Jak mierzyć widoczność w AI
— ile promptów, ile powtórzeń i co pokazuje GA4

Jak sprawdzić widoczność marki w AI: rozkład zamiast pozycji

Widoczność w AI to odsetek odpowiedzi, w których marka się pojawia, liczony na wielu odpowiedziach. Miejsce na liście w jednej odpowiedzi nie jest dobrą miarą, bo ta sama lista prawie się nie powtarza. Celem jest być w „rdzeniu”, czyli w odpowiedziach, które model daje niemal zawsze, a nie „na 1. miejscu”.

Zadaliśmy GPT-6 i Gemini 3.8 Flash po 25 polskich pytań w stylu „Jaki system CRM polecasz dla małej firmy usługowej?”, każde 10 razy, w nowych rozmowach, bez wyszukiwania. Identyczna lista marek we wszystkich 10 odpowiedziach nie padła ani razu: 0 z 22 kategorii w GPT-6 (w trzech model nie podał żadnej marki) i 0 z 25 w Gemini. Dwie losowe odpowiedzi na to samo pytanie dzielą średnio 63% marek w GPT-6 i 73% w Gemini. Z włączonym wyszukiwaniem GPT-6 jest jeszcze mniej stały: wspólnych marek 53%, wspólnych cytowanych domen 42%.

Za granicą wychodzi to samo. W badaniu SparkToro 600 osób zadało 12 promptów w ChatGPT, Claude i AI Overviews łącznie 2961 razy. Szansa, że w 100 zapytaniach dwie odpowiedzi podadzą tę samą listę marek, wyszła mniejsza niż 1 na 100, a w tej samej kolejności — mniejsza niż 1 na 1000. Detailed sprawdzał ponad 1300 promptów codziennie i dla dwóch losowych dni dostał identyczny zestaw marek w 0,3% par w ChatGPT i 1,1% w AI Overviews.

Rdzeń i ogon: jak naprawdę wygląda wynik

Zmienność nie oznacza chaosu: część marek pada prawie zawsze, część raz na kilka odpowiedzi. W naszym pomiarze w rdzeniu (marka w co najmniej 8 z 10 odpowiedzi) było 40% marek wymienianych przez GPT-6 (44 ze 111) i 56% marek Gemini (115 z 207). W ogonie (najwyżej 2 z 10) — 21% i 19%. Uwaga przy porównaniu: Gemini podaje średnio dwa razy więcej marek, więc część jego rdzenia wynika z samej długości listy. To nie znaczy, że Gemini jest „stabilniejszy”.

Najlepiej widać to na jednej kategorii. Przy pytaniu „Gdzie kupić dobre meble do salonu?” Agata, IKEA i VOX wracają w 9 z 10 odpowiedzi GPT-6, a Bonami, Kler czy Meble Wójcik raz albo dwa razy. Gdyby ktoś zrobił jeden zrzut i trafił na odpowiedź z Klerem, zaraportowałby „jesteśmy widoczni w ChatGPT”. Przy kolejnym zrzucie Kleru by nie było.

Dlatego „pozycja w ChatGPT” to słaba metryka: kolejność zmienia się jeszcze bardziej niż skład listy (Detailed, SparkToro). Mierz obecność, czyli liczbę odpowiedzi z Twoją marką podzieloną przez liczbę wszystkich odpowiedzi (mention rate).

Jeszcze jedno ograniczenie. Wszystkie te pomiary, nasz też, dotyczą pierwszego pytania w nowej rozmowie. Gdy użytkownik dopisze jeden szczegół („do 2000 zł”), z pierwszej listy zostaje około 28% marek, a przy samym powtórzeniu pytania około 90% (Clovion, pojedynczy pomiar dostawcy). Pierwsze pytanie to punkt odniesienia, nie pełny obraz rozmowy.

Test pamięci modelu z rozdziału marka poza stroną mówi, czy model zna Twoją markę; tu mierzysz, jak często ją wymienia. Jednorazowe zdjęcie stanu na portfelu promptów, z konkurencją i powtórzeniami, robimy w ramach analizy widoczności marki w AI.

Co mierzyć: wymienienie marki, cytat i link osobno dla ChatGPT, Gemini i AI Overviews

Liczysz cztery rzeczy, każdą osobno i dla każdego silnika osobno: czy marka jest wymieniona z nazwy, czy Twoja strona jest cytowana jako źródło, czy odpowiedź ma klikalny link do Ciebie i czy to, co AI mówi o marce, jest prawdą. Jeden „wynik widoczności w AI” uśrednia silniki, które działają inaczej.

Silniki robią z marką co innego. W pomiarze Kevina Indiga (115 promptów, 14 krajów) Gemini wymieniał markę z nazwy w 83,7% wystąpień, a link-cytat dawał tylko w 21,4%. ChatGPT odwrotnie: cytował w 87,0%, a markę wymieniał w 20,7% odpowiedzi. Tylko 13,2% wystąpień to jednocześnie cytat i wymienienie. Suma jednego i drugiego zrówna więc oba silniki, choć użytkownik zobaczy w Gemini Twoją nazwę, a w ChatGPT przypis.

Silniki sięgają też po różne źródła. W drugim zbiorze Indiga (próba 20 tys. promptów, rynek europejski) tylko 2,37% cytowanych adresów pojawiło się przy tym samym prompcie w ChatGPT, Perplexity i AI Overviews naraz, a 91,07% tylko w jednym silniku. Dobra widoczność w AI Overviews nic więc nie mówi o ChatGPT.

Czwarta rzecz to link w treści odpowiedzi, czyli klikalny odnośnik w tekście, a nie przypis na dole. Według Peec AI (blisko 9 mln odpowiedzi) ma go 8,4% odpowiedzi ChatGPT, 17,5% AI Overviews i 20,4% AI Mode. Od 58% do 71% tych linków prowadzi na stronę główną, a z adresem cytowanym w przypisie pokrywa się tylko w 4–24% przypadków. Cytat buduje zaufanie, ruch daje link — i to często inna strona Twojego serwisu.

Co liczyć w raporcie

Model może przeczytać Twoją stronę (źródło w kontekście, ang. grounding), a użytkownikowi pokazać inne źródła. Tracker, który raportuje jedno jako drugie, zawyża widoczność stronami, których nikt nie zobaczył — zapytaj dostawcę, co liczy (lekcja 7).

Ostatnia rubryka bywa pomijana, a w handlu jest kluczowa: czy AI podaje o Tobie aktualne ceny i warunki. Zapisuj błędne twierdzenia razem ze źródłem, z którego model je wziął — to lista stron do poprawienia. Skąd AI bierze źródła, opisuje rozdział jak AI wybiera źródła, a czym różnią się AI Overviews od AI Mode — rozdział AI Overviews i AI Mode.

Jak dobrać prompty do monitorowania widoczności marki w AI: portfel z fraz Search Console

Prompty bierzesz z własnych danych, nie z głowy: z niebrandowych fraz w Search Console, z pytań klientów i z segmentów, które obsługujesz. Układasz je według etapów decyzji — obawy, porównanie, wybór — i trzymasz prompty z nazwą marki w osobnej grupie. Na start wystarczy 30–50 promptów po polsku, zamrożonych na cały okres porównania.

Peec AI proponuje na start 10–20 promptów „świadomości” (obawy wobec kategorii), 20–30 promptów „rozważania” (ogólnych i dla segmentów) i 30 dni śledzenia — rozsądny rząd wielkości, ale to rama dostawcy, nie wynik badania. AirOps zauważył, że marki monitorują zwykle prompty 6–7-słowne, a ludzie częściej piszą do AI pytania dziesięciowyrazowe i dłuższe. Część portfela pisz więc pełnymi zdaniami, z kryteriami klienta.

Portfel w czterech krokach

1. Frazy z Search Console bez marki. Wyeksportuj zapytania z ostatnich 3 miesięcy, odfiltruj nazwę firmy i zamień najczęstsze tematy w pytania.
2. Pytania z rozmów z klientami. Dopisz 5–10 pytań, które słyszą handlowcy, support albo które przychodzą formularzem. Tych nie ma w żadnym narzędziu do fraz.
3. Podział na etapy i grupa brandowa. Świadomość („czy warto…”, „jakie są ryzyka…”), porównanie („X czy Y”, „jakie są najlepsze…”), wybór („kogo polecasz w Poznaniu…”). Prompty z nazwą Twojej marki trzymaj osobno: z definicji dają 100% obecności i zawyżają średnią.
4. Zamrożenie. Ten sam zestaw promptów przez cały okres porównania. Każda zmiana promptów to nowy punkt startu, a nie „wzrost” albo „spadek”.

Przykład na danych z naszej Search Console (zapytania wokół widoczności marki w AI). To pokaz metody, nie wynik:

Dwie zasady. Po pierwsze, prompty po polsku: pula źródeł i lista marek zmieniają się prawie całkowicie ze zmianą języka pytania (Chen i in.), więc tracker na angielskich promptach nic nie mówi o polskich odpowiedziach. Po drugie, prompty z nazwą miasta trzymaj osobno, bo odpowiedzi na nie mają inne źródła. Dłuższe pytania wywołują też więcej podzapytań — opisujemy to w rozdziale fan-out i architektura.

Jak monitorować widoczność marki w odpowiedziach AI: ile promptów i powtórzeń odróżnia zmianę od szumu

Więcej promptów daje więcej niż więcej powtórzeń. W naszym pomiarze obecność marki w jednym prompcie, zmierzona dwa razy po 5 powtórzeń, różniła się średnio o 17 pp w GPT-6 i 13 pp w Gemini, choć nic się nie zmieniło. Portfel 22–25 promptów — o 7–10 pp przy jednym przebiegu i 3–4 pp przy pięciu. Zmiana mniejsza niż ten szum to brak zmiany.

Jak to zmierzyliśmy? Odpowiedzi na to samo pytanie podzieliliśmy na dwie rozłączne połowy i w każdej policzyliśmy, w ilu odpowiedziach pada dana marka. Świat się między połowami nie zmienił, więc każda różnica to szum pomiaru (test–retest):

• 1 prompt, 1 odpowiedź (zrzut ekranu): średnio 29 pp w GPT-6, 21 pp w Gemini, 38 pp w GPT-6 z wyszukiwaniem. Co dziesiąty pomiar to różnica 100 pp, czyli „jest” kontra „nie ma”.
• 1 prompt, 5 powtórzeń: 17 pp i 13 pp, co dziesiąty pomiar o 40 pp i więcej.
• Portfel 22–25 promptów, 1 przebieg: 9 pp (GPT-6), 7 pp (Gemini), 10 pp (GPT-6 z wyszukiwaniem).
• Portfel, 5 przebiegów: 4 pp i 3 pp.

Ten sam rząd wielkości daje model statystyczny Peec AI: 50 promptów zadawanych raz dziennie daje w skali miesiąca niepewność ±6,1 pp, a 10 promptów zadawanych pięć razy dziennie — ±13,2 pp, choć liczba odpowiedzi jest ta sama. Przy poziomie widoczności liczy się więc, ile różnych pytań zadajesz. Do wykrycia zmiany na tym samym zestawie liczy się z kolei łączna liczba odpowiedzi: przy 50 promptach dziennie zmiana jest prawdziwa dopiero powyżej 4,7 pp w tygodniu i 2,3 pp w miesiącu. Model zakłada niezależne przebiegi i stałą widoczność, więc to rząd wielkości, nie norma.

Co z tego wynika dla Twojego pomiaru

• „Sprawdzam trzy razy” to za mało. Trzy przebiegi jednego pytania, polecane w części poradników, myliły się w naszym pomiarze średnio o 21 pp (GPT-6) i 16 pp (Gemini). Nawet zalecenie SparkToro (60–100 powtórzeń jednego promptu) to wskazówka autora bez rachunku.
• Mierz portfel i porównuj okresy. Średnia obecność na 30–50 promptach, odczytywana co tydzień, a oceniana w skali miesiąca.
• Ustal próg, zanim zobaczysz wynik. Pojedynczy odczyt portfela myli się średnio o 7–10 pp, więc różnica 3 pp między dwoma tygodniami to szum. Średnia z pięciu odczytów myli się o 3–4 pp, a co dziesiąta o 6–8 pp — zmianę uznawaj dopiero powyżej tego pułapu.
• Porównuj siebie z sobą i z konkurentami na tych samych pytaniach. „Powyżej 50% to dobry wynik” nic nie znaczy bez portfela i silnika.

Ograniczenia naszego pomiaru: odpowiedzi przez API (bez historii i personalizacji użytkownika), jeden dzień, 25 promptów pisanych przez nas, marki nieobecne we wszystkich odpowiedziach pominięte (to lekko zaniża szum ogona). Nasze warianty mają różną liczbę odpowiedzi, więc tezę „przy tej samej liczbie odpowiedzi lepiej dołożyć prompty niż powtórzenia” opieramy na zgodności z modelem Peec, który porównuje równe próby. Stały pomiar na portfelu promptów, z progiem szumu w raporcie, prowadzimy w ramach usługi monitoringu widoczności w AI.

Śledzenie widoczności w Google AI Overviews: jak sprawdzać cytowania i jak szybko się zmieniają

Cytaty w AI Overviews sprawdzasz na stałym zestawie fraz, zawsze z datą odczytu, co 1–2 tygodnie. Zmienia je przede wszystkim czas, nie przypadek: w naszym pomiarze 172 polskich fraz dwa odczyty w odstępie 15 minut zostawiły 88% adresów źródeł, a odczyty w odstępie 8 dni — 67%. Pojedynczy odczyt jest więc wiarygodny na dziś, ale nie na przyszły tydzień.

Wzięliśmy 172 frazy z AI Overview z pomiaru w rozdziale 01 i zapisaliśmy adresy wszystkich źródeł przeglądu. Dwa odczyty 20.10 w odstępie około 15 minut: 88% adresów z pierwszego odczytu było też w drugim, a 87 ze 112 zestawów źródeł było identycznych. Odczyt z 12.10 wobec odczytu z 20.10: zostało 67% adresów, identyczny był tylko 1 zestaw ze 108, a na 14 frazach przegląd pojawił się albo zniknął.

Czy to nie artefakt ustawień? Odczyt z 12.10 pobierał 100 wyników, odczyty z 20.10 — 10. Kontrola tego samego dnia na 20 frazach (100 wobec 10 wyników) dała prawie te same źródła: 14 z 20 zestawów identycznych, podobieństwo 0,83, zero pojawień i zniknięć. Różnicę po 8 dniach robi więc czas.

Inni widzą to samo. Profound przeanalizował 883 tys. stron w kilku silnikach: 78% cytowanych stron spada do połowy szczytowego udziału w ciągu dwóch tygodni od szczytu, a pozostałe 22% ma medianę półtrwania 27–29 dni. Cytat w AI to częściej zdarzenie niż trwały stan.

Jak sprawdzać cytaty w AI Overviews

1. Stały zestaw fraz. 30–100 fraz z Search Console, na których pokazuje się przegląd, ten sam przez cały okres porównania.
2. Odczyt co 1–2 tygodnie, z datą. Zapisuj listę adresów źródeł dla każdej frazy, a nie tylko „jestem / nie ma mnie”.
3. Licz odsetek, który został. Ile Twoich adresów z poprzedniego odczytu jest w obecnym i ile doszło nowych.
4. API kontroluj przeglądarką. Wynik z API bywa inną wersją wyników niż ta, którą widzi użytkownik (rozdział 01). Kilka fraz z każdego odczytu sprawdź ręcznie.

Search Console pomoże częściowo. Raport „Funkcje oparte na generatywnej AI” (Beta) pokazuje wyświetlenia Twoich stron w odpowiedziach AI Google, ale na naszym koncie bez kliknięć i bez API (więcej w rozdziale AI Overviews i AI Mode). Na Search Central Live w Barcelonie Google zapowiedział kolejne dane o wyszukiwaniu z AI, ale bez dat. Podzapytań (fan-outów) AI Overviews w konsoli nie zobaczysz, bo nie pochodzą od użytkowników.

Ograniczenia naszego pomiaru: dwa punkty w czasie, pula fraz z rozdziału 01 i odczyty przez API po 13.09.2026, odkąd Google części zapytań automatycznych podsuwa zmienione wyniki organiczne (to dotyczy organiku; nie wiemy, czy także przeglądów). Dlatego piszemy „po 8 dniach”, a nie „co tydzień”. Czy świeżość treści pomaga utrzymać cytat, opisujemy w rozdziale świeżość treści.

utm_source=chatgpt.com i ruch z AI w GA4: gdzie go szukać i czego nie pokaże Search Console

utm_source=chatgpt.com to znacznik, który ChatGPT dokleja do linków w odpowiedziach, a GA4 zapisuje go jako źródło sesji. Ruch z asystentów AI znajdziesz filtrem po źródle, a nie po kanale: kanał „AI Assistant” z maja 2026 nie działa wstecz i nie obejmuje Perplexity. Część wpływu AI nie zostawia źródła i widać ją tylko pośrednio.

Kanał „AI Assistant” a filtr po źródle

13 maja 2026 Google ogłosił w informacjach o wersji GA4 kanał „AI Assistant”: gdy strona odsyłająca jest na liście asystentów AI, GA4 ustawia medium ai-assistant i przypisuje sesję do nowego kanału. Tej listy Google nie publikuje. Jako przykłady padają ChatGPT, Gemini, Claude, Deepseek, Copilot i Grok, ale Perplexity nie pada w żadnym oficjalnym tekście. AI Overviews i AI Mode zostają w Organic Search.

W badanym serwisie ruch z chatgpt.com trafia do kanału „AI Assistant” od 5 czerwca 2026, wcześniej lądował w Unassigned albo Referral. Raport po kanałach pokazuje więc za styczeń–maj 2026 zero sesji z AI, a filtr po źródle — 183. Kanał nie przepisał historii, a Google nie deklaruje, że to zrobi. Perplexity nadal wpada do Unassigned: w ostatnich 90 dniach kanał pokazuje 55 sesji, filtr po źródle 57.

Dlatego do raportów używaj filtra po źródle sesji, z typem dopasowania „częściowo pasuje do wyrażenia regularnego”:

chatgpt|openai|perplexity|gemini|copilot|claude

Bez „.com”, bo przy utm_source=chatgpt GA4 zapisuje źródło jako gołe „chatgpt”. Przy typie „pasuje do wyrażenia regularnego” (całe źródło) dopisz na początku i końcu .*. Kanał „AI Assistant” zostaw do szybkiego podglądu od czerwca 2026. O samym narzędziu więcej w słowniku: Google Analytics 4.

Skala bywa mała i to też jest wynik. W badanym serwisie asystenci AI dali 57 z 6 095 sesji w 90 dni (0,9%): 54 z ChatGPT, 2 z Perplexity, 1 z Gemini. W całym 2026 udział trzyma się 0,5–1,0% miesięcznie — sesje z AI spadają razem z całym ruchem serwisu.

Na którą stronę trafia ruch z AI

Tu dane się kłócą. Similarweb (USA, desktop, maj 2026) podaje, że 58,8% ruchu z ChatGPT trafia na stronę główną, choć cytowane adresy leżą zwykle dwa–trzy foldery w głąb; podobnie wychodzi Peec AI dla linków w treści (lekcja 2). W naszym serwisie lokalnym jest odwrotnie: 0 z 57 sesji z AI zaczęło się na stronie głównej, a 27 z 57 (47%) na jednym poradniku. Reszta trafiła na inne poradniki, rankingi atrakcji i strony usług w miastach.

Wyjaśnienie jest prawdopodobnie w typie serwisu: badania zagraniczne dotyczą głównie pytań o marki, gdzie AI odsyła na stronę marki, a serwis poradnikowy odpowiada na konkretne pytania, więc AI linkuje do konkretnej odpowiedzi. Nie zakładaj więc, gdzie wchodzi ruch z AI. Sprawdź strony docelowe z filtrem po źródle i zadbaj, żeby prowadziły dalej — do oferty albo kontaktu.

Czego nie pokaże Search Console i co zrobić zamiast tego

Kliknięcia z AI Overviews i AI Mode GA4 liczy jako Organic Search, a wejścia z aplikacji mobilnych bez strony odsyłającej mogą trafić do Direct (Peec AI). Search Console nie ma osobnych danych o asystentach AI. Zostają ślady pośrednie:

• Frazy brandowe w GSC. Działają na dużej skali. W badanym serwisie jedyne zapytanie brandowe miało 318 wyświetleń w 90 dni i było płaskie przez cały 2026 r. — za mało, żeby zobaczyć wpływ AI.
• Pole „skąd o nas wiesz” w formularzu z odpowiedzią „ChatGPT / inny asystent AI”. Najtańszy pomiar, łapie też polecenia bez kliknięcia.
• Bing Webmaster Tools. Raport z zapytaniami, przy których AI Binga cytuje Twoje strony, z liczbą cytowań (stan na październik 2026) — dane jednego silnika, ale z prawdziwych zapytań.

Które strony czytają same boty AI, pokażą logi serwera (rozdział boty AI i llms.txt).

Czy ruch z AI rośnie kosztem wyszukiwarki, opisujemy w rozdziale Akademii SEO SEO w erze AI.

Narzędzia do monitoringu widoczności AI (Peec, Otterly, Profound, Ahrefs Brand Radar): co sprawdzić przed zakupem

Zanim zapłacisz, zadaj dostawcy sześć pytań z listy niżej. Najważniejsze dwa: czy mierzy przez API, czy przez aplikację, którą widzi klient, i ile odpowiedzi zbiera na jeden prompt. Rankingu narzędzi tu nie ma, bo każde odpowiada na te pytania inaczej, a dobór zależy od Twojego portfela.

Dlaczego pierwsze pytanie brzmi „API czy aplikacja”

Narzędzie, które pobiera odpowiedzi przez API modelu, może mierzyć inny produkt niż ten, z którego korzysta Twój klient. 5 promptów z naszego pomiaru zadaliśmy w aplikacji chatgpt.com (bez logowania, z polskiego IP). Aplikacja sama włączyła wyszukiwanie we wszystkich 5 przypadkach i podała średnio 3,8 marki, a GPT-6 przez API z wyszukiwaniem — 1,8 (bez wyszukiwania 2,8). Przy pytaniu o hosting dla WordPressa aplikacja wymieniła cyber_Folks, LH.pl i dhosting, a Hostingera, którego API z wyszukiwaniem podało w 4 z 5 odpowiedzi, nie wymieniła wcale.

To przykład, nie liczba o ChatGPT w ogóle: 5 promptów, po jednej odpowiedzi w aplikacji, konto niezalogowane, nieznany model po stronie aplikacji, a konto z historią rozmów może dostać jeszcze inną listę. Wystarczy jednak, żeby zapytać dostawcę o metodę.

Sześć pytań do dostawcy

1. API czy aplikacja? I dla którego silnika — część narzędzi miesza oba sposoby.
2. Ile przebiegów na prompt i jak często? Jedna odpowiedź na prompt dziennie to jeden rzut kostką; szum gasi dopiero duży portfel i średnia z wielu dni (lekcja 4).
3. Polska i język polski? Kraj jako ustawienie, a nie tylko język interfejsu.
4. Co dokładnie liczy? Wymienienia, cytaty i linki osobno, dla każdego silnika osobno (lekcja 2), a nie jedną liczbę „AI visibility”.
5. Eksport pełnych odpowiedzi? Bez surowego tekstu nie sprawdzisz wyniku ani błędnych twierdzeń o marce.
6. Cena i jednostka? Za prompt, za prompt × silnik, za odpowiedź?

Co deklarują dostawcy (stan na 20.10.2026)

Kolejność alfabetyczna, bez ocen, tylko to, co dostawca pisze na własnych stronach. „Nie zadeklarowano” znaczy, że nie znaleźliśmy tej informacji, a nie, że funkcji nie ma. Oferty często się zmieniają — przed zakupem sprawdź stronę narzędzia.

Wynik liczony na wielu odpowiedziach na ten sam prompt deklarują wprost tylko Senuto i Profound; Senuto jako jedyne nie podaje metody zbierania. Część dostawców podaje różne listy silników na różnych stronach, więc zapisuj datę sprawdzenia.

Arkusz czy narzędzie

Do około 30 promptów w 1–2 silnikach z odczytem raz w tygodniu wystarczy arkusz i godzina pracy. Narzędzie opłaca się przy kilku silnikach, kilkudziesięciu promptach i częstszych odczytach, gdy ręczne zbieranie zajmuje więcej czasu niż analiza. Jeśli wolisz zlecić pomiar, robimy jednorazową analizę widoczności w AI i stały monitoring widoczności w AI na portfelu promptów z progiem szumu.