Jedno pytanie do ChatGPT nie odpowiada na pytanie, czy AI poleca Twoją firmę. Marka może pojawić się raz, zniknąć przy kolejnej próbie, być cytowana bez rekomendacji albo być regularnie wskazywana tylko dla bardzo konkretnego typu klienta.
Wiarygodny audyt rekomendacji wymaga zestawu realistycznych scenariuszy, kilku platform, powtórzeń oraz jasnego rozdzielenia: rozpoznania marki, wzmianki, citation i rzeczywistej recommendation.
Aby sprawdzić, czy AI poleca firmę, przygotuj zestaw pytań odpowiadających realnym sytuacjom zakupowym, przetestuj je na kilku platformach i wykonaj powtórzenia. Dla każdej odpowiedzi zapisz, czy marka została wymieniona, czy rzeczywiście została polecona, w jakim kontekście, obok jakich konkurentów, na podstawie jakich źródeł i czy przedstawione informacje są prawidłowe. Dopiero z takiej próby można policzyć Recommendation Rate, Share of Answers, Citation Rate, Accuracy i stabilność.
Najpierw ustal, co oznacza „AI poleca moją firmę”
Nie każda obecność marki w odpowiedzi jest rekomendacją.
| Rodzaj obecności | Co się dzieje? | Czy to rekomendacja? |
|---|---|---|
| Recognition | AI wie, że firma istnieje | nie |
| Correct identification | poprawnie opisuje ofertę i specjalizację | nie |
| Mention | wymienia firmę w kontekście kategorii | nie zawsze |
| Citation | wykorzystuje stronę jako źródło | nie |
| Recommendation | przedstawia firmę jako odpowiedni wybór | tak |
Firma może być cytowana, ale niepolecana. Może również zostać polecona bez cytowania własnej domeny.
Jak rozpoznać rzeczywistą rekomendację?
Najprostszy test polega na ocenie funkcji, jaką marka pełni w odpowiedzi.
Neutralna wzmianka
„Do firm działających w tym obszarze należą A, B i C.”
Porównanie
„A specjalizuje się w X, natomiast B ma mocniejszą ofertę Y.”
Rekomendacja
„Warto rozważyć firmę A, ponieważ odpowiada podanym kryteriom.”
Rekomendacja warunkowa
„A będzie szczególnie dobrym wyborem dla średniego e-commerce.”
W audycie najlepiej klasyfikować każdą odpowiedź według tych funkcji zamiast zaznaczać wyłącznie „marka jest / marki nie ma”.
Pytanie brandowe nie sprawdza rekomendowalności
Prompt:
„Co wiesz o firmie X?”
jest bardzo przydatny, ale sprawdza przede wszystkim recognition i accuracy.
Jeżeli chcesz zbadać rekomendację, system nie powinien otrzymywać nazwy firmy jako podpowiedzi.
Nie pytaj „czy polecasz firmę X?”. Zapytaj o problem, kategorię i kryteria, a następnie sprawdź, czy AI samodzielnie wybierze markę X.
Zacznij od scenariuszy zakupowych, nie od listy przypadkowych promptów
Dobra metodologia odwzorowuje realny proces klienta.
co użytkownik chce rozwiązać?
jakiego rozwiązania szuka?
jakie ma warunki?
jak porównuje dostawców?
kogo powinien rozważyć?
czy może zaufać wybranej firmie?
Jakie rodzaje promptów powinny znaleźć się w audycie?
| Typ pytania | Co mierzy? | Przykład |
|---|---|---|
| problemowe | discovery | Kto może pomóc rozwiązać problem X? |
| kategorialne | category association | Jakie firmy świadczą usługę X? |
| rekomendacyjne | recommendation | Jaką firmę warto wybrać do X? |
| porównawcze | competitive position | Która z firm A, B i C będzie lepsza? |
| warunkowe | fit | Kogo wybrać dla producenta B2B z budżetem X? |
| lokalne | local eligibility | Kogo wybrać do X w mieście Y? |
| markowe | recognition i accuracy | Czym zajmuje się firma X? |
Kryteria w promptach mają ogromne znaczenie
Pytanie „poleć agencję SEO” jest bardzo szerokie.
Znacznie więcej informacji daje:
„Poleć polską agencję dla producenta B2B, która łączy techniczne SEO, content i budowanie widoczności marki w ChatGPT.”
Kryteria można budować wokół:
Właśnie takie prompty pozwalają sprawdzić, przy jakich scenariuszach marka jest rzeczywiście rekomendowalna.
Nie ma jednej uniwersalnej liczby promptów dla każdego audytu
Mała firma z jedną usługą i jednym rynkiem potrzebuje mniejszego zestawu niż e-commerce działający w kilku krajach.
Liczba promptów powinna wynikać z liczby autonomicznych scenariuszy: usług × klientów × rynków × etapów decyzji × istotnych kryteriów.
Oryginalny materiał sugerował dla prostego ręcznego audytu około 30–50 pytań, a przy rozbudowanej ofercie znacznie więcej. Najważniejsza nie jest jednak konkretna liczba, lecz reprezentatywność zestawu. :contentReference[oaicite:5]{index=5}
Na których platformach sprawdzać rekomendacje?
Minimum to kilka środowisk istotnych dla odbiorców firmy.
ChatGPT
Testuj odpowiedzi rekomendacyjne oraz, gdy ma to znaczenie, odpowiedzi wykorzystujące aktualne wyszukiwanie.
Gemini
Analizuj wybór firm, argumentację i widoczne źródła tam, gdzie są dostępne.
Perplexity
Silnie eksponowana warstwa citations ułatwia analizę pochodzenia informacji.
AI Overviews / AI Mode
Sprawdzaj osobno obecność marki, linki wspierające oraz konkurentów.
Nie uśredniaj wyników od razu. Najpierw analizuj każdą platformę osobno, ponieważ listy firm i źródła mogą się różnić.
Audyt krok 1: ustal rynek, ofertę i rzeczywistych konkurentów
Bez tego trudno ocenić, czy pytania mają znaczenie biznesowe.
Nie wpisuj do benchmarku firm tylko dlatego, że rankują na jedną szeroką frazę. Konkurent powinien realnie konkurować o tę samą decyzję klienta.
Audyt krok 2: zachowaj możliwie porównywalne warunki
Wynik może zależeć od kontekstu.
Nie porównuj wyników dwóch okresów, jeśli jednocześnie zmieniłeś cały prompt set, język, platformy i metodę klasyfikacji.
Audyt krok 3: wykonaj powtórzenia
Jedna odpowiedź jest obserwacją, nie trendem.
Prompt → Repetition 1 → Repetition 2 → Repetition 3 → Classification → Stability.
Jeżeli marka wystąpiła raz, a w kolejnych odpowiedziach zniknęła, wynik powinien być traktowany inaczej niż rekomendacja pojawiająca się regularnie.
Nie ma potrzeby wykonywać nieskończonej liczby powtórzeń. Liczba powinna odpowiadać wartości decyzji i wymaganej precyzji pomiaru.
Audyt krok 4: nie zapisuj wyłącznie pozycji marki
Dla każdej odpowiedzi warto zebrać szerszy zestaw informacji.
Nie traktuj pierwszej nazwy jako automatycznej pozycji numer 1
Odpowiedź AI może nie mieć charakteru rankingu.
Kolejność nazw można rejestrować jako prominence lub mention order, ale nie należy automatycznie interpretować jej jak pozycji organicznej Google.
Większe znaczenie ma język odpowiedzi: czy system wskazuje markę jako najlepsze dopasowanie, jedną z alternatyw, przykład czy firmę z istotnymi zastrzeżeniami.
Audyt krok 5: sprawdź prawdziwość informacji
Rekomendacja oparta na błędnych danych może być gorsza niż brak rekomendacji.
Zweryfikuj między innymi:
Accuracy trzeba mierzyć osobno od widoczności
| Status twierdzenia | Interpretacja |
|---|---|
| poprawne | zgodne z aktualnym stanem |
| częściowo poprawne | zawiera prawdę, ale jest niekompletne |
| nieaktualne | kiedyś prawdziwe, dziś nie |
| niepoprawne | sprzeczne ze stanem faktycznym |
| niepotwierdzone | brak podstaw do weryfikacji |
Marka często wymieniana z błędną specjalizacją nie ma wysokiej jakości widoczności.
Audyt krok 6: przeanalizuj źródła
Jeżeli platforma pokazuje źródła, są one jednym z najważniejszych elementów diagnostycznych.
Szczególnie ważne jest porównanie profilu źródeł marki i konkurentów.
Źródła konkurentów często mówią więcej niż brak Twojej marki
Jeżeli AI regularnie wybiera konkurenta, sprawdź, dlaczego ma podstawy do takiej decyzji.
Recommended competitor → Recommendation reason → Evidence → Source → Gap in your brand.
Porównaj:
Nie chodzi o kopiowanie konkurenta. Chodzi o znalezienie brakującego rodzaju evidence.
Recommendation Rate jest najważniejszym KPI tego audytu
RR = liczba odpowiedzi faktycznie rekomendujących markę ÷ liczba badanych odpowiedzi rekomendacyjnych × 100%
Przykładowo: jeżeli wykonano 100 porównywalnych odpowiedzi rekomendacyjnych i marka została rzeczywiście polecona w 27, Recommendation Rate wynosi 27%.
Do licznika RR nie powinny trafiać odpowiedzi, które tylko wspominają firmę historycznie, cytują jej artykuł albo podają ją jako neutralny przykład.
Share of Answers mierzy szerszą obecność
SoA = liczba odpowiedzi zawierających markę ÷ liczba wszystkich odpowiedzi w badanym zbiorze × 100%
SoA odpowiada na inne pytanie niż RR.
| KPI | Co mierzy? |
|---|---|
| SoA | jak często marka występuje |
| RR | jak często marka jest polecana |
| CR | jak często domena jest cytowana |
| CA | czy marka jest łączona z właściwą kategorią |
| AC | czy informacje o firmie są prawidłowe |
| ST | czy wynik jest powtarzalny |
Stabilność pokazuje, czy rekomendacja nie jest przypadkiem
Stabilność = liczba powtórzeń z marką ÷ liczba wszystkich powtórzeń tego samego scenariusza × 100%
Jeżeli przy pięciu porównywalnych wykonaniach jednego scenariusza marka pojawia się cztery razy, wynik ma inną wagę niż jednorazowa obecność.
Stabilność trzeba liczyć dla konkretnych scenariuszy, nie mieszać ze sobą zupełnie różnych pytań.
Category Association mówi, czy AI rozumie właściwą specjalizację
Marka może mieć wysoką widoczność i jednocześnie być kojarzona z obszarem, który nie jest strategicznie ważny.
Brand → właściwa kategoria → właściwa specjalizacja → właściwy problem klienta.
Dlatego warto osobno mierzyć, przy jakich typach pytań firma pojawia się najczęściej.
Sentyment jest przydatny, ale nie sprowadzaj go do „dobry / zły”
Najpierw można zastosować prostą klasyfikację:
Przy bardziej rozbudowanym audycie warto jednak zapisywać konkretne atrybuty, np. cena, obsługa, jakość, specjalizacja, doświadczenie czy terminowość.
To pozwala zobaczyć nie tylko czy AI mówi o marce pozytywnie, ale za co.
Nie buduj jednego globalnego wyniku „AI Visibility 87/100” bez metodologii
Zbiorczy indeks może być przydatny wewnętrznie, ale łatwo ukrywa prawdziwy problem.
Przykładowo firma może mieć:
| KPI | Przykładowy wynik |
|---|---|
| Share of Answers | wysoki |
| Citation Rate | wysoki |
| Recommendation Rate | niski |
| Accuracy | niska |
Jedna średnia może wyglądać dobrze, chociaż biznesowo firma ma poważny problem.
Jak interpretować: AI nie zna firmy
To przede wszystkim problem recognition.
Nie zaczynaj od kampanii rekomendacyjnej, jeżeli system nie potrafi jeszcze prawidłowo zidentyfikować podmiotu.
Jak interpretować: AI zna firmę, ale jej nie poleca
To zupełnie inny problem.
Recognition działa → sprawdź Fit → Evidence → Reputation → Competition.
Przeanalizuj:
Jak interpretować: marka jest wspominana, ale nie rekomendowana
To częsty przypadek.
System może rozpoznawać firmę jako element kategorii, ale nie posiadać wystarczających podstaw, aby przedstawić ją jako właściwy wybór.
Nie próbuj zwiększać wyłącznie liczby wzmianek. Sprawdź, czego brakuje pomiędzy rozpoznaniem marki a uzasadnieniem jej wyboru.
Jak interpretować: domena jest cytowana, ale marka nie jest polecana
Treść może być dobrym źródłem wiedzy, ale firma nie musi być najlepszym kandydatem do wykonania usługi.
Dobry artykuł źródłowy nie tworzy automatycznie rekomendowalnego usługodawcy.
Sprawdź wtedy relację:
Jak interpretować: AI poleca konkurencję
To jedna z najbardziej wartościowych sytuacji diagnostycznych, ponieważ masz widocznego benchmarka.
kto został polecony?
jak AI uzasadniło wybór?
na czym oparto odpowiedź?
jakie dowody ma konkurent?
czego brakuje Twojej marce?
Jak interpretować: AI podaje błędne informacje
Accuracy ma pierwszeństwo przed zwiększaniem widoczności.
zapisz błędne twierdzenie
znajdź możliwe źródło
popraw własne dane
koryguj ważne profile i publikacje
ponów ten sam test
Ruch z AI nie jest tym samym co rekomendacja
Użytkownik może zostać przekonany przez odpowiedź bez kliknięcia linku.
poznaje firmę
zapamiętuje ją jako opcję
wyszukuje markę później
sprawdza ofertę
kontaktuje się
Dlatego AI referral powinien być analizowany razem z brand search, direct, assisted conversions oraz informacjami z CRM.
Audyt jednorazowy czy stały monitoring?
| Sytuacja | Lepsze rozwiązanie |
|---|---|
| pierwsza diagnoza marki | audyt jednorazowy |
| wdrożenie nowej strategii | baseline + kolejne pomiary |
| stabilna niewielka oferta | pomiar okresowy |
| duży e-commerce | częstszy monitoring |
| szybko zmieniający się rynek | częstszy monitoring |
| wiele marek i rynków | systematyczne monitorowanie |
Nie ma jednego obowiązkowego interwału. Częstotliwość powinna odpowiadać szybkości zmian i wartości biznesowej obserwowanych scenariuszy.
Najczęstsze błędy podczas audytu rekomendacji AI
Tylko brand prompts
Sprawdzają głównie recognition, a nie samodzielny wybór firmy.
Jeden prompt
Nie reprezentuje całego procesu decyzyjnego klientów.
Jedna platforma
ChatGPT, Gemini, Perplexity i Google AI mogą zwracać różne marki.
Brak powtórzeń
Nie wiadomo wtedy, czy wynik jest stabilny.
Mention = recommendation
Neutralne wymienienie marki zawyża Recommendation Rate.
Tylko citations
Źródło informacji i rekomendowany dostawca mogą być różnymi podmiotami.
Automatyzacja nie powinna zastępować klasyfikacji jakościowej
Narzędzie może wykryć nazwę marki, ale nie zawsze poprawnie rozpozna, jaką rolę pełni ona w odpowiedzi.
Przykładowo:
Dlatego strategiczne próbki odpowiedzi nadal warto weryfikować ręcznie.
Minimalny wynik dobrego audytu to nie jeden procent
Po zakończeniu analizy powinieneś wiedzieć:
Model audytu rekomendacji marki w AI
Business Scenarios → Prompt Set → Platforms → Repetitions → Classification → Recommendation Rate / Share of Answers / Citation Rate / Accuracy → Competitor Sources → Gap Analysis → Retest.
Wartość audytu nie polega na zrobieniu screena z nazwą firmy. Polega na uzyskaniu powtarzalnej odpowiedzi na pytania: gdzie marka jest wybierana, dlaczego jest wybierana, gdzie przegrywa oraz jakie informacje stoją za decyzją systemu.
Dopiero wtedy można przejść od przypadkowego sprawdzania ChatGPT do świadomego zarządzania widocznością i rekomendowalnością marki.
Jeżeli potrzebujesz procesu ciągłego, następny etap opisuje materiał jak monitorować odpowiedzi AI na temat firmy i konkurencji.
