Audyt Widoczności w AI – Audyt GEO Twojej Marki

Co obejmuje audyt widoczności w AI – cztery warstwy

Rzetelny audyt GEO sprawdza cztery warstwy: co asystenci odpowiadają, na jakich źródłach się opierają, czy fakty o marce są prawdziwe i czy roboty wyszukiwarek AI w ogóle mają dostęp do Twojej strony. Sam pomiar odpowiedzi bez pozostałych warstw mówi, że jest problem, ale nie mówi, skąd się bierze.

Każde zalecenie w raporcie wynika z jednej z tych warstw, więc od razu wiadomo, czy poprawka dotyczy treści, źródeł zewnętrznych, encji marki czy techniki. Szerszy kontekst, czyli jak asystenci wybierają źródła i czym GEO różni się od SEO, opisuję w przewodniku GEO – pozycjonowanie w AI.

Jak projektuję zestaw pytań do audytu

Zestaw pytań decyduje o wartości całego audytu: jeśli zawiera głównie pytania z nazwą marki, wynik będzie zawyżony i bezużyteczny. Większość pytań układam tak, jak klient pyta, zanim w ogóle zna Twoją firmę.

Proporcje, których się trzymam

• Około dwie trzecie pytań bez nazwy marki – rekomendacje („jaką firmę wybrać do…”), porównania kategorii, problemy i koszty. To tu zapada decyzja, kogo klient w ogóle rozważy.
• Pytania z nazwą marki – „co sądzisz o X”, „X czy Y”, „ile kosztuje usługa w X”. Służą głównie do wyłapania błędów i sentymentu.
• Pytania kontrolne – kilka pytań, w których marka nie ma szans się pojawić. Przydają się przy kolejnych pomiarach, żeby odróżnić zmianę modelu od efektu działań.

Jak formułuję pytania

• Piszę je językiem klienta, z kontekstem, który ludzie naprawdę dodają: miasto, budżet, wielkość firmy, branża, ograniczenia. Rozmowy z AI są dłuższe niż frazy wpisywane w Google.
• Unikam pytań sugerujących odpowiedź. „Czy X to dobra firma?” prawie zawsze da odpowiedź pozytywną, więc nie mówi nic o realnej widoczności.
• Zadaję pytania w języku, w którym szukają klienci. Dla polskiej firmy to zwykle polski, ale w B2B i branżach technicznych dokładam wersje angielskie, bo część decydentów pyta AI po angielsku.
• Ustalam z Tobą listę 3–6 konkurentów, których obecność też liczę. Często dopisuję jednego lub dwóch, których AI poleca, a których nie traktowałeś jako konkurencji.

Przykład jest poglądowy, ale pokazuje zasadę: każde pytanie ma przypisaną intencję i to, co z niego odczytuję. Więcej o szukaniu takich pytań, także tych, których nie pokaże żadne narzędzie do słów kluczowych, piszę we wpisie o analizie słów kluczowych pod AI.

Warunki pomiaru – dlaczego te same pytania dają różne wyniki

Odpowiedź asystenta zależy nie tylko od pytania, ale też od modelu, włączonego wyszukiwania, lokalizacji, języka, historii konta i daty. Jeśli tych warunków nie kontrolujesz, porównujesz przypadkowe zrzuty ekranu, a nie widoczność marki.

OpenAI opisuje w pomocy ChatGPT, że czat tymczasowy domyślnie nie korzysta z pamięci ani instrukcji niestandardowych, chyba że użytkownik wybierze wersję spersonalizowaną. To dobry punkt wyjścia do ręcznych testów, ale pamiętaj, że Twoi klienci zwykle pytają z własnych, spersonalizowanych kont. Dlatego wynik audytu traktuję jako obraz „przeciętnego” użytkownika, a nie dokładne odwzorowanie każdej rozmowy.

Ile powtórzeń wystarczy – trochę statystyki

Kilka powtórzeń pozwala odróżnić markę, która pojawia się często, od takiej, która pojawia się rzadko, ale nie pozwala precyzyjnie zmierzyć udziału w odpowiedziach. Precyzję daje dopiero suma wielu odpowiedzi na wiele pytań.

Udział marki w odpowiedziach to proporcja, więc można policzyć jego przedział ufności. Przykład: marka pojawia się w 30% odpowiedzi. Przy 10 odpowiedziach 95-procentowy przedział ufności (metoda Wilsona) to mniej więcej od 11% do 60%, przy 30 odpowiedziach od 17% do 48%, przy 100 od 22% do 40%. Innymi słowy: przy 10 powtórzeniach wynik „30%” równie dobrze może oznaczać 15%, jak 50%.

Co z tego wynika dla audytu

• Przy pojedynczym pytaniu 5–10 powtórzeń w każdym asystencie wystarcza, żeby zaklasyfikować wynik jako „nigdy”, „czasem” lub „prawie zawsze”. Nie raportuję wtedy procentów z dokładnością do jednego punktu.
• Wskaźniki zbiorcze, na przykład udział marki we wszystkich pytaniach rekomendacyjnych w ChatGPT, liczę z setek odpowiedzi, więc są dużo stabilniejsze.
• Przy porównaniu z konkurencją patrzę, czy przedziały się nakładają. Jeśli tak, nie piszę, że marka „wyprzedza” konkurenta.
• W kolejnych pomiarach zmiana o kilka punktów procentowych na małej próbie to zwykle szum, a nie efekt działań.

Dlaczego w ogóle trzeba powtarzać, pokazuje badanie SparkToro i Gumshoe.ai omówione w przewodniku na stronie GEO – pozycjonowanie w AI: listy polecanych marek prawie nigdy nie powtarzają się w identycznej formie.

Jak oceniam odpowiedzi – rubryka i kontrola jakości

Każdą odpowiedź oceniam według tej samej rubryki, a ocenę wykonuje model językowy (LLM-as-a-judge), którego pracę sprawdzam ręcznie na losowej próbie. Bez stałej rubryki dwie osoby, a nawet ta sama osoba w dwóch różnych dniach, oceniłyby te same odpowiedzi inaczej.

Pola, które wypełniam dla każdej odpowiedzi

• Obecność marki – tak lub nie, osobno dla każdej marki z listy konkurentów.
• Miejsce na liście – gdy odpowiedź wymienia kilka firm.
• Rola – polecana wprost, wymieniona neutralnie, wymieniona z zastrzeżeniem albo odradzana.
• Uzasadnienie – za co model chwali lub krytykuje markę. To często najlepsza wskazówka, co komunikować.
• Poprawność faktów – czy dane o marce zgadzają się z arkuszem faktów, który przygotowujemy na starcie.
• Źródła – cytowane adresy URL i domeny.

Dlaczego sprawdzam sędziego

Zheng i współautorzy w pracy „Judging LLM-as-a-Judge” (NeurIPS 2023) pokazali, że silny model w roli sędziego zgadzał się z ocenami ludzi w ponad 80% przypadków, czyli mniej więcej tak samo często, jak ludzie zgadzają się między sobą. Opisali też typowe skrzywienia: preferowanie odpowiedzi na określonej pozycji, dłuższych odpowiedzi i odpowiedzi własnego modelu. Dlatego sędziemu daję wąskie, zamknięte pytania (czy marka X pada w tekście, czy jest polecana), a nie ogólną ocenę „jak dobrze wypada marka”, i ręcznie weryfikuję losową część ocen. Gdy znajduję rozbieżności, poprawiam rubrykę i oceniam zestaw ponownie.

Błędy o marce w odpowiedziach AI – jak je klasyfikuję i skąd się biorą

Każdy błąd faktograficzny o marce dostaje wagę i hipotezę co do źródła, bo od źródła zależy sposób naprawy. Błąd z cytowanej strony poprawia się inaczej niż błąd, który model „pamięta” z danych treningowych.

Jak szukam przyczyny

1. Sprawdzam, czy odpowiedź z błędem cytuje źródło. Jeśli tak, otwieram je i szukam błędnej informacji: często to stary katalog firm, nieaktualny artykuł albo profil, o którym nikt nie pamiętał.
2. Jeśli źródła nie ma, porównuję odpowiedzi z wyszukiwaniem i bez niego. Błąd tylko bez wyszukiwania wskazuje na dane treningowe i zwykle znika wolniej.
3. Sprawdzam spójność danych w miejscach, które opisują markę: strona „O firmie”, dane strukturalne, profil firmy w Google, rejestry, LinkedIn, Wikidata.
4. Przy pomyleniu z inną firmą szukam, co łączy obie encje: podobna nazwa, ta sama ulica, wspólna domena w przeszłości.

Naprawa błędów to najczęściej praca nad encją marki, czyli zakres inżynierii grafu wiedzy. Co zrobić krok po kroku, gdy ChatGPT mówi o firmie nieprawdę, opisuję we wpisie o reputacji marki w AI.

Analiza źródeł – która część raportu daje najwięcej

Lista domen cytowanych w Twojej kategorii zwykle okazuje się najbardziej praktyczną częścią audytu, bo wprost pokazuje, gdzie warto być. W raporcie zestawiam ją dla wszystkich pytań naraz i osobno dla każdego asystenta.

• Ranking domen – które serwisy są cytowane najczęściej i przy jakich typach pytań.
• Podział na kategorie – Twoja strona, strony konkurencji, media i rankingi, społeczności, bazy wiedzy, katalogi.
• Lista „cytowane, a bez Ciebie” – konkretne adresy URL, które asystenci cytują przy pytaniach rekomendacyjnych, na których są Twoi konkurenci, a nie ma Twojej marki. To gotowa lista celów dla digital PR.
• Twoje cytowane adresy – które podstrony już pracują jako źródło i przy jakich pytaniach. Często to nie te strony, które firma uważa za najważniejsze.

Każda platforma ma inne ulubione źródła, dlatego lista dla ChatGPT nie zastąpi listy dla Perplexity czy Google AI Overviews. Jak przekładam taką listę na plan działań poza stroną, opisuję przy usłudze strategii cytowań i pozycjonowania w ChatGPT.

Techniczna część audytu – czy asystenci mogą Cię przeczytać

Zanim zaczniesz poprawiać treści, trzeba wykluczyć najprostszą przyczynę braku cytowań: robot wyszukiwarki AI nie może pobrać strony albo nie ma jej w indeksie, z którego korzysta asystent. W audycie sprawdzam to w kilku miejscach, bo jedno źródło danych często nie wystarcza.

• robots.txt – czy wpuszczasz roboty wyszukiwania (OAI-SearchBot, PerplexityBot, Claude-SearchBot, Bingbot, Googlebot), niezależnie od decyzji o robotach treningowych.
• Firewall i CDN – czy reguły ochrony przed botami nie blokują tych samych robotów. Cloudflare od lipca 2025 r. domyślnie blokuje znane crawlery AI na nowych domenach (MIT Technology Review), więc poprawny robots.txt nie wystarcza.
• Logi serwera – które boty faktycznie przychodzą i jakie kody odpowiedzi dostają.
• Indeks Binga – ChatGPT w testach opierał wyszukiwanie mocno na Bingu, a Copilot działa na nim bezpośrednio. Sprawdzam indeksację w Bing Webmaster Tools.
• Treść bez JavaScriptu – czy główna treść, ceny i dane kontaktowe są w HTML, a nie dopiero po wyrenderowaniu skryptów.
• Raport AI Performance w Bing Webmaster Tools – od lutego 2026 r. pokazuje liczbę cytowań Twoich stron w Copilocie i podsumowaniach AI w Bingu, cytowane adresy oraz próbkę zapytań, które do nich doprowadziły.
• GA4 – czy ruch z asystentów jest wydzielony. ChatGPT dodaje do odesłań parametr utm_source=chatgpt.com, co OpenAI opisuje w FAQ dla wydawców.

Konfigurację robotów omawiam we wpisie crawlery AI i robots.txt, a pomiar ruchu we wpisie jak mierzyć ruch z ChatGPT, Perplexity i AI Mode. Jeśli audyt pokaże problemy w tej warstwie, naprawiam je w ramach usługi pozycjonowania w Perplexity, Copilot i ChatGPT Search.

Co zawiera raport i jak ustalam priorytety

Raport kończy się listą działań uszeregowaną według wpływu, wysiłku i tego, kto może je wykonać. Wyniki pomiaru są tylko uzasadnieniem dla tej listy.

Struktura raportu

1. Podsumowanie na jedną stronę: najważniejsze liczby, trzy największe problemy i trzy pierwsze działania.
2. Udział marki w odpowiedziach na tle konkurencji, w podziale na asystentów i intencje, z zaznaczeniem niepewności pomiaru.
3. Analiza źródeł z listą adresów „cytowane, a bez Ciebie”.
4. Lista błędów faktograficznych z wagą, przykładami odpowiedzi i hipotezą co do źródła.
5. Wyniki części technicznej.
6. Plan działań i surowe dane: pytania, odpowiedzi i oceny, żebyś mógł powtórzyć pomiar u siebie albo z innym wykonawcą.

Jak szereguję działania

Mini-audyt widoczności w AI, który zrobisz sam w godzinę

Prosty test na własną rękę nie zastąpi audytu, ale wystarczy, żeby sprawdzić, czy temat w ogóle dotyczy Twojej firmy. Potrzebujesz arkusza kalkulacyjnego i trzech asystentów.

1. Wypisz 10 pytań: 7 bez nazwy marki (rekomendacje, porównania, koszty) i 3 z nazwą marki.
2. Wybierz ChatGPT, Google (AI Mode lub AI Overviews) i jednego asystenta, z którego korzystają Twoi klienci, np. Perplexity albo Copilota.
3. Zadaj każde pytanie trzy razy w każdym asystencie, za każdym razem w nowej, czystej sesji bez historii i personalizacji.
4. W arkuszu zapisz: czy marka padła, którzy konkurenci padli, jakie domeny były cytowane, czy w opisie marki jest błąd.
5. Policz, w ilu z 63 odpowiedzi na pytania bez nazwy marki pojawiłeś się Ty, a w ilu każdy z konkurentów.
6. Zrób listę domen, które pojawiły się w cytowaniach co najmniej trzy razy.

Jak czytać wynik: jeśli konkurenci pojawiają się wyraźnie częściej, a Ciebie prawie nie ma, problem jest realny i warto go zbadać dokładniej. Pamiętaj jednak o ograniczeniach: 9 odpowiedzi na pytanie to za mało, żeby mierzyć zmiany miesiąc do miesiąca, a ręczne zapisywanie łatwo przekłamać. Kolejne kroki samodzielnego pomiaru opisuję we wpisie audyt widoczności w AI – jak zmierzyć AI Share of Voice.

Narzędzie do monitoringu czy audyt – co wybrać

Narzędzie do monitoringu widoczności w AI mierzy regularnie, ale nie mówi, dlaczego wynik jest taki, jaki jest. Audyt mierzy raz, dokładniej, i kończy się diagnozą oraz planem. W praktyce jedno uzupełnia drugie.

Porównanie popularnych narzędzi (Profound, Peec, Otterly, Semrush) i kiedy warto zbudować własne rozwiązanie znajdziesz we wpisie narzędzia do monitorowania widoczności w AI.

Co dalej po audycie

Audyt ma sens tylko wtedy, gdy po nim coś się zmienia. Wyniki zwykle wskazują jeden lub dwa główne kierunki, a plan działań przypisuje je do konkretnych zadań.

• Brak marki w rekomendacjach, a źródłami są rankingi i media – stała praca nad cytowaniami i wzmiankami w ramach strategii cytowań w AI.
• Błędy faktograficzne i pomylenia z innymi firmami – inżynieria grafu wiedzy.
• Dobra widoczność w Google, brak w ChatGPT, Perplexity i Copilocie – pozycjonowanie w Perplexity, Copilot i ChatGPT Search.
• Spadek kliknięć z Google przy podsumowaniach AI – pozycjonowanie w Google AI Overviews i AI Mode.
• Pytania lokalne i głosowe – optymalizacja pod wyszukiwanie głosowe.

Po wdrożeniu pierwszych zmian powtarzam pomiar na tym samym zestawie pytań i w tych samych warunkach, zwykle po około trzech miesiącach. Tylko wtedy porównanie „przed i po” ma wartość.