Widoczność w AI: dlaczego ChatGPT poleca konkurencję zamiast Twojej marki? #OcotenSzum

Widoczność marki w AI przestała być ciekawostką. Badania Pew Research Center pokazują, że 26% użytkowników kończy sesję po zobaczeniu wyniku AI Overview. Jeśli Twoja marka nie zadba o AI visibility, to zwyczajnie zniknie z internetu. O tym, jak zadbać o widoczność marki w odpowiedziach LLM-ów rozmawiamy w videocaście „O co ten Szum?” z Elizą Szczerbicką z Chatbeat.

Czytasz transkrypcję z odcinka videocastu „O co ten Szum?”, w którym ugościliśmy Elizę Szczerbicką. Jeśli chcesz posłuchać tego epizodu, zaobserwuj nas na YouTube lub Spotify.

Zacznijmy od podstaw: po co w ogóle dziś monitorować tę widoczność w AI? Ktoś może powiedzieć, że duże modele językowe, takie jak ChatGPT czy Gemini, to nadal narzędzia, a nie miejsce, w którym podejmuje się decyzje zakupowe. Jakie decyzje marketingowe i biznesowe uzasadniają dziś mierzenie tego, jak AI opowiada o naszej marce?

To są trochę dwa pytania, więc zacznijmy od pierwszego. Punkt wyjścia jest prosty: LLM-y już dawno przestały być narzędziem do pisania maili. ChatGPT, Gemini, Perplexity czy Google AI Overview są miejscem, w którym użytkownicy realnie kończą swoją ścieżkę informacyjną i podejmują decyzje zakupowe.

Mówi się, że nawet 60 procent z nich nie przechodzi później na stronę docelową. Pytają o wszystko: jakie OC wybrać, jaka platforma benefitowa będzie dobra dla dwustuosobowej firmy albo jak działa pompa Viessmann. Dostają odpowiedź tak kompleksową, że nie muszą już dalej szukać.

Jak mierzyć widoczność AI marki w ChacieGPT, Gemini czy Claudzie?

Faktycznie tak jest. Sam Altman wspominał przecież, że w ChatGPT pojawiają się najróżniejsze pytania, dosłownie o wszystko, także o sprawy bardzo prywatne. Ale jak w takim razie wygląda sensowny pomiar? Już bardziej od strony narzędzia: jak mierzyć tę widoczność?

Podzieliłabym ten stack pomiaru na dwie warstwy. Pierwsza to warstwa widoczności, czyli jak często AI o nas mówi i, czy w ogóle mówi. Druga to warstwa kontekstu, czyli w jaki sposób AI nas opisuje.

Widzimy marki, które mają bardzo wysoki mention rate, czyli często pojawiają się w odpowiedziach, ale jeśli model przedstawia je jako tańszą alternatywę zamiast lidera rynku, to dla wielu marek jest to problem strategiczny. Trudno mi sobie wyobrazić pracę nad czymś takim bez narzędzi, które zbierają to syntetycznie, agregują i pokazują, jak odpowiedzi zmieniają się w czasie oraz między modelami.

No dobrze, ale w odpowiedziach AI mamy personalizację. Te chatboty w jakimś stopniu dostosowują się do użytkownika. Jest też kwestia losowości, bo ChatGPT, Gemini czy Perplexity przewidują i generują odpowiedzi probabilistycznie. Wynik na ten sam prompt potrafi być różny, nawet jeśli zadasz go kilka razy z rzędu w tym samym narzędziu.

W teorii może więc być tak, że ChatGPT wskaże moją markę wyżej, niż pokaże to Chatbeat. Dlaczego tak się dzieje i w co tu właściwie wierzyć?

Jest kilka powodów, dla których odpowiedzi są nieprzewidywalne, ale w Chatbeat rozwiązujemy ten problem metodologicznie. To, o czym mówisz, to jednorazowy audyt. Wpisujesz prompt do LLM-a i patrzysz, jak twoja marka się prezentuje, na której jest pozycji i czy w ogóle się pojawia.

Tyle że taki test to jedna próbka z całego rozkładu. Chatbeat tych próbek ma kilka. Wysyła ten sam prompt wielokrotnie i dopiero potem wylicza wiarygodny średni visibility score.

Google od lat działa podobnie. Wyniki wyszukiwania też są personalizowane przez lokalizację, historię i kontekst użytkownika, a mimo to SEO mierzyliśmy na podstawie uśrednionych wyników oraz różnych metryk. Tutaj przenosimy tę samą logikę do świata AI.

Metryki, źródła i luki w strategii AI visibility

A co właściwie powinniśmy mierzyć, jeśli chodzi o widoczność marki w AI? Mówimy tu o KPI, czymś, co branża marketingowa bardzo lubi. Wszystko ma być mierzalne. Czy to da się ująć uniwersalnie, czy jednak KPI będą zależeć od marki?

Na etapie wyjściowym, kiedy chcemy zdiagnozować widoczność marki, metryki są dość uniwersalne. Później KPI, cele i to, co chcemy optymalizować, będą się już różnić w zależności od marki, kategorii produktu i rynku.

Gdybym miała wymienić podstawowe metryki, to na pewno byłby brand score, czyli syntetyczny wskaźnik tego, jak często i gdzie marka jest wymieniana przez AI. Do tego średnia pozycja, czyli miejsca, na których pojawiamy się w zestawieniach i rankingach.

Patrzyłabym też na źródła. Które źródła AI w naszej kategorii uznaje za wiarygodne i jaki mamy w nich udział. A kiedy widzimy obszary do poprawy, a większość marek je ma, to warto spojrzeć na suggested prompty, czyli najważniejsze pytania, jakie użytkownicy zadają LLM-om, a w odpowiedzi na nie moglibyśmy się pojawić.

Dodałabym też context gap, czyli luki tematyczne. Obszary, w których konkurencja jest już mocno zakorzeniona, a nas tam nie ma. Albo takie białe plamy, gdzie jeszcze nikogo nie ma, a AI zaczyna uznawać dane miejsce za wiarygodne źródło informacji.

Wspomniałaś o tym, że podczas audytu może się okazać, że nasza marka gdzieś niedomaga. Czasem wychodzą takie białe plamy. Może się okazać, że jakieś strony, blogi, fora czy inne miejsca są warte obecności marki, bo ChatGPT albo Gemini chętnie po nie sięga.

Co jeszcze można poprawić? Czasem mówi się na przykład o LLMs.txt, trochę tak, jak kiedyś mówiło się o robots.txt. To już bardziej warstwa techniczna. Ale zakładam, że takich elementów do poprawy jest więcej.

Absolutnie, tylko to zawsze trzeba ocenić na podstawie konkretnego case’u. Pewnie nie raz widziałeś posty na LinkedInie o trendach w cytowaniach. Najpierw na topie był Reddit, potem nagle YouTube, później LinkedIn i wszyscy rzucali się w tę stronę.

Uważam, że trzeba do tego podejść semantycznie. Nie być wszędzie, tylko tam, gdzie użytkownicy realnie nas szukają. Źródła, z których korzysta AI, nie będą takie same dla każdego.

Mieliśmy ciekawy case z jednym z banków i okazało się, że Reddit wcale nie jest dla niego dobrym źródłem informacji. Wiarygodniejsze były portale typu Money.pl czy inne serwisy finansowe. Trzeba na to patrzeć przez pryzmat case’u, kategorii i produktu.

Dla mnie jedną z najmocniejszych funkcji narzędzia są sources, czyli zdefiniowanie wiarygodnych źródeł. Często wydaje nam się, że jeśli coś zaktualizowaliśmy na stronie albo ktoś wspomniał o nas na portalu branżowym, to AI na pewno z tego skorzysta. A w praktyce modele wybierają sobie wiarygodne fragmenty z różnych miejsc w internecie i ręcznie bardzo trudno to zmierzyć.

Do tego dochodzą gotowe prompty, czyli pytania, wokół których można budować treści i content. Czasem samemu trudno na nie wpaść, nawet jeśli długo pracuje się z produktem, bo ludzie mogą szukać nas zupełnie inaczej, niż nam się wydaje.

To prawda. Sam się o tym przekonałem, kiedy pracowałem w agencji Plej. Jak się domyślasz, nazwa brzmiała bardzo podobnie do operatora sieci komórkowej. W agencji krążyła opowieść, że regularnie piszą albo dzwonią do nas ludzie z problemami dotyczącymi operatora. Myślałem, że to żarty, aż któregoś dnia byłem świadkiem takiej rozmowy. Zadzwonił klient operatora P4 i pytał o sprawy związane z telefonem, umową czy rachunkiem.

Potem sam zacząłem dostawać podobne wiadomości na fanpage’u. Ludzie po prostu wpisywali PLAY przez „ejot”. To była tylko ta jedna różnica. Nasza agencja nazywała się „Plej” spolszczone, a sieć komórkowa oczywiście po angielsku.

I faktycznie, przy audytach SEO albo LLM-owych mogą wychodzić takie kwiatki. Ktoś może myśleć o naszej marce inaczej, niż zakładamy.

Dokładnie. Tak właśnie jest.

Jak tworzyć treści, żeby być widocznym w odpowiedziach AI?

Ale ciekawi mnie też, co możemy usprawnić w samym contencie. Słyszałem niedawno, że bullet pointy dobrze działają pod kątem skanowania tekstu, ale mój kolega Konrad Bujak, który tworzy aplikacje AI i od strony technicznej siedzi w tym dłużej ode mnie, mówił mi, że do scrapowania tekstu bullet pointy potrafią być problematyczne. Kiedy buduje RAG-i, to przy takim scrapowaniu bywa z tym kłopot. Czy są więc jakieś elementy contentowe, które możemy poprawić?

AI buduje swoje zestawienia i rankingi na podstawie tego, co zostało napisane w internecie, a niekoniecznie na podstawie rzeczywistej struktury rynku. Case’y naszych klientów pokazują wyraźne preferencje formatowe. Wynika to z tego, jak modele są trenowane.

Dlatego formaty Q&A, zestawienia czy bullet pointy często mają pozytywny wpływ na wyniesienie marki wyżej. To są w gruncie rzeczy formaty pytanie–odpowiedź, a więc takie, które pomagają użytkownikom przejść na poziom decyzji.

AI lubi też treści opisane niemal encyklopedycznie, wyczerpująco, od początku do końca. Dobrze działają również marki, które mają własne źródła pierwotne: badania rynkowe, case studies czy blogi.

To nie znaczy, że istnieje jedno uniwersalne rozwiązanie dla każdej marki. Dzięki takim narzędziom można zidentyfikować, czy bullet pointy, zestawienia, porównania albo inne preferowane formaty faktycznie mają sens akurat w naszym przypadku.

Jeśli narzędzie pokazuje ci źródła, z których AI czerpie informacje, to właściwie od razu dostajesz odpowiedź, czy warto iść w dany format.

Chciałbym teraz porozmawiać o case’ach klientów Chatbeatu, bo tu jest sporo przydatnych rzeczy. Jednym z nich był Worksmile. W tym case’ie zauważyłem ciekawą rzecz: LLM-y zaciągały stare informacje o marce, jeszcze z czasu, kiedy była znana jako Fitqbe. Co się tam wydarzyło i w jaki sposób pomógł Chatbeat?

LLM-y bazują na danych treningowych, które mają swój cut-off, czyli datę odcięcia. Rebranding jest czymś, co musi się przebić przez wiele warstw. Informacje trzeba zaktualizować w wielu miejscach i nie kończy się to na naszej głównej domenie.

W przypadku Worksmile było dokładnie widać źródła, o których wcześniej mówiłam. LLM zaciągał informacje nie tylko z domeny marki, ale też z różnych miejsc w internecie. Trafiał na nieaktualne opisy, a nawet starą nazwę marki.

Dzięki narzędziu udało się zidentyfikować skalę problemu, wyłapać modele z bardziej historycznym cut-offem i te, które zdążyły już dane zaktualizować. Ale przede wszystkim udało się wskazać sources, czyli miejsca, które trzeba było uporządkować. To nadało konkretny kierunek strategii contentowej i PR-owej, bo zespół wiedział już, że trzeba skupić się na aktualizacji właśnie tych źródeł.

To bardzo edukacyjny case dla wszystkich, którzy planują rebranding. Na początku zwykle nie myśli się o tym w ten sposób, a teraz ma to zupełnie inny wymiar.

To ciekawe, że model potrafi zaciągać dane z różnych miejsc, a nie tylko z domeny marki. Dla człowieka to domena wydaje się najważniejszym źródłem, a AI i tak zagląda szerzej.

Ja też miałem podobny problem, tylko na mniejszą skalę, bo jestem marką osobistą. Kiedy stworzyłem własną stronę, od czasu do czasu z ciekawości sprawdzałem, co AI pokaże po wpisaniu „kim jest Damian Jemioło”. I faktycznie zaciągało stare informacje. Potrafiło sugerować, że nadal pracuję w miejscu, z którego odszedłem kilka lat wcześniej.

Przez to, że byłem autorem publikacji dla „Nowego Marketingu”, ChatGPT jeszcze długo po moim odejściu wskazywał, że jestem dziennikarzem „Nowego Marketingu”, co już od dawna było nieaktualne. Zacząłem więc mocniej walczyć o to, żeby na mojej domenie było więcej informacji o tym, co robię teraz.

Tylko że Ty robiłeś to z poziomu pojedynczego audytu. A może się okazać, że skala problemu była zupełnie inna, niż ci się wydawało. W pojedynczym pomiarze możesz pięć razy trafić na aktualne odpowiedzi i uznać, że wszystko jest w porządku. A w systematycznym monitoringu wyjdzie, że wcale tak nie jest.

Ręcznie nigdy nie będzie to na tyle wiarygodne. Przy rebrandingu czy wprowadzaniu ważnych zmian w produkcie trzeba po prostu sprawdzić dodatkowy obszar. Jeśli przez kilka miesięcy użytkownicy dostają nieaktualne informacje, stare ceny albo stare nazwy, to nie wpływa dobrze ani na odbiór marki, ani na konwersję.

Mamy też inny ciekawy case, czyli Rankomat. Po rolloutcie AI Overview w marcu 2025 r. zasięg organiczny spadł tam o około 30 procent. To nawiązuje do tego, o czym mówiłaś na początku, że duża część ludzi w ogóle nie przechodzi dalej na stronę. Z tego case’u wynikało, że marka przeszła drogę od „stawiamy na SEO” do „spróbujmy zdominować odpowiedzi w AI”. Co się tu właściwie wydarzyło?

Ten update Google odbił się czkawką nie tylko Rankomatowi. Schemat działania AI Overview jest prosty: użytkownik dostaje odpowiedź tak kompleksową, że nie musi już dalej szukać.

Dla takiego Rankomatu, czyli agregatora finansowego, którego model biznesowy opiera się na ruchu i linkach afiliacyjnych, trzydziestoprocentowy spadek to bardzo mocny sygnał alarmowy. To nie jest też coś, co da się szybko odrobić serią kilku artykułów SEO.

Dlatego tam nastąpiła zmiana myślenia: z „jak być wysoko w Google” na „jak zacząć być cytowanym przez AI”. Udało się odkryć przestrzenie, w których marka przegrywała kontekstowo. Okazywało się, że share of voice konkurencji był znacznie wyższy w niektórych odpowiedziach, niż sugerowałaby ich pozycja w SEO.

Jest też case marki Viessmann. Istotne było tam sprawdzenie, jakie źródła AI uznaje za wiarygodne, i odkrycie ukrytych serwisów, których zespół marketingowy wcześniej nie brał pod uwagę. Jak to zadziałało?

Case Viessmanna to świetny przykład tego, że narzędzie do monitoringu AI nie służy tylko do mierzenia, ale też pomaga zdefiniować białe plamy w strategii.

Mamy markę mocno osadzoną offline, z dobrą reputacją, silną pozycją i dobrze zoptymalizowaną pod SEO, a mimo to niewystarczająco dobrze widoczną w AI. Najciekawsze było dojście do tego, dlaczego konkurencja bywa cytowana wyżej.

Dużą zmianą było przejście z myślenia o optymalizacji treści pod keywordy, typowo pod Google’a, na prompty. Chodzi o suggested prompty znalezione w Chatbeatcie, czyli realne pytania użytkowników o ich produkty. Wokół tego zaczęli budować content.

Narzędzie podpowiedziało też formaty treści. Zespół zaktualizował istniejące materiały pod ten wymiar i stworzył nowe. Z tego, co pamiętam, po trzech czy czterech miesiącach takich działań Viessmann wskoczył na pozycję numer jeden producenta w swojej kategorii.

To pokazuje też coś jeszcze: marketingowcy żyją trochę w swojej bańce i często w ogóle nie mają na radarze miejsc, z których AI zaciąga informacje. Tak samo bywa z językiem. Nam się wydaje, że produkt opisuje się w określony sposób i rozwiązuje nim konkretny zestaw problemów, a użytkownicy opisz ą to zupełnie inaczej.

Jaki rodzaj contentu poprawia widoczność marki w AI?

W tej rozmowie pojawiło się już kilka ciekawych wątków o tym, jak ludzie używają produktu i jak działania contentowe nadal mają znaczenie. Były przecież głosy, że content zaraz przestanie mieć sens, bo wszystko będzie robiło AI, a potem AI będzie czytało content tworzony przez AI i polecało go dalej.

Jak się okazuje, to tak nie działa. I właśnie to, że ludzie mogą w różny sposób używać produktu, inaczej myśleć o marce i zadawać pytania, które nie przyszłyby nam do głowy, sprawia, że taki monitoring może być świetnym narzędziem do przebijania klątwy wiedzy i odkrywania insightów.

Dla mnie takim prostym przykładem jest kakao DecoMorreno. Producent pewnie nie zakładał, że stanie się memem, że to „książka”, a jednak tak się stało i marka zaczęła to wykorzystywać. Dzięki monitorowaniu można chyba wyłapywać takie rzeczy wcześniej.

Tak, dokładnie. Mówienie, że contentowcy znikną z planszy marketingowej, to dla mnie bzdura. Przez lata pracowali na słowach kluczowych, wokół których optymalizowali treści. Teraz zamiast pisać pod keywordy, będą pisać o realnych problemach i rozwiązaniach potencjalnych klientów.

Bardzo mi się ten zwrot podoba. Jestem zmęczona artykułami, w których marka mówi tylko: „jestem wspaniała, mam świetne feature’y i jestem najlepsza”. Ja chcę wiedzieć, jaki realny problem jesteś w stanie mi rozwiązać.

AI trochę wymusiło na wszystkich zmianę myślenia. Charakter tej pracy się zmieni, ale sama praca nie zniknie. Te suggested prompty, które serwujemy w Chatbeatcie, też opierają się przecież na keywordach. Mamy słowa kluczowe zaciągane z SEM-rusha i na ich podstawie budujemy strategiczne prompty. Więc część logiki zostaje, tylko zmienia się punkt ciężkości.

Sama jestem też bardzo wyczulona na treści AI-owe. Da się wyczuć generyczne teksty. I jestem z tym okej o tyle, że marketerzy powinni korzystać z AI, ale po to, żeby przyspieszać i oszlifowywać swoją pracę, a nie opierać wszystkiego wyłącznie na nim.

Monitorowanie konkurencji w AI

To prawda. Ale chciałem też poruszyć temat konkurencji, bo czasem monitoring AI pokazuje nam takich „prawdziwych” konkurentów, o których wcześniej nie myśleliśmy. Trochę to już było widać przy analizach SEO. Zdarzało się, że różne marki albo portale kanibalizowały się w Google’u, mimo że formalnie nie uznawaliśmy ich za bezpośrednią konkurencję.

W AI bywa podobnie. Taka konkurencja wskazana przez model nie zawsze pokrywa się z konkurencją rynkową. Jak rozpoznać, kiedy takie odkrycie jest strategicznie użyteczne, a kiedy to tylko pułapka? Bo model może zestawiać marki o podobnym profilu, ale działające na innych rynkach.

Jasne, to się zdarza. LLM-y korzystają z informacji dostępnych w internecie, a nie z realnej struktury rynku. Mogą więc zestawiać nas z produktami, które żyją w podobnej bańce SEO-wo-contentowej i pozycjonują się na podobne słowa kluczowe.

Dla mnie taki konkurent AI ma sens strategiczny wtedy, gdy mamy ten sam use case, czyli rozwiązujemy dokładnie ten sam problem użytkownika. Potwierdzałabym to też w narzędziu, a nie na podstawie jednego ręcznego audytu. Jeśli więcej niż raz pojawiamy się jako alternatywa dla tej samej marki, to jest sygnał.

Patrzyłabym też na to, czy pojawiamy się na podobnym etapie procesu decyzyjnego. Możesz być narzędziem marketingowym, a LLM zestawi cię z agencją. To możliwe, bo krążycie wokół podobnych tematów.

Tak samo producent jakiegoś sprzętu elektronicznego i sklep RTV mogą mieć na blogu bardzo podobne treści.

Wtedy może się okazać, że to jest konkurent, którego realnie trzeba wciągnąć do analizy i z którym trzeba trochę powalczyć na poziomie widoczności.

Kiedy to pułapka? Na pewno wtedy, gdy wykluczymy te 3–4 punkty, o których przed chwilą mówiliśmy. Dla mnie praktyczna heurystyka jest taka: jeśli konkurent pojawia się w ponad 30% monitorowanych strategicznych promptów, czyli tych haseł, w których chcesz się pojawiać, bo tak szuka cię potencjalny klient, to warto się nad tym pochylić.

Całą resztę traktowałabym raczej jako materiał do szybkiej weryfikacji, najlepiej przy użyciu narzędzi. Może się okazać, że to jednorazowy szum, a nie realne zagrożenie dla marki.

Na koniec wróćmy jeszcze do optymalizacji treści pod AI. Część zespołów marketingowych, zachłyśnięta LLM-ami i AI Overview, myśli dziś tak: produkujmy więcej tekstów, najlepiej maszynowo, bo to najszybsze. Z waszych case’ów wynika jednak, że to nie tędy droga. Często większe znaczenie mają porównania, rankingi, Q&A, definicje i odpowiednia struktura tekstu.

Co marketing powinien zmienić w tworzeniu treści, żeby mieć więcej cytowań przez AI? Bo przecież nie wszyscy zaczną robić tylko Q&A.

Nie, oczywiście, że nie. I myślę, że ten mit został już obalony: jeśli stworzymy armię artykułów, AI nie zacznie nas przez to automatycznie częściej cytować. Musi nastąpić zmiana w myśleniu. Nie piszemy artykułów skoncentrowanych na keywordach, tylko na realnych problemach, które rozwiązujemy.

Czasem dobrze przygotowane trzydzieści pytań i odpowiedzi będzie znacznie częściej cytowane przez AI niż pięć świetnych artykułów eksperckich, które nam się wydają idealnym źródłem. Ale żeby nie tracić czasu, trzeba po prostu monitorować: źródła, które są w danym momencie najchętniej cytowane, i formaty, które najlepiej działają dla naszego produktu.

Trzeba też pamiętać o sezonowości i zmienności. Wprowadzisz nowy feature, zrobisz rebranding albo zmieni się algorytm i cały układ się przesuwa. Widać to na wykresach. Marka jest bardzo wysoko, później następuje switch, Reddit przestaje być preferowany, pojawia się YouTube i nagle mamy drastyczny spadek.

Potrzebna jest więc czujność i historia danych. Trzeba uczyć się tego, co u nas działało, ale nie traktować tego, jak pewnik, bo to wszystko jest dynamiczne.