Perplexity cytował naszą markę jako najsilniejszy silnik w teście sześciu modeli. W tym samym teście, na tym samym wycinku promptów, ChatGPT nie zacytował nas ani razu na osiem śledzonych promptów. Ta sama strona, te same podstrony, ten sam dzień pomiaru, odwrotne wyniki. To nie jest problem jakości treści, bo ten sam bazowy pomiar Geoboard uplasował tę samą domenę na pierwszym miejscu w pięciu z sześciu modeli przy odrębnym prompcie tożsamościowym, wykorzystującym te same podstrony. Rozjazd wynika z tego, jak każdy produkt pobiera dane i buduje odpowiedź, nie z tego, co jest napisane na stronie. Ten artykuł wyjaśnia mechanizm stojący za tym rozjazdem, pokazuje własne liczby, które za nim stoją, i podaje, co realnie zrobić, gdy jeden z głównych asystentów Cię cytuje, a drugi nie, co jest wzorcem częstszym i bardziej instruktywnym, niż przyznaje większość raportów o widoczności w AI.
Jeśli czytałeś już nasz materiał towarzyszący o monitoringu i metrykach cytowań w AI, ten artykuł odpowiada na inne pytanie. Tamten poradnik mówi o tym, jak często sprawdzać i co logować. Ten mówi o tym, czemu dwaj najczęściej cytowani zachodni asystenci tak często nie zgadzają się w sprawie tej samej marki, i co ten rozjazd powinien zmienić w sposobie, w jaki czytasz raport, briefujesz agencję albo podpisujesz umowę z dostawcą GEO.
Jak wygląda rozjazd Perplexity/ChatGPT w praktyce
Wzorzec nie jest subtelny, gdy rozdzielisz silniki, a nie uśrednisz ich. W naszym własnym zestawie śledzonych promptów te dwa produkty zachowują się na tyle różnie, że raportowanie jednej liczby “widoczności w AI” skrywa bardziej użyteczną historię.
| Zachowanie | Perplexity | ChatGPT (domyślny produkt konsumencki, ten sam okres) |
|---|---|---|
| Domyślny wzorzec pobierania danych | Żywe wyszukiwanie w sieci przy większości zapytań, z założenia | Węższe wywoływanie przeglądania w typowych sesjach konsumenckich |
| Nasz bazowy pomiar Geoboard (2026-06-11), śledzony wycinek | Najsilniejszy z sześciu testowanych modeli | Zerowa obecność na ośmiu śledzonych promptach |
| Wynik promptu tożsamościowego (ten sam pomiar, te same podstrony) | Wpłynął na wynik #1 w 5 z 6 | Wpłynął na ten sam wynik #1 w 5 z 6 |
| Czułość na świeżość strony | Wysoka; preferuje niedawno aktualizowane, wąsko indeksowane podstrony | Niższa w śledzonym wycinku; opiera się na szerszych powiązaniach |
| Renderowanie HTML vs JavaScript (CitationOne/Alpar, czerwiec 2026) | Czyta tylko surowy HTML | Czyta tylko surowy HTML |
| Typowy format cytowania | Nazwany link źródłowy przy odpowiedzi | Nazwana wzmianka o marce częściej niż link, w naszych własnych logach |
Dwie rzeczy w tej tabeli mają większe znaczenie niż sam nagłówkowy rozjazd. Po pierwsze, wiersz z promptem tożsamościowym jest identyczny dla obu silników, co znaczy, że zero w ChatGPT nie jest ogólną niemożnością znalezienia lub opisania marki. Jest skoncentrowane w konkretnej rodzinie zapytań, tym samym transakcyjnym i informacyjnym wycinku, gdzie nasz wcześniejszy artykuł bazowy dokumentował szersze zero. Po drugie, wiersz o renderowaniu jest również identyczny, co wyklucza najczęstszą techniczną wymówkę. Cokolwiek wyjaśnia ten rozjazd, to nie jest to, że ChatGPT nie umie sparsować strony, a Perplexity umie.
Czemu te dwa silniki różnie budują odpowiedzi
Uczciwa odpowiedź trzyma się obserwowanego zachowania i nie zgaduje wewnętrznej architektury, której żadne z nas nie widzi. Możemy opisać wzorzec, powtarzający się w naszych cyklach pomiarowych: Perplexity jest zbudowane i sprzedawane jako produkt wyszukiwawczy, a jego domyślne zachowanie przy większości zapytań faktograficznych lub porównawczych to uruchomienie żywego wyszukiwania w sieci i zacytowanie tego, co znajdzie, nawet dla wąskich lub niedawno aktualizowanych podstron, które jeszcze nie zdobyły dużego autorytetu u stron trzecich. To jest podstawowa wartość tego produktu, więc żywe pobieranie danych jest regułą, nie wyjątkiem.
Domyślne zachowanie konsumenckie ogólnego asystenta, w tym samym okresie pomiaru, poszło inną drogą. Nie dlatego, że nie umie przeglądać sieci, ale dlatego, że samo zapytanie, kontekst sesji albo wewnętrzne trasowanie produktu zdecydowały, że żywe pobranie danych nie było domyślną ścieżką dla tego konkretnego promptu. Praktyczny efekt jest taki sam, niezależnie od dokładnej przyczyny: podstrona, którą Perplexity pobierze i zacytuje dzisiaj, może w równoważnej sesji ChatGPT wcale nie zostać sprawdzona, co znaczy, że szansa na cytowanie nigdy się nie otwiera.
To jest różnica w wywoływaniu pobierania danych, nie w rozumieniu czy renderowaniu. Test CitationOne/Alpar z czerwca 2026 potwierdza bezpośrednio drugą część tego twierdzenia: oba silniki, gdy już pobierają podstronę, czytają tylko surowy HTML, bez znaczącej różnicy w tym, jak dobrze parsują to, co znajdą. Rozjazd siedzi wcześniej w łańcuchu, w tym, czy pobranie w ogóle się zdarza dla danego zapytania, co jest właśnie powodem, dla którego uśrednianie dwóch silników w jeden wynik widoczności niszczy sygnał, który powiedziałby Ci, gdzie skierować wysiłek naprawczy.
Jeszcze jeden mechaniczny szczegół warty wypowiedzenia wprost: budowanie odpowiedzi przez żywe wyszukiwanie premiuje świeżość i wąską indeksowalność w sposób, w jaki nie robi tego budowanie odpowiedzi z wytrenowanej wiedzy. Podstrona zaktualizowana w zeszłym miesiącu, opisująca konkretną usługę, z jasnymi sygnałami encji i bez niejasności, kto ją oferuje, to właśnie taki wynik, który produkt żywego wyszukiwania dobrze wydobywa. Ta sama podstrona, jeśli asystent odpowiadający na pytanie nigdy nie wywołuje pobrania dla tego zapytania, nie ma szansy zostać w ogóle oceniona. To jest luka w szansie na pobranie danych, i wyjaśnia nasze dane lepiej niż jakakolwiek teoria o jakości treści.
Pierwszy dowód z naszego bazowego pomiaru Geoboard
Nie publikujemy tego twierdzenia jako ogólnej teorii przejętej z czyjegoś cudzego audytu. Zmierzyliśmy to na własnej stronie. Nasz bazowy pomiar Geoboard, z 2026-06-11, opisany w pełni w tekście jak śledziliśmy własne cytowania w AI przez 90 dni, przepuścił ten sam ustalony zestaw promptów przez sześć modeli. Dwa wyniki z tego jednego przebiegu mają znaczenie konkretnie dla tego artykułu.
Pierwszy wynik: na wąskim prompcie tożsamościowym “polska agencja dla zagranicznych klientów WordPress” wppoland.com uplasował się na pierwszym miejscu w pięciu z sześciu modeli. Drugi wynik, z tego samego przebiegu, tej samej daty, tych samych podstron: ChatGPT wykazał zerową obecność na ośmiu śledzonych promptach w wycinku ślepego punktu tego zestawu promptów, podczas gdy Perplexity był najsilniejszy z sześciu testowanych silników. Oba wyniki pochodzą z tej samej partii pomiarów, więc żadnego z nich nie da się wyjaśnić różnicą w świeżości treści, zmianami podstron ani rozbieżnością w czasie pomiaru między nimi. Zmienną, która się zmieniła, była rodzina zapytań i silnik, nie strona.
Ta kombinacja jest właściwym odkryciem wartym potraktowania na serio, ważniejszym niż każda z liczb osobno. Marka może zostać poprawnie zidentyfikowana i nawet postawiona na pierwszym miejscu przez jeden silnik przy jednym typie zapytania, będąc jednocześnie niewidoczna dla innego silnika przy innym typie zapytania, przy tej samej dokładnie obecności w sieci. Żadne podejście do monitoringu, które raportuje jedną zagregowaną liczbę przez silniki i rodziny zapytań, nie może tej rzeczywistości oddać. Albo spłaszczy zero z ChatGPT do znośnie wyglądającej średniej, albo, mniej łaskawie, ukryje to zero za wygraną Perplexity, której klient czy interesariusz nigdy nie zobaczy rozbitej na czynniki.
Kiedy monitoring przez API Cię okłamuje
Rozjazd między silnikami robi się gorszy, nie lepszy, gdy dodasz do obrazu metodę pomiaru. Nasz cykl pomiarowy z II kwartału 2026, opisany w pełni w tekście pomiar naszych własnych cytowań w AI, przeprowadził trzy pomiary w ciągu kwartału i odkrył drugą osię niezgodności, która siedzi pod rozjazdem silników: wyniki z proxy API i realne wyniki z produktu konsumenckiego się nie zgadzają, a rozjazd między nimi bywa większy niż rozjazd między silnikami.
W kwietniu pomiar przez proxy API wykazał 7,7 procent wskaźnika wzmianek o marce i 0 procent wskaźnika cytowania adresu URL dla ChatGPT na 26 zapytań, z katalogami i portalami ogłoszeniowymi cytowanymi zamiast własnych podstron marki. W maju drugi pomiar proxy zwrócił wynik nierozstrzygnięty dla wszystkich 20 testowanych zapytań, co jest przyrządem przyznającym, że nie umiał stwierdzić, czy grounding w ogóle się zdarzył. Tylko w czerwcu, gdy ten sam zespół przeszedł na czytanie realnych wyników produktu konsumenckiego zamiast proxy API, obraz zgodził się z tym, co później potwierdzi bazowy pomiar Geoboard: ChatGPT najsłabszy, Perplexity najsilniejszy, dla tej samej marki.
Ta lekcja wykracza poza naszą własną stronę. Proxy API wywołuje endpoint modelu i sprawdza surową odpowiedź tekstową. To jest tanie, powtarzalne i łatwe do zaskryptowania w dashboard. To też często nie jest ten sam produkt, z którego korzysta realny klient, a te dwa mogą różnić się na tyle, że cytowanie liczby z proxy jako “widoczności w AI” bez podania metody jest bliskie bezsensu. Jeśli raport podaje wskaźnik cytowań w ChatGPT albo w Perplexity, pierwsze pytanie do zadania jest, czy ta liczba pochodzi z realnego interfejsu konsumenckiego, czy z wywołania API stojącego za niego. Nasze własne liczby ruszyły się bardziej między metodami pomiaru w tym samym kwartale, niż później ruszyły się między dwoma najważniejszymi silnikami. To powinno niepokoić każdego, kto kupuje raport z monitoringu na podstawie jednego ładnie wyglądającego wykresu.
Kogo ten rozjazd powinien interesować
To nie jest niszowa sprawa tylko dla praktyków SEO. Trzy grupy podejmują decyzje, na które rozjazd Perplexity/ChatGPT ma bezpośredni wpływ, i każda z nich dziś częściej widzi uśrednioną liczbę niż rozjazd, który realnie powinien informować ich decyzję.
Techniczni ewaluatorzy B2B badający dostawcę coraz częściej pytają asystenta, jeszcze przed otwarciem wyszukiwarki. Jeśli taki ewaluator domyślnie sięga po ChatGPT, a zachowanie cytowania Twojej marki jest skoncentrowane w Perplexity, jesteś niewidoczny dla znaczącej części własnego lejka badawczego, i żadna ilość poprawek on-page tego nie zmieni, dopóki sama luka w szansie na pobranie danych nie zostanie zaadresowana.
Zespoły zakupowe oceniające dostawcę GEO albo widoczności w AI są grupą najbardziej wystawioną na problem uśredniania, bo dostawca sprzedający produkt monitoringowy ma każdy powód, by raportować jedną uspokajającą liczbę, a nie dwie liczby, z których jedna jest niekomfortowa. Zakupy powinny traktować każdą liczbę widoczności w AI, która nie nazywa silnika, dokładnego promptu, daty i metody, jako niesprawdzalną, z tego samego powodu, dla którego odrzuciłyby niesourcowane twierdzenie finansowe.
Agencje raportujące wyniki cytowań w AI własnym klientom noszą tu bezpośrednie ryzyko zawodowe. Zaraportowanie jednej linijki “widoczność w AI się poprawiła”, gdy rzeczywistość pod spodem to “Perplexity się poprawił, ChatGPT stał w zerze”, to rodzaj twierdzenia, które dobrze wygląda w slajdzie i rozpada się przy pierwszym pytaniu doprecyzowującym od klienta. Uczciwa wersja tego raportu jest dłuższa i mniej pochlebna, i to też jest wersja, która przechodzi kontrolę.
Co naprawić, gdy Perplexity Cię cytuje, a ChatGPT nie
To jest częstszy kierunek tego rozjazdu w naszych własnych danych, i pewnie u większości marek, które wciąż budują autorytet specyficzny dla AI, a nie ogólny autorytet w sieci. Trzy rzeczy warto sprawdzić, w tej kolejności.
Najpierw potwierdź, że rozjazd jest realny, a nie artefaktem pomiaru. Powtórz te same dokładne prompty, nie parafrazy, w realnym produkcie konsumenckim ChatGPT, nie w proxy API, i zapisz datę, treść promptu i wynik. Nasz własny cykl z II kwartału pokazał, jak bardzo sam pomiar proxy może zwodzić.
Po drugie, rozdziel rodziny zapytań, zanim uznasz, że cała marka jest niewidoczna dla ChatGPT. Nasz bazowy pomiar wykazał rozjazd skoncentrowany w rodzinach zapytań transakcyjnych i informacyjnych, podczas gdy prompt tożsamościowy wykorzystujący te same podstrony wciąż dawał silny wynik. Problem z ChatGPT dla całej marki i problem z ChatGPT specyficzny dla rodziny zapytań wymagają różnych naprawek, a mieszanie ich razem marnuje wysiłek na niewłaściwą poprawkę.
Po trzecie, i to jest naprawka, która realnie rusza wskaźnik dla luki transakcyjnej konkretnie, zainwestuj w korroborację poza stroną, nie w kolejną rundę treści on-page. Produkt żywego wyszukiwania jak Perplexity premiuje dobrze zbudowaną, aktualną podstronę bezpośrednio. Ogólny asystent, opierający się na szerszych powiązaniach, premiuje markę, którą reszta otwartej sieci już potwierdza, wzmianki stron trzecich, niezależne techniczne odpowiedzi, sprawdzalne wpisy w katalogach i nazwane wkłady w miejscach, którym trening albo pobieranie danych asystenta już ufa. Praca on-page to podłoga. Nie jest dźwignią, która zamyka tę konkretną lukę.
Co naprawić, gdy zdarza się sytuacja odwrotna
Wzorzec odwrotny, ChatGPT cytujący markę, której Perplexity nie cytuje, pojawia się rzadziej w rodzinach zapytań kierowanych świeżością albo wąskim dopasowaniem niszowym, ale warto o nim krótko wspomnieć, bo naprawka wygląda inaczej. Jeśli marka ma silne ogólne powiązania w sieci, linki przychodzące, wzmianki w prasie, znane imię, ale jej własne podstrony są ubogie, przestarzałe albo wolno aktualizowane, ogólny asystent opierający się na szerszych wytrenowanych powiązaniach wciąż może wydobyć markę z pamięci albo szerokiej korroboracji, podczas gdy produkt żywego wyszukiwania, pobierając realną aktualną podstronę, znajduje tam mniej do zacytowania i przechodzi do świeższego wyniku konkurenta.
Naprawka w tym kierunku jest praktycznie zwierciadlanym odbiciem pierwszego przypadku: mniej o autorytecie poza stroną, który już jest obecny, więcej o zapewnieniu, że żywa, pobieralna wersja podstrony realnie odzwierciedla autorytet, który marka ma gdzie indziej. Zaktualizuj podstronę, uczyń konkretne twierdzenia, które pobranie przez żywe wyszukiwanie chciałoby zacytować, jasnymi i aktualnymi, i potwierdź, że treść wsparta reputacją marki nie siedzi wyłącznie w prasie albo profilach stron trzecich, których żywe indeksowanie nie skojarzy bezpośrednio z pytaną domeną. Ten kierunek rozjazdu jest rzadszy w naszym własnym pomiarze, ale to ten, który najbardziej może zaskoczyć markę, która założyła, że ogólna reputacja automatycznie przełoży się na zachowanie cytowania przez żywe wyszukiwanie.
Jak monitorować oba silniki bez uśredniania
Nic z powyższego nie jest wykonalne bez podejścia do monitoringu, które trzyma oba silniki, i obie metody pomiaru, rozdzielone na każdym kroku. Nasz materiał towarzyszący o monitoringu i metrykach cytowań w AI opisuje pełną tabelę cykliczności i listę metryk szczegółowo; podsumowanie istotne tutaj jest węższe.
Loguj każdy wynik przy czterech polach: silnik, dokładny prompt, data i to, czy źródłem był produkt konsumencki, czy proxy API. Nigdy nie zlewaj wyników Perplexity i ChatGPT w jedną średnią, i nigdy nie cytuj liczby z proxy bez zaznaczenia, że pochodzi z proxy. Powtarzaj ustaloną listę promptów co tydzień w realnych interfejsach konsumenckich, by szybko wychwytywać zmiany produktu, i zarezerwuj ciężej ważące narzędzie do wielomodelowych partii, tego rodzaju, które wyprodukowało nasz własny bazowy pomiar Geoboard, na cykl sześcio-ośmiotygodniowy, gdzie porównanie trendu naprawdę coś znaczy.
Jeśli budujesz albo audytujesz ten rodzaj monitoringu po pierwszy raz, zacznij od potwierdzenia, że treść Twojej strony jest w ogóle uprawniona do cytowania. Większość zachodnich asystentów AI czyta tylko surowy HTML, nie wykonany JavaScript, co jest warunkiem wstępnym siedzącym pod każdym wynikiem specyficznym dla silnika opisanym w tym artykule. Zero spowodowane renderowaniem po stronie klienta wygląda identycznie jak zero spowodowane realną luką w pobieraniu danych, dopóki nie sprawdzisz, na które właśnie patrzysz.
Uwaga na zakończenie
Najbardziej użyteczną rzeczą, jaką nasze własne dane wyprodukowały do teraz, nie jest wynik. To rozjazd: jeden silnik, który nas cytuje, i drugi, który tego samego dnia, na tych samych podstronach, tego nie zrobił. Ten rozjazd nie jest defektem do skrycia przed klientem czy interesariuszem. Jest najbardziej praktyczną informacją, jaką program monitoringu może wyprodukować, bo mówi Ci precyzyjnie, jaki mechanizm naprawić, korroboracja poza stroną dla luki w kształcie ChatGPT, świeżość i konkretność podstrony dla rzadszego odwrotnego przypadku, zamiast odsyłać Cię do przepisywania podstrony, która nigdy nie była realnym problemem. Śledzimy, czy ten rozjazd się zwęża w ciągu kolejnych dziewięćdziesięciu dni, jako część naszej własnej 90-dniowej serii o cytowaniach w AI, i będziemy to raportować tak samo, jak raportujemy tutaj: po silniku, po dacie i po metodzie, nigdy uśrednione do liczby, która schlebia jednemu wynikowi i skrywa drugi. Jeśli chcesz taką diagnozę przeprowadzoną na własnej witrynie, z rozjazdem rozbitym na silnik i rodzinę zapytań, a nie skompresowanym do jednej liczby, to jest punkt wyjścia naszego playbooka widoczności w AI i LLM i programu, który dostarcza nasza usługa optymalizacji GEO i LLMO.
