Wraz z eksplozją popularności dużych modeli językowych (LLM) i chatbotów AI w branży SEO i marketingu zapanowało przekonanie, że ruch z tych źródeł jest znacznie bardziej wartościowy. Teoria głosi, że użytkownicy korzystający z AI są już na dalszym etapie ścieżki zakupowej, a ich intencje są bardziej sprecyzowane. To z kolei miałoby prowadzić do wyższych współczynników konwersji w porównaniu z tradycyjnym ruchem organicznym. Postanowiliśmy zweryfikować tę tezę, opierając się na twardych danych z obszernego badania, które rzuca nowe światło na rzeczywistą efektywność tego wschodzącego kanału. W Funkymedia postanowiliśmy zatem sprawdzić, czy LLM to rewolucja w pozyskiwaniu klientów, czy raczej kolejna bańka spekulacyjna?
Różnica między ruchem organicznym a ruchem z LLM. Wstęp do analizy
Ocena ruchu organicznego, czyli użytkowników trafiających na stronę prosto z wyników wyszukiwania Google, to podstawa pozycjonowania SEO od lat. Jednak od niedawna na scenie pojawił się nowy gracz – ruch z dużych modeli językowych (LLM). Polega on na tym, że użytkownik zadaje pytanie chatbotowi AI (takim jak Gemini czy ChatGPT), a w odpowiedzi otrzymuje nie tylko tekst, ale często również linki do stron źródłowych. Kliknięcie w taki link jest właśnie „ruchem z LLM”. Obserwujemy w Funkymedia, że w zarówno na polskim poletku SEO, jak i w branży w ogóle szybko zrodziło się przekonanie, że tacy użytkownicy są lepiej poinformowani i bardziej zdecydowani. Miarą tej wartości jest kluczowy wskaźnik – współczynnik konwersji. Mówiąc najprościej, jest to odsetek odwiedzających, którzy wykonali na stronie pożądaną akcję, taką jak zakup produktu, zapis do newslettera czy wypełnienie formularza. Im wyższy wskaźnik konwersji, tym lepiej, ponieważ oznacza to, że ruch jest bardziej efektywny i generuje więcej korzyści.
Aby zweryfikować te obiecujące, lecz niepotwierdzone tezy, przeprowadzono szczegółową analizę danych, która stała się podstawą dla tego artykułu. Zamiast rozpraszać się na dziesiątkach różnych metryk, badanie to skupiło się na jednym, fundamentalnym pytaniu- Czy ruch z LLM systematycznie osiąga wyższy współczynnik konwersji niż ruch organiczny? Odpowiedź na nie pozwala ocenić realny, długoterminowy wpływ i potencjał tego nowego kanału. Celem analizy było więc odejście od branżowych założeń i dostarczenie twardych dowodów, które pokażą, jak w rzeczywistości ruch z modeli językowych wypada na tle sprawdzonego i wciąż dominującego wyszukiwania organicznego.
Pomiar skuteczności ruchu przez współczynniki konwersji
Analiza została przeprowadzona w oparciu o dane z ostatnich sześciu miesięcy pochodzących z Google Analytics 4. Aby zapewnić wiarygodność i spójność wyników, zastosowano rygorystyczne kryteria selekcji, zawężając próbę do 54 witryn internetowych z różnych branż. Kluczowe założenia metodologiczne były następujące:
- Tylko mierzalne makrokonwersje – do analizy włączono wyłącznie strony, na których zdefiniowano jasne, biznesowe cele. W przypadku witryn B2B były to np. prośby o demo lub wypełnienia formularzy kontaktowych. Dla e-commerce analogiczną konwersją był dokonany zakup. Wykluczono serwisy, które skupiają się głównie na metrykach zaangażowania, a nie bezpośrednich wynikach biznesowych.
- Weryfikacja śledzenia konwersji – każda witryna w badanej próbie została poddana manualnym audytowi w celu potwierdzenia, że śledzenie zdarzeń i konwersji jest skonfigurowane poprawnie i raportuje dokładne dane.
- Konwersja na poziomie sesji – współczynniki konwersji obliczano na podstawie sesji, a nie użytkowników. Jest to standard branżowy, który pozwala na spójne porównanie wyników między witrynami B2B a e-commerce, gdzie jeden użytkownik może dokonać wielu konwersji.
Taki dobór próby i walidacja danych zapewniają odpowiednie podłoże metodologiczne, umożliwiające uzyskanie wiarygodnych rezultatów badawczych.
Wyniki, które mogą zaskoczyć – LLM wcale nie są liderem
Pierwsze spojrzenie na uśrednione wyniki zdaje się potwierdzać popularną tezę. Ruch z LLM konwertował na poziomie 4,87%, podczas gdy ruch organiczny osiągnął 4,60%. Na pierwszy rzut oka sugeruje to niewielką przewagę nowego kanału. Jednak średnie bywają zwodnicze, ponieważ mogą być zaburzone przez wartości skrajne z kilku nietypowych witryn.
Z tego powodu tak ważne było sprawdzenie, czy ta różnica jest spójna i statystycznie istotna w całej badanej grupie. Po przeprowadzeniu testu t-Studenta dla prób zależnych, okazało się, że różnica nie jest istotna statystycznie (p = 0,794). W praktyce oznacza to, że niewielka przewaga LLM w uśrednionych wynikach jest najprawdopodobniej dziełem przypadku i losowej zmienności, a nie systematycznej przewagi tego kanału.
| Metryka (dla sesji) | Ruch Organiczny | Ruch z LLM | Różnica (LLM – Organiczny) |
|---|---|---|---|
| Średni wskaźnik konwersji | 4,60 % | 4,87 % | + 0,27 p.p. |
| Mediana wskaźnika konwersji | 4,87 % | 7,05 % | + 0,09 p.p. |
| Test t-Studenta (p-value) | — | — | p = 0,794 |
Przewaga ruchu z LLM niepotwierdzona naukowo
Jednym z potencjalnych zarzutów wobec wstępnych wyników mogłoby być to, że zostały one zaburzone przez dużą liczbę witryn o niskim wolumenie ruchu, gdzie dane mogą być mniej stabilne. Aby to zweryfikować, badacze przeprowadzili analizę wrażliwości, zawężając próbę do 33 witryn spełniających bardziej rygorystyczne kryteria, takie jak minimum 100 000 sesji, minimum 50 sesji z LLM i co najmniej 5 konwersji z tego kanału w badanym okresie. W tej bardziej wyselekcjonowanej grupie średnia różnica w konwersji na korzyść LLM faktycznie wzrosła – z +0,27 p.p. do +1,24 p.p.
Powyższe dostrzeżenia mogłyby sugerować, że na większych, bardziej dojrzałych witrynach kanał ruchu AI radzi sobie lepiej. Jednak nawet przy tak widocznej różnicy w średnich, wynik ponownie okazał się nieistotny statystycznie (p = 0,376). Oznacza to, że nawet po odfiltrowaniu mniejszych stron zbyt duża zmienność wyników między poszczególnymi witrynami nie pozwala na wyciągnięcie wniosku o systematycznej przewadze ruchu z LLM. Wniosek pozostaje ten sam – brak spójnego, mierzalnego trendu.
A co to wszystko oznacza w praktyce? Wyobraźmy sobie, że w tej grupie 33 witryn kilka z nich to prawdziwe „gwiazdy”, w których ruch z LLM konwertował spektakularnie dobrze. Te pojedyncze, wyjątkowo dobre wyniki zawyżyły ogólną średnią dla całej grupy, tworząc iluzję wyraźnej przewagi. Statystyka pokazuje jednak, że ten sukces nie był regułą. Na każdą taką witrynę-gwiazdę przypadało wiele innych, gdzie ruch z AI radził sobie przeciętnie lub nawet słabiej niż organiczny. Właśnie ta ogromna rozbieżność wyników – od wielkiego sukcesu po porażkę – sprawia, że trend nie jest „istotny statystycznie”. Nie można na jego podstawie zbudować wiarygodnej strategii, ponieważ obserwowana przewaga jest efektem kilku wyjątków, a nie powtarzalną i godną zaufania zasadą.
AI czy organic? Wolumen prawdę Ci powie
Nawet gdyby współczynniki konwersji były identyczne, kluczowy dla biznesu jest ostateczny wolumen, a tutaj oba kanały dzieli przepaść. Analiza udziału w ruchu nie pozostawia żadnych złudzeń.
Na prawie 90% badanych stron ruch z LLM stanowił mniej niż 0,6% wszystkich sesji. W ujęciu średnim, jego udział w sesjach to zaledwie 0,24%, a w konwersjach 0,42%. W tym samym czasie, ruch organiczny odpowiadał średnio za 31,9% wszystkich sesji i aż 33,8% wszystkich konwersji. Różnice te są tak ogromne, że aż przytłaczające i – co potwierdzają testy statystyczne – bezdyskusyjne (p < 0,001).
To pokazuje, że nawet jeśli w pojedynczych przypadkach ruch z LLM wykazuje wyższą efektywność, jego realny wpływ na wyniki biznesowe jest na ten moment marginalny. Skala działania wyszukiwania organicznego sprawia, że pozostaje ono absolutnie dominującym kanałem pozyskiwania ruchu i konwersji.
Czy warto zoptymalizować stronę pod kątem AI? Podsumowanie
Optymalizacja strony pod LLM pomimo braku potwierdzenia przewagi tego kanału ruchu nad organicznym ma fundamentalne znaczenie. Jest to też strategiczna inwestycja w przyszłość, bo bardzo możliwe, że w przeciągu następnych lat stopnie konwersji z obydwu kanałów zaczną się bardziej różnicować. Warto więc postawić na bardziej zrównoważone podejście, w obrębie którego z jednej strony realizuje się podstawowe pozycjonowanie SEO, z drugiej zaś – pozycjonowanie GEO z myślą o modelach językowych.
Działania, o których nie można zapomnieć, obejmują m.in.:
- śledzenie i monitorowanie ruchu z LLM – regularne sprawdzanie, jak zmienia się jego udział w ogólnym miksie marketingowym,
- analizę trendów wzrostu w czasie – czy udział ten systematycznie rośnie z miesiąca na miesiąc?
- identyfikację stron promowanych przez LLM – jakie typy treści i podstron są najczęściej „cytowane” przez modele językowe?
- Porównywanie efektywności z ruchem organicznym – stała obserwacja, czy i jak zmieniają się współczynniki konwersji.
Dla większości firm najlepszą strategią będzie dziś rozważne działanie, które priorytetyzuje kanały o udowodnionym i skalowalnym wpływie na biznes. Ruch organiczny to wciąż solidny fundament, a optymalizacja pod LLM to inwestycja w przyszłość, która wymaga jeszcze trochę czasu.
