Widoczność marki w ChatGPT sprawdzisz, zadając modelowi stały zestaw 20-50 pytań, które realnie wpisują Twoi klienci, i licząc, w ilu odpowiedziach pada nazwa marki (Share of Model), w ilu pojawia się link do Twojej strony (Citation Rate) i w jakim tonie model o Tobie mówi. Pomiar powtarzasz co miesiąc na tych samych pytaniach. Z tego poradnika dowiesz się, jak dobrać pytania, jak liczyć metryki, czym różnią się poszczególne modele i co zrobić, gdy marki w odpowiedziach nie ma.
Najważniejsze wnioski
- Pozycja w Google nie mówi, czy model językowy poleca Twoją markę – to trzeba zmierzyć osobno.
- Trzy podstawowe metryki to Share of Model, Citation Rate i Sentiment of Response.
- Odpowiedzi AI są zmienne, więc każde pytanie zadajesz kilka razy, w nowej sesji, bez historii rozmów.
- Najczęstsze przyczyny braku marki w AI to zablokowane roboty, treść ukryta w JavaScripcie i brak wzmianek w zewnętrznych źródłach.
Czym jest widoczność marki w AI i czym różni się od pozycji w Google?
Widoczność marki w AI to częstotliwość i kontekst, w jakim modele językowe, takie jak ChatGPT, Gemini czy Perplexity, wymieniają markę w odpowiedziach na pytania użytkowników. W klasycznej wyszukiwarce użytkownik dostaje listę linków i sam wybiera, w co kliknąć. Model językowy od razu podaje gotową odpowiedź, często z krótką listą polecanych firm, produktów lub źródeł. Jeśli marki nie ma na tej liście, dla części klientów po prostu nie istnieje.
Różnica jest też w sposobie pomiaru. Pozycję w Google da się sprawdzić jednoznacznie dla konkretnej frazy i lokalizacji. Odpowiedź modelu zależy od sformułowania pytania, wcześniejszej rozmowy, włączonego wyszukiwania w sieci i losowości samego modelu. Dlatego widoczność w AI mierzy się na próbie pytań i powtórzeń, a wynik wyraża w procentach, a nie w numerze pozycji.
| Kryterium | Wyszukiwarka Google | Model językowy (np. ChatGPT) |
|---|---|---|
| Forma wyniku | Lista linków, pozycje 1-10 i dalej | Gotowa odpowiedź tekstowa, czasem ze źródłami |
| Jednostka pomiaru | Pozycja dla frazy | Odsetek odpowiedzi z marką na próbie pytań |
| Powtarzalność | Wysoka dla tej samej frazy i lokalizacji | Niska – ta sama prośba daje różne odpowiedzi |
| Wpływ historii rozmowy | Niewielki | Duży – pamięć i kontekst zmieniają odpowiedź |
| Co liczymy | Pozycje, kliknięcia, CTR | Wzmianki, cytowania z linkiem, ton wypowiedzi |
Jakie metryki mierzą widoczność marki w modelach językowych?
Do oceny widoczności marki w AI wystarczą na start cztery metryki, liczone na tym samym zestawie pytań. Share of Model pokazuje, jak często marka w ogóle pada w odpowiedziach. Citation Rate mówi, jak często model podaje link do Twojej domeny jako źródło. Pozycja wzmianki i ton odpowiedzi uzupełniają obraz o to, czy marka jest polecana na pierwszym miejscu i w jakim świetle.
| Metryka | Co mierzy | Jak policzyć |
|---|---|---|
| Share of Model | Udział odpowiedzi, w których pada nazwa marki | odpowiedzi z marką ÷ wszystkie odpowiedzi × 100% |
| Citation Rate | Udział odpowiedzi z linkiem do Twojej domeny | odpowiedzi z linkiem do domeny ÷ wszystkie odpowiedzi × 100% |
| Średnia pozycja wzmianki | Miejsce marki na liście polecanych firm | suma pozycji ÷ liczba odpowiedzi z marką |
| Sentiment of Response | Ton, w jakim model opisuje markę | odsetek wzmianek pozytywnych, neutralnych i negatywnych |
| Share of Model konkurencji | Ten sam wskaźnik dla 3-5 konkurentów | liczony równolegle, na tych samych odpowiedziach |
Jak policzyć Share of Model na przykładzie?
Share of Model liczysz, dzieląc liczbę odpowiedzi zawierających markę przez liczbę wszystkich zebranych odpowiedzi. Przykład: zestaw ma 30 pytań, każde zadajesz 3 razy, co daje 90 odpowiedzi. Jeśli marka pojawiła się w 27 z nich, Share of Model wynosi 30%. Gdy w 9 odpowiedziach model podał też link do Twojej strony, Citation Rate wynosi 10%.
- Liczba pytań: 30
- Powtórzenia każdego pytania: 3
- Wszystkie odpowiedzi: 90
- Odpowiedzi z marką: 27 → Share of Model = 30%
- Odpowiedzi z linkiem do domeny: 9 → Citation Rate = 10%
Sam wynik ma sens dopiero w porównaniu. 30% przy konkurencie z wynikiem 60% oznacza, że model poleca go dwa razy częściej. Ten sam wynik przy rynku rozdrobnionym, gdzie najsilniejszy gracz ma 25%, oznacza pozycję lidera.
Jak krok po kroku sprawdzić widoczność marki w ChatGPT?
Pomiar widoczności w ChatGPT przeprowadzisz w sześciu krokach, bez specjalistycznych narzędzi – wystarczy arkusz kalkulacyjny i konto w każdym badanym modelu. Kolejność ma znaczenie, bo od jakości zestawu pytań zależy wiarygodność całego wyniku.
- Zdefiniuj tematy – wypisz 3-5 obszarów, w których chcesz być polecany, np. kategorie produktów lub usług.
- Zbierz pytania – przygotuj 20-50 pytań, które klienci zadają na etapie wyboru dostawcy.
- Wybierz konkurentów – wskaż 3-5 marek, z którymi porównasz wynik.
- Zadaj pytania w czystej sesji – bez zalogowanej historii, pamięci i wcześniejszego kontekstu, każde pytanie kilka razy.
- Zapisz odpowiedzi w arkuszu – notuj wzmianki, pozycję na liście, linki i ton wypowiedzi.
- Policz metryki i powtórz za miesiąc – na tym samym zestawie pytań, żeby porównywać trend, a nie przypadkowe wahania.
Jak dobrać zestaw pytań do pomiaru?
Zestaw pytań do pomiaru powinien odwzorowywać to, co klienci realnie wpisują w okno czatu, a nie frazy kluczowe z narzędzi SEO. Użytkownicy modeli językowych piszą dłużej i opisują swoją sytuację, np. „szukam biura rachunkowego dla jednoosobowej firmy w Krakowie, które obsługuje KSeF”. Źródłem takich pytań są rozmowy handlowe, zapytania z formularzy, wyszukiwania wewnętrzne na stronie i sekcja „Podobne pytania” w Google.
- pytania o ranking: „jakie są najlepsze firmy zajmujące się…”,
- pytania porównawcze: „X czy Y – co lepiej wybrać do…”,
- pytania problemowe: „jak rozwiązać… i kto może w tym pomóc”,
- pytania o markę wprost: „co wiesz o firmie X”, „czy X jest wiarygodna”,
- pytania lokalne: z nazwą miasta lub regionu, jeśli działasz lokalnie.
Pytania o markę wprost warto liczyć osobno. Pokazują, co model wie o firmie i czy te informacje są aktualne, ale nie mówią nic o tym, czy model poleci ją komuś, kto marki jeszcze nie zna.
Ile razy powtarzać to samo pytanie?
Każde pytanie zadawaj co najmniej 3 razy, a przy ważnych tematach 5 razy, zawsze w nowej rozmowie. Modele językowe generują odpowiedzi z elementem losowości, więc pojedyncza próba może pokazać markę przypadkiem albo ją przypadkiem pominąć. Przy trzech powtórzeniach łatwo odróżnić wzmiankę stałą (3 na 3) od sporadycznej (1 na 3).
Warunki pomiaru muszą być za każdym razem takie same: ten sam model, ta sama wersja językowa, wyłączona pamięć i personalizacja oraz ta sama decyzja co do wyszukiwania w sieci. Zmiana któregokolwiek z tych ustawień między pomiarami sprawia, że wyniki przestają być porównywalne.
Jak zapisywać wyniki pomiaru?
Wyniki zapisuj w arkuszu, w którym jeden wiersz to jedna odpowiedź modelu. Taki układ pozwala później filtrować dane po modelu, temacie i dacie oraz liczyć metryki prostymi formułami.
| Kolumna | Przykładowa wartość |
|---|---|
| Data pomiaru | 2026-09-15 |
| Model i tryb | ChatGPT, z wyszukiwaniem |
| Temat | Biuro rachunkowe dla JDG |
| Pytanie | Jakie biuro rachunkowe w Krakowie wybrać dla JDG? |
| Powtórzenie | 2 z 3 |
| Marka wymieniona | Tak |
| Pozycja na liście | 3 |
| Link do domeny | Nie |
| Ton | Neutralny |
| Wymienieni konkurenci | Marka A, Marka B, Marka C |
Czym różni się pomiar w ChatGPT, Gemini, Perplexity i Google AI Overviews?
Każda z tych platform inaczej korzysta z wiedzy zapisanej w modelu i z bieżącego wyszukiwania w sieci, dlatego wyniki mierzy się osobno dla każdej z nich. Marka może być dobrze widoczna w Perplexity, które zawsze szuka w internecie i pokazuje źródła, a jednocześnie nieobecna w odpowiedziach ChatGPT udzielanych bez wyszukiwania, opartych na danych treningowych.
| Platforma | Skąd bierze informacje | Czy pokazuje źródła | Na co uważać przy pomiarze |
|---|---|---|---|
| ChatGPT | Wiedza modelu oraz wyszukiwanie w sieci, gdy jest włączone | Tak, gdy korzysta z wyszukiwania | Pamięć i historia rozmów zmieniają odpowiedzi |
| Gemini | Wiedza modelu i wyniki wyszukiwarki Google | Częściowo | Personalizacja na zalogowanym koncie |
| Perplexity | Zawsze bieżące wyszukiwanie w sieci | Tak, ponumerowane przypisy | Wynik mocno zależy od świeżości treści |
| Google AI Overviews | Indeks Google | Tak, linki przy podsumowaniu | Pojawia się tylko dla części zapytań |
| Microsoft Copilot | Wiedza modelu i indeks Bing | Tak | Widoczność w Bing ma tu bezpośrednie znaczenie |
W praktyce warto zacząć od dwóch platform, z których najczęściej korzystają Twoi klienci, i rozszerzać pomiar dopiero wtedy, gdy proces zbierania danych działa sprawnie.
Dlaczego marka nie pojawia się w odpowiedziach AI?
Marka najczęściej nie pojawia się w odpowiedziach AI z jednego z dwóch powodów: model nie ma dostępu do treści strony albo nie znajduje wystarczających sygnałów, że marka jest wiarygodnym wyborem w danym temacie. Pierwszy problem jest techniczny i zwykle da się go usunąć w kilka dni. Drugi wymaga systematycznej pracy nad treściami i obecnością marki poza własną stroną.
- Zablokowane roboty AI – reguły w robots.txt, firewall serwera lub ustawienia CDN odcinają dostęp robotom modeli językowych.
- Treść ładowana tylko przez JavaScript – część robotów AI nie wykonuje skryptów i widzi pustą stronę.
- Brak wzmianek w zewnętrznych źródłach – modele częściej polecają marki opisywane w mediach branżowych, rankingach i dyskusjach.
- Ogólnikowe treści – tekst bez liczb, cen i konkretnych parametrów trudno zacytować jako odpowiedź.
- Niespójne dane o firmie – różne nazwy, adresy lub opisy działalności w różnych miejscach utrudniają powiązanie informacji z marką.
Jak sprawdzić, czy roboty AI mają dostęp do strony?
Dostęp robotów AI sprawdzisz w trzech miejscach: w pliku robots.txt, w logach serwera i w ustawieniach zapory lub CDN. W robots.txt szukasz reguł Disallow przypisanych do nazw robotów z tabeli poniżej. W logach serwera sprawdzasz, czy wizyty tych robotów kończą się kodem 200, a nie 403. Ustawienia CDN warto przejrzeć osobno, bo część usług potrafi domyślnie blokować ruch botów AI.
| Robot (user-agent) | Do czego służy |
|---|---|
| GPTBot | Pozyskiwanie danych do trenowania modeli OpenAI |
| OAI-SearchBot | Indeks wyszukiwania w ChatGPT |
| ChatGPT-User | Pobieranie strony na prośbę użytkownika w trakcie rozmowy |
| PerplexityBot | Indeks wyszukiwarki Perplexity |
| Google-Extended | Zgoda na użycie treści w modelach Gemini (nie wpływa na wyniki Google) |
| ClaudeBot | Pozyskiwanie danych dla modeli Claude |
| Bingbot | Indeks Bing, z którego korzysta m.in. Copilot |
Jak zwiększyć widoczność marki w odpowiedziach AI?
Widoczność marki w AI zwiększysz, łącząc otwarty dostęp dla robotów z treściami, które łatwo zacytować, i z obecnością marki w źródłach, z których modele czerpią wiedzę. Poniższa kolejność działań sprawdza się przy nowej stronie, bo najpierw usuwa blokady, a potem buduje sygnały zaufania.
- Odblokuj roboty AI i upewnij się, że cała treść jest w kodzie HTML, bez konieczności uruchamiania skryptów.
- Zacznij każdy tekst od odpowiedzi – pierwszy akapit pod nagłówkiem ma odpowiadać na pytanie w 40-80 słowach.
- Przenieś liczby do tabel i list – ceny, parametry i porównania w uporządkowanej formie łatwiej wyodrębnić i zacytować.
- Podpisuj treści prawdziwym autorem – ze stroną autora, stanowiskiem, doświadczeniem i linkami do profili.
- Wdróż dane strukturalne – Organization, BlogPosting, Person, BreadcrumbList i FAQPage opisują stronę w języku zrozumiałym dla maszyn.
- Buduj wzmianki poza stroną – publikacje eksperckie, rankingi branżowe i opinie klientów w niezależnych serwisach.
- Aktualizuj treści – widoczna data aktualizacji i świeże dane pomagają szczególnie w modelach, które szukają w sieci.
Efekty zmian technicznych widać zwykle najszybciej w platformach korzystających z bieżącego wyszukiwania, takich jak Perplexity czy Google AI Overviews. Zmiany w wiedzy zapisanej w samym modelu pojawiają się dopiero po kolejnych aktualizacjach modelu, dlatego ocenę efektów warto rozłożyć na kilka miesięcy.
Jak często mierzyć widoczność w AI i jak raportować wyniki?
Widoczność w AI najlepiej mierzyć raz w miesiącu, zawsze na tym samym zestawie pytań i w tych samych warunkach. Częstszy pomiar pokazuje głównie losowe wahania odpowiedzi, a rzadszy utrudnia powiązanie zmian w wynikach z konkretnymi działaniami na stronie. Nowe pytania dodawaj do osobnej grupy, żeby nie zaburzać porównania z poprzednimi miesiącami.
| Metryka | Lipiec | Sierpień | Wrzesień | Zmiana |
|---|---|---|---|---|
| Share of Model | 18% | 22% | 30% | +12 pp |
| Citation Rate | 4% | 7% | 10% | +6 pp |
| Średnia pozycja wzmianki | 4,1 | 3,6 | 3,0 | +1,1 |
| Wzmianki pozytywne | 55% | 61% | 64% | +9 pp |
W raporcie oprócz liczb opisz, co zmieniło się na stronie i poza nią w danym miesiącu: nowe artykuły, poprawki techniczne, publikacje zewnętrzne. Bez tego kontekstu trudno ocenić, które działania przełożyły się na wzrost wskaźników.
Chcesz poznać kolejne kroki? Zobacz wszystkie poradniki o widoczności w AI – od konfiguracji robots.txt, przez dane strukturalne, po pisanie treści cytowanych przez modele językowe.
Najczęściej zadawane pytania
Czy widoczność marki w AI da się sprawdzić za darmo?
Tak. Wystarczy darmowe konto w badanych modelach i arkusz kalkulacyjny. Płatne narzędzia automatyzują zadawanie pytań i liczenie metryk, co ma znaczenie przy kilkuset pytaniach i kilku markach.
Czy tryb incognito wystarczy, żeby uniknąć personalizacji odpowiedzi?
Nie zawsze. Najpewniej jest korzystać z osobnego konta z wyłączoną pamięcią i historią albo z dostępu przez API, gdzie odpowiedź nie zależy od wcześniejszych rozmów.
Czy wysoka pozycja w Google gwarantuje obecność w ChatGPT?
Nie. Pozycja w Google pomaga głównie w AI Overviews i w modelach korzystających z wyszukiwania, ale model odpowiadający z własnej wiedzy może polecać zupełnie inne marki.
Ile pytań wystarczy do wiarygodnego pomiaru?
Na start 20-50 pytań, każde zadane 3 razy. Przy mniejszej próbie pojedyncza przypadkowa wzmianka zmienia wynik o kilka punktów procentowych.
Czy odpowiedzi AI różnią się w zależności od języka pytania?
Tak. To samo pytanie po polsku i po angielsku może dać inną listę marek, bo model korzysta z innych źródeł. Mierz w języku, w którym piszą Twoi klienci.
Czy plik llms.txt poprawia widoczność w AI?
Na razie nie ma dowodów, że główne modele z niego korzystają. Jego wdrożenie jest tanie i niczego nie psuje, ale nie zastąpi dostępu robotów i dobrych treści.