Jak mierzyć widoczność marki w AI: share of voice w AI Overviews, ChatGPT i Perplexity

Czym jest widoczność marki w AI i dlaczego trudno ją zmierzyć

Widoczność marki w AI to obecność marki w odpowiedziach generowanych przez asystentów: ChatGPT, Gemini, Copilot, Perplexity oraz AI Overviews i AI Mode w Google. Marka może pojawić się jako rekomendacja, element porównania, źródło z linkiem albo wzmianka bez linku.

Pomiar jest trudniejszy niż w SEO z kilku powodów:

• Brak oficjalnych danych. Poza Search Console, które od 31 sierpnia 2026 r. pokazuje wszystkim serwisom wyświetlenia w AI Overviews i AI Mode, platformy nie udostępniają statystyk wzmianek.
• Niedeterministyczne odpowiedzi. To samo pytanie zadane dwa razy może dać inną listę marek.
• Personalizacja i kontekst. Odpowiedź zależy od historii rozmowy, pamięci asystenta, lokalizacji i ustawień użytkownika.
• Zmiany modeli. Nowa wersja modelu potrafi zmienić wyniki z dnia na dzień.

Dlatego widoczność w AI mierzy się jak badanie ankietowe: na reprezentatywnej próbie pytań, wielokrotnie, z uwzględnieniem błędu pomiaru. Ogólne zasady działań, które tę widoczność budują, opisujemy w poradniku o GEO, czyli Generative Engine Optimization.

Jakie wskaźniki widoczności marki w AI stosować

Jeden wskaźnik nie wystarczy, bo marka może być często wymieniana, ale w negatywnym kontekście, albo często cytowana jako źródło, ale nie rekomendowana.

Share of voice liczony w odpowiedziach AI jest odpowiednikiem udziału w rynku reklamowym czy udziału w wynikach wyszukiwania. W praktyce najwięcej mówi jego trend w czasie i porównanie z 3–5 głównymi konkurentami.

Jak zbudować zestaw pytań do pomiaru

Jakość pomiaru zależy od zestawu pytań. Pytania wymyślone przy biurku często nie przypominają tego, o co klienci naprawdę pytają asystentów.

1. Zbierz źródła pytań. Zapytania z Search Console (szczególnie długie, w formie pytań), pytania z czatu na stronie, z działu obsługi klienta i od handlowców.
2. Podziel pytania na kategorie. Ogólne („jaki ekspres do kawy do domu”), porównawcze („ekspres kolbowy czy automatyczny”), problemowe („jak odkamienić ekspres”), lokalne („serwis ekspresów Kraków”) i brandowe („czy [marka] to dobry sklep”).
3. Ustal proporcje. Pytania brandowe pokazują, jak model opisuje markę, ale zawyżają mention rate. Licz je osobno.
4. Pisz po polsku i naturalnie. Pełne zdania, tak jak w rozmowie, z wariantami sformułowań.
5. Ustal liczbę pytań. 50 pytań wystarczy do monitorowania trendu w jednej kategorii, 150–200 – do rzetelnego porównania z konkurencją w kilku kategoriach.
6. Zamroź zestaw. Zmieniaj pytania raz na kwartał, a nie co tydzień, bo inaczej nie porównasz wyników w czasie.
7. Wybierz platformy. Dla polskiego rynku zwykle ChatGPT, Gemini, AI Overviews i AI Mode, Copilot oraz Perplexity.

Jak zbierać odpowiedzi z ChatGPT, Perplexity i AI Overviews

Odpowiedzi możesz zbierać na trzy sposoby, różniące się kosztem i wiarygodnością.

Ręcznie. Zadajesz pytania w przeglądarce, w trybie bez zalogowania lub na czystym koncie, i zapisujesz odpowiedzi w arkuszu. To wystarcza na 30–50 pytań miesięcznie, ale przy większej skali staje się zbyt pracochłonne.

Narzędziami GEO. Platformy do monitorowania widoczności w AI automatycznie zadają pytania na wielu platformach, zapisują odpowiedzi i liczą wskaźniki. Różnią się zakresem platform, liczbą pytań i metodą zbierania danych, co porównujemy w zestawieniu narzędzi do monitorowania widoczności w AI.

Przez API modeli. Możesz zadawać pytania przez API i zapisywać odpowiedzi w bazie, np. w przepływie automatyzacji podobnym do opisanego w artykule o automatyzacji raportów w n8n. Pamiętaj jednak, że odpowiedzi z API mogą się różnić od tego, co widzi użytkownik w aplikacji, bo aplikacja korzysta z innych ustawień, wyszukiwania w sieci i pamięci.

Niezależnie od metody zapisuj dla każdej odpowiedzi: datę, platformę, identyfikator pytania, kategorię, listę wymienionych marek w kolejności i listę cytowanych domen. Taki format pozwala liczyć wszystkie wskaźniki z tabeli w jednym miejscu.

Jak policzyć share of voice w BigQuery

Jeśli odpowiedzi trafiają do tabeli w BigQuery, wskaźniki policzysz kilkoma zapytaniami. Załóżmy, że tabela geo.odpowiedzi ma kolumny: data_zapytania, platforma, pytanie_id, kategoria_pytania, marki_wymienione (tablica tekstów) i domeny_cytowane (tablica tekstów).

Share of voice w podziale na platformy i miesiące, bez pytań brandowych:

WITH wzmianki AS (
  SELECT
    platforma,
    FORMAT_DATE('%Y-%m', data_zapytania) AS miesiac,
    marka
  FROM `twoj-projekt.geo.odpowiedzi`,
    UNNEST(marki_wymienione) AS marka
  WHERE kategoria_pytania != 'brandowe'
),
suma AS (
  SELECT platforma, miesiac, COUNT(*) AS wszystkie_wzmianki
  FROM wzmianki
  GROUP BY platforma, miesiac
)
SELECT
  w.platforma,
  w.miesiac,
  w.marka,
  COUNT(*) AS wzmianki,
  ROUND(COUNT(*) / ANY_VALUE(s.wszystkie_wzmianki) * 100, 1) AS share_of_voice_proc
FROM wzmianki AS w
JOIN suma AS s USING (platforma, miesiac)
GROUP BY w.platforma, w.miesiac, w.marka
ORDER BY w.platforma, w.miesiac, wzmianki DESC;

Odsetek odpowiedzi z wzmianką o marce i udział w cytowaniach Twojej domeny:

SELECT
  platforma,
  COUNT(*) AS odpowiedzi,
  ROUND(COUNTIF('twojamarka' IN UNNEST(marki_wymienione)) / COUNT(*) * 100, 1) AS mention_rate_proc,
  ROUND(SAFE_DIVIDE(
    SUM((SELECT COUNT(*) FROM UNNEST(domeny_cytowane) AS d WHERE d = 'twojsklep.pl')),
    SUM(ARRAY_LENGTH(domeny_cytowane))) * 100, 1) AS citation_share_proc
FROM `twoj-projekt.geo.odpowiedzi`
WHERE kategoria_pytania != 'brandowe'
GROUP BY platforma;

Nazwy marek musisz wcześniej znormalizować – „Twoja Marka”, „twojamarka.pl” i „TwojaMarka” powinny dawać tę samą wartość. Wyniki najwygodniej pokazać w Looker Studio jako wykres liniowy share of voice dla Twojej marki i konkurentów; przydatne formuły znajdziesz w artykule o polach obliczeniowych w Looker Studio.

Jak ocenić, czy zmiana jest prawdziwa

Wyniki pomiaru widoczności w AI mają błąd losowy, który łatwo przeoczyć. Odsetek liczony na próbie pytań ma margines błędu zależny od wielkości próby.

Margines błędu (95%) ≈ 1,96 × √(p × (1 − p) / n)

Przykład hipotetyczny: 100 pytań, mention rate 20%
1,96 × √(0,2 × 0,8 / 100) ≈ 0,078 → ok. ±8 punktów procentowych

Ten sam wynik przy 400 odpowiedziach (100 pytań × 4 powtórzenia)
1,96 × √(0,2 × 0,8 / 400) ≈ 0,039 → ok. ±4 punkty procentowe

Powtórzenia tego samego pytania nie są w pełni niezależne, więc rzeczywisty margines będzie nieco większy niż w drugim wyliczeniu. Mimo to wniosek jest jasny: wzrost z 20% do 24% przy 100 pytaniach zadanych raz nie jest dowodem poprawy. Zasady oceny istotności statystycznej są takie same jak w testach A/B, które omawiamy w tekście o wielkości próby i czasie trwania testu.

Jak powiązać widoczność w AI z ruchem i sprzedażą

Share of voice w odpowiedziach AI jest miarą pośrednią. Żeby pokazać jego wpływ na biznes, zestaw go z danymi o ruchu i zainteresowaniu marką.

Trzy źródła, które warto zestawić w jednym raporcie:

• GA4, kanał „AI Assistant”. Od 13 maja 2026 r. sesje z ChatGPT, Gemini, Claude i innych asystentów mają własny kanał. Jak go raportować, opisujemy w artykule o ruchu z ChatGPT w GA4.
• Search Console. Raporty generatywnej AI pokazują wyświetlenia stron w AI Overviews i AI Mode, a standardowy raport skuteczności – kliknięcia; analizę spadku CTR opisujemy w poradniku o AI Overviews i ruchu organicznym.
• Zapytania brandowe. Wzrost liczby wyszukiwań nazwy marki bywa skutkiem rekomendacji w asystentach, których nie widać w żadnym raporcie kliknięć.

Przy dłuższej historii danych share of voice w AI może stać się jedną ze zmiennych w modelu marketing mix, opisanym w poradniku od czego zacząć z MMM. To jednak etap dla firm z co najmniej kilkunastoma miesiącami spójnych pomiarów.

Najczęstsze błędy w pomiarze to: jednorazowy zrzut zamiast serii, pytania wyłącznie po angielsku, liczenie pytań brandowych razem z pozostałymi, zbieranie odpowiedzi na koncie z historią rozmów o własnej marce i mylenie wzmianki z rekomendacją. Każdy z nich zawyża lub zniekształca wynik. Jak poprawiać treści, żeby model częściej je cytował, wyjaśniamy w tekście o czynnikach cytowania przez LLM, a wszystkie poradniki z tego obszaru znajdziesz w dziale widoczność w AI.