Jak mierzyć Share of Voice marki w modelach AI — od ręcznych testów po automatyczny monitoring

AI Share of Voice (SoV) to procent odpowiedzi modeli językowych (ChatGPT, Perplexity, Gemini), w których Twoja marka jest wymieniana jako polecana lub cytowana jako autorytet — dla reprezentatywnego zestawu pytań z Twojej branży. Tradycyjne narzędzia SEO tej metryki nie mierzą. Jeśli Twój ruch organiczny jest stabilny, ale sprzedaż spada — sprawdź, co modele AI odpowiadają na pytania Twoich klientów, zanim zapytają Google.

Marketing manager odkrywa, że konkurent pojawia się w ChatGPT zamiast nich — mimo pozycji TOP 3 w Google. Tradycyjne narzędzia SEO tego nie rejestrują. Pokazuję jak zbudować metodologię pomiaru AI Share of Voice: od ręcznego audytu po automatyczny monitoring z Perplexity API i AnswerLyzerem.

Marta, szefowa marketingu w firmie B2B SaaS, dostała raport od sprzedaży: trzech potencjalnych klientów w zeszłym miesiącu powiedziało to samo — "sprawdziłem w ChatGPT i polecono mi inną firmę". Marta otworzyła Google Analytics: ruch organiczny w normie, pozycje TOP 3 dla głównych fraz, CTR bez zmian. Tradycyjne narzędzia SEO nie widziały żadnego problemu.

Problem był gdzie indziej. Kiedy klienci przestają pytać Google i pytają ChatGPT — pozycje w wyszukiwarce stają się niewidoczne dla tego kanału. Nikt nie rejestruje, że konkurent pojawia się w odpowiedziach AI zamiast Twojej firmy — dopóki sprzedaż nie zaczyna chorować.

Ten artykuł pokazuje jak zmierzyć tę widoczność: metodycznie, powtarzalnie i z wynikami, na których można działać.

Czym jest Share of Voice w modelach AI

W tradycyjnym SEO Share of Voice (SoV) mierzy procent widoczności marki w wynikach wyszukiwania dla zestawu słów kluczowych. Firma pojawiająca się w TOP 10 dla 60 ze 100 śledzonych fraz ma SoV = 60%.

W kontekście modeli AI definicja jest inna, bo nie ma listy wyników z pozycjami. Modele generują narracyjne odpowiedzi — cytują, polecają, opisują, porównują.

AI Share of Voice to procent odpowiedzi AI, w których marka jest wymieniana jako polecana, cytowana jako źródło lub opisywana jako wiodąca opcja — dla reprezentatywnego zestawu pytań z branży.

Przykład: 100 zapytań z branży marketing automation do ChatGPT. Twoja firma pojawia się w 28 odpowiedziach → ChatGPT SoV = 28%. Te same 100 pytań w Perplexity — 41 wzmianek → SoV Perplexity = 41%. Zagregowany SoV (średnia 3 modeli) = 28%.

Dlaczego to ważne: użytkownicy AI nie widzą listy 10 wyników — widzą jedną lub dwie polecane opcje. Efekt winner-takes-most jest silniejszy niż w tradycyjnym wyszukiwaniu. Marka na pozycji #1 w Google może mieć AI SoV = 0%.

Dlaczego tradycyjne narzędzia SEO tego nie mierzą

Ahrefs, Semrush i Search Console mierzą: - Pozycję URL dla określonego słowa kluczowego - CTR i kliknięcia z wyników Google - Widoczność w SERP (lista wyników organicznych)

Żadne z tych narzędzi nie mierzy: - Czy ChatGPT Cię poleca w odpowiedzi na pytanie branżowe - Jak Perplexity opisuje Cię względem konkurencji - Czy Gemini cytuje Twoje artykuły jako źródło wiedzy - Jak Twój SoV zmienia się po aktualizacji modelu

Firma może tracić dziesiątki potencjalnych klientów miesięcznie na rzecz bardziej widocznych w AI konkurentów — i nie wiedzieć o tym do momentu, gdy wpływ na przychody staje się widoczny. W B2B z długim cyklem zakupowym to zwłoka 3–6 miesięcy.

Krok 1: Budowanie zestawu pytań testowych

Fundament pomiaru SoV to zestaw 50–100 pytań, które Twoi klienci realnie zadają modelom AI. Nie słowa kluczowe — pełne pytania w naturalnym języku.

Trzy kategorie pytań:

Discovery — klient szuka kategorii rozwiązań - "Jakie narzędzia polecasz do automatyzacji marketingu dla firmy B2B?" - "Jak wybrać agencję do wdrożenia AI w małej firmie?" - "Co to jest GEO i czy warto w to inwestować?"

Consideration — klient porównuje opcje - "Ile kosztuje wdrożenie AI automatyzacji procesów w firmie 20-osobowej?" - "Porównaj Make i n8n do automatyzacji workflow — co wybrać?" - "Jakie agencje robią GEO w Polsce?"

Authority — klient szuka eksperta, który cytuje Twoje treści - "Jak zbudować pipeline content marketingowy z AI?" - "Jak mierzyć Share of Voice marki w modelach AI?" - "Jak automatyzować notatki ze spotkań biznesowych?"

Jak zbudować ten zestaw: wywiad z 3–5 handlowcami ("co klienci pytają zanim kupią?") + analiza historii rozmów z supportem + własna historia zapytań w modelach AI. Zestaw musi odzwierciedlać język klienta, nie język branżowy Twojego zespołu marketingowego.

Krok 2: Testowanie modeli i zbieranie danych

Poziom 1 — Test ręczny (dobry start)

Zadajesz każde pytanie do ChatGPT, Gemini i Perplexity. Dla każdej odpowiedzi zapisujesz: - Czy marka jest wymieniona? (Tak/Nie) - Jak jest opisana? (polecana / wzmianka neutralna / kontekst negatywny) - Które marki konkurentów pojawiły się? - Czy odpowiedź zawiera link do Twoich treści?

Czas: ~3–4 godziny dla 60 pytań × 3 modele. Dobry punkt startowy dla pierwszego audytu bazowego.

Poziom 2 — Semi-automatyczny z Perplexity API

Perplexity udostępnia API kompatybilne ze składnią OpenAI. Każda odpowiedź zawiera listę cytowanych źródeł — możesz sprawdzić programatycznie, czy Twoja domena jest wśród cytowań.

import requestsPERPLEXITY_API_KEY = "pplx-..."def check_brand_mention(question, brand_name, domain):    response = requests.post(        "https://api.perplexity.ai/chat/completions",        headers={"Authorization": "Bearer " + PERPLEXITY_API_KEY},        json={            "model": "sonar",            "messages": [{"role": "user", "content": question}],            "return_citations": True        }    )    data = response.json()    answer = data["choices"][0]["message"]["content"]    citations = data.get("citations", [])    return {        "question": question,        "brand_mentioned": brand_name.lower() in answer.lower(),        "domain_cited": any(domain in c for c in citations),        "citations_count": len(citations)    }questions = [    "Jak automatyzowac content marketing z AI?",    "Jakie agencje GEO polecasz w Polsce?",    "Kto wdrozy automatyzacje procesow AI w firmie B2B?",]results = [check_brand_mention(q, "Wiszniewsky", "wiszniewsky.pl") for q in questions]sov = sum(1 for r in results if r["brand_mentioned"]) / len(results) * 100print("SoV Perplexity:", round(sov, 1), "%")

Czas konfiguracji: 2–3 godziny jednorazowo. Koszt API: ~$0.005–0.008 za zapytanie — pełny zestaw 100 pytań kosztuje ok. $0.70.

Poziom 3 — Automatyczny monitoring z AnswerLyzerem

Dla regularnych pomiarów ręczne testy nie skalują się. Na tym poziomie wybierasz między gotowymi narzędziami komercyjnymi — porównuję je szczegółowo w osobnym wpisie — a własnym pipeline'em. Zbudowałem AnswerLyzer — platforma, która:

• Zarządza zestawami pytań per marka i branża
• Automatycznie odpytuje Gemini, GPT-4o i Perplexity w konfigurowanych interwałach
• Używa architektury LLM-as-a-Judge: osobny model ocenia każdą odpowiedź pod kątem sentymentu i rodzaju wzmianki (polecenie / wzmianka neutralna / porównanie negatywne)
• Generuje raporty trendów: SoV w czasie, porównanie z konkurentami, alerty gdy SoV spada o więcej niż 5 punktów procentowych

Krok 3: Obliczanie i interpretacja wyników

Wzór SoV: liczba odpowiedzi z wzmianką marki ÷ łączna liczba pytań × 100

Mierzysz per model (ChatGPT SoV, Perplexity SoV, Gemini SoV) i zagregowany. Agregat daje ogólną widoczność — poszczególne modele pokazują, gdzie są luki.

Sentiment — nie tylko czy, ale jak

Sama obecność to nie wszystko. Modele mogą opisywać markę pozytywnie ("polecam"), neutralnie ("jest też opcja X") lub negatywnie ("mniej znana niż Y"). Negatywny SoV jest gorszy niż brak wzmianki — wprost kieruje klientów do konkurencji. Identyfikacja negatywnych wzmiankek to priorytet pierwszego audytu.

Krok 4: Monitoring zmian u konkurencji

SoV ma największą wartość w porównaniu — mierz siebie i 3–5 konkurentów równolegle dla tego samego zestawu pytań.

Wzorzec alarmowy: Twój SoV spada, a SoV konkurenta rośnie na tych samych pytaniach. To sygnał aktywnej optymalizacji po jego stronie. Pytania diagnostyczne: - Co nowego opublikował konkurent w ostatnich 4–8 tygodniach? - Skąd zdobył nowe cytowania i linki zewnętrzne? - Czy zaktualizował dane strukturalne lub Schema.org? - Czy pojawił się w zewnętrznych rankingach i zestawieniach branżowych?

Jak często mierzyć

Triggery do natychmiastowego pomiaru poza harmonogramem: - Po dużej aktualizacji modelu (GPT-5, Gemini 2.0, nowy Perplexity) - Po publikacji ważnego artykułu przez konkurenta - Po własnej publikacji — weryfikacja, czy nowe treści są cytowane - Gdy sprzedaż sygnalizuje zmianę jakości leadów lub pojawienie się nowego konkurenta w rozmowach z klientami

Dla kogo pomiar SoV ma sens — i kiedy nie warto

Najwyższy priorytet: - Firmy B2B, których klienci aktywnie używają AI do researchu (SaaS, agencje technologiczne, usługi specjalistyczne, konsultanci) - Marki w kategoriach z dynamicznie rosnącymi zapytaniami AI (marketing, automatyzacja, fintech, legal tech) - Firmy inwestujące w GEO, które potrzebują mierzalnego KPI skuteczności

Niższy priorytet (na razie): - Biznes lokalny z zapytaniami "blisko mnie" — zapytania lokalne w AI to wciąż mniejszość - E-commerce oparty głównie na cenie i porównywarkach — klienci porównują ceny w dedykowanych narzędziach - Marki z dominującym ruchem brandowym — gdy 80%+ ruchu to wyszukiwanie nazwy marki, zmiana zachowań jest wolniejsza

---

---

Buduję panele monitoringu AI Share of Voice i audyty widoczności w modelach LLM. Jeśli chcesz wiedzieć jak ChatGPT i Perplexity opisują Twoją markę względem konkurencji — napisz do mnie, zaczynam od audytu bazowego i pierwszego pomiaru.

Powiązane artykuły

• GEO — generative engine optimization
• Audyt widoczności w AI
• Jak mierzyć ruch z ChatGPT i Perplexity w GA4
• AI w content marketingu