Widoczność marki w AI nie jest jedną pozycją. Marka może być często wymieniana, ale rzadko rekomendowana. Może być cytowana jako źródło, lecz kojarzona z niewłaściwą kategorią. Może dominować w jednym systemie i pozostawać niemal niewidoczna w innym.
FunkyMEDIA AI Visibility Index — FAVI — jest autorską metodologią pomiaru, która rozdziela te zjawiska na sześć subindeksów i dopiero później łączy je w jeden wynik syntetyczny. Dzięki temu wysoka liczba wzmianek nie może ukryć problemów z rekomendacją, cytowaniem, poprawnością informacji albo pokryciem platform.
FunkyMEDIA AI Visibility Index 1.0 mierzy widoczność marki w AI w sześciu wymiarach: Share of Answers, Recommendation Rate, Citation Rate, Category Association, Accuracy i Platform Coverage. Każdy subindeks jest liczony osobno w skali 0–100, a następnie łączony według ustalonych wag. FAVI nie jest oficjalnym wskaźnikiem żadnej platformy ani „pozycją w ChatGPT”. Jest modelem badawczym FunkyMEDIA przeznaczonym do porównywalnych pomiarów marek, kategorii i zmian w czasie.
FAVI mierzy widoczność marki jako zestaw różnych zdarzeń
Najczęstszy błąd w pomiarze AI Visibility polega na sprowadzeniu wszystkiego do pytania:
„Czy marka pojawiła się w odpowiedzi?”
To tylko jeden wymiar.
Trzeba oddzielić co najmniej:
FAVI jest modelem FunkyMEDIA, nie standardem platform AI
FAVI 1.0 = autorski model badawczy FunkyMEDIA.
Wagi, progi, skale punktowe i zabezpieczenia opisane w tej metodologii nie są przedstawiane jako:
Służą temu, aby powtarzalnie badać ten sam problem według tych samych reguł.
Co dokładnie opisuje wynik FAVI?
Podstawową jednostką badania nie jest „marka w internecie”. Jest nią:
Marka × kategoria × rynek × język × okres × wersja metodologii.
Dlatego zapis:
„FAVI marki X = 64”.
jest niewystarczający.
Prawidłowy raport powinien wskazywać kontekst, np.:
FAVI 1.0: 64,0/100 · Polska · język polski · kategoria „agencje AI Search” · sierpień 2026.
Czego FAVI nie mierzy?
| FAVI mierzy | FAVI nie mierzy bezpośrednio |
|---|---|
| obecność marki w odpowiedziach | liczbę użytkowników, którzy zobaczyli odpowiedź |
| siłę rekomendacji | sprzedaż |
| cytowania źródeł marki | pełną atrybucję konwersji |
| skojarzenie z kategorią | klasyczną pozycję URL-a |
| poprawność informacji | globalną wartość marki |
| pokrycie badanych platform | cały wpływ AI na proces zakupowy |
FAVI jest wskaźnikiem kontrolowanej widoczności i jakości obecności, nie wskaźnikiem przychodu.
Dlaczego jeden KPI nie wystarcza?
Dwie marki mogą uzyskać podobny wynik końcowy z całkowicie innych powodów.
| Marka A | Marka B |
|---|---|
| często wymieniana | rzadziej wymieniana |
| mało cytowań | dużo cytowań |
| niska rekomendacja | wysoka rekomendacja |
| częste błędy faktograficzne | wysoka poprawność |
Dlatego wynik syntetyczny zawsze powinien być prezentowany razem z sześcioma subindeksami.
Sześć subindeksów FAVI 1.0
Share of Answers
Jak często marka pojawia się w kwalifikujących się odpowiedziach.
Recommendation Rate
Jak często marka jest przedstawiana jako możliwy lub preferowany wybór.
Citation Rate
Jak często wykorzystywane jest kwalifikowane źródło należące do marki.
Category Association
Czy AI łączy markę z właściwą kategorią i zastosowaniem.
Accuracy
Czy sprawdzalne informacje o marce odpowiadają aktualnym faktom.
Platform Coverage
Na ilu badanych platformach marka posiada powtarzalną widoczność.
Formuła FunkyMEDIA AI Visibility Index 1.0
FAVI = 0,25 × SoA + 0,20 × RR + 0,15 × CR + 0,15 × CA + 0,15 × AC + 0,10 × PC.
Każdy subindeks jest wcześniej normalizowany do skali 0–100.
Wagi należy zamrozić przed rozpoczęciem badania. Nie wolno ich modyfikować po zobaczeniu rezultatów w celu poprawienia pozycji konkretnej marki.
Share of Answers: jak często marka występuje?
SoA = liczba kwalifikujących odpowiedzi wymieniających markę ÷ liczba wszystkich kwalifikujących odpowiedzi × 100.
Za wystąpienie można uznać między innymi:
Nie należy zaliczać:
Recommendation Rate: wzmianka nie jest rekomendacją
RR należy liczyć tylko dla pytań, w których rekomendacja jest logicznie możliwa.
| Ocena | Charakter odpowiedzi | Wartość |
|---|---|---|
| 0 | brak rekomendacji lub odpowiedź negatywna | 0,00 |
| 1 | neutralne wymienienie marki | 0,33 |
| 2 | rekomendacja warunkowa lub grupowa | 0,67 |
| 3 | jednoznaczna rekomendacja | 1,00 |
RR = suma wartości rekomendacji ÷ liczba kwalifikujących pytań rekomendacyjnych × 100.
Pierwsza pozycja na liście nie powinna automatycznie otrzymywać najwyższej oceny. Potrzebny jest rzeczywisty język rekomendacyjny.
Citation Rate: licz odpowiedzi ze źródłem, nie liczbę linków
CR = odpowiedzi z co najmniej jednym kwalifikowanym cytowaniem źródła marki ÷ odpowiedzi posiadające funkcję źródeł × 100.
Podstawową jednostką jest odpowiedź.
Pięć linków do tej samej domeny w jednej odpowiedzi nie oznacza pięciu niezależnych cytowań.
Za własne źródło można uznać np.:
Zewnętrzna publikacja o marce może być ważnym dowodem, ale nie jest tym samym co cytowanie własnej domeny.
Category Association: czy system rozumie, czym zajmuje się marka?
Wysokie SoA nie wystarcza, jeśli marka pojawia się w niewłaściwym kontekście.
| Ocena | Interpretacja | Wartość |
|---|---|---|
| 0 | brak skojarzenia lub błędna kategoria | 0,00 |
| 1 | słabe lub pośrednie skojarzenie | 0,33 |
| 2 | prawidłowe skojarzenie ogólne | 0,67 |
| 3 | jednoznaczna kategoria i zastosowanie | 1,00 |
CA pozwala rozdzielić rozpoznawalność nazwy od właściwego pozycjonowania marki w kategorii.
Accuracy: najpierw powstaje karta prawdy
Nie można oceniać poprawności odpowiedzi na podstawie pamięci analityka.
Kanoniczne fakty o marce → źródła referencyjne → data aktualności → ocena odpowiedzi AI.
Karta może obejmować:
Nie każdy błąd w Accuracy ma taką samą wagę
| Rodzaj informacji | Waga błędu |
|---|---|
| informacja pomocnicza | 1 |
| informacja istotna dla porównania oferty | 2 |
| cena, dostępność, bezpieczeństwo, zakres lub warunki | 3 |
AC = 100 × (1 − suma ważonych błędów ÷ suma wag ocenionych twierdzeń).
Brak informacji nie jest automatycznie błędem. Błędem jest podanie informacji fałszywej, nieaktualnej albo zmyślonej.
Platform Coverage: widoczność na jednej platformie nie oznacza pokrycia rynku
W FAVI 1.0 platforma zostaje uznana za pokrytą, gdy marka spełnia łącznie trzy warunki:
PC = suma wag pokrytych platform ÷ suma wag wszystkich badanych platform × 100.
W bazowej wersji platformy mają równe wagi. Jeżeli stosowane są wagi rynkowe, trzeba ujawnić ich źródło, datę i sposób obliczenia.
Jak zbudować próbę pytań?
Minimum 120 unikalnych pytań × 4 platformy × 3 powtórzenia = minimum 1440 odpowiedzi.
Mniejszy pomiar może być użyteczny diagnostycznie, ale powinien być oznaczony jako pilot, a nie pełne porównanie kategorii.
Koszyk pytań powinien reprezentować różne intencje
| Grupa intencji | Udział FAVI 1.0 |
|---|---|
| informacyjne i edukacyjne | 20% |
| problem–rozwiązanie | 20% |
| rekomendacyjne | 25% |
| porównawcze | 20% |
| transakcyjne i lokalne | 15% |
Rozkład może zostać zmieniony dla konkretnej kategorii, ale musi zostać ustalony przed badaniem i stosowany identycznie do porównywanych marek.
Główny ranking nie powinien być budowany na pytaniach z nazwą marki
Pytanie:
„Czy FunkyMEDIA jest dobrą agencją AI Search?”
nie mierzy tego samego co:
„Jaką agencję AI Search wybrać?”
Główny wynik powinien bazować na pytaniach bez nazwy analizowanej marki. Pytania brandowe można wykorzystać jako osobny moduł diagnostyczny do badania rozpoznania encji, poprawności danych i źródeł wykorzystywanych do opisu firmy.
Wariant językowy nie powinien sztucznie zwiększać znaczenia jednej intencji
Przykładowo:
mogą reprezentować tę samą potrzebę.
Najpierw grupujemy intencję, dopiero potem warianty pytań.
Jak przeprowadzić powtarzalny pomiar?
rynek, język i warunki
ten sam koszyk dla marek
minimum trzy sesje
według instrukcji
sprawdź zgodność ocen
subindeksy i FAVI
z uwzględnieniem niepewności
Warunki badania muszą zostać zapisane
Jeżeli system oferuje istotnie różne tryby działania, nie należy ich mieszać w jednym warunku badania.
Dlaczego potrzebne są powtórzenia?
Odpowiedź generatywna jest obserwacją probabilistyczną, a nie stałą pozycją SERP.
Pojedynczy screenshot nie jest pomiarem widoczności marki.
FAVI 1.0 zakłada minimum trzy niezależne odpowiedzi przy tych samych warunkach. Przy badaniach o większej wadze można zwiększyć liczbę powtórzeń.
Kolejność testów również może wprowadzać błąd
Nie należy badać jednej marki przez kilka dni, a następnie konkurenta w całkowicie innym okresie.
Losuj kolejność pytań i marek oraz rozkładaj pomiary możliwie równomiernie w czasie.
Co powinien zawierać pojedynczy rekord badania?
Automatyzacja pomaga zbierać dane, ale część ocen wymaga człowieka
Automatycznie można wykrywać między innymi:
Kontroli człowieka wymagają przede wszystkim:
Kontrola zgodności oceniających
W pełnym rankingu FAVI 1.0 co najmniej 10% odpowiedzi powinno zostać zakodowane niezależnie przez drugą osobę.
Rekomendowana minimalna zgodność dla Recommendation Rate i Category Association: Cohen κ ≥ 0,70.
Jeżeli zgodność jest niska, problemem może być nie odpowiedź AI, ale nieprecyzyjna instrukcja kodowania.
Przykład obliczenia końcowego wyniku
| Subindeks | Wynik | Waga | Punkty |
|---|---|---|---|
| Share of Answers | 60 | 25% | 15,00 |
| Recommendation Rate | 50 | 20% | 10,00 |
| Citation Rate | 40 | 15% | 6,00 |
| Category Association | 80 | 15% | 12,00 |
| Accuracy | 90 | 15% | 13,50 |
| Platform Coverage | 75 | 10% | 7,50 |
| FAVI | 100% | 64,00 |
Jak interpretować skalę FAVI 1.0?
| Wynik | Interpretacja w FAVI 1.0 |
|---|---|
| 0–19,9 | śladowa widoczność |
| 20–39,9 | ograniczona |
| 40–59,9 | rozwijająca się |
| 60–74,9 | silna |
| 75–89,9 | bardzo silna |
| 90–100 | dominująca |
Te przedziały są elementem interpretacji metodologii FAVI 1.0. Nie są uniwersalną skalą obowiązującą każdą kategorię i rynek.
W praktyce bardziej użyteczne jest porównanie z konkurencją, średnią kategorii, poprzednią falą i profilem subindeksów.
Zabezpieczenia przed pozornie wysokim wynikiem
FAVI 1.0 wprowadza ograniczenia, które mają zapobiegać sytuacji, w której jeden mocny element maskuje poważny problem.
Marka nie powinna otrzymać bardzo wysokiej oceny wyłącznie dlatego, że jest często wymieniana, jeśli jednocześnie systemy przekazują o niej błędne informacje.
Audyt jednej marki i ranking kategorii to dwa różne badania
| Audyt marki | Ranking kategorii |
|---|---|
| służy diagnozie jednej organizacji | służy porównaniu konkurentów |
| może zawierać więcej pytań brandowych | musi mieć identyczny koszyk dla wszystkich |
| może analizować konkretne błędy i źródła | musi stosować te same kryteria kodowania |
| może być silnie diagnostyczny | nie wolno zmieniać zasad po wynikach |
Praktyczne KPI stosowane poza samym indeksem rozwija osobny materiał jak mierzyć widoczność marki w AI.
Wynik FAVI jest estymacją, nie dokładnym pomiarem całego AI Search
Badamy określoną próbę pytań, odpowiedzi i platform.
FAVI = wynik próby + zmienność odpowiedzi + błąd kodowania + ograniczenia badania.
Dlatego raport powinien pokazywać nie tylko jeden numer.
Co powinien zawierać raport niepewności?
FAVI 1.0: 64,0 · 95% CI: 60,8–67,3 · n = 1440 odpowiedzi.
Jeżeli konkurencyjna marka ma 65,1, nie oznacza to automatycznie istotnej przewagi.
Subindeksy są ważniejsze niż różnica jednego punktu
Dwie marki o FAVI 60 mogą reprezentować zupełnie inne problemy.
Dużo wzmianek
Wysoki SoA, ale mało rekomendacji i cytowań.
Mniej obecności
Niższy SoA, ale wysoka poprawność i Citation Rate.
Inne działania
Ten sam wynik syntetyczny nie oznacza tej samej diagnozy.
Jak zachować porównywalność kolejnych fal?
W czasie powinny pozostać możliwie stabilne:
FAVI 1.0 zakłada model, w którym pomiędzy falami zachowuje się minimum 80% pytań stałych, a maksymalnie 20% koszyka może zostać zaktualizowane.
Karta prawdy musi również uwzględniać czas
Informacja może być prawdziwa historycznie i jednocześnie błędna dla bieżącego pytania.
Twierdzenie → źródło → okres obowiązywania → odpowiedź AI → data pomiaru.
Ma to szczególne znaczenie dla:
Metodologia musi być wersjonowana
| Zmiana | Kiedy? |
|---|---|
| MAJOR | zmienia konstrukcję, wagi, główny wskaźnik lub sposób punktacji |
| MINOR | rozszerza metodę bez zasadniczej zmiany wyniku |
| PATCH | korekta redakcyjna albo techniczna bez wpływu na wynik |
Metodologii użytej do opublikowanego rankingu nie należy modyfikować po poznaniu wyników.
Standard pełnego badania FAVI 1.0
| Parametr | Standard FAVI 1.0 |
|---|---|
| Unikalne pytania | minimum 120 |
| Platformy | minimum 4 |
| Powtórzenia | minimum 3 |
| Łączna liczba odpowiedzi | minimum 1440 |
| Pytania rekomendacyjne | 25% |
| Pytania stałe pomiędzy falami | minimum 80% |
| Próba kodowana przez drugiego oceniającego | minimum 10% |
| Rekomendowana zgodność Cohena κ | minimum 0,70 |
| Próg SoA dla pokrycia platformy | 5% |
| Minimum wystąpień na platformie | 3 |
| Minimum grup intencji | 2 |
| Pełne badanie | kwartalnie |
| Monitoring diagnostyczny | miesięcznie |
To parametry przyjęte w FAVI 1.0, a nie uniwersalne wymagania każdego badania AI Visibility.
FAVI powinien być traktowany jak eksperyment
co chcemy sprawdzić?
co zamrażamy?
jak zbieramy odpowiedzi?
jak kodujemy zdarzenia?
jak stabilny jest wynik?
co oznaczają subindeksy?
Takie podejście jest ważniejsze niż wykonanie efektownego zrzutu ekranu z pojedynczą odpowiedzią.
Jak interpretować wzrost FAVI?
Wzrost może wynikać z różnych zmian:
Dlatego nie wystarczy powiedzieć „FAVI wzrósł o 8 punktów”. Trzeba wskazać, które warstwy odpowiadają za zmianę.
Spadek FAVI nie zawsze oznacza pogorszenie działań marki
Na wynik mogą wpływać również czynniki znajdujące się poza kontrolą firmy:
FAVI mierzy stan obserwowanego środowiska, a nie wyłącznie jakość wykonanej kampanii.
Tabela decyzyjna: co oznaczają kombinacje subindeksów?
| Wynik | Możliwa diagnoza | Kierunek pracy |
|---|---|---|
| Niski SoA + niski CA | marka słabo rozpoznana w kategorii | encje, specjalizacja, topical coverage |
| Wysoki SoA + niski RR | marka znana, ale rzadko wybierana | case studies, wyróżniki i dowody |
| Wysoki RR + niski CR | marka jest polecana, ale własne źródła są słabo wykorzystywane | badania, dane i dokumentacja |
| Wysoki CR + niski SoA | materiały są użyteczne, ale słabo powiązane z marką | autorstwo, publisher i encje |
| Wysoki SoA + niskie AC | marka widoczna, ale źle opisywana | karta prawdy i aktualizacja źródeł |
| Niski PC | zależność od jednego ekosystemu | dywersyfikacja źródeł i obecności |
| Wysoki CA + niski RR | AI rozumie kategorię, ale nie widzi przewagi marki | dowody dopasowania i kryteria wyboru |
| Wysoki FAVI + mało leadów | widoczność może dotyczyć niewłaściwych intencji albo ścieżka konwersji jest słaba | prompt set, oferta, CTA i atrybucja |
Rozwinięcie praktycznych wskaźników dla wzmianek i odpowiedzi znajduje się w materiale jak mierzyć Brand Mentions i widoczność marki w odpowiedziach AI.
Wysoki FAVI nie oznacza automatycznie dużego ruchu
Użytkownik może poznać markę w odpowiedzi bez kliknięcia, a następnie:
Dlatego FAVI należy analizować obok:
Najczęstsze błędy w badaniu AI Visibility
Kilka promptów
5–10 pytań jest obserwacją diagnostyczną, nie rankingiem kategorii.
Marka w każdym promptcie
Badanie sztucznie wymusza obecność badanego podmiotu.
Wzmianka = rekomendacja
Neutralne wystąpienie i faktyczne polecenie są różnymi zdarzeniami.
Cytowanie = rekomendacja
Źródło może być wykorzystane bez polecania usług jego wydawcy.
Mieszanie warunków
Różne tryby, konta lub lokalizacje są traktowane jak jeden eksperyment.
Zmiana reguł po wyniku
Wagi albo kryteria są korygowane po zobaczeniu rezultatu.
Mity dotyczące FunkyMEDIA AI Visibility Index
| Mit | Rzeczywistość |
|---|---|
| FAVI pokazuje „pozycję w ChatGPT” | mierzy rozkład obecności w próbie odpowiedzi |
| pierwsza marka na liście zawsze jest rekomendowana najmocniej | decyduje język odpowiedzi i dopasowanie |
| cytowanie artykułu oznacza autorytet całej marki | może dotyczyć tylko jednego zasobu |
| wysoki FAVI musi oznaczać dużo kliknięć | wpływ może być zero-click lub wspomagany |
| 80/100 zawsze jest dobrym wynikiem | potrzebny jest kontekst kategorii i rynku |
| jeden screenshot potwierdza zmianę widoczności | potrzebne są powtórzenia i stała próba |
Jak poprawiać poszczególne subindeksy?
| Subindeks | Przykładowy kierunek pracy |
|---|---|
| Share of Answers | jednoznaczna kategoria, pokrycie tematyczne, dostępność i spójna obecność marki |
| Recommendation Rate | case studies, opinie, rezultaty, wyróżniki i dowody dopasowania |
| Citation Rate | własne badania, dane, definicje, metodologia i dokumentacja |
| Category Association | spójna encja, oferta, eksperci i jasne powiązanie z kategorią |
| Accuracy | karta prawdy i aktualizacja źródeł |
| Platform Coverage | dywersyfikacja źródeł, formatów i miejsc obecności |
Żaden z tych kierunków nie gwarantuje zachowania konkretnego modelu. FAVI służy do pomiaru zmian i lokalizowania luk.
Jak często mierzyć FAVI?
W wersji 1.0 FunkyMEDIA przyjmuje dwa poziomy:
Kwartalnie
Pełny koszyk pytań, wszystkie platformy, powtórzenia i kodowanie jakościowe.
Miesięcznie
Mniejszy stały zestaw diagnostyczny do wykrywania zmian.
Stała metodologia
Trend ma sens tylko przy zachowaniu porównywalnych warunków.
Model końcowy: FAVI nie jest jednym numerem
Prompt set → platformy → powtórzenia → kodowanie → SoA / RR / CR / CA / AC / PC → niepewność → interpretacja → decyzja.
Najgorszy model pomiaru wygląda tak:
„Zadaliśmy ChatGPT 10 pytań, marka pojawiła się 7 razy, więc ma widoczność 70%.”
Taki wynik nie mówi:
Dlatego FAVI wykorzystuje sześć wymiarów zamiast jednego wskaźnika obecności.
Najważniejszą wartością metodologii nie jest sama liczba 0–100. Jest nią możliwość wykonania tego samego badania ponownie, porównania marek według tych samych zasad i wskazania konkretnej warstwy widoczności, która uległa zmianie.
