Audyt widoczności marki w ChatGPT, Gemini i Perplexity – krok po kroku

Jeśli Twoja marka nie pojawia się w odpowiedziach ChatGPT, Gemini czy Perplexity na pytania z branży, tracisz klientów bez żadnego śladu w Google Analytics. Szacuje się, że już 37% zapytań zakupowych zaczyna się od konwersacji z modelem językowym. Tradycyjna analityka tych interakcji w ogóle nie rejestruje. Audyt widoczności marki w silnikach generatywnych – czyli GEO (Generative Engine Optimization) – to dziś równie obowiązkowy punkt kontrolny co klasyczny audyt SEO. Ten przewodnik przeprowadzi Cię przez cały proces krok po kroku: od przygotowania zestawu zapytań testowych, przez ocenę wyników, aż po konkretne działania optymalizacyjne.

Dlaczego standardowe SEO nie pokazuje problemu?

Klasyczne narzędzia monitoringu – Google Search Console, Ahrefs czy Semrush – mierzą kliknięcia z listy wyników. Tu pojawia się problem. Użytkownik pytający ChatGPT o najlepsze oprogramowanie CRM dla agencji marketingowej nigdy nie trafi do Search Console. Nie kliknie żadnego linku, jeśli odpowiedź AI wyda mu się wystarczająca.

To zjawisko nosi nazwę zero-click presence – marka jest wzmiankowana lub pomijana w syntezie AI bez żadnego ruchu rejestrowanego przez tradycyjną analitykę. Badanie 5W AI Visibility Index z 2026 roku, analizujące 104 marki z sektora finansowego w USA, wykazało coś niepokojącego. Rekomendacje generowane przez ChatGPT, Claude, Perplexity i Gemini uległy gwałtownej standaryzacji. Wąska grupa liderów zdominowała przestrzeń rekomendacyjną, a pozostałe marki zniknęły z odpowiedzi niemal całkowicie.

Drugi problem to sam mechanizm decydujący o cytowaniu. Modele AI korzystają z dwóch źródeł wiedzy: statycznej bazy treningowej (dane sprzed daty odcięcia) oraz dynamicznego systemu RAG (Retrieval-Augmented Generation), czyli generowania odpowiedzi wzbogaconego o wyszukiwanie w czasie rzeczywistym. Perplexity odpytuje własny indeks, Gemini opiera się na Google, a ChatGPT z włączonym wyszukiwaniem korzysta z Bing. Jeśli Twoja strona jest technicznie niedostępna dla botów AI albo treść jest zbyt ogólna, żeby model zacytował ją jako konkretny fakt – nie pojawisz się w żadnym z tych źródeł.

Krok 1 – Zbuduj bibliotekę zapytań testowych

Zanim odpytasz jakikolwiek model, musisz wiedzieć, na jakie pytania Twoja marka powinna pojawiać się w odpowiedziach. To absolutny fundament całego audytu – bez dobrego zestawu zapytań testowych wyniki będą czysto przypadkowe.

Optymalny zestaw liczy od 20 do 50 pytań. Nie opieraj się na wolumenie słów kluczowych z Google Search Console. Tam po prostu nie znajdziesz zapytań konwersacyjnych, które użytkownicy wpisują w ChatGPT. Skorzystaj z trzech innych źródeł.

Pierwsze źródło to zapytania w formie pytań z Search Console – wyeksportuj je i filtruj po słowach: „jak”, „które”, „co to”, „kiedy”. Drugie to rozmowy z działem sprzedaży i supportem. To właśnie oni słyszą realne pytania klientów przed zakupem. Trzecie to sugestie autouzupełniania Google dla głównych fraz branżowych, ponieważ świetnie odzwierciedlają intencje konwersacyjne.

Podziel gotowy zestaw na cztery kategorie intencji:

• Odkrycie kategorii – pytania ogólnobranżowe, np. „jakie narzędzie do monitoringu marki wybrać dla firmy B2B?”, które testują, czy marka pojawia się wśród polecanych opcji
• Porównanie – pytania zestawiające Cię z konkretnym konkurentem, np. „różnice między X a Y – co lepsze dla e-commerce?”, które pokazują, jak model pozycjonuje Twoją ofertę
• Intencja decyzyjna – pytania edukacyjne przed zakupem, np. „jak krok po kroku wdrożyć automatyzację newsletterów?”, które weryfikują obecność marki w treściach poradnikowych
• Autorytet i zaufanie – pytania bezpośrednio o markę, np. „co klienci sądzą o obsłudze klienta w firmie X?”, które wykrywają halucynacje i przestarzałe opisy

Krok 2 – Przeprowadź właściwe odpytywanie modeli

Sam zestaw pytań to za mało. Odpowiedzi modeli generatywnych cechuje wysoka zmienność – ta sama fraza wpisana dwa razy może dać dwie zupełnie różne odpowiedzi. Badanie Gemini z 2024 roku pokazało, że wskaźnik zmienności odpowiedzi dla identycznych zapytań wynosi od 40% do 60% w skali miesięcznej.

Żeby uzyskać stabilną miarę, każdy prompt uruchamiaj co najmniej trzy razy w różnych sesjach i dniach tygodnia. Wyczyść historię rozmów i wyloguj się z konta przed każdą serią, ponieważ personalizacja sesji mocno zaburza wyniki. Testuj na trzech silnikach: ChatGPT (z włączonym wyszukiwaniem), Gemini i Perplexity.

Dla każdego zapytania notuj:

• czy marka pojawia się w odpowiedzi (tak/nie)
• w jakiej pozycji na liście polecanych opcji (1., 2., 3.+)
• jak opisany jest produkt lub usługa – czy opis jest aktualny i poprawny
• skąd model cytuje wiedzę – czy podaje źródła, a jeśli tak, to jakie

Jeden dodatkowy test ujawnia bardzo wiele: uruchom to samo zapytanie raz z włączonym wyszukiwaniem sieciowym, a raz z wyłączonym. Jeśli marka pojawia się tylko przy włączonym wyszukiwaniu, Twoja obecność opiera się wyłącznie na bieżącym RAG, a nie na danych treningowych. To jasny sygnał, że marka jest za słabo reprezentowana w długoterminowej pamięci modelu.

Krok 3 – Oceń wyniki według kluczowych metryk

Surowe obserwacje z odpytywania modeli trzeba przełożyć na liczby. Bez pomiaru nie ma zarządzania. Nie ma też możliwości oceny, czy wdrożone działania faktycznie poprawiają sytuację.

W audytach GEO stosuje się trzy podstawowe metryki, które pozwalają precyzyjnie zdefiniować i zmierzyć widoczność.

Pomiar SoV ma sens tylko w zestawieniu z konkurencją. Odpytaj modele o te same kwestie, ale tym razem sprawdź, ile razy pojawiają się 3–4 Twoi bezpośredni konkurenci. Różnica między Twoim SoV a wynikiem lidera to właśnie luka widoczności, którą audyt ma zidentyfikować.

Darmowy Widoczność marki w AI odpyta cztery silniki AI o Twoją markę i pokaże, jak jesteś postrzegany na tle kategorii. Zrobisz to bez konieczności ręcznego odpytywania każdego modelu z osobna.

Krok 4 – Audyt techniczny dostępności dla botów AI

Wyniki odpytywania modeli to jedynie obraz widoczności. Audyt techniczny wyjaśnia, dlaczego widoczność jest taka, a nie inna – i co da się naprawić najszybciej.

Plik robots.txt i boty AI

Pierwsza i najczęstsza przyczyna niewidoczności to zablokowanie botów AI w pliku robots.txt – często zupełnie nieintencjonalne. Sprawdź, czy żadna z reguł Disallow nie dotyczy botów: GPTBot (OpenAI), ChatGPT-User (OpenAI), PerplexityBot (Perplexity), Google-Extended (Google) i ClaudeBot (Anthropic). Co ważne, błędy w konfiguracji zapory Cloudflare potrafią blokować część tych botów bez jakiegokolwiek wpisu w robots.txt.

Narzędzie Dostęp botów AI błyskawicznie weryfikuje, które boty AI mają dostęp do Twojej domeny, i od razu sygnalizuje niezamierzone blokady.

Renderowanie JavaScript i dostępność treści

Modele AI nie renderują JavaScriptu tak jak przeglądarka. Jeśli kluczowe treści – cenniki, tabele porównawcze, opisy produktów – ładują się wyłącznie po inicjalizacji skryptów po stronie klienta, bot AI widzi pustą stronę. Wymagany standard to renderowanie po stronie serwera (SSR) lub generowanie statyczne (SSG).

Sprawdź, co dokładnie widzi bot. Wyświetl źródło strony przez Ctrl+U w przeglądarce i poszukaj kluczowych akapitów treści w surowym HTML. Jeśli ich tam nie ma, bot AI również ich nie zobaczy.

Logi serwera – rzeczywista aktywność botów

Logi dostępu (access.log) w serwerze Apache lub Nginx rejestrują każdą wizytę bota AI z dokładnym adresem URL, datą i user-agentem. Regularne zliczanie wpisów PerplexityBot, GPTBot i ClaudeBot daje Ci jasny obraz, jak często Twoja strona jest faktycznie odpytywana jako źródło RAG. Dzieje się to nawet wtedy, gdy użytkownik końcowy nie kliknie żadnego linku.

Krok 5 – Analiza luk i priorytetyzacja działań

Masz teraz dwa zestawy danych: wyniki widoczności (metryki) oraz wyniki techniczne. Zestawiając je ze sobą, zidentyfikujesz dwa zupełnie różne rodzaje luk.

Luki techniczne – marka w ogóle nie jest dostępna dla botów lub treść jest niemożliwa do wyodrębnienia przez modele. Naprawa przynosi efekty szybko, często w ciągu 2–4 tygodni. Do tej kategorii należą: odblokowanie botów w robots.txt, naprawa renderowania JS, wdrożenie llms.txt oraz dodanie danych strukturalnych JSON-LD.

Luki merytoryczne – marka jest technicznie dostępna, ale treść jest zbyt ogólna, żeby model mógł ją zacytować jako konkretny fakt. Naprawa wymaga przepisania kluczowych stron. Badanie Aggarwal et al. (KDD 2024) z Princeton University wykazało, że cytowanie autorytatywnych źródeł zewnętrznych podnosi wskaźnik cytowań o 40%, dodanie danych statystycznych o 37%, a cytowania ekspertów o 30%. To nie są wzrosty marginalne – to różnica między pomijaną a regularnie cytowaną stroną.

Priorytety ustal według stosunku efektu do nakładu pracy:

1. Odblokuj boty AI w robots.txt – 30 minut, efekt pewny
2. Wdróż llms.txt z opisem marki i kluczowych stron – 2 godziny
3. Dodaj JSON-LD Organization i FAQPage do głównych stron ofertowych – 1 dzień
4. Przepisz 3–5 priorytetowych stron: statystyki z datą i źródłem, nagłówki jako pytania, bloki 200–400 słów
5. Zbuduj sygnały zewnętrzne: wzmianki w mediach branżowych, forach, raportach

Pełne omówienie strategii GEO znajdziesz w przewodniku po Generative Engine Optimization. Jeśli z kolei chcesz zrozumieć, skąd modele czerpią wiedzę o cytowaniu, wyjaśnia to artykuł o tym, jak LLM-y cytują źródła.

Krok 6 – Stały monitoring i harmonogram re-audytu

Jednorazowy audyt daje jedynie punkt startowy. Widoczność w AI zmienia się dynamicznie – modele są aktualizowane, nowe treści konkurentów wchodzą do indeksów, a zmienność odpowiedzi sięga 40–60% miesięcznie. Bez regularnego pomiaru po prostu nie wiesz, czy idziesz w górę, czy w dół.

Ustal trzyszczeblowy rytm pomiaru:

• Co 2 tygodnie – ręczne sprawdzenie próby 10 najważniejszych zapytań ze stałego zestawu testowego; notuj Citation Rate i wszelkie zmiany w opisie marki
• Co miesiąc – pełne odpytanie całego zestawu 20–50 pytań; porównaj SoV z poprzednim miesiącem i z konkurentami, a także sprawdź logi serwera pod kątem aktywności botów
• Co kwartał – pełny re-audyt techniczny: robots.txt, renderowanie, JSON-LD, spójność danych o marce w różnych miejscach w sieci; porównaj wyniki z benchmarkiem z pierwszego audytu

Zmienność odpowiedzi to zjawisko całkowicie normalne, więc nie reaguj na każde wahnięcie. Reaguj na trend. Jeśli Citation Rate spada przez dwa kolejne miesiące, szukaj przyczyny. Jeśli rośnie – zidentyfikuj, która ze zmian to spowodowała, i skaluj tę taktykę.

Do zautomatyzowanego monitorowania SoV warto rozważyć wyspecjalizowane platformy. Nightwatch od wersji mid-tier (od 32 USD miesięcznie) śledzi jednocześnie pozycje w LLM i wyniki tradycyjne. Otterly AI (od 29 USD miesięcznie) generuje automatyczne alerty przy negatywnym sentymencie i wykrytych halucynacjach. Jeśli szukasz czegoś prostszego do oceny, zanim zaangażujesz budżet, Widoczność marki w AI pozwoli Ci zobaczyć punkt startowy bez żadnych kosztów.