrenowania LLM mogą okazać się dość toporne dla tego typu zastosowań.
   
   Nie można jednak zastosowań AI w tym kontekście wykluczyć. Sztuczna inteligencja będzie pomocna w przetwarzaniu i analizie danych, choć należy zaznaczyć, że może się ona odbywać także bez LLM-ów.

3. Automatyzacja wszystkich innych operacji ≠ AI
   
   Automatyzacja wszystkich innych operacji podejmowanych w SEO nie jest równoznaczna z AI, tj. AI pełni/może pełnić tutaj funkcję interpretatora danych, ale zebranie ich i tak należy pozostawić software’owi, który dostarcza je w sposób powtarzalny i niezawodny.
   
   AI może oczywiście wyprzedzać wytwórstwo software’u, ale gotowy program, który automatyzuje cokolwiek, zwykle nie bazuje na LLM. Wobec tego przy automatyzacji zbierania danych nie postawimy znaku równości z AI.

Oczywiście, konwergencja automatyzacji i AI, tj. zaprzęgnięcie do pracy obu z nich, jest scenariuszem idealnym. Wtedy tradycyjny software automatyzuje powtarzalne, rutynowe zadania, a AI pełni rolę uzupełniającą, pozwalając na szybką (często powierzchowną, ale jednak) interpretację danych i wspierając w podejmowaniu decyzji na podstawie liczb, a nie intuicji.

Żeby mieć jakiś punkt odniesienia, spójrz na to zestawienie:

Obszar SEO	Automatyzacja	AI
Analiza treści	Analizowanie treści na podstawie zdefiniowanych metryk, np. SurferSEO, Contadu	Generowanie treści zoptymalizowanych pod SEO przy użyciu modeli językowych, np. ChatGPT, Claude
Keyword research	Generowanie zapytań do wyszukiwarki na podstawie bazy danych, np. Keyword Tool Io, Ahrefs, Senuto, SEMStorm	Grupowanie zapytań do wyszukiwarki w oparciu search intent i semantykę
Analiza techniczna	Automatyczne skanowanie stron w celu wykrywania problemów technicznych, np. Screaming Frog, Sitebulb	Rozkodowywanie kodów błędów, filtrowanie i grupowanie danych
Monitorowanie backlinków	Śledzenie i raportowanie nowych backlinków przy użyciu narzędzi takich jak Majestic	Ocena jakości backlinków i identyfikacja potencjalnych zagrożeń, np. nieoptymalnie dobranych anchor tekstów

Zauważ, że AI nie rozwiązuje tych samych problemów, co kod, który odpowiada za automatyzacje.

Kiedy i czego nie automatyzować?

Żeby ten artykuł nie zestarzał się zbyt mocno, nie będziemy z niego robili wyliczanki narzędzi AI, które robią rzeczy w SEO, bo na każdy jego obszar przypada i tak więcej produktów i usług niż czasu na ich przepracowanie. 

A i ostatecznie po prostu nie wszystko, co warto zautomatyzować, opłaca się, i nie wszystko, co się opłaca automatyzować, warto.

Optymalizować w SEO nie warto:

1. Procesów wykonywanych po raz pierwszy lub tylko raz
   
2. Procesów o niewiadomej korzyści w perspektywie długoterminowej
   
3. Procesów powtarzanych z doskoku

Zasadniczo nic z tej listy nie jest warte Twojej uwagi, więc jedyną automatyzacją dla tych zadań jest albo zestawienie danych w Arkuszu Google/Excelu, albo wykorzystanie narzędzi do automatyzacji no-code’owych, których uruchomienie zajmie Ci kilkanaście, kilkadziesiąt minut.

A żeby odpowiedzieć sobie na pytanie, kiedy już automatyzować, a kiedy jeszcze nie, posługuj się prostymi liczbami. Możesz posłużyć się analizą kosztów i korzyści, prostym ROI albo okresem zwrotu, tj. czasem, jaki jest niezbędny, żeby jakaś automatyzacja zwróciła się w 100%.

Przykładowo, jeśli korzystasz z raportów skuteczności w Search Console, ale za każdym razem wymaga to od Ciebie przerzucania danych ich do lub Excela, możesz posłużyć się API SC, które po zintegrowaniu np. z bazą danych WordPressa albo automatycznego uzupełnienia z Arkuszami Google, wyręczy Cię z tego procesu.

Jeśli założymy, że:

• API Search Console: 0 zł (subskrypcja),
• Make (9 $ przy 10,000 operacjach miesięcznie),
• Arkusze Google: 0 zł lub WordPress (jako baza danych),
• wdrożenie: 500 zł opłata dewelopera,

to mamy: 

• koszt narzędzi i utrzymania ~35 zł  (Make) * 12 miesięcy = 420 zł
• koszt wdrożenia = 500 zł

Razem: 920 zł netto.

Jeśli znasz swój koszt roboczogodzinowy, np. 100 zł netto, a miesięcznie ręczne eksportowanie i układanie danych z Search Console zajmowało Ci 2 godziny, to w skali roku na wdrożeniu API Search Console jesteś 1500 zł netto do przodu. W kolejnych latach realna oszczędność jest tym większa, ponieważ nie będziesz już w tej kalkulacji uwzględniał kosztu wdrożenia.

Nie musisz pisać kodu od zera…

Do automatyzacji powtarzających się procesów w SEO, w tym np.:

• odbierania i przesyłania danych z API,
• uzupełniania bazy danych,
• parsowania plików .csv, .xml, .xls, .pdf,
• integracji z narzędziami analitycznymi,
• scrapowania danych ze stron,

do wyboru masz wiele narzędzi no-code’owych:

• Make,
• Zapier,
• Airtable,
• Parabola,
• Bubble.

… ale możesz

Mimo że no-code potrafi wiele, to trudno, żeby w Twojej firmie stała na nim cała infrastruktura, a zwłaszcza złożone zadania, powtarzalne w dużej skali. 

Możesz wykorzystywać do tego też open-source’owe technologie, które dobrze znasz (a które tylko z pozoru się do tego nie nadają). I tak np. WordPress doskonale sprawdzi się jako agregat do przechowywania danych, przesyłania ich w jakimś kierunku lub obsługi prostych zdarzeń, np. automatyzacji maili, raportowania, parsowania plików .xml, .csv i dalszej ich obróbki.

I to, co wciąż cieszy i rozczarowuje zarazem, 42% firm poszukuje specjalistów od automatyzacji i/lubi AI. Cieszy, bo jeśli czytasz ten artykuł, jesteś w grupie tych, którzy chcą się rozwijać. Rozczarowuje, bo opór po stronie przedsiębiorstw jest wciąż przerażająco duży.

Dla jednego to potencjał, dla innego – zagrożenie. Bądź po tej właściwej stronie.

---

Autor artykułu

wróć