W marketingu szybko pojawiła się teza, że użytkownik przechodzący na stronę z ChatGPT, Gemini lub innego systemu opartego na modelach językowych powinien konwertować lepiej niż użytkownik z klasycznych wyników wyszukiwania. Argument brzmi logicznie: AI mogło wcześniej odpowiedzieć na pytania, porównać rozwiązania i zawęzić wybór.
Analiza danych z 54 witryn nie potwierdziła jednak systematycznej przewagi współczynnika konwersji ruchu z LLM nad ruchem organicznym. Średnie były nieznacznie wyższe dla LLM, ale różnice okazały się statystycznie nieistotne. Znacznie większa różnica występowała w skali obu kanałów — organic odpowiadał za wielokrotnie większą część sesji i konwersji.
W analizowanej próbie nie znaleziono podstaw, aby uznać ruch z LLM za systematycznie lepiej konwertujący od ruchu organicznego. Średni współczynnik konwersji wyniósł 4,87% dla LLM i 4,60% dla organic, ale różnica `+0,27 p.p.` nie była istotna statystycznie (`p = 0,794`). Po ograniczeniu analizy do 33 większych witryn różnica wzrosła do `+1,24 p.p.`, lecz nadal była nieistotna (`p = 0,376`). Jednocześnie ruch z LLM stanowił średnio tylko 0,24% wszystkich sesji, podczas gdy organic 31,9%. Wniosek: AI warto mierzyć i rozwijać, ale nie należy budować strategii na założeniu, że każda sesja z AI jest automatycznie bardziej wartościowa.
Jakie pytanie chcieliśmy sprawdzić?
Hipoteza była prosta:
Użytkownik przechodzący z odpowiedzi LLM jest lepiej poinformowany i znajduje się dalej w procesie decyzji, dlatego powinien częściej konwertować niż użytkownik z ruchu organicznego.
To intuicyjny argument, ale intuicja nie wystarcza.
Żeby hipoteza miała praktyczne znaczenie, przewaga powinna być:
Najpierw rozdzielmy ruch organiczny i ruch z LLM
| Ruch organiczny | Ruch z LLM |
|---|---|
| użytkownik przechodzi z organicznych wyników wyszukiwarki | użytkownik przechodzi z rozpoznawalnego systemu wykorzystującego model językowy |
| często samodzielnie wybiera wynik | przed kliknięciem może otrzymać syntetyczną odpowiedź |
| kanał o dużej i dojrzałej skali | kanał wciąż znacznie mniejszy w badanej próbie |
| łatwiejsza analiza zapytań w Search Console | pełny prompt użytkownika zwykle nie jest dostępny w analityce witryny |
Ruch z LLM oznacza wizytę użytkownika. Nie należy mieszać go z wizytami crawlerów AI w logach serwera.
Metodologia: 54 witryny i sześć miesięcy danych GA4
Analiza wykorzystała dane z Google Analytics 4 z sześciomiesięcznego okresu dla 54 witryn z różnych branż.
Do próby włączono witryny, dla których możliwe było porównanie rzeczywistych celów biznesowych.
54 witryny → 6 miesięcy → GA4 → sesje organiczne i LLM → mierzalne makrokonwersje.
Do badania włączono makrokonwersje
Analiza koncentrowała się na działaniach możliwie bliskich realnemu rezultatowi biznesowemu.
| Typ witryny | Przykładowa konwersja |
|---|---|
| B2B | formularz kontaktowy lub prośba o demo |
| E-commerce | zakup |
Nie budowano głównego wyniku na scrollach, czasie sesji czy innych miękkich wskaźnikach zaangażowania.
Śledzenie konwersji zostało zweryfikowane
Jednym z warunków porównania była kontrola konfiguracji pomiaru.
To ważne, ponieważ błędna konfiguracja jednego kanału może stworzyć pozorną przewagę drugiego.
Dlaczego współczynnik konwersji liczono na sesję?
Współczynnik konwersji = sesje z kwalifikowaną konwersją ÷ badane sesje × 100%.
Pozwalało to stosować porównywalną jednostkę zarówno dla witryn B2B, jak i e-commerce.
Nie oznacza to jednak, że conversion rate jest jedyną metryką wartości kanału. W późniejszym etapie warto przejść do kwalifikowanych leadów, klientów, przychodu i marży.
Pierwszy wynik: LLM 4,87%, organic 4,60%
| Kanał | Średni współczynnik konwersji |
|---|---|
| Ruch organiczny | 4,60% |
| Ruch z LLM | 4,87% |
| Różnica | +0,27 p.p. dla LLM |
Na pierwszy rzut oka wynik wydaje się potwierdzać hipotezę.
Różnica jest jednak niewielka. Samo porównanie dwóch średnich nie odpowiada jeszcze na pytanie, czy przewaga jest powtarzalna w całej grupie.
Test statystyczny nie potwierdził przewagi LLM
Różnica średnich: +0,27 p.p. · p = 0,794.
Przy takim wyniku analiza nie daje podstaw do odrzucenia hipotezy, że obserwowana różnica może wynikać z losowej zmienności.
„Ruch z LLM konwertuje lepiej niż organic.”
Na podstawie tego badania możemy powiedzieć:
W badanej próbie średnia dla LLM była nieznacznie wyższa, ale nie znaleziono statystycznie istotnej, systematycznej przewagi tego kanału.
Dlaczego sama średnia może być zwodnicza?
Wyobraźmy sobie, że kilka witryn osiąga wyjątkowo wysoką konwersję z LLM, podczas gdy na większości stron wyniki obu kanałów są zbliżone albo organic wypada lepiej.
Kilka bardzo wysokich wyników → wyższa średnia → brak powtarzalnej przewagi w całej próbie.
Dlatego trzeba badać rozrzut wyników, a nie tylko wartość średnią.
Drugi test: tylko większe witryny z mierzalnym ruchem LLM
Żeby ograniczyć wpływ stron z bardzo małą liczbą obserwacji, wykonano analizę wrażliwości.
Do drugiej grupy zakwalifikowano 33 witryny spełniające bardziej rygorystyczne kryteria:
W większych witrynach różnica wzrosła do +1,24 p.p.
33 witryny → różnica średnich +1,24 p.p. na korzyść LLM → p = 0,376.
Przewaga średniej stała się większa, ale ponownie nie była statystycznie istotna.
Oznacza to, że także w bardziej wyselekcjonowanej grupie wyniki były zbyt zmienne, aby uznać przewagę LLM za powtarzalną regułę.
To nie znaczy, że LLM nigdy nie konwertuje lepiej
Badanie nie mówi:
Pokazuje coś innego:
Pojedyncze witryny mogą osiągać świetne wyniki z LLM, ale w tej próbie nie była to na tyle regularna zależność, aby uznać ją za uniwersalną przewagę kanału.
Znacznie większa różnica dotyczyła skali ruchu
W analizowanym okresie ruch z LLM był nadal niewielką częścią całego miksu ruchu.
średni udział LLM w sesjach
średni udział LLM w konwersjach
średni udział organic w sesjach
średni udział organic w konwersjach
Na prawie 90% analizowanych stron ruch z LLM odpowiadał za mniej niż 0,6% wszystkich sesji.
Skala była w tej próbie większą różnicą niż conversion rate
| Miara | Różnica | Znaczenie |
|---|---|---|
| Średni CR | 4,60% vs 4,87% | bardzo podobna skuteczność sesji |
| Udział w sesjach | 31,9% vs 0,24% | bardzo duża przewaga skali organic |
| Udział w konwersjach | 33,8% vs 0,42% | bardzo duża przewaga wolumenu organic |
Dla biznesu liczy się jednocześnie skuteczność pojedynczej sesji i liczba sesji, które można rzeczywiście pozyskać.
Wynik jest obrazem określonego okresu, a nie prawem na przyszłość
Badanie opisuje sześciomiesięczny okres obserwacji. Rynek AI rozwija się szybko, dlatego szczególnie niebezpieczne byłoby zamienienie wyniku w stałą prognozę.
Próba + okres + platformy + zachowanie użytkowników → wynik obowiązujący dla badanego kontekstu.
W kolejnych okresach może zmieniać się:
Nie należy z tego badania wyciągać wniosku „SEO wygrywa z AI Search”
Porównanie dotyczy ruchu możliwego do przypisania obu kanałom, a nie całego wpływu AI na decyzję użytkownika.
Ścieżka może wyglądać również tak:
użytkownik poznaje markę
zapamiętuje nazwę
wyszukuje ją później
wchodzi na stronę
wykonuje konwersję
W takim przypadku GA4 może przypisać wizytę do organic, mimo że wcześniejszym punktem styku było AI.
Referral LLM nie jest więc całym wpływem AI Search
AI Visibility ≠ LLM referral traffic ≠ udział AI w decyzji klienta.
Dlatego warto równolegle mierzyć:
Pełny model widoczności opisuje FunkyMEDIA AI Visibility Index.
Nie należy również zakładać, że użytkownik z LLM zawsze jest „cieplejszy”
Systemy AI obsługują bardzo różne intencje.
| Prompt | Etap decyzji |
|---|---|
| „Co to jest CRM?” | wczesna edukacja |
| „Jakie CRM są dobre dla małej firmy?” | rozważanie |
| „Porównaj system A i B dla 20 handlowców.” | zaawansowane porównanie |
| „Gdzie kupić system A?” | transakcja |
Kanał nie zastępuje intencji. Dlatego zagregowane porównanie LLM vs organic jest dobrym punktem startowym, ale do decyzji marketingowej potrzebna jest dalsza segmentacja.
Najuczciwsze porównanie powinno wyrównywać intencję
AI vs organic → podobna intencja → podobny landing page → podobny rynek → podobne urządzenie → wynik biznesowy.
Jeżeli LLM kieruje przede wszystkim do porównań, a organic do szerokich poradników, zagregowany conversion rate miesza zachowanie kanału z funkcją stron wejścia.
Szczegółowy model analizy jakości sesji rozwija Ruch z AI a ruch organiczny – jakość sesji, leady i konwersje.
Współczynnik konwersji również nie pokazuje jakości leada
Dwa kanały mogą mieć identyczny CR i zupełnie inny wynik sprzedażowy.
użytkownik odwiedza stronę
powstaje kontakt
lead spełnia kryteria
sprzedaż akceptuje lead
powstaje transakcja
poznajemy wartość biznesową
Dlatego kolejnym krokiem po badaniu conversion rate powinno być połączenie kanałów z CRM.
Co firma powinna mierzyć we własnych danych?
skala kanału
makrokonwersje na sesję
jakość leadów
wartość dla sprzedaży
przychód kanału
wartość ekonomiczna
Do tego warto dodać rodzaj landing page oraz intencję, której odpowiada materiał.
Co zrobić, jeśli na naszej stronie AI konwertuje znacznie lepiej?
Nie ignoruj wyniku tylko dlatego, że średnia z szerszego badania nie potwierdziła przewagi.
Sprawdź:
Dane własnej firmy są ważniejsze dla własnej decyzji niż średnia rynku — pod warunkiem, że próba jest wystarczająca i pomiar poprawny.
Co zrobić, jeśli ruch z LLM konwertuje gorzej?
Nie oznacza to automatycznie, że AI Search nie działa.
Możliwe przyczyny:
Ruch organiczny nadal pozostaje fundamentem
W badanej próbie skala organic była bez porównania większa.
AI Search należy rozwijać obok dobrego Search, a nie kosztem technicznych i informacyjnych fundamentów SEO.
Ma to dodatkowy sens, ponieważ wiele elementów potrzebnych AI Search — dostępność, dobra architektura, trafna treść, aktualne dane i silne źródła — wspiera również klasyczne wyszukiwanie.
Jednocześnie nie warto czekać, aż AI osiągnie skalę organic
Mały udział kanału nie oznacza, że należy go ignorować.
Warto już teraz:
Dzięki temu, gdy struktura ruchu się zmieni, firma będzie posiadała własny szereg czasowy zamiast zaczynać pomiar od zera.
Tabela decyzyjna: jak czytać własne wyniki?
| Obserwacja | Możliwy wniosek | Co sprawdzić? |
|---|---|---|
| AI CR > organic CR, mała próba | interesujący sygnał | kolejne okresy i przedział niepewności |
| AI CR > organic CR, stabilnie | potencjalnie wartościowy segment | intencje, landing pages i lead quality |
| AI CR podobny do organic | kanały mogą mieć podobną skuteczność sesji | skalę i koszt pozyskania |
| AI CR niższy | ruch może być bardziej informacyjny | typ stron wejścia |
| Mało referral, dużo deklaracji „AI” w CRM | silny wpływ bez referrera | brand search i direct |
| Rośnie udział LLM w sesjach | kanał staje się bardziej istotny | czy rosną również leady i sprzedaż |
Najczęstsze błędy w porównaniu organic i LLM
Tylko średnia
Kilka wyjątkowych witryn może zdominować zagregowany rezultat.
Brak próby
Dwie konwersje z 20 sesji są przedstawiane jako stabilne 10%.
Kanał zamiast intencji
Porównuje się różne rodzaje użytkowników i landing pages.
Referral = wpływ AI
Pomijany jest brand search, direct i sprzedaż wspomagana.
CR = wartość klienta
Formularz jest traktowany jak zakończona sprzedaż.
Wynik historyczny = przyszłość
Badany okres jest przedstawiany jako trwała relacja między kanałami.
Mity dotyczące ruchu z LLM
| Mit | Co pokazuje analiza? |
|---|---|
| Ruch z AI zawsze konwertuje lepiej | nie potwierdzono systematycznej przewagi |
| Użytkownik z AI zawsze jest dalej w lejku | zależy od intencji promptu |
| Wyższa średnia wystarcza do wniosku | potrzebna jest analiza zmienności |
| AI zastępuje organic | w badanej próbie skala organic była wielokrotnie większa |
| Mały referral oznacza mały wpływ AI | część wpływu może być zero-click i wspomagana |
| Badanie dowodzi, że AI jest nieskuteczne | dotyczy konkretnego pytania o współczynnik konwersji i skalę kanału |
Jak wyglądałby kolejny poziom tego badania?
Najbardziej wartościowym rozwinięciem byłoby porównanie kanałów po dodatkowej segmentacji:
Takie podejście pozwoliłoby odpowiedzieć nie „czy LLM jest lepsze?”, ale znacznie praktyczniej:
Dla jakich intencji, stron, branż i etapów decyzji ruch z AI ma największą wartość biznesową?
Model końcowy: nie pytaj, który kanał „wygrywa”
Kanał → intencja → strona wejścia → sesja → konwersja → jakość leada → sprzedaż → wartość klienta.
Najgorszy wniosek wygląda tak:
„LLM ma 4,87%, organic 4,60%, więc ruch z AI jest lepszy.”
Badanie pokazuje, dlaczego takie porównanie jest za proste.
Średnia dla LLM była nieco wyższa, ale różnicy nie potwierdzono statystycznie. W wyselekcjonowanej grupie dużych stron różnica ponownie wzrosła, lecz nadal pozostała nieistotna. Jednocześnie organic generował nieporównywalnie większy wolumen sesji i konwersji.
W badanej próbie nie ma więc podstaw, by uznać ruch z LLM za systematycznie lepiej konwertujący kanał.
Nie ma też podstaw do odwrotnego wniosku, że AI Search jest nieistotny.
Właściwa strategia polega na zachowaniu mocnego fundamentu SEO oraz równoległym budowaniu i mierzeniu AI Search — z uwzględnieniem nie tylko referral traffic, ale również widoczności marki, cytowań, brand search i późniejszej sprzedaży.
Zamiast pytać „AI czy organic?”, firma powinna pytać: jaki udział każdy kanał ma w całej ścieżce właściwego klienta i jaka jest jego rzeczywista wartość biznesowa?
