Od „zapytaj Google’a” do „zapytaj ChatGPT” – nowy krajobraz wyszukiwania
Przez dwie dekady nawyk był niemal automatyczny: gdy pojawiało się pytanie, użytkownik „googlował”. Klasyczna wyszukiwarka pełniła funkcję domyślnej bramy do internetu, a marki inwestowały przede wszystkim w widoczność w wynikach organicznych Google. Dziś ten wzorzec zaczyna się zmieniać. Coraz więcej osób zamiast wpisywać frazy w wyszukiwarkę, formułuje pytania bezpośrednio do asystentów AI, takich jak ChatGPT czy Gemini, oczekując od razu syntetycznej, zredagowanej odpowiedzi.
Rozmowy z praktykami rynku, w tym z konsultantami SEO i strategami digital, pokazują, że rośnie rola platform, które wcześniej nie były postrzegane jako „wyszukiwarki” w klasycznym sensie. Użytkownicy szukają inspiracji i porad w mediach społecznościowych, wykorzystują wbudowane w nie chatboty, a jednocześnie przyzwyczajają się do dialogu z modelami językowymi. W efekcie „wyszukiwanie” przestaje oznaczać jedynie przeglądanie listy linków, a coraz częściej staje się rozmową z cyfrowym asystentem, który sam wybiera i podsumowuje informacje.
Modele takie jak ChatGPT zyskują na znaczeniu nie tylko jako ciekawostka technologiczna, lecz jako realna alternatywa dla części zapytań kierowanych dotąd do wyszukiwarki. Użytkownicy doceniają przede wszystkim szybkość uzyskania odpowiedzi, brak konieczności samodzielnego filtrowania wielu wyników oraz możliwość dopytywania i doprecyzowywania kontekstu. W praktyce oznacza to, że coraz większa część czasu, który wcześniej spędzaliśmy w wyszukiwarkach, dziś przenosi się do aplikacji AI i ekosystemów modeli językowych.
Ten trend jest szczególnie widoczny wśród osób poszukujących wiedzy eksperckiej, instrukcji krok po kroku, inspiracji kreatywnych czy gotowych szkiców treści. Zamiast otwierać kilkanaście zakładek z poradnikami, wiele osób woli porozmawiać z chatbotem, który od razu przedstawia streszczenie kluczowych informacji. Analitycy wskazują, że czas spędzany w aplikacjach opartych na GPT rośnie szybciej niż w klasycznych wyszukiwarkach, co znajduje odzwierciedlenie w skali inwestycji w infrastrukturę AI i nowe produkty cyfrowe.
Dla marek i organizacji opierających dotąd widoczność w sieci niemal wyłącznie na Google jest to zmiana o charakterze strategicznym. Jeśli użytkownik spędza coraz więcej czasu w środowisku asystenta AI, zmniejsza się liczba sytuacji, w których w ogóle trafia na stronę wyników wyszukiwania. Odpowiedź, którą otrzymuje, jest syntetyczna i często zamyka jego potrzeby informacyjne na tyle, że nie ma motywacji, aby przechodzić dalej. Oznacza to nowe wyzwanie: zadbanie o to, by marka była obecna nie tylko w klasycznych rankingach, lecz również w odpowiedziach generowanych przez modele językowe.
Stawką jest więc nie tylko liczba kliknięć w linki z wyników Google, ale szerzej – obecność w informacyjnym „krajobrazie”, który użytkownik widzi, gdy rozmawia z ChatGPT, Gemini lub innym asystentem AI. To właśnie ta zmiana tworzy przestrzeń dla nowej kategorii działań: pozycjonowania w AI oraz podejścia typu GEO zamiast SEO.
Czym jest „pozycjonowanie w AI” i dlaczego nie zastępuje klasycznego SEO
Pozycjonowanie w AI, określane też jako AI positioning lub AI visibility, można zdefiniować jako zestaw działań zwiększających szansę, że treści danej marki zostaną wykorzystane jako źródło, przykład lub kontekst w odpowiedziach modeli językowych. W praktyce chodzi o to, aby w momencie, gdy użytkownik zadaje pytanie ChatGPT, Gemini, Claude czy innemu asystentowi, w odpowiedzi pojawiły się nazwa marki, produkt, case study lub wnioski oparte na naszych materiałach.
W odróżnieniu od tradycyjnego SEO, w środowisku AI nie mamy do czynienia z klasyczną listą wyników. Odpowiedź ma charakter syntetyczny, przypomina artykuł lub notatkę, a odsyłacze do źródeł – jeśli w ogóle się pojawiają – są jedynie dodatkiem. Nie istnieje tu prosty odpowiednik pozycji 1–10 w SERP, a użytkownik zazwyczaj nie przegląda wielu alternatywnych propozycji. Zamiast tego otrzymuje jeden skondensowany tekst, który w jego oczach staje się „odpowiedzią z internetu”.
To kluczowa różnica z punktu widzenia strategii digital. Klasyczne SEO nadal pozostaje niezbędne – wyszukiwarki wciąż generują ogromny wolumen ruchu, a dla wielu branż są podstawowym kanałem akwizycji klientów. Pozycjonowanie w AI nie jest konkurencją dla SEO, lecz jego uzupełnieniem. Budując widoczność marki, trzeba dziś myśleć równolegle o tym, jak treści są oceniane przez algorytmy wyszukiwarek oraz jak mogą zostać wykorzystane przez modele językowe. W szerszej perspektywie dobrze jest także rozumieć szerszy kontekst, np. poprzez lekturę analiz w stylu czy SEO jest naprawdę martwe i jak mądrze inwestować w widoczność w Google i AI.
Przykłady scenariuszy, w których AI visibility nabiera znaczenia, są liczne. Użytkownik pyta ChatGPT o wybór narzędzia do automatyzacji marketingu i otrzymuje listę rekomendowanych platform. Ktoś inny prosi Gemini o opracowanie strategii wejścia z produktem na nowy rynek i dostaje usystematyzowany plan wraz z wzmiankami o konkretnych rozwiązaniach konsultingowych. Kolejna osoba pyta o to, jak budować proces tworzenia grafik do kampanii – a model przywołuje nazwy popularnych narzędzi, blogów i kursów, które dostarczają wysokiej jakości wiedzy w tym zakresie.
W tym kontekście na znaczeniu zyskuje również rosnący ekosystem modeli open source. Istnieją rozwiązania, które są alternatywą dla komercyjnych asystentów, takie jak opisany szerzej w artykule HuggingChat jako otwartoźródłowa alternatywa dla ChatGPT. Z perspektywy marek oznacza to, że widoczność w AI nie ogranicza się do jednego dostawcy – treści mogą być konsumowane i przetwarzane w wielu środowiskach, wykorzystywanych przez firmy, deweloperów i użytkowników indywidualnych.
Pozycjonowanie w AI wymaga zatem myślenia szerzej niż dotychczas: nie tylko o rankingu w Google, ale o tym, jak treści funkcjonują w całym krajobrazie modeli językowych. W kolejnych krokach kluczowe jest zrozumienie, skąd te modele biorą dane i jakie sygnały wpływają na ich odpowiedzi.
Jak modele językowe wybierają treści do odpowiedzi – perspektywa SEO i źródeł danych
Modele językowe, takie jak GPT czy Gemini, są trenowane na ogromnych zbiorach tekstów. W proces ten wchodzą publicznie dostępne treści z internetu, książki, dokumentacje techniczne, publikacje naukowe, dyskusje z forów i mediów społecznościowych, a także – w zależności od dostawcy – dane licencjonowane od wydawców i innych partnerów. Celem treningu jest nauczenie modelu ogólnego rozumienia języka i świata, a nie zbudowanie klasycznej bazy wiedzy z dokładnymi cytatami.
Warto odróżnić dwie fazy funkcjonowania modeli. Pierwsza to trening bazowy, podczas którego model uczy się wzorców językowych na wielkich korpusach tekstu. Druga to faza korzystania z zewnętrznych źródeł w trakcie pracy z użytkownikiem – na przykład poprzez moduły przeglądania sieci, integracje z API czy dostęp do aktualnych dokumentów. W praktyce oznacza to, że na odpowiedzi wpływają zarówno treści „utrwalone” w parametrach modelu podczas treningu, jak i aktualne dane pobierane na żywo.
Z perspektywy marki kluczowe jest to, aby jej treści miały realną szansę znaleźć się w obu tych „warstwach”. Materiały wysokiej jakości, często cytowane, szeroko udostępniane i obecne w wielu kontekstach zwiększają prawdopodobieństwo, że zostaną włączone do zbiorów treningowych. Jednocześnie dobra widoczność w klasycznym SEO i w systemach rekomendacyjnych sprawia, że modele, korzystając z przeglądania sieci, częściej napotykają właśnie te strony jako wartościowe źródła uzupełniające.
Klasyczne sygnały SEO – autorytet domeny, profil linków, spójna tematycznie biblioteka treści (topical authority) – pośrednio wpływają na to, co staje się widoczne dla systemów AI. Strony dobrze zoptymalizowane, z czytelną strukturą i logicznie zorganizowaną wiedzą, są nie tylko lepiej indeksowane przez wyszukiwarki, ale również łatwiejsze do analizy przez algorytmy, które przygotowują dane treningowe.
Znaczenie mają również otwartość i struktura treści. Rozbudowane sekcje FAQ, szczegółowe dokumentacje, poradniki eksperckie i instrukcje krok po kroku tworzą zasób wiedzy, który modele mogą później streszczać w odpowiedziach. Istotna staje się też kwestia języka: w wielu przypadkach przewagę mają treści w języku angielskim, ponieważ to one dominują w globalnych zbiorach danych. Jednocześnie rośnie znaczenie lokalnych zasobów w takich językach jak polski – zwłaszcza gdy dotyczą specyficznych regulacji, rynku pracy czy praktyk biznesowych, których nie da się łatwo zastąpić materiałami anglojęzycznymi.
Coraz większą rolę odgrywają metadane oraz jasne licencje określające warunki wykorzystania treści. Dostawcy modeli deklarują, że zwracają uwagę na prawa autorskie oraz wykluczają z treningu dane, które nie mogą być legalnie przetwarzane. W dłuższej perspektywie może to oznaczać przewagę dla marek, które klarownie komunikują możliwość wykorzystania swoich zasobów jako źródła wiedzy – na przykład poprzez otwarte licencje dla części materiałów edukacyjnych.
Warto pamiętać, że cały ekosystem modeli AI jest rozproszony. Obok wielkich komercyjnych systemów istnieją rozwiązania open source, trenowane na innych zbiorach danych i często integrowane w niestandardowych środowiskach. Przykładem jest wspomniany wcześniej artykuł o HuggingChat jako alternatywie open source dla ChatGPT, który pokazuje, że deweloperzy i organizacje mogą wdrażać własne instancje modeli. Z punktu widzenia AI visibility oznacza to konieczność myślenia o treściach w kategoriach szerokiego, wieloplatformowego oddziaływania.
Jakie sygnały mogą wpływać na „AI visibility” – od autorytetu treści po zachowania użytkowników
Brak oficjalnych, szczegółowych wytycznych ze strony dostawców modeli sprawia, że wiele wniosków na temat AI visibility ma charakter hipotez opartych na analogiach do SEO oraz na obserwacjach praktyków. Można jednak wskazać kilka grup sygnałów, które z dużym prawdopodobieństwem zwiększają szansę pojawienia się treści w odpowiedziach AI.
Po pierwsze, jakość merytoryczna i kompletność treści. Modele językowe „lubią” materiały, które wyczerpują temat w sposób zrozumiały, uporządkowany i praktyczny. Artykuły, które odpowiadają na konkretne pytania użytkowników, oferują kontekst, przykłady zastosowań oraz jasne wnioski, mają większe szanse, by stać się podstawą syntetycznych odpowiedzi. Dobrze sprawdzają się tu formaty poradnikowe, instrukcje „krok po kroku” oraz rozbudowane analizy przypadków.
Po drugie, autorytet tematyczny (topical authority). Zamiast pojedynczych artykułów „z doskoku” na wiele różnych tematów, modele częściej „doceniają” domeny, które tworzą spójne, głębokie biblioteki treści w określonej niszy. Blog specjalizujący się od lat w jednym obszarze – na przykład automatyzacji marketingu, prawie pracy czy bezpieczeństwie IT – ma większą szansę, by być traktowany jako wiarygodne źródło, niż portal publikujący powierzchowne teksty o wszystkim.
Po trzecie, cytowania i linkowanie. Im szerzej dane treści są przywoływane przez inne strony, tym większa ich widoczność w ekosystemie sieci. Linki z publikacji branżowych, dokumentacji, repozytoriów open source czy znanych serwisów edukacyjnych sygnalizują, że dana wiedza jest ważna i użyteczna. To z kolei zwiększa prawdopodobieństwo, że zostanie zauważona zarówno przez wyszukiwarki, jak i przez mechanizmy przygotowujące dane dla modeli językowych.
Po czwarte, sygnalizacja ekspertyzy. Podpisywanie materiałów imieniem i nazwiskiem autora, podawanie danych źródłowych, prezentowanie wyników badań, case studies i benchmarków to praktyki, które budują zaufanie użytkowników i jednocześnie stanowią wskazówkę dla algorytmów, że treść ma charakter ekspercki. W świecie, w którym wiele informacji generuje sama AI, jasno oznaczone materiały oparte na realnym doświadczeniu zyskują na wartości.
Po piąte, zachowania użytkowników. Choć trudno mówić o prostych zależnościach, można rozsądnie założyć, że treści, które generują długi czas na stronie, wysokie zaangażowanie, udostępnienia i dyskusje w mediach społecznościowych, są postrzegane jako bardziej wartościowe. To one częściej stają się „ważne” w sieci – są cytowane, omawiane i rekomendowane, co zwiększa ich ekspozycję w różnych kanałach, w tym potencjalnie w odpowiedziach AI.
Wyniki obserwacji rynku wyszukiwania wskazują ponadto na istotny spadek liczby kliknięć w tradycyjne wyniki, przy jednoczesnym wzroście odsetka zapytań, na które użytkownik otrzymuje odpowiedź bezpośrednio na stronie wyników (tzw. zero-click search, AI Overview). W podobny sposób zachowuje się wielu użytkowników chatbotów: zadowalają się pierwszą odpowiedzią, nie eksplorując innych źródeł. To dodatkowo wzmacnia znaczenie bycia „włączonym” do syntetycznej odpowiedzi, a nie tylko obecnym wśród wielu potencjalnych linków.
Praktyczne konsekwencje różnią się w zależności od branży. W e‑commerce ważne stają się kompleksowe opisy produktów, poradniki zakupowe i porównania, które modele mogą później wykorzystywać przy rekomendacjach. W SaaS liczą się szczegółowe opisy funkcji, use case’y i historie klientów, które pomagają modelowi zrozumieć, kiedy dane narzędzie jest dobrym wyborem. W usługach lokalnych – od prawników po fryzjerów – kluczowe mogą być dobrze opracowane artykuły edukacyjne odpowiadające na typowe pytania klientów. W edukacji natomiast przewagę budują strukturalne materiały dydaktyczne, które łatwo przerobić na wyjaśnienia, streszczenia czy quizy.
Łączenie klasycznego SEO z pozycjonowaniem w AI – praktyczna strategia dla firm
Budowanie widoczności w erze modeli językowych wymaga zintegrowanego podejścia. Pierwszym krokiem pozostaje uporządkowanie fundamentów klasycznego SEO: poprawna struktura informacji na stronie, optymalizacja techniczna, szybkość ładowania, responsywność mobilna oraz dobrze dobrane frazy kluczowe. Bez solidnej podstawy w postaci zindeksowanej i zaufanej przez wyszukiwarki witryny trudno liczyć na trwałą obecność także w ekosystemie AI.
Drugim elementem jest rozbudowa treści nastawionych na pełne odpowiedzi na pytania użytkowników. W praktyce oznacza to pracę z frazami długiego ogona (long tail) i konwersacyjnymi zapytaniami, które użytkownicy wpisują dziś zarówno w Google, jak i formułują w rozmowie z ChatGPT czy Gemini. Sekcje FAQ, artykuły odpowiadające na konkretne problemy, słowniki pojęć czy przewodniki tematyczne to formaty, które dobrze sprawdzają się jednocześnie w wyszukiwarkach i w modelach językowych.
Trzeci filar to projektowanie treści w taki sposób, aby modele AI mogły je łatwo wykorzystać. Obejmuje to stosowanie przejrzystych nagłówków, klarownych definicji, sekcji z podsumowaniem najważniejszych wniosków, checklist i procedur krok po kroku. Tego typu struktury są nie tylko przyjazne czytelnikowi, ale również ułatwiają algorytmom identyfikację i streszczanie kluczowych fragmentów.
Czwarty obszar dotyczy budowania autorytetu domeny w wąskiej niszy. Publikacje eksperckie, wystąpienia na konferencjach, współpraca z innymi serwisami branżowymi, obecność w raportach i zestawieniach – wszystko to wzmacnia pozycję marki zarówno w oczach ludzi, jak i algorytmów. Warto rozwijać spójny program contentowy, w ramach którego materiały tekstowe, wideo, podcasty i webinary tworzą ze sobą logicznie powiązaną całość.
Piąty element to świadome budowanie rozpoznawalności brandu i jego „cytowalności”. Konsekwentne używanie spójnej nazwy, tagline’u czy nazw własnych produktów zwiększa prawdopodobieństwo, że model językowy będzie w stanie poprawnie je zidentyfikować i przywołać. Im częściej nazwa marki pojawia się w wiarygodnych kontekstach – w artykułach, materiałach partnerskich, recenzjach – tym większe szanse na to, że trafi również do odpowiedzi AI.
Kluczową rolę odgrywa edukacja zespołów. Marketerzy, specjaliści SEO, product managerowie i działy sprzedaży powinni rozumieć podstawowe mechanizmy działania modeli językowych oraz umieć wykorzystywać je do testowania widoczności własnej marki. Regularne zadawanie pytań w stylu: „jakie narzędzia polecasz do…”, „jakie firmy są liderami w…”, „jak rozwiązać problem X w branży Y” pozwala monitorować, czy nazwa organizacji pojawia się w odpowiedziach. Jeśli nie – to sygnał, że warto wzmocnić obecność treści w danym obszarze.
Dobrym przykładem treści, które łączą tematykę AI z praktycznymi konsekwencjami dla konkretnych grup odbiorców, jest tekst o tym, czy AI pisząca kod powinna niepokoić programistów. Tego typu artykuły odpowiadają na realne pytania użytkowników, są bogate w kontekst i przykłady, a jednocześnie stanowią atrakcyjny materiał źródłowy dla modeli językowych, które szukają zrozumiałych wyjaśnień z danej dziedziny.
Nowe formaty treści w świecie generatywnej AI – od tekstów po obrazy i kod
AI visibility nie dotyczy wyłącznie tekstu. Modele generatywne coraz lepiej radzą sobie z kodem, obrazami, danymi strukturalnymi i multimediami, a narzędzia oparte na nich korzystają z dokumentacji, repozytoriów git, baz wiedzy i tutoriali wideo. W efekcie to, jak marka prezentuje swoją wiedzę techniczną, procesy czy interfejsy API, ma bezpośredni wpływ na to, jak często będzie pojawiać się w odpowiedziach narzędzi programistycznych, generatorów obrazów czy asystentów no‑code.
Świat deweloperów jest tu szczególnie dobrym studium przypadku. Dokumentacje techniczne, przewodniki „how‑to”, przykładowe projekty i snippet’y kodu są intensywnie „konsumowane” przez narzędzia AI, które później generują gotowe fragmenty rozwiązań dla użytkowników. Jeśli instrukcje korzystania z API są jasno opisane, a przykłady krok po kroku dobrze ustrukturyzowane, model ma większą szansę, by na ich podstawie generować poprawne odpowiedzi i rekomendować dane rozwiązanie jako przyjazne w użyciu.
Dobrym przykładem takiego praktycznego tutorialu jest artykuł pokazujący, jak stworzyć i pobrać obraz z OpenAI API w skrypcie NodeJS. Tekst odpowiada na bardzo konkretne pytanie użytkownika, prowadzi przez proces krok po kroku i zawiera wszystkie najważniejsze szczegóły techniczne. Dla modeli językowych stanowi idealny materiał wyjściowy do generowania skróconych instrukcji oraz rekomendacji dla programistów szukających podobnych rozwiązań.
Równolegle rośnie znaczenie otwartych ekosystemów modeli, w których treści mogą być wykorzystywane w różny sposób. Artykuł o HuggingChat jako open‑source’owej alternatywie dla ChatGPT pokazuje, że deweloperzy coraz częściej wybierają rozwiązania, które można dostosować do własnych potrzeb i zintegrować z istniejącą infrastrukturą. W takich środowiskach dobrze udokumentowane biblioteki, API i narzędzia mają szczególnie wysoką wartość – są bowiem nie tylko źródłem wiedzy dla ludzi, ale też „paliwem” dla kolejnych generacji modeli.
Im bardziej praktyczne, krok po kroku i logicznie zorganizowane są materiały tworzone przez markę – niezależnie od formatu – tym większa szansa, że zostaną wykorzystane przez różne systemy AI. Dotyczy to zarówno dokumentacji technicznych i tutoriali, jak i przewodników wizualnych, szablonów, plików konfiguracyjnych czy zestawów danych. W nowym krajobrazie informacyjnym każda tego typu treść może stać się cegiełką w odpowiedziach generowanych przez modele.
Jak mierzyć efekty i przygotować organizację na przyszłość wyszukiwania
Ocena skuteczności działań łączących klasyczne SEO z pozycjonowaniem w AI wymaga rozszerzenia dotychczasowego zestawu wskaźników. Podstawą pozostają klasyczne metryki: ruch organiczny, widoczność na kluczowe frazy, współczynnik klikalności (CTR), zaangażowanie użytkowników i konwersje. To one pokazują, czy strona nadal spełnia swoją funkcję w tradycyjnym ekosystemie wyszukiwarek.
Kolejnym poziomem są badania jakościowe. Coraz więcej firm dodaje do formularzy kontaktowych i ankiet pytania o to, skąd użytkownik dowiedział się o marce, rozszerzając listę opcji o odpowiedzi typu „z rekomendacji ChatGPT” czy „z asystenta AI”. Wywiady z klientami oraz analiza rozmów sprzedażowych również mogą ujawnić, że pierwszym punktem styku z marką była odpowiedź wygenerowana przez model językowy, a dopiero później użytkownik trafił na stronę www.
Trzecim elementem są eksperymenty z różnymi modelami AI. Systematyczne zadawanie podobnych zestawów pytań ChatGPT, Gemini, Claude czy rozwiązaniom open source pozwala monitorować, czy nazwa marki, produkty lub konkretne treści pojawiają się w odpowiedziach. Warto dokumentować wyniki, obserwować zmiany w czasie i powiązywać je z działaniami contentowymi oraz PR.
Czwarty obszar to monitoring wzmianek w sieci – zarówno w mediach społecznościowych, jak i w serwisach branżowych czy na forach. Użytkownicy często dzielą się odpowiedziami otrzymanymi od chatbotów, cytują fragmenty generowanych treści lub linkują do rekomendowanych materiałów. Analiza takich wzmianek może stanowić pośredni sygnał, że treści danej marki są wykorzystywane jako źródło w ekosystemie AI.
Prognozy firm analitycznych, takich jak Gartner, wskazują na stopniowy spadek udziału klasycznych wyszukiwarek w ogólnym wolumenie zapytań oraz rosnącą rolę wirtualnych asystentów i interfejsów konwersacyjnych. Proces ten będzie jednak miał charakter ewolucyjny, a nie rewolucyjny z dnia na dzień. Przez długi czas współistnieć będą tradycyjne wyszukiwarki, wyszukiwanie w mediach społecznościowych, wyspecjalizowane silniki branżowe oraz chatboty oparte na LLM.
Dla zarządów i kadry menedżerskiej oznacza to konieczność przedefiniowania strategii obecności w sieci. Niezbędne staje się inwestowanie w kompetencje łączące klasyczne SEO z rozumieniem działania AI, przegląd strategii content marketingu pod kątem przydatności dla modeli językowych, a także testowanie różnych rozwiązań – w tym alternatywnych modeli, takich jak opisany w artykule o HuggingChat open‑source’owy ekosystem asystentów. Warto również zdefiniować nowe KPI, które obejmą nie tylko ruch z wyszukiwarek, ale także widoczność w odpowiedziach AI, liczbę wzmianek pośrednich oraz udział treści marki w materiałach edukacyjnych i eksperckich.
Marki, które jako pierwsze zaczną traktować pozycjonowanie w AI równie poważnie jak SEO, mają szansę zbudować trwałą przewagę konkurencyjną. W świecie, w którym coraz więcej decyzji użytkowników jest wspieranych przez rekomendacje modeli językowych, bycie „domyślną odpowiedzią” na pytania z danej niszy może okazać się jednym z najważniejszych aktywów biznesowych nadchodzącej dekady.