1. Strona główna
2. Dziennik
3. Widoczność w AI

Widoczność w AI: policz wzmianki i porównaj wyniki

• Jacek Ślesicki
• 25 października 2026
• ok. 19 min czytania

Jak zmierzyć widoczność marki w AI?

Widoczność marki w AI mierzę jako obecność w odpowiedziach na określony zestaw pytań, a ruch z tych odpowiedzi analizuję oddzielnie. Dla ChatGPT, Gemini i Perplexity proponuję pilotaż: 12 pytań po 3 powtórzenia, czyli 36 obserwacji na produkt. To przykład organizacji badania, nie reprezentatywna statystyka ani wynik mojego projektu.

Jeśli wolisz oddać to w ręce praktyka, zobacz ofertę: Widoczność w AI (GEO): ChatGPT, AI Overviews, Gemini.

Pojedynczy screenshot potwierdza jedną odpowiedź. Nie pokazuje częstotliwości występowania marki ani pytań, przy których jej zabrakło. Zakres działań opisuję osobno: Widoczność w AI i zakres prac GEO. Tutaj skupiam się na pomiarze, który pozwala odtworzyć obliczenia i rozsądnie porównać kolejne okresy.

Pomiar widoczności w AI: od czego zacząć?

Zacznij od zapisania celu badania, listy produktów AI oraz pytań, na które marka powinna odpowiadać swoją ofertą lub treścią.

Inaczej wygląda sprawdzanie poprawności informacji o firmie, inaczej szukanie jej w rekomendacjach usług. Pytanie zawierające nazwę marki już kieruje uwagę systemu na konkretny podmiot. Neutralne pytanie o problem odbiorcy sprawdza coś innego. Nie łączę tych wyników w jeden procent bez pokazania podziału.

W proponowanym rejestrze rozdzielam cztery elementy:

• Wzmianka o marce oznacza wystąpienie jej nazwy lub wcześniej zdefiniowanego, jednoznacznego wariantu.
• Cytowanie domeny oznacza wskazanie jej jako źródła, zgodnie z zapisaną zasadą kwalifikacji odnośników.
• Poprawność opisu oznacza zgodność informacji z aktualnymi, udokumentowanymi faktami o firmie.
• Wizyta na stronie oznacza osobne zdarzenie pomiarowe, którego nie wyprowadzam z samej obecności marki w odpowiedzi.

Taki podział chroni przed pozornym sukcesem: system wymienia firmę, ale przypisuje jej usługę, której nie oferuje.

Rejestr odpowiedzi: co powinien zawierać pusty szablon?

Przygotuj pusty szablon z identyfikatorem pytania, warunkami testu, pełną odpowiedzią, źródłami i polami oceny ustalonymi przed zbieraniem danych.

Nagłówki kolumn mogą wyglądać tak: identyfikator obserwacji, wersja zestawu, produkt, tryb, data, pytanie, odpowiedź, adresy źródeł, wzmianka, cytowanie, poprawność, status. Puste pole oceny nie oznacza zera. Oznacza, że obserwacja czeka na klasyfikację.

W tym protokole wynik opisuje wyłącznie udokumentowaną próbę odpowiedzi, a nie wszystkie rozmowy użytkowników z AI. To najważniejsze ograniczenie raportu.

Protokół pomiaru: jak zebrać porównywalne odpowiedzi?

Porównywalny pomiar opieram na zapisanych pytaniach, warunkach testu i kompletnych odpowiedziach. Dla ChatGPT, Gemini i Perplexity prowadzę osobne serie, zachowując wspólny zestaw pytań tam, gdzie pozwala na to produkt. W proponowanym protokole każda zmiana pytania lub sposobu zbierania danych otrzymuje datę i opis, żeby nie pomylić zmiany metody ze zmianą widoczności.

Produkty AI: jak ustalić warunki badania?

Najpierw zapisz nazwę produktu, dostępny tryb, język, kraj testu oraz stan logowania, a dopiero potem rozpocznij zbieranie odpowiedzi.

Model odpytany przez API traktuję jako osobne środowisko od aplikacji konsumenckiej. Nie zakładam identyczności ich wyników. Jeśli interfejs nie ujawnia wersji modelu, zapisuję brak tej informacji. Nie uzupełniam jej domysłem.

Przed uruchomieniem serii ustalam kolejność działań:

1. Produkt otrzymuje osobny identyfikator obejmujący aplikację i widoczny tryb odpowiedzi.
2. Konto otrzymuje opis stanu logowania oraz dostępnych ustawień personalizacji i pamięci.
3. Pytanie zachowuje identyczne brzmienie, język i oznaczenie wersji w całej porównywanej serii.
4. Każde powtórzenie zaczyna się w nowej rozmowie, aby ograniczyć wpływ wcześniejszych wiadomości.
5. Obserwacja otrzymuje czas wykonania, pełną treść odpowiedzi, źródła i status zakończenia.
6. Zmiana warunków trafia do dziennika wraz z informacją, których obserwacji dotyczy.

Nowa rozmowa nie daje pełnej kontroli nad systemem. Ogranicza jeden rodzaj kontekstu, ale nie zamraża infrastruktury ani zmian produktu.

Zestaw pytań: jak oddzielić markę, usługę i problem?

Podziel zestaw pytań na pytania brandowe, pytania o kategorię usług oraz pytania opisujące problem bez sugerowania wykonawcy.

Przykład brandowy brzmi: „Jakie usługi oferuje Agencja ITP?”. Przykład kategorii: „Jak wybrać specjalistę SEO dla lokalnej firmy w Olsztynie?”. Przykład problemu: „Strona gabinetu nie przynosi zapytań, od czego zacząć analizę?”. To przykłady konstrukcji pytań, bez deklarowania ich wolumenu wyszukiwania.

Przygotowanie rozwija Zestaw promptów do pomiaru widoczności. Każdemu pytaniu przypisuję intencję i powód włączenia. Dzięki temu zestaw nie staje się kolekcją sformułowań, na które najłatwiej uzyskać korzystną odpowiedź.

Powtórzenia: ile zaplanować w pilotażu?

W przykładowym pilotażu proponuję 3 powtórzenia każdego z 12 pytań, czyli 36 zaplanowanych obserwacji na jeden produkt.

To budżet organizacyjny, nie norma statystyczna. Przy trzech produktach powstaje 108 obserwacji do zapisania i oceny. Rozłożenie powtórzeń na wcześniej ustalone terminy pozwala zobaczyć również zmienność między sesjami badania.

Powtarzanie promptów podczas pomiaru służy ocenie stabilności odpowiedzi. Nie zamienia wygodnie dobranego zestawu w niezależną próbę losową użytkowników.

Błędy i brak wyszukiwania: jak oznaczać obserwacje?

Zapisz osobno błąd techniczny, odmowę odpowiedzi, kompletną odpowiedź bez marki oraz brak widocznych oznak wyszukiwania, zamiast nadawać wszystkim przypadkom wartość zero.

Timeout nie jest odpowiedzią bez wzmianki. Odmowa pozostaje w rejestrze, a jej udział pokazuję oddzielnie; w tym protokole nie włączam jej do mianownika odpowiedzi merytorycznych. Brak źródeł nie dowodzi natomiast, że system na pewno nie wyszukiwał informacji.

Eksport powinien zachować oryginalne teksty. Przykładowy wpis dziennika „Q07: dodano nazwę miasta, wersja 2” oznacza zmianę pytania, a nie poprawę wyniku tej samej obserwacji.

Wskaźniki widoczności: co policzyć i jak to nazwać?

Wskaźnik obecności marki to udział poprawnie zebranych odpowiedzi merytorycznych zawierających markę, charakteryzujący się jawnym mianownikiem, określonym zakresem próby i stałą zasadą liczenia. Każdy wynik opisuję razem z tymi warunkami. Dla ChatGPT i Gemini obliczam go osobno, a nazwę Share of Model stosuję dopiero po podaniu dokładnej definicji.

Wzmianki i cytowania: jak obliczyć udział odpowiedzi?

Podziel liczbę odpowiedzi zawierających markę przez liczbę poprawnie zebranych odpowiedzi merytorycznych w tej samej serii i pomnóż wynik przez 100%.

Przykład dydaktyczny: 9 odpowiedzi ze wzmianką na 36 odpowiedzi daje 25% obecności w tej próbie. To jawne obliczenie: 9 ÷ 36 × 100%. Nie jest wynikiem autora ani klienta. Pięciokrotne powtórzenie nazwy w jednym tekście nadal oznacza jedną odpowiedź ze wzmianką.

Jeżeli z 36 zaplanowanych obserwacji 4 zakończyły się błędem technicznym, mianownik wynosi 32. Raport musi pokazać zarówno wynik, jak i te 4 braki. Inaczej czytelnik nie oceni kompletności badania.

Do oceny jakości dodaję osobne pola:

• Cytowanie domeny otrzymuje wartość dodatnią, gdy odpowiedź wskazuje źródło spełniające przyjęte kryterium.
• Poprawność oferty otrzymuje ocenę na podstawie zgodności opisu z udokumentowanym zakresem usług.
• Identyfikacja firmy uwzględnia możliwość pomylenia marek o podobnych nazwach.
• Wydźwięk wypowiedzi otrzymuje kategorię pozytywną, neutralną, negatywną albo niejednoznaczną wraz z uzasadnieniem.

Przykładowo link do poradnika bez nazwy wydawcy może oznaczać cytowanie domeny bez wzmianki tekstowej. Tych pól nie należy automatycznie utożsamiać.

Share of Model: jak zdefiniować mianownik?

Najpierw zapisz, czy mianownikiem Share of Model są odpowiedzi, wystąpienia marek czy suma obecności ustalonego zestawu konkurentów.

Nie zakładam, że nazwa wskaźnika oznacza to samo w każdym raporcie. Przykładowa definicja porównawcza może dzielić liczbę odpowiedzi z marką A przez sumę par „marka-odpowiedź” dla ustalonej grupy marek. Wtedy jedna odpowiedź wymieniająca trzy marki wnosi trzy takie pary.

To inny rachunek niż udział odpowiedzi z marką A. Dlatego Share of Model: definicja wskaźnika powinien wyjaśniać także listę konkurentów, warianty nazw i zasady usuwania duplikatów. Sam procent nie wystarcza.

Porównanie wyników: jak zachować tę samą próbę?

Porównuj wspólne pytania, produkty i warunki, a nowe elementy pokazuj jako rozszerzenie badania, oddzielone od dotychczasowej serii.

Przejście z 9/36 do 12/36 oznacza wzrost z 25% do około 33%, czyli o około 8 punktów procentowych. Jeśli jednak do drugiej serii dodano łatwe pytania brandowe, taki wniosek nie opisuje już tej samej próby.

Nie wyliczam pozornie precyzyjnych przedziałów ufności bez uzasadnionego modelu statystycznego. Wzrost po publikacji treści również nie dowodzi, że właśnie publikacja go spowodowała.

Ruch i zapytania: jak połączyć odpowiedzi z analityką?

Analitykę wejść z AI wykorzystuję do oceny odwiedzin i zdarzeń, a nie do liczenia wszystkich wyświetleń marki w odpowiedziach. Google Analytics 4 opisuje zarejestrowany ruch na stronie, natomiast Google Search Console raportuje wyniki wyszukiwania. Rozdzielenie tych etapów wynika z zakresu narzędzi opisanego w dokumentacji Google sprawdzonej 18 października 2026 roku.

Google Analytics 4: jak znaleźć źródło sesji?

Otwórz raport „Pozyskiwanie ruchu” i wybierz wymiar „Sesja - źródło/medium”, aby analizować pochodzenie zarejestrowanych sesji zamiast pierwszego pozyskania użytkownika.

Dokumentacja wskazuje ścieżkę Raporty → Pozyskanie → Pozyskiwanie ruchu; układ nawigacji może zależeć od konfiguracji usługi. Google opisuje wymiar „Session source / medium” następująco:

„The source and medium associated with a new session.” - Google Analytics Help, Traffic acquisition report, dostęp: 2026.

Oznacza to źródło i medium powiązane z nową sesją. Dokumentacja raportu GA4 opisuje także sesje i kluczowe zdarzenia.

Analizę prowadzę w ustalonej kolejności:

1. Zakres dat obejmuje ten sam okres co rejestr odpowiedzi AI.
2. Źródła sesji grupuję na podstawie faktycznie zarejestrowanych wartości, zamiast zakładać jeden uniwersalny referrer.
3. Strony docelowe sprawdzam pod kątem zgodności z tematem odpowiedzi i potrzebą odbiorcy.
4. Zdarzenia kontaktowe oceniam po sprawdzeniu, czy pomiar rejestruje skuteczne wysłanie formularza, czy tylko kliknięcie.
5. Zapytania sprzedażowe porównuję z rejestrem kontaktów, aby oddzielić zdarzenie analityczne od rzeczywistego zgłoszenia.

Nie dopisuję ruchu bez rozpoznanego źródła do AI. Taki kontakt pozostaje nieprzypisany. Szczegóły rozwija Ruch z ChatGPT w Google Analytics.

Kliknięcia i obecność: dlaczego wymagają osobnych danych?

Kliknięcia i obecność wymagają osobnych danych, ponieważ odpowiedź może wymienić markę bez wizyty na stronie, a wizyta nie musi zakończyć się kontaktem.

Poniższa tabela przedstawia etapy pomiaru, a nie gwarantowaną ścieżkę pojedynczego użytkownika:

Etap	Co zapisuję?	Czego nie dowodzi?
Odpowiedź AI	Wzmiankę, cytowanie i treść.	Nie dowodzi kliknięcia.
Kliknięcie	Przejście przez odnośnik, jeśli źródło udostępnia taką metrykę.	Nie gwarantuje zarejestrowania sesji.
Sesja	Wizytę zarejestrowaną przez analitykę.	Nie dowodzi wysłania zapytania.
Zapytanie kontaktowe	Rzeczywiste zgłoszenie w formularzu lub innym kanale.	Nie oznacza zawarcia umowy.

Według Google Search Central ruch z Google AI Overviews i AI Mode wchodzi do ogólnych danych Search Console, w raporcie skuteczności dla typu wyszukiwania „Web”. Dokumentacja ujmuje ten zakres słowami:

„they're reported on in the Performance report, within the "Web" search type.” - Google Search Central, AI features and your website, aktualizacja: 2025.

Nie traktuję więc ogólnej liczby kliknięć z Google jako liczby kliknięć z AI Overviews. Tym bardziej nie jest to liczba wzmianek o marce w ChatGPT czy Perplexity.

Monitoring AI: kiedy potrzebuję narzędzia lub wsparcia?

Narzędzie do monitoringu oceniam po możliwości eksportu odpowiedzi, kontroli próby i odtworzenia obliczeń. Automatyzację rozważam wtedy, gdy liczba pytań, produktów i terminów utrudnia konsekwentne prowadzenie rejestru. Dla ChatGPT, Gemini i Perplexity wymagam oznaczenia badanego środowiska; zbiorczy wykres bez danych źródłowych nie wystarcza do oceny zmian.

Arkusz czy automatyzacja: jak wybrać sposób pracy?

Policz planowane obserwacje jako iloczyn pytań, powtórzeń, produktów i rund pomiaru, a następnie oceń możliwość terminowego zebrania i sprawdzenia danych.

Przykładowo 12 pytań × 3 powtórzenia × 3 produkty × 4 rundy oznacza 432 zaplanowane obserwacje. To rachunek nakładu pracy, nie zalecana wielkość badania.

Kryterium	Ręczny arkusz	Automatyzacja
Uruchomienie pilotażu	Pozwala szybko dopracować zasady.	Wymaga sprawdzenia ustawień i sposobu zbierania danych.
Regularność	Zależy od dyscypliny osoby zbierającej odpowiedzi.	Może wykonywać zaplanowane serie.
Dane źródłowe	Trzeba samodzielnie zachować odpowiedzi.	Eksport należy sprawdzić przed wyborem narzędzia.
Ocena błędów	Ułatwia ręczne rozstrzyganie wyjątków.	Wymaga kontroli automatycznej klasyfikacji.

Automatyzacja przyspiesza powtarzalne czynności. Nie naprawia źle dobranych pytań ani niejasnego mianownika.

Raport widoczności: czego wymagać od wykonawcy?

Wymagaj raportu zawierającego zestaw pytań, warunki badania, surowe odpowiedzi, definicje wskaźników oraz rejestr braków i zmian metody.

Przed oceną wykresów sprawdzam, czy materiał pozwala samodzielnie przeliczyć wynik:

• Eksport odpowiedzi zachowuje treść, datę, produkt i źródła każdej obserwacji.
• Definicje wskaźników podają licznik, mianownik i sposób traktowania wyjątków.
• Rozdzielenie środowisk wskazuje, które dane pochodzą z API, a które z aplikacji.
• Historia zmian ujawnia modyfikacje pytań, konkurentów oraz zasad klasyfikacji.
• Wnioski wskazują konkretne błędy informacji lub braki treści, bez obietnic gwarantowanej obecności.

Raport powinien kończyć się decyzją: poprawić opis usługi, sprawdzić pomylenie firm albo rozszerzyć brakujące informacje. Sam rosnący procent nie wyjaśnia, co zrobić dalej.

Najczęściej zadawane pytania

Jak być widocznym w AI?

Zacznij od sprawdzenia dostępności treści, spójności informacji o marce oraz odpowiedzi na rzeczywiste pytania odbiorców. Google wskazuje, że podstawowe zasady SEO pozostają aktualne dla jego funkcji AI. Nie daje to gwarancji cytowania ani rekomendacji.

Jak sprawdzić widoczność strony?

Zacznij od raportu skuteczności Google Search Console, analizując zapytania, strony, wyświetlenia i kliknięcia w wybranym okresie. Wzmianki o marce w ChatGPT, Gemini i Perplexity sprawdzaj osobnym rejestrem. Widoczność adresów URL w AI Overviews i AI Mode analizuj również w raporcie generatywnej AI w Search Console, jeśli witryna ma wystarczającą liczbę wyświetleń. Wizyty i zdarzenia na stronie analizuj w GA4, ponieważ dotyczą kolejnego etapu kontaktu.

Czy SEO ma jeszcze sens?

Tak, SEO nadal pomaga porządkować dostępność i treść witryny, a jego znaczenie dla funkcji AI Google potwierdza dokumentacja Search Central. Ocenę działań opieram na potrzebach odbiorców i wynikach strony, nie na obietnicy określonej pozycji.

Po jakim czasie widać efekty SEO?

Od kilku godzin do kilku miesięcy może trwać odzwierciedlenie zmian przez Google, zgodnie z jego poradnikiem SEO; nie jest to termin uzyskania zapytań ani sprzedaży. Dokumentacja sugeruje zwykle odczekanie kilku tygodni przed oceną wpływu. Nie przenoszę tych ram automatycznie na widoczność w innych systemach AI.

Czy cytowania domeny bez nazwy marki zwiększają udział wzmianek?

Nie, w opisanym protokole samo cytowanie domeny nie zwiększa udziału odpowiedzi z tekstową wzmianką o marce. Zwiększa osobny wskaźnik cytowań. Wyjątek wymaga wcześniejszego zapisania domeny jako rozpoznawanego wariantu nazwy i konsekwentnego stosowania tej zasady.

Prześlij przez formularz kontaktowy listę produktów AI, nazwę marki i cel pomiaru. Te informacje pozwalają określić zakres badania przed wyborem narzędzia.

Źródła i literatura

Dokumentacja Google Analytics 4, Google Search Console i Google Search Central stanowi podstawę opisu narzędzi; dostęp sprawdzono 18 października 2026 roku. Liczby dotyczące pilotażu i udziału wzmianek są przykładami rachunkowymi z opisanego protokołu. Nie przedstawiają wyników badań rynku, autora ani klientów.

Dokumentacja analityki i wyszukiwania

1. Google Analytics Help: Traffic acquisition report opisuje raport pozyskiwania ruchu i wymiary sesyjne.
2. Google Search Central: AI features and your website wyjaśnia zasady obecności i raportowania funkcji AI Google.
3. Google Search Console Help: Performance report opisuje analizę skuteczności wyników wyszukiwania.
4. Google Search Central: SEO Starter Guide omawia podstawy SEO i czas odzwierciedlania zmian.

Zakres proponowanego protokołu

Zasady liczenia obecności, klasyfikowania braków i wersjonowania pytań stanowią propozycję metody pomiaru przedstawioną w tym tekście. Dokumentacja narzędzi nie ustanawia reprezentatywności zestawu 12 pytań ani trzech powtórzeń.