Widoczność marki w AI: jak ją mierzę i jakimi narzędziami

Widoczność marki w AI to odsetek odpowiedzi asystentów AI na pytania Twoich klientów, w których marka jest wymieniona z nazwy albo jej strona jest podana jako źródło. Liczę ją na własnym zestawie pytań, osobno dla każdego asystenta i osobno dla wzmianki i cytowania. Nikt poza dostawcami asystentów nie zna wszystkich pytań, które ludzie im zadają, więc „udziału w rynku AI” nie da się policzyć. Każda liczba o widoczności w AI ma sens tylko razem z informacją, na czym ją policzono: na ilu pytaniach, w którym asystencie i którego dnia.

Trzy razy od sierpnia do października moja własna kontrola wykazała, że liczba, która wyglądała dobrze, znaczy co innego, niż sądziłem:

1. „Obecność marki” w raporcie z jednego z moich projektów okazała się cytowaniem strony, a nie wzmianką o marce. W Perplexity raport pokazywał 2%, a marka była wymieniona w 37% pytań; w samych pytaniach bez jej nazwy w 21%.
2. Test, który miał pokazać, że pozycja na podzapytania (zapytania, które asystent sam wysyła do wyszukiwarki w trakcie odpowiedzi) przewiduje cytowania lepiej niż pozycja na frazę główną, dał wynik zgodny z tezą, dopóki recenzent nie zauważył, że porównałem pomiary o różnej dokładności.
3. Liczba cytowań w narzędziu wzrosła w tydzień o połowę u dwóch marek, a ich udział prawie się nie zmienił, więc najpewniej rosła baza odpowiedzi zebranych przez narzędzie (jego indeks), a nie widoczność marek.

Widoczność w AI mierzę tak, żeby takie błędy znaleźć przed raportem dla klienta, a nie po nim. Drugi z tych przypadków opisałem w tekście o pozycjonowaniu w AI, dwa pozostałe są niżej.

Czym jest widoczność marki w AI?

Widoczność marki w AI to obecność marki w odpowiedziach, które generują AI Overview i tryb AI w Google, ChatGPT, Gemini, Perplexity i Copilot, liczona jako odsetek takich odpowiedzi. Marka może być w takiej odpowiedzi na dwa sposoby i liczę je osobno:

1. Wzmianka: nazwa marki jest w treści odpowiedzi, którą użytkownik czyta.
2. Cytowanie: strona marki jest podana jako źródło, zwykle w przypisie albo w liście linków obok odpowiedzi.

Jedno nie wynika z drugiego. Asystent może polecić markę z nazwy i nie podać jej strony, bo wie o niej z pamięci albo z cudzych tekstów. Może też podać stronę marki jako źródło informacji ogólnej i ani razu nie napisać jej nazwy. W tekście o pozycjonowaniu w AI opisuję, skąd asystent bierze wiedzę o marce: z wyszukiwania czy z pamięci modelu.

W odpowiedzi AI nie ma pozycji, więc mierzę udział, a nie miejsce. Odpowiedź asystenta za każdym razem powstaje od nowa i nie jest listą dziesięciu wyników. Eli Schwartz ujął to w jednym zdaniu:

Dlatego zamiast pozycji liczę, w ilu odpowiedziach na mój zestaw pytań marka się pojawia. Liczba „marka jest na 3. miejscu w ChatGPT” opisuje jedną odpowiedź z jednego dnia, a następna odpowiedź na to samo pytanie może wymienić inne marki w innej kolejności.

Jak sprawdzić widoczność marki w ChatGPT i innych asystentach AI?

Sprawdzam ją w sześciu krokach i liczę dopiero w piątym. Wcześniejsze kroki są po to, żeby liczba na końcu dotyczyła właściwej marki i właściwych pytań.

Krok 1. Sprawdź, czy asystent wie, o którą markę chodzi

Zanim cokolwiek policzę, zadaję pytanie z samą nazwą marki i czytam odpowiedź. Jeśli asystent myli markę z inną firmą, każda późniejsza liczba może dotyczyć nie tej firmy. W jednym z polskich sklepów internetowych narzędzie do widoczności w AI pokazało 55 punktów na 100 i 100% udziału, a wszystkie odpowiedzi, z których to policzyło, dotyczyły innej, znanej firmy o tej samej nazwie. W innym narzędziu marka, której nazwa jest zwykłym słowem ze słownika, dostała ponad 400 tysięcy stron ze wzmianką, bo narzędzie liczyło każde użycie tego słowa. Marka porównawcza miała ich niecałe 7 tysięcy.

Gdy tę samą nazwę nosi firma z tej samej branży, pomiar traci sens, a gdy ktoś z innej dziedziny, pomiar jest tylko trudniejszy. W pierwszym przypadku, zanim cokolwiek policzę, porządkuję opis marki na jej stronie i w profilach, żeby asystent mógł ją odróżnić. Moje imię i nazwisko nosi między innymi aktor i pilot, więc pomiar mojej marki ma sens, ale przy każdej wzmiance sprawdzam, czy dotyczy mnie.

Krok 2. Przeczytaj wyniki Google na nazwę marki

AI Overview i tryb AI korzystają z indeksu Google, więc najpierw sprawdzam, co Google pokazuje na samą nazwę marki. Przy każdym wyniku z pierwszej dziesiątki zapisuję, czy kontroluję tę stronę w całości, częściowo (na przykład profil w cudzym serwisie), czy wcale. Na moje imię i nazwisko 3 października 2026 w polskim Google nie kontrolowałem w całości żadnego z 10 wyników, a jeden kontrolowałem częściowo.

Potem szukam w tych stronach zdań, które asystenci powtarzają o marce. Jeśli zdanie jest w wynikach, wiem, skąd asystent je bierze, i mogę poprosić o poprawkę tej strony. Jeśli go tam nie ma, prawdopodobnie jest w pamięci modelu i poprawka stron szybko go nie zmieni.

Krok 3. Ułóż zestaw pytań i nie zmieniaj go

Pytania biorę z danych o popycie i z Search Console, a nie z burzy mózgów. Z Search Console wybieram zapytania, na które strona już się wyświetla, a resztę uzupełniam frazami z narzędzi do badania słów kluczowych. Podział pytań według pozycji strony opisałem w tekście o strategii SEO. Gdy w okresie, z którego biorę zapytania, strona ma w Search Console mniej niż ok. 1 000 wyświetleń i 100 różnych zapytań, nie wyprowadzam z niej pytań, bo z tak małej próby nie wybiorę pytań, które coś mówią o rynku. To próg orientacyjny z mojego procesu, a nie wynik testu.

Większość pytań układam bez nazwy marki, z powodu opisanego w tekście o pozycjonowaniu w AI. Pytanie „czy X jest dobry” mierzy, co asystent wie o X, a nie to, czy poleci X komuś, kto o nim nie słyszał. Pytania bez nazwy marki układam w trzech formach (przykłady są poglądowe):

• kategoria z dookreśleniem, na przykład „biuro rachunkowe dla jednoosobowej firmy w Krakowie”;
• porównanie, w którym jest tylko nazwa konkurenta, na przykład „alternatywa dla [konkurent]”;
• pytanie o konkretną możliwość, na przykład „która aplikacja do notatek działa bez internetu”.

Pytania o reputację liczę osobno i nie wliczam ich do widoczności. „Czy X to sprawdzona firma” i pary pytań „kogo wybrać” i „kogo unikać” pokazują, co asystent sądzi o marce, a nie to, czy ją poleca. W sklepie, o którym pisałem w kroku 1, asystenci odpowiadali na pytanie, czy to sprawdzony sklep, cytując skargi klientów.

Pytania o polską markę zadaję po polsku i po angielsku. W moim teście część podzapytań do polskich pytań była po angielsku, o czym piszę w tekście o pozycjonowaniu w AI.

Zestawu nie zmieniam między pomiarami. Nowe pytania dokładam jako osobną grupę, bo każda zmiana listy psuje porównanie z poprzednim pomiarem.

Krok 4. Ustal liczbę powtórzeń pilotażem i zapisz, kiedy i gdzie

Liczby powtórzeń nie ustalam z góry: na nowym zestawie pytań najpierw robię pilotaż, w którym każde pytanie zadaję 10 razy, wszystkie w tym samym czasie. Tak zaleca Dmitrij Żatuchin w protokole Dice Roll Method do powtarzanego odpytywania modeli o marki (arXiv, wersja 2 z 14.10.2026). Z pilotażu liczy się, jak bardzo różnią się odpowiedzi na to samo pytanie i jak bardzo różnią się między sobą pytania, a z tego, ile powtórzeń potrzeba do wyniku, na którym mi zależy. W tej wersji pracy autor wycofał stałe progi z wersji pierwszej (od 5 do 20 powtórzeń zależnie od rodzaju badania), bo okazało się, że policzono je na danych z generatora syntetycznego, a nie na danych z badań.

Pilotaż daje zwykle dwie różne liczby: mało powtórzeń do wyniku dla całego asystenta i dużo więcej do porównania jednego pytania przed zmianą i po niej. Liczby z mojego testu i z pracy Żatuchina pokazuję niżej, w części o powtórzeniach. AI Overview był w moich danych najbardziej stabilny: w 77 z 94 pytań dał trzy identyczne odpowiedzi, więc do niego zwykle wystarcza jedno pobranie.

Przy każdej odpowiedzi zapisuję cztery rzeczy: asystenta, powierzchnię, wersję modelu i datę z godziną. Powierzchnia to miejsce, w którym model odpowiada: aplikacja czatu, API, tryb AI w Google albo AI Overview. Odpowiedzi z API nie muszą być takie same jak to, co widzi użytkownik aplikacji, więc wyników z dwóch powierzchni nie sumuję w jedną liczbę.

Godzina odpowiedzi pozwala odróżnić losowość od zmiany w czasie. W teście powtórzeń Perplexity cytowało stronę projektu w 0, 2 i 9 pytaniach w kolejnych powtórzeniach, przy prawie stałej liczbie wzmianek (33, 36 i 35). Najpewniej w trakcie pomiaru zmienił się dostęp do strony, ale arkusz nie miał godzin odpowiedzi, więc nie da się tego sprawdzić. Dlatego w kolejnych pomiarach wysyłam powtórzenia naraz i zapisuję godzinę każdej odpowiedzi.

Krok 5. Policz wzmianki i cytowania osobno

Wynik dla asystenta to odsetek wszystkich odpowiedzi, w których marka się pojawiła, osobno dla wzmianki i dla cytowania. Źródła sumuję ze wszystkich powtórzeń. Pytania, przy których marka pojawiła się tylko w części odpowiedzi, oznaczam jako niestabilne i nie wyciągam z nich wniosków o pojedynczym pytaniu.

Krok 6. Sprawdź, co może unieważnić diagnozę

Zanim napiszę klientowi, czego mu brakuje, sprawdzam sytuacje, w których diagnoza byłaby błędna:

• Asystent nikogo nie poleca w tej kategorii, na przykład przy pytaniach o zdrowie, finanse albo prawo. Wtedy nie ma luki, którą marka mogłaby zapełnić.
• Asystent odpowiada z pamięci, bez wyszukiwania. Wtedy praca na stronie długo nic nie zmieni.
• Konkurent, którego sam wpisałem do porównania, nie działa. W jednym pomiarze cztery domeny, na których oparłem tezę, że kategoria jest pusta, nie miały nawet rekordu DNS, czyli adres domeny nie prowadził do żadnego serwera. Zero cytowań u konkurenta, którego strona nie działa, nie oznacza wolnego miejsca w kategorii.
• Widoczność w AI rośnie, a ruch z Google w tym samym okresie spada. SearchPilot opisuje test dla serwisu Omio, w którym zmiana na stronach pomogła w ruchu z modeli językowych, ale według ich szacunku obniżyłaby ruch z Google o ok. 6,5%, więc nie została wdrożona (SearchPilot). Dlatego obok odpowiedzi AI zawsze patrzę na ruch z Google.

Po każdej zmianie na stronie albo w opisie marki powtarzam kroki od 4 do 6 na tym samym zestawie pytań. Tylko wtedy wynik przed zmianą i po niej da się porównać.

Jakie metryki widoczności w AI mierzyć?

Dla każdego asystenta mierzę dwie liczby: odsetek odpowiedzi ze wzmianką marki i odsetek odpowiedzi z cytowaniem jej strony. Do tego udział względem konkurentów na tym samym zestawie pytań i liczbę pytań niestabilnych. Ruch z asystentów w analityce traktuję jako osobną miarę, bo zawsze jest zaniżony: część wejść przychodzi bez informacji o źródle.

Gdy policzyłem wzmianki osobno, okazało się, że raport o „obecności marki” mierzył cytowania. W jednym z projektów, które prowadzę, pomiar z 29 sierpnia 2026 objął 94 pytania, pięć powierzchni AI i trzy powtórzenia, razem 1 410 odpowiedzi. Skrypt, który go liczył, uznawał markę za obecną tylko wtedy, gdy wśród źródeł była jej strona, a opis metody w raporcie mówił o obecności marki w odpowiedzi. W październiku policzyłem w tych samych odpowiedziach samą nazwę marki:

W Perplexity i Gemini marka była wymieniona w ponad jednej trzeciej pytań, a raport pokazywał 2% i 0%. Liczby wzmianek obejmują 19 pytań z nazwą marki, więc w samych 75 pytaniach bez nazwy są niższe: od 21% do 28% zależnie od asystenta. To nadal mniej więcej jedna piąta pytań w asystentach, w których raport pokazywał prawie zero. Od tej analizy liczę obie miary osobno i tego samego wymagam od każdego raportu, który dostaję.

Wzmianka bez cytowania i cytowanie bez wzmianki to dla mnie dwie różne hipotezy i dwie różne prace, które opisuję w sekcji o luce w widoczności. Obie hipotezy sprawdzam zmianą i kolejnym pomiarem.

Udział liczony na odpowiedź, nie na cytowanie

Udział marki wśród konkurentów liczę na odpowiedź, a nie na cytowanie, bo odpowiedzi mają bardzo różną liczbę źródeł. W pomiarze dla jednej polskiej agencji SEO 23 odpowiedzi na pytania o polecenie agencji miały od 1 do 13 źródeł. Udział liczony na cytowanie dałby odpowiedzi z 13 źródłami trzynaście razy większą wagę niż odpowiedzi z jednym. Przy liczeniu na odpowiedź każda odpowiedź waży tyle samo, bo użytkownik czyta jedną odpowiedź naraz.

Listę źródeł z ChatGPT trzeba oczyścić z wyników wyszukiwania, które model tylko przejrzał. Narzędzie, którym zbieram odpowiedzi ChatGPT, zwraca obok źródeł cytowanych w odpowiedzi także całą listę wyników wyszukiwania, które model widział. W jednej odpowiedzi takich wyników było 52, a źródeł cytowanych 7. W tych samych 23 odpowiedziach po odrzuceniu tej listy liczba cytowań spadła z 279 do 181, a lista miejsc, w których warto się pojawić, z 10 do 6 pozycji.

Ile powtórzeń wystarczy?

W moim teście trzy powtórzenia każdego pytania wystarczyły do wyniku dla całego asystenta, ale nie do oceny pojedynczego pytania. W teście powtórzeń ok. połowa pytań, w których marka pojawiła się choć raz, miała wynik niestabilny: w ChatGPT 18 z 36 przy cytowaniu strony (wszystkie 94 pytania), a w trybie AI 16 z 29 przy wzmiance w pytaniach bez nazwy marki. Pytanie, które w jednym przebiegu „ma markę”, w następnym może jej nie mieć.

• 13%Tyle pytań bez nazwy marki zostałoby w ChatGPT błędnie ocenionych (marka jest wymieniona albo nie) przy trzech powtórzeniach. Przy jednym zadaniu pytania 21%, przy pięciu 9%, przy siedmiu 8%.Szacunek z modelu na danych z 1 410 odpowiedzi, 14.10.2026
• 1,5 pkt proc.Tyle wynosi typowy błąd (odchylenie standardowe) odsetka odpowiedzi ze wzmianką marki w ChatGPT przy trzech powtórzeniach, w pytaniach bez nazwy marki. Przy pięciu 1,2 pkt proc.Szacunek z modelu na danych z 1 410 odpowiedzi, 14.10.2026
• 0,33Mediana podobieństwa list cytowanych domen między dwoma powtórzeniami tego samego pytania w ChatGPT i trybie AI: część wspólna podzielona przez wszystkie domeny z obu list (1 to identyczne listy). W Perplexity 0,92.Test powtórzeń, 14.10.2026
• 77 z 94Przy tylu pytaniach AI Overview dał trzy identyczne odpowiedzi.Test powtórzeń, 14.10.2026

Z trzech na pięć powtórzeń wynik dla asystenta poprawił się w moim teście o mniej niż punkt procentowy, więc do tego wyniku zwykle zostaję przy trzech. To szacunek z modelu statystycznego dopasowanego do jednego projektu, jednego okna pomiaru i dwóch asystentów (ChatGPT i trybu AI), a nie pomiar, i dlatego na nowym zestawie sprawdzam go pilotażem. Podobny wynik ma Żatuchin: na 250 różnych pytaniach już jedno albo dwa powtórzenia dawały współczynnik rzetelności 0,80, a pięć powtórzeń 0,96 (1 oznacza, że średnie z powtórzeń bez błędu odróżniają pytania od siebie).

Do porównania jednego pytania przed zmianą na stronie i po niej potrzeba 15-25 powtórzeń, a nie trzech. Według symulacji Żatuchina przy pięciu powtórzeniach szansa wykrycia dużej zmiany na jednym pytaniu wynosi tylko 15-19%, a 80% osiąga dopiero przy 15-25 powtórzeniach. Jego dane dotyczą polecania marek przez modele odpytywane przez API, więc dla odpowiedzi z wyszukiwaniem tę liczbę też sprawdzam pilotażem.

Listy źródeł z jednego powtórzenia nie używam, bo w ChatGPT i trybie AI część wspólna dwóch powtórzeń tego samego pytania to zwykle tylko jedna trzecia wszystkich domen cytowanych w obu. Listę miejsc, w których marka powinna się pojawić, buduję ze wszystkich powtórzeń, z liczbą wystąpień każdej domeny.

Źródła potrafią się zmieniać także z tygodnia na tydzień. SISTRIX śledził 82 619 pytań przez 17 tygodni w sześciu krajach (bez Polski) i w ChatGPT z tygodnia na tydzień zmieniało się do 74% cytowanych źródeł; to wartość najwyższa, a nie średnia (SISTRIX, 1.05.2026). Dlatego zmianę w źródłach uznaję dopiero wtedy, gdy powtórzy się w kolejnym pomiarze.

Jak działają narzędzia do pomiaru widoczności w AI i jak je wybrać?

Narzędzia do widoczności w AI robią to samo co ręczny pomiar: zadają asystentom zestaw pytań, zapisują odpowiedzi i liczą, gdzie pojawia się marka. Różnią się tym, czyje są pytania, ile razy je zadają i co liczą. Dane biorę z trzech rodzajów źródeł:

Liczby bezwzględne rosną razem z indeksem narzędzia

Liczba cytowań w narzędziu potrafi wzrosnąć o połowę w tydzień, choć udział marki się nie zmienia. W raporcie Ahrefs o liczbie odpowiedzi AI, które cytują domenę, opartym na bazie pytań Ahrefsa, porównałem dwa odczyty dla dwóch dużych sklepów internetowych w Niemczech, z 26 lipca i z 2 sierpnia 2026. Liczba ich cytowań w ChatGPT wzrosła w tym czasie u obu o 50%, a udział jednego z nich w łącznej liczbie cytowań obu sklepów prawie się nie zmienił: 34,2% i 34,1%. W Perplexity liczby wzrosły o 68% i 185%. Najpewniej rosła baza narzędzia, a nie widoczność tych marek. To dwie marki, jedno narzędzie i jeden tydzień.

Dlatego z narzędzi biorę udział, a nie liczby bezwzględne, i tylko dla asystentów, w których udział w moim porównaniu nie zmienił się o więcej niż pół punktu procentowego. Tak było w ChatGPT, AI Overview, trybie AI i Groku (asystencie firmy xAI), a w Perplexity, Gemini i Copilocie udział zmienił się o ok. 3 do 11 punktów procentowych. To jedno porównanie z jednego tygodnia, więc zakładam stabilność, dopóki kolejny odczyt jej nie zaprzeczy.

Co sprawdzam przed wyborem narzędzia

Przed wyborem narzędzia sprawdzam siedem rzeczy:

1. Czy pokazuje wzmiankę i cytowanie osobno.
2. Czy mogę dodać własne pytania i trzymać je bez zmian przez wiele miesięcy.
3. Ile razy zadaje każde pytanie i czy pokazuje, które pytania są niestabilne.
4. Czy zapisuje wersję modelu, powierzchnię i datę każdej odpowiedzi.
5. Czy obsługuje mój rynek i język.
6. Czy pokazuje pełne odpowiedzi, żebym mógł sprawdzić, czy chodzi o właściwą markę.
7. Czy podaje udział na tym samym zestawie pytań, a nie tylko liczby bezwzględne.

Ocen wydźwięku z klasyfikatora, który testowałem, nie raportuję. W jednym przypadku oznaczył jako negatywną odpowiedź, która kończyła się werdyktem „X to lepszy wybór dla większości zespołów”. Wydźwięk oceniam, czytając sam fragment odpowiedzi, albo nie piszę o nim nic.

Jeden „wynik widoczności w AI” z narzędzia nie jest dla mnie celem. Łączy wzmianki, cytowania i różnych asystentów, więc nie da się z niego odczytać, co się zmieniło. Liczbę z narzędzia podaję zawsze razem z miarą biznesową: zapytaniami od klientów, sprzedażą albo ruchem z Google.

Darmowe źródła: Bing i Google

Bing Webmaster Tools pokazuje za darmo, ile razy Copilot i odpowiedzi AI w Bingu cytowały Twoje strony. Raport AI Performance ogłoszono 10 lutego 2026 jako wersję testową. Pokazuje liczbę cytowań, liczbę cytowanych stron dziennie, cytowania poszczególnych adresów i próbkę fraz, którymi AI szukało treści, zanim ją zacytowało (Bing Webmaster Blog). To dane tylko z Binga i Copilota, więc nie zastępują pomiaru w ChatGPT.

Search Console pokazuje wyświetlenia stron w AI Overview i trybie AI, ale nie mówi, czy marka była wymieniona z nazwy. Google udostępnił ten raport części stron w czerwcu 2026, a od 31 sierpnia 2026 wszystkim (Google Search Central, Pomoc Search Console). Opis raportu mówi o wyświetleniach według stron, krajów, dat i urządzeń, a nie opisuje wzmianek w treści odpowiedzi ani pytań, które je wywołały. To dobra kontrola po stronie Google, ale nie pomiar wzmianek.

Własny pomiar przez API

Własny pomiar przez API kosztuje mało, ale wymaga czasu na przygotowanie i kontrolę. Przebieg 14 pytań na czterech powierzchniach (ChatGPT z wyszukiwaniem, tryb AI Google oraz Gemini i Perplexity przez API), razem 56 odpowiedzi, kosztował mnie 0,82 USD opłat za API, z czego 0,63 USD przypadło na Gemini (pierwszą z tych liczb podałem w tekście o pozycjonowaniu w AI). Był to pierwszy z trzech przebiegów pomiaru dla agencji SEO, a cały pomiar, razem 180 odpowiedzi, kosztował ok. 2,8 USD. Według tych stawek zestaw 100 pytań na czterech powierzchniach z trzema powtórzeniami, czyli 1 200 odpowiedzi, kosztowałby ok. 18-19 USD za pomiar, w większości za Gemini. Pilotaż z dziesięcioma powtórzeniami na tym samym zestawie to 4 000 odpowiedzi i ok. 60 USD, jednorazowo. Czasu wymaga ułożenie pytań, sprawdzenie, czy asystent nie myli marki z inną, i czytanie odpowiedzi. W tekście o narzędziach AI w SEO opisałem testy, po których liczby z takich pomiarów liczę skryptem, a nie modelem.

Co robię, gdy pomiar pokaże lukę w widoczności?

Pomiar pokazuje, w której sytuacji jest marka, a od tego zależy, co robię:

• Marki nie ma ani we wzmiankach, ani w źródłach, a asystent szuka w sieci: pracuję nad widocznością strony w Google na te pytania i ich warianty. Zaczynam od sprawdzenia, czy roboty asystentów w ogóle dostają stronę, tak jak w audycie SEO.
• Marka jest wymieniana, ale jej strona nie jest cytowana: poprawiam fragmenty strony tak, żeby odpowiadały na pytanie bez reszty tekstu.
• Strona jest cytowana, ale marka nie jest wymieniona z nazwy: pracuję nad tym, co o marce piszą inni, bo prawdopodobnie to z cudzych tekstów asystent wie, kogo polecić. W tekście o link buildingu w erze AI opisałem, jak planuję wzmianki na stronach, które AI już cytuje.
• Asystent odpowiada z pamięci i podaje nieaktualne albo nieprawdziwe fakty: najpierw jeden spójny opis marki we własnych kanałach, potem publikacje w miejscach redagowanych przez innych. Efektu nie obiecuję w ciągu kwartału.

Efekt każdej z tych prac sprawdzam kolejnym pomiarem na tym samym zestawie pytań, bo żadna z nich nie daje gwarancji. W tekście o pozycjonowaniu w AI opisałem, które z tych działań mają dowód, a które są popularną radą bez pomiaru. Tam są też moje testy, które nie potwierdziły kilku takich rad.

Czego pomiar widoczności w AI nie powie?

Pomiar nie powie, ile osób zobaczyło markę w odpowiedziach AI. Odsetek dotyczy mojego zestawu pytań, a nie wszystkich rozmów z asystentami, których liczby nie znam.

Nie powie też, dlaczego asystent wybrał tę, a nie inną markę. Diagnoza z pomiaru to hipoteza, którą sprawdzam zmianą i kolejnym pomiarem na tym samym zestawie.

Wynik z jednego dnia nie jest trendem. Dostawcy zmieniają modele i sposób wyszukiwania, a zmiany nie zawsze są ogłaszane, więc porównuję tylko pomiary z tą samą powierzchnią i zapisaną wersją modelu, a zmianę uznaję dopiero wtedy, gdy powtórzy się w kolejnym pomiarze.

Dla Polski brakuje danych o tym, z których asystentów ludzie korzystają. Polskiego badania o tym, jak często ludzie używają poszczególnych asystentów, nie znalazłem, więc nie wiem, jaką wagę ma wynik w każdym z nich. Dlatego pokazuję wynik dla każdego asystenta osobno i nie łączę ich w średnią.

Co mierzę na własnej marce?

Na rogala.pro mierzę to samo co u klientów, ale pierwszy pomiar (punkt zerowy) z 26 lipca 2026 zrobiłem słabszą metodą. Miał jedną odpowiedź na pytanie i nie objął wyników z ChatGPT. Punkt zerowy i to, co zmieniłem od tego czasu, opisałem w tekście o pozycjonowaniu w AI. 25 sierpnia ustawiłem w Ahrefs Brand Radar codzienne sprawdzanie czterech pytań z punktu zerowego w ChatGPT dla Polski. Wyników tego codziennego sprawdzania nie opisuję, dopóki nie zestawię ich z pomiarem z 1 listopada. Pierwszy pomiar metodą z tego tekstu zaplanowałem na 1 listopada 2026 jako pilotaż: te same cztery pytania na czterech powierzchniach, każde 10 razy. Wynik opiszę w obu tekstach, także jeśli będzie zerowy.

Najczęstsze pytania o widoczność marki w AI

Od czego zacząć?

Pierwszy pomiar możesz zrobić sam w godzinę, bez płatnego narzędzia. Zadaj asystentowi jedno pytanie z samą nazwą marki i sprawdź, czy wie, o kogo chodzi. Wybierz z Search Console dziesięć zapytań, na które Twoja strona się wyświetla, zadaj je bez nazwy marki trzy razy w ChatGPT i w trybie AI Google i zapisz osobno, gdzie marka jest wymieniona z nazwy, a gdzie jej strona jest źródłem. To da obraz całego zestawu; o pojedynczych pytaniach powie więcej dopiero pilotaż z dziesięcioma powtórzeniami. Jeśli wynik Cię zaskoczy, to dobry temat na konsultację.