ROI z AI Search jest trudniejsze do policzenia niż ROI z kanału, który zaczyna się od kliknięcia. Użytkownik może najpierw zobaczyć markę w ChatGPT, Gemini, Copilocie lub Perplexity, później wyszukać ją w Google, wejść bezpośrednio na stronę, zadzwonić albo wypełnić formularz.
Dlatego FunkyMEDIA rozdziela trzy poziomy wpływu: rezultat bezpośrednio obserwowalny, rezultat wspomagany i wpływ prawdopodobny. Dopiero potem przelicza je na wartość ekonomiczną.
ROI z AI Search powinno opierać się na przyrostowym zysku, a nie na samej liczbie wejść z platform AI. Najpierw mierzymy widoczność, później wpływ na popyt, leady i pipeline, a dopiero na końcu przychód, marżę i zysk. Im słabszy dowód, że AI rzeczywiście wpłynęło na decyzję klienta, tym ostrożniejsza powinna być waga atrybucyjna.
ROI z AI Search: wzór jest prosty, atrybucja nie
ROI = [(przyrostowy zysk przypisany AI Search − koszt AI Search) / koszt AI Search] × 100%
Najważniejsze słowo to przyrostowy. Nie powinniśmy automatycznie przypisywać AI całego przychodu klientów, którzy zetknęli się z marką w odpowiedzi generatywnej. Trzeba oszacować, jaka część wyniku prawdopodobnie nie pojawiłaby się bez analizowanych działań.
ROI, ROAS i przychód przypisany to trzy różne miary
| Miara | Co pokazuje? | Najczęstszy błąd |
|---|---|---|
| Przychód przypisany | wartość sprzedaży połączonej z kanałem | traktowanie przychodu jak zysku |
| ROAS | przychód w relacji do kosztu działań | pomijanie marży i kosztu realizacji |
| ROI | zysk po odjęciu kosztu inwestycji | przypisanie całego wyniku jednemu kanałowi |
Gdzie AI Search pojawia się w ścieżce klienta?
Klasyczna analityka widzi zwykle wejście na stronę. AI może wpłynąć wcześniej — w momencie tworzenia shortlisty marek lub rozwiązań.
użytkownik pyta AI
AI wskazuje marki lub rozwiązania
użytkownik sprawdza stronę i opinie
wyszukuje markę innym kanałem
formularz, telefon, e-mail
szansa sprzedażowa
sprzedaż i marża
AI może mieć wpływ na decyzję bez wygenerowania bezpośredniego kliknięcia. Dlatego ruch referral z LLM jest ważnym KPI, ale nie jest pełną miarą wartości AI Search.
Sześć warstw pomiaru
Widoczność
mention, citation, recommendation, accuracy i obecność w ważnych promptach.
Popyt
brand search, direct traffic i zainteresowanie usługą lub ekspertem.
Ruch
sesje z ChatGPT, Perplexity, Copilota, Gemini i innych platform.
Konwersje
formularze, telefony, zapytania i konwersje wspomagane.
Sprzedaż
szanse, oferty, prawdopodobieństwo domknięcia i win rate.
Ekonomia
przychód, marża, CAC, LTV i przyrostowy zysk.
Trzy poziomy wiarygodności atrybucji
Direct
Referral z platformy AI, lead z parametrem albo deklaracja klienta „znalazłem was w ChatGPT”.
Assisted
AI jest potwierdzonym punktem styku, ale konwersja kończy się innym kanałem.
Probable
Wzrost brand search lub direct pojawia się razem ze wzrostem widoczności AI, ale bez twardego dowodu przyczynowości.
Im słabszy dowód, tym mniejszą wagę ekonomiczną powinien otrzymać rezultat. Dzięki temu model nie zamienia każdej korelacji w pełną sprzedaż „wygenerowaną przez AI”.
Jak mierzyć zero-click?
| Sygnał | Co może wskazywać? | Ryzyko interpretacji |
|---|---|---|
| brand search | użytkownik poznał wcześniej markę | wzrost może wynikać też z PR lub reklamy |
| direct traffic | użytkownik zna domenę lub nazwę | direct ma wiele możliwych przyczyn |
| self-reported attribution | klient wskazuje AI jako źródło | to deklaracja, ale bardzo cenna |
| zmiana jakości leadów | klient przychodzi lepiej przygotowany | wymaga obserwacji CRM i sprzedaży |
W formularzu warto dodać otwarte pytanie „Skąd dowiedziałeś się o naszej firmie?”. Może ono ujawnić kanały, których klasyczne narzędzia analityczne nie rejestrują.
Jak liczyć przyrost, a nie tylko korelację?
Wzrost sprzedaży po wdrożeniu AI Search nie oznacza automatycznie, że AI wygenerowało wzrost. W tym samym czasie mogą działać reklamy, sezonowość, PR, zmiany cen albo inne kanały.
Przykładowy model obliczenia ROI
Załóżmy, że firma przez sześć miesięcy inwestuje 80 000 zł w AI Search. Identyfikuje 40 000 zł zysku bezpośrednio przypisanego AI, 70 000 zł zysku z działań wspomaganych i 50 000 zł potencjalnego zysku z wpływu prawdopodobnego.
40 000 zł
Pełna waga dla wyników bezpośrednio obserwowalnych.
35 000 zł
70 000 zł × 0,5.
10 000 zł
50 000 zł × 0,2.
85 000 zł
Łączna ostrożnie przypisana wartość.
ROI = [(85 000 − 80 000) / 80 000] × 100% = 6,25%
Taki wynik jest mniej efektowny niż przypisanie całych 160 000 zł do AI, ale znacznie bardziej wiarygodny.
Jakie KPI raportować na jednym dashboardzie?
share of answers
recommendation rate
citation rate
leady i SQL
wartość pipeline
przyrostowy zwrot
Najczęstsze błędy w obliczaniu ROI z AI Search
Tylko referral traffic
Pomija zero-click i późniejsze wejścia brandowe.
Cały brand search przypisany AI
Wzrost może mieć wiele równoległych przyczyn.
Pipeline = revenue
Otwarta szansa sprzedażowa nie jest jeszcze sprzedażą.
ROI na przychodzie
W większości analiz potrzebna jest marża lub zysk.
Kiedy wynik ROI można uznać za wiarygodny?
Wiarygodność rośnie, gdy pomiar ma stały zakres, znane koszty, powtarzalny prompt set, spójny CRM i wystarczająco długi okres. Ważne jest również rozdzielenie wersji metodologii — zmiana promptów, platform lub sposobu kodowania może utrudnić porównanie okresów.
Najpierw stabilizujemy sposób pomiaru. Dopiero potem próbujemy ocenić zmianę. Jeśli metodologia zmienia się w każdej fali, wynik wygląda precyzyjnie, ale nie jest porównywalny.
ROI z AI Search wymaga mierzenia wpływu, a nie tylko kliknięć
Najważniejsza zmiana polega na odejściu od pytania „ile sesji przyniósł ChatGPT?” na rzecz pytania „jaką część decyzji klienta możemy wiarygodnie powiązać z widocznością marki w AI?”.
Dobry model oddziela rezultaty bezpośrednie, wspomagane i prawdopodobne, nadaje im różne wagi, a finalne ROI opiera na marży lub zysku. Dzięki temu AI Search można oceniać tak samo poważnie jak inne inwestycje marketingowe — bez pomijania zero-click i bez sztucznego zawyżania efektów.
