Jak mierzyć widoczność w AI?

Otwórz ChatGPT i zadaj pytanie, które zadałby Twój klient. Nie o Twoją markę – o problem, który rozwiązujesz. „Który bank ma najlepsze konto firmowe?”, „Jakie ubezpieczenie na życie wybrać?”, „Gdzie najtaniej wymienić walutę?”. Sprawdź, czy Twoja marka w ogóle się pojawia i na którym miejscu.

A teraz zła wiadomość: to, co właśnie zobaczyłeś, jest prawdopodobnie najmniej wiarygodnym pomiarem widoczności, jaki mogłeś wykonać. I to nie dlatego, że zrobiłeś coś źle. Dlatego, że w wyszukiwaniu AI sam fakt, że sprawdzasz, zmienia wynik.

Ten tekst jest o higienie pomiaru: dlaczego nie da się tego mierzyć tak jak pozycji w Google, gdzie mają granice narzędzia dostępne na rynku i jak zaprojektować pomiar, któremu można zaufać?

Dlaczego pomiar w AI nie działa jak monitoring w Google?

W klasycznym Google sprawdzanie własnej pozycji było proste. Pozycja była wspólna dla wszystkich – jeśli Twoja strona była trzecia na daną frazę, była trzecia dla Ciebie, dla Twojego klienta i dla konkurencji. To, że na nią patrzyłeś, niczego nie zmieniało. Rank tracker rejestrował stan obiektywny, a różnice wynikały głównie z lokalizacji i urządzenia.

W wyszukiwaniu AI ta zasada pęka. Nie ma jednej listy wyników, którą można odczytać. Są miliony prywatnych odpowiedzi, uszytych z historii i konta pytającego. Model nie zwraca rankingu – generuje tekst, w którym marki albo się pojawiają, albo nie, i robi to za każdym razem trochę inaczej.

Wynikają z tego dwie konsekwencje, które trzeba przyjąć, zanim zacznie się cokolwiek mierzyć. Po pierwsze, pojedyncze zapytanie nie jest pomiarem – jest anegdotą. Po drugie, Twoja własna odpowiedź jest najmniej reprezentatywna ze wszystkich, bo model zna Cię najlepiej.

Efekt obserwatora, czyli dlaczego Twój własny ekran kłamie?

Mechanizm jest prosty i dlatego łatwo go przeoczyć. ChatGPT z włączoną pamięcią zapamiętuje, o czym z nim rozmawiasz. Jeśli regularnie sprawdzasz swoją markę z tego samego konta, model coraz lepiej wie, że ta marka Cię interesuje – i coraz chętniej ją podpowiada.

Powstaje efekt obserwatora: sam pomiar zniekształca wynik, i to tym mocniej, im sumienniej mierzysz. Najbardziej zafałszowany obraz własnej widoczności mają paradoksalnie ci, którzy monitorują ją najczęściej. Marketer, który codziennie od pół roku wpisuje w ChatGPT pytania o swoją kategorię, dostaje odpowiedzi dopasowane do siebie, nie do rynku.

To, co widzisz na swoim ekranie, jest wtedy echem Twojej własnej historii, nie tym, co zobaczy potencjalny klient. Różnica bywa dramatyczna: marka, która zawsze pojawia się na pierwszym miejscu na koncie właściciela, potrafi być całkowicie nieobecna w odpowiedzi dla użytkownika bez historii.

Czego nie widać w oknie czatu? Grounding i search_prob

Jest jeszcze druga warstwa, której okno czatu nie pokazuje. Modele AI działają w dwóch trybach: odpowiadają z własnej pamięci, czyli z danych treningowych, albo przeszukują sieć w czasie rzeczywistym. Mechanizm decydujący o tym wyborze to grounding – uziemienie odpowiedzi w zewnętrznych źródłach.

O parametrze search_prob, czyli prawdopodobieństwie sięgnięcia po wyszukiwarkę, pisze Mark Williams-Cook. Przy pytaniach o rzeczy zmienne – aktualne ceny, nowości, rankingi – model czuje, że musi sprawdzić informację w sieci. Przy pytaniach ogólnych, w rodzaju „czym jest leasing”, uznaje, że wie wystarczająco dużo, i odpowiada z pamięci.

Dla pomiaru to rozróżnienie jest kluczowe, i to z bardzo praktycznego powodu. Jeśli nie wiesz, w którym trybie padła odpowiedź, nie wiesz, czy Twoja praca nad treścią może cokolwiek zmienić. Przy wysokim search_prob nowy artykuł czy publikacja w portalu branżowym mogą wpłynąć na wynik w ciągu kilku dni. Przy niskim – walka o zmianę odpowiedzi jest walką z danymi treningowymi, a więc znacznie trudniejsza i dłuższa.

Tryb odpowiedzi da się sprawdzić: przez API Google Gemini albo obserwując ruch w zakładce Network w konsoli deweloperskiej podczas korzystania z ChatGPT. Jeśli model wywołuje wyszukiwarkę, masz realne pole do interwencji.

Jak to wygląda w praktyce? Oto przykład z naszego podwórka. Pytając model językowy o SearchMeets.ai, otrzymaliśmy odpowiedź opisującą markę jako inicjatywę networkingową dla branży marketingowej – z przypisanymi nazwiskami osób niezwiązanych z firmą. To halucynacja oparta na nieaktualnych lub źle zinterpretowanych źródłach zewnętrznych. Model nie był złośliwy: przeczytał to, co znalazł w sieci, i połączył kropki w zły sposób. Jeśli takiej odpowiedzi nie mierzysz, nie wiesz nawet, że jej potrzebujesz.

Ograniczenia narzędzi dostępnych na rynku

Naturalna reakcja brzmi: skoro ręczne sprawdzanie zawodzi, kupmy narzędzie. To dobry kierunek, ale narzędzia mają własne, rzadko komunikowane ograniczenia.

Większość odpytuje modele przez API. A odpowiedź z API i odpowiedź z okna przeglądarki to bywają dwa różne modele rekomendacyjne. Widać to najlepiej na przykładzie Claude’a, który w pomiarach potrafi zachowywać się zupełnie inaczej niż pozostałe modele: rekomenduje marki nieistniejące od lat, pomija całe kategorie graczy obecnych na rynku i nie udostępnia żadnych cytowań.

Przyczyna nie leży w modelu, tylko w sposobie jego odpytywania. Claude przez API domyślnie nie korzysta z web searcha – odpowiada wyłącznie z danych treningowych. Sprawdziliśmy to eksperymentalnie: przy niezmienionych pozostałych warunkach wymusiliśmy wyszukiwanie przy każdym pytaniu. Wyniki różniły się istotnie od pierwotnego pomiaru. Ten sam model, ta sama marka, dwa różne obrazy widoczności – a różnicę zrobiło jedno ustawienie, o którym narzędzia zwykle nie informują wprost.

Personalizacja działa w obie strony. Odpowiedzi w oknach czatu są personalizowane, a w narzędziach monitorujących – nie. Narzędzie pokazuje więc widoczność dla przeciętnego użytkownika, który w rzeczywistości nie istnieje. To wciąż lepszy punkt odniesienia niż własne konto z historią, ale nie jest to obraz tego, co widzą realni klienci.

Cytowania nie są dostępne wszędzie. Modele różnią się pod tym względem drastycznie. W naszych pomiarach zdarza się, że jedno narzędzie generuje w całej kategorii pojedyncze cytowanie źródłowe, podczas gdy inne, odpytywane tym samym zestawem pytań, dostarcza ich kilkadziesiąt. Różnica nie mówi nic o tym, które z nich lepiej rozumie temat – wynika z konstrukcji modelu i tego, czy w ogóle pokazuje, skąd wziął informacje. Brak cytowań nie oznacza, że odpowiedź powstała bez źródeł. Oznacza tylko, że narzędzie ich nie ujawniło. Analizę cytowań trzeba więc traktować jako wskazówkę, a nie pełny obraz.

Wniosek jest jeden: nie istnieje widoczność w AI w liczbie pojedynczej. Istnieje widoczność w konkretnym narzędziu, w konkretnym trybie dostępu do sieci, w konkretnym oknie czasowym.

Jak projektujemy pomiar widoczności w AI?

Zasady opisane powyżej brzmią abstrakcyjnie, dopóki nie przełoży się ich na konkretne decyzje. Poniżej siedem, które podejmujemy przy każdym projekcie pomiarowym, niezależnie od branży i skali. Różni je liczba pytań i częstotliwość odpytywania, ale logika pozostaje ta sama.

1. Prompty niebrandowe, oparte na realnych danych wyszukiwania. Nie pytamy modeli o markę – pytamy o problem albo kategorię produktu. Frazy dobieramy na podstawie danych z narzędzi analitycznych, a następnie przekształcamy je w naturalne pytania, w formie zbliżonej do tego, jak zapytałby klient. Dzięki temu mierzymy, kogo model poleca sam z siebie, i robimy to na tematach, o które ludzie faktycznie pytają, a nie dobranych arbitralnie. Pytanie o markę sprawdza tylko, co model o niej wie – nie to, czy w ogóle ją rekomenduje.
2. Powtarzalność zamiast jednorazowego strzału. Ten sam zestaw promptów wysyłamy cyklicznie, w regularnych odstępach. Powód jest prosty: narzędzia AI potrafią udzielić różnych odpowiedzi na to samo pytanie w różne dni. Uśrednienie obecności w całym okresie daje stabilniejszy obraz niż pojedyncze zapytanie i ogranicza wpływ przypadkowych wahań. Bez powtarzalności nie da się też odróżnić realnego trendu od szumu.
3. Kilka silników naraz. Widoczność w jednym modelu to jeszcze nie widoczność. Mierzymy równolegle w modelach konwersacyjnych (ChatGPT, Claude, Gemini, Grok, DeepSeek) oraz w asystentach z wyszukiwaniem w czasie rzeczywistym (Perplexity, Copilot), bo różnią się one nie tylko odpowiedziami, ale i logiką ich powstawania. Marka mocno obecna w jednym modelu bywa nieobecna w drugim – i to jest informacja sama w sobie.
4. Rejestrowanie trybu odpowiedzi. Przy każdym pomiarze odnotowujemy, czy model sięgnął do sieci, czy odpowiedział z pamięci. Bez tego wynik jest nieinterpretowalny: nie wiadomo, czy niska widoczność to efekt braku treści w sieci, czy tego, że model w ogóle do niej nie zajrzał. To rozróżnienie decyduje potem o rekomendacjach – i o tym, jak szybko można spodziewać się efektu.
5. Trzy wskaźniki zamiast jednego. Wskaźnik obecności pokazuje, w jakim procencie wszystkich pomiarów marka się pojawiła. Mediana pozycji mówi, jak wysoko w odpowiedzi jest zwykle wymieniana. Analiza cytowań wskazuje, z jakich domen narzędzia korzystają, budując odpowiedź. Dlaczego sama obecność nie wystarcza? Bo częstotliwość i pozycja to dwa różne wymiary widoczności. Marka może pojawiać się w większości odpowiedzi, ale konsekwentnie w drugiej połowie listy – wymieniana jako alternatywa, nie jako rekomendacja. Inna wystąpi rzadziej, za to niemal zawsze na pierwszym albo drugim miejscu. Trzeci wymiar, cytowania, odpowiada z kolei na pytanie, gdzie pracować: jeśli model buduje odpowiedź na trzech portalach branżowych, to tam jest pole do działania.
6. Normalizacja nazw. Warianty nazw tej samej marki łączymy w jedną encję, przykładowo: „PKO”, „PKO BP” i „PKO Bank Polski” muszą być liczone razem. Bez tego wskaźnik pokazuje rozproszenie nazewnictwa, a nie realną obecność, a marka o wielu wariantach nazwy wypada sztucznie słabiej.
7. Jawne ograniczenia. Każdy pomiar dotyczy konkretnego okna czasowego, konkretnego zakresu pytań i konkretnego zestawu narzędzi. Wyniki zmieniają się wraz z aktualizacjami modeli i dostępnością źródeł, dlatego wartość ma dopiero seria pomiarów, nie pojedynczy odczyt. Metodologia, która tego nie komunikuje, sprzedaje pewność, której nie ma.

Higiena pomiaru: lista kontrolna

Jeśli mierzysz widoczność w AI ręcznie, minimum, które oddziela pomiar od obserwatora, wygląda tak:

• Tryb incognito, zawsze. Bez ciasteczek, bez historii przeglądania.
• Konto niezalogowane albo osobne. Nieużywane do pracy ani do bieżącego monitoringu marki.
• Ten sam, powtarzalny prompt. Za każdym razem identyczny, żeby porównywać porównywalne.
• Kilka silników naraz. Minimum trzy, w tym co najmniej jeden z wyszukiwaniem w czasie rzeczywistym.
• Rejestrowanie trybu odpowiedzi. Czy model sięgnął do sieci, czy odpowiedział z pamięci?
• Powtarzalność w czasie. Ten sam zestaw pytań w regularnych odstępach, a nie wtedy, gdy akurat przyjdzie ochota.

Dopiero taki zestaw pokazuje obraz zbliżony do tego, który widzi rynek.

Podsumowanie

Widoczność w AI da się mierzyć, ale wymaga to porzucenia dwóch nawyków z klasycznego SEO: przekonania, że wynik jest obiektywny, i przekonania, że jedno sprawdzenie wystarczy. W modelach językowych wynik jest rozkładem, nie liczbą, a obserwator jest częścią pomiaru.

Praktyczna konsekwencja jest taka, że pomiar trzeba zaprojektować, zanim się go wykona. Dobrać prompty, ustalić częstotliwość, wybrać silniki, odseparować konto, zapisać ograniczenia. To więcej pracy niż otwarcie ChatGPT i wpisanie nazwy własnej firmy – ale tylko to daje dane, do których można wrócić za kwartał i porównać je z czymś sensownym.

FAQ – najczęściej zadawane pytania

Bibliografia

1. Roksana Frankowska, „Tip of the Week #15: Efekt obserwatora, czyli jak nie mierzyć własnej widoczności w AI”, LinkedIn, 2026
2. Roksana Frankowska, „Czy AI właśnie kłamie na temat Twojej marki?”, LinkedIn, marzec 2026
3. Mark Williams-Cook, koncepcja parametru search_prob
4. SearchMeets.ai, wewnętrzne pomiary widoczności marek w narzędziach AI, 2026