Pomiar widoczności w AI

Pomiar widoczności w AI

Ostatnio zweryfikowano: 22 września 2026
14 min czytania
Case study
Techniczne SEO

#Wskaźnik cytowań AI samodzielnego programisty WordPress w Q2 2026

Przez kwartał kierowałem monitoring widoczności w AI na własną stronę i spisywałem to, co pokazywał, łącznie z fragmentami, które nie były pochlebne. W skrócie: mój wskaźnik cytowań w AI jest niski tam, gdzie liczy się najbardziej, żaden z trzech przyrządów, których użyłem, nie czytał produktu, którego używa klient, a jedna z moich liczb wyszła z arkusza, którego nikt nie wypełnił. Najużyteczniejszym efektem ćwiczenia było nauczenie się nieufności wobec ładnie wyglądającej liczby pochodzącej ze złego przyrządu, a najbardziej otrzeźwiającym to, że przez pół kwartału to ja byłem tym złym przyrządem. To pierwszy odcinek serii kwartalnej, więc poniższe liczby to punkt odniesienia, nie runda honorowa.

Większość tekstów o widoczności w AI to porady. To jest pomiar. WPPoland to Mariusz Szatkowski, senior WordPress developer, który namawia do serwowania AI czystego HTML renderowanego po stronie serwera, więc uczciwie było sprawdzić, czy sam WPPoland jest cytowany. Odpowiedź, w trzech pomiarach w kwietniu, maju i czerwcu 2026, okazała się ciekawsza niż pojedyncza liczba.

#Czy proxy API mierzy prawdziwe cytowania w ChatGPT?

Przed jakimkolwiek wnioskiem zastrzeżenie, które przestawia je wszystkie. Są dwa popularne sposoby mierzenia, jak często AI Cię cytuje, i one się nie zgadzają.

Tani sposób to proxy API. Wysyłasz swoje zapytania przez API modelu, czytasz tekst, który wraca, i liczysz wzmianki o marce oraz linki. Jest powtarzalny i niemal darmowy, dlatego jest wszędzie. Jego słabością jest to, że ścieżka API to nie produkt, którego używa klient. Publikowane porównania szacują pokrycie źródeł między odpowiedziami API a konsumenckim interfejsem webowym na niskie pojedyncze procenty, więc proxy może Ci powiedzieć, że model zna Twoją nazwę w abstrakcji, nie mówiąc nic wiarygodnego o tym, co widzi realny użytkownik.

Uczciwy sposób to monitorowanie realnych odpowiedzi konsumenckich, tych samych, które dostaje człowiek w interfejsie ChatGPT czy Perplexity, łącznie ze źródłami, które produkt faktycznie pokazuje. Kosztuje więcej i trudniej go zautomatyzować. To też jedyna liczba, która odpowiada utraconej lub wygranej wizycie.

Użyłem trzech wariantów tego pierwszego i ani razu tego drugiego. To najbardziej uniwersalna lekcja całego ćwiczenia: przez cały kwartał mierzyłem coś innego, niż ogłaszałem, że mierzę, a zorientowałem się dopiero, gdy usiadłem do spisania, skąd dokładnie wzięła się każda liczba.

#Wskaźnik wzmianek o marce w ChatGPT przez proxy API

Mój pierwszy pomiar, 6 kwietnia, był runem proxy API. Liczby nagłówkowe, na 26 zapytaniach wobec ChatGPT:

MetrykaWynik
Wskaźnik wzmianek o marce7,7 procent (2 z 26)
Wskaźnik cytowania URL0 procent
Najsilniejsza kategoriaWtyczki, 14,3 procent wzmianek
Kategoria transakcyjna12,5 procent wzmianek
Informacyjne i lokalne0 procent wzmianek

Wskaźnik wzmianek poniżej ośmiu procent i zerowy wskaźnik cytowania czyta się jak katastrofa. Ciekawszy jest szczegół, kogo cytowano zamiast mnie. Gdy model sięgał po źródło na temat polskiej pracy z WordPress, wymieniał katalogi i portale ogłoszeniowe: pracuj.pl pojawił się trzy razy, obok clutch.co, olx.pl, home.pl, nazwa.pl i ogłoszenia o meetupie deweloperskim. To nie konkurenci, którzy mnie przepisali. To agregatory, którym model ufa jako ogólnym odpowiedziom na pytanie komercyjne. Ten wzorzec, asystent domyślający się katalogu zamiast specjalisty, okazał się prawdziwą historią, a polor on-page tego nie naprawia.

Sam raport niósł ostrzeżenie, które chcę, żebyś też niósł: proxy API, trendy wyłącznie kierunkowe, około cztery procent pokrycia źródeł z interfejsem webowym. Nie doceniałem jeszcze, jak bardzo to ostrzeżenie ma znaczenie.

#Jak puste wiersze zaniżają wskaźnik cytowań AI

Majowy run, z 11 maja, nie był runem. Panel na ten tydzień to arkusz w repozytorium: dwadzieścia zapytań rozłożonych na ChatGPT, Perplexity, Bing Copilot i Claude, przy każdym pusta kolumna na wynik, a na górze linijka Owner: _______, której nikt nie podpisał. Nikt tego arkusza nie wypełnił. Tabela, którą wypluł z niego mój skrypt, wyglądała jednak dokładnie jak pomiar:

SilnikWiersze w arkuszuWypełnioneWynik w raporcie
ChatGPT60nierozstrzygnięty
Perplexity60nierozstrzygnięty
Bing Copilot40nierozstrzygnięty
Claude40nierozstrzygnięty

Każdy wiersz wrócił jako nierozstrzygnięty, ale nie dlatego, że przyrząd cokolwiek sprawdził i wstrzymał się z oceną. scripts/compute-ai-citation-metrics.mjs czyta komórkę i uznaje ją za cytowanie, jeśli pasuje do yes, y, true, 1 albo x, za brak cytowania, jeśli pasuje do no, n, false albo 0, a w każdym innym wypadku wpisuje unknown. Pusta komórka nie pasuje do niczego, więc dostaje unknown. Dwadzieścia nierozstrzygniętych wyników to dwadzieścia wierszy, na które nikt nie spojrzał. W tym potoku nie ma i nigdy nie było wykrywania groundingu.

Gorsza jest ostatnia linijka raportu. Wskaźnik cytowań liczy się jako cytowania na tak podzielone przez wszystkie wiersze, więc te dwadzieścia pustych wierszy trafiło prosto do mianownika, a wygenerowany plik ogłasza: wskaźnik cytowań 0 procent. Pusty arkusz wszedł do skryptu i wyszedł z drugiej strony jako porządnie sformatowany raport z zerem w nagłówku i rozbiciem na cztery silniki.

Tak ten tryb porażki wygląda od środka. Nie przyrząd, który uczciwie mówi, że nie widzi. Przyrząd, który zamienia brak danych w wynik i podaje go z tą samą pewnością co pomiar. Zarzucam to dashboardom widoczności w AI kilka akapitów dalej, więc uczciwie jest powiedzieć wprost: mój własny potok robił dokładnie to, nikt tego nie zauważył, a zero z maja spokojnie leżało w repozytorium wyglądając jak wynik. Liczba nie musi być zmyślona, żeby wprowadzać w błąd. Wystarczy, że jest dobrze sformatowana.

#Czy Geoboard mierzy widoczność w AI z wyszukiwaniem na żywo?

11 czerwca zmieniłem przyrząd. Opisywałem to sobie wtedy jako przejście z API na realne odpowiedzi modeli. Tak nie było. Podpiąłem Geoboard, sześć modeli razem z ChatGPT, Claude, Gemini, Perplexity, Grokiem i DeepSeekiem, wobec zestawu zapytań zakupowych. To inny dostawca, nie inny rodzaj pomiaru: mój klient tego narzędzia, scripts/geoboard-pull.mjs, to kilkanaście linijek zawijających curl wokół REST API. Interfejsu konsumenckiego nie ma w tym ani przez moment.

Własna nota metodologiczna Geoboard mówi zresztą to, czego ja nie mówiłem: run odpytuje modele bez żywego wyszukiwania w sieci, czyli mierzy odtwarzanie z danych treningowych. Realny ChatGPT i realny Gemini wyszukują na żywo i trafiłyby na działającą stronę. Czerwcowy run nie mierzył więc, czy AI mnie cytuje. Mierzył, czy modele pamiętają mnie z treningu, a to dla niszowej jednoosobowej firmy B2B jest z natury blisko zera. Zamieniłem jedną ślepą plamkę na drugą i przez chwilę brałem to za postęp.

Obraz i tak się wyostrzył, bo dwie ślepe plamki w różnych miejscach pokazują razem więcej niż jedna. Dla jednego wąskiego zapytania, o polskie studio obsługujące zagranicznych klientów WordPress, byłem pierwszy w pięciu z sześciu testowanych modeli. Przy wyłączonym żywym wyszukiwaniu to znaczy coś konkretnego i akurat mocniejszego, niż sądziłem: skojarzenie siedzi w samych modelach, nie w wynikach wyszukiwania doklejonych w locie. To dokładnie taki typ zapytania, konkretne stwierdzenie tożsamości z niewielką konkurencją, który specjalista powinien posiadać.

Dla zapytań transakcyjnych o WooCommerce, najbliższych przychodom, byłem niemal niewidoczny. Modele odpowiadały pewnie i nie sięgały po mnie. ChatGPT był konsekwentnie najsłabszym kanałem dla marki, bez ani jednego trafienia w całym testowanym zestawie. Perplexity wypadło najsilniej.

I tu prawie popełniłem błąd, który cały ten raport opisuje. Narzucające się wyjaśnienie przewagi Perplexity brzmi: Perplexity mocno opiera się na żywym wyszukiwaniu w sieci. Wyjaśnienie jest zgrabne, pasuje do wszystkiego, co wiadomo o produkcie, i jest tutaj nie do utrzymania: w tym runie żaden model nie miał żywego wyszukiwania. Cokolwiek dało Perplexity przewagę, nie było to wyszukiwanie na żywo. Nie wiem, co to było. Zgadywanie zamieniłoby zastrzeżenie metodologiczne, które sam miałem na piśmie, w zdanie brzmiące jak wniosek, i byłby to dokładnie ten sam ruch co zero z maja, tylko lepiej ubrany.

Konkurenci, którzy się pojawili, to głównie ogólne agencje SEO i SEM reklamujące się jako robiące “AI SEO”, nie specjaliści od WooCommerce. Luka jest więc kwestią autorytetu i skojarzenia, nie jakości strony.

#Dlaczego wskaźnik cytowań AI zależy od metody pomiaru

Czytane łącznie kwartał mówi trzy rzeczy wprost.

Po pierwsze, metoda jest częścią liczby. Trzy runy dzieliło około dziewięciu i pół tygodnia, od 6 kwietnia do 11 czerwca, a strona przez ten czas nie stała w miejscu: wypuściłem w tym oknie nowe sześciojęzyczne poradniki decyzyjne wycelowane dokładnie w lukę, którą pomiar pokazał. Nie mogę więc powiedzieć tego, co chciałbym powiedzieć, czyli że tę liczbę ruszała metoda, a nie rzeczywistość. Nie mam do tego kontroli, bo rzeczywistość też się ruszała. Mogę powiedzieć coś słabszego i pewniejszego: te trzy metody rozjeżdżają się tak mocno, że żadnej z tych liczb nie da się zinterpretować bez metody, która ją wytworzyła. Jeśli narzędzie daje Ci wskaźnik cytowań w AI bez informacji, czy czytało API, czy produkt, i czy model miał włączone żywe wyszukiwanie, nie ufaj mu.

Pomiar z pierwszej ręki to sedno całego ćwiczenia i ta sama dyscyplina, którą stosuję w pracy dla klientów: liczba, której nie potrafisz odtworzyć, nie jest dowodem. Tej samej lekcji nauczyłem się boleśnie przy eksperymencie z fikcyjną marką, gdzie model pewnie opisał firmę, która nie istniała. Pomiar realnej marki ma odwrotny tryb porażki, pewne raportowanie zera, gdy prawda jest nieznana, i mój majowy skrypt zrobił to dosłownie. Oba tryby sprowadzają się do tego samego obowiązku: sprawdź przyrząd, zanim zaufasz odczytowi, także wtedy, a właściwie zwłaszcza wtedy, gdy przyrząd napisałeś sam.

Po drugie, zapytania o tożsamość są do wygrania, a transakcyjne nie, przynajmniej nie on-page. Trzymam wąskie zapytanie o pozycjonowanie, bo jest konkretne i lekko obstawione. Tracę zapytania komercyjne, bo modele opierają się na katalogach i szerokich agencjach, a żadna ilość czystszego HTML nie zmienia tego, z kim model już kojarzy “dewelopera WooCommerce”. To problem autorytetu poza stroną.

Po trzecie, kanał ma znaczenie, nawet gdy nie umiesz jeszcze powiedzieć dlaczego. Ta sama marka wypadła najsilniej w Perplexity i nie pojawiła się w ChatGPT ani razu, w tym samym runie, na tym samym zestawie zapytań i przy tych samych ustawieniach. Wyjaśnienia na to nie mam. Mam za to rozbicie na modele, które pokazuje różnicę, i to wystarczy, żeby wiedzieć, gdzie szukać dalej. Pojedynczy uśredniony “wynik widoczności w AI” ukrywa dokładnie tę informację, której potrzebujesz, i dodatkowo podsuwa poczucie, że coś rozumiesz.

#Co zapisywać przy comiesięcznym monitoringu cytowań AI

Nie przepisywałem stron w reakcji na liczbę z proxy, bo to byłaby optymalizacja pod przyrząd, a nie pod klienta. Zamiast tego pomiar zmienił, gdzie wkładam wysiłek.

  • Ustaliłem zestaw zapytań i kadencję: stała lista zapytań tożsamościowych, informacyjnych i transakcyjnych, zapisywana co miesiąc, z silnikiem, datą i podpisem osoby, która wiersz wypełniła. Linijka Owner przestała być ozdobą.
  • Oznaczam każdą liczbę jej przyrządem i ustawieniami, łącznie z tym, czy model miał żywe wyszukiwanie, i nie zestawiam ze sobą liczb z dwóch różnych przyrządów.
  • Majowy run zostaje w serii oznaczony jako brak danych, nie jako zero. Skrypt zliczający nadal wlicza puste wiersze do mianownika wskaźnika cytowań i do czasu, aż to poprawię, żadne zero z tego potoku nie idzie do raportu bez sprawdzenia, ile wierszy ktoś faktycznie wypełnił.
  • Pracę nad widocznością transakcyjną przeniosłem poza stronę, bo luka tam to skojarzenie i autorytet, nie treść on-page.
  • Nadal serwuję wszystko w HTML renderowanym po stronie serwera, co jest warunkiem bycia w ogóle cytowalnym i tematem mojej notatki o tym, dlaczego zachodnie asystenty czytają surowy HTML.

#Jak samodzielnie mierzyć cytowania marki w AI

Nie potrzebujesz mojego budżetu, żeby zacząć. Minimalny uczciwy zestaw to stała lista od dziesięciu do dwudziestu zapytań, które zadałby realny klient, uruchamiana raz w miesiącu, z trzema kolumnami zapisywanymi za każdym razem: silnik, data oraz czy wymieniono Twoją markę lub zalinkowano Twój adres URL. Dodaj czwartą kolumnę na to, które inne domeny zacytowano, bo to mówi, z kim faktycznie konkurujesz w odpowiedzi, a rzadko jest to ten, kogo podejrzewasz. Piątą dopisz, kto wiersz wypełnił. Brzmi jak biurokracja dokładnie do momentu, w którym zobaczysz raport wygenerowany z arkusza, którego nikt nie tknął.

Jeśli używasz narzędzia automatycznego, zadaj mu dwa pytania, zanim zaufasz jakiemukolwiek wykresowi: czytasz API czy produkt, i czy model miał włączone żywe wyszukiwanie? Jeśli nie potrafi odpowiedzieć, traktuj wynik wyłącznie kierunkowo, tak jak wszystkie trzy moje runy. A jeśli narzędzie jest Twoje, sprawdź jeszcze jedno: co ono robi z pustym wierszem. Nigdy nie pozwól mu zamienić braku danych w pewne zero.

#Dlaczego API modelu daje inne wyniki niż ChatGPT

Najważniejszą lekcją z drugiego kwartału było zrozumienie przepaści dzielącej wywołania programistyczne od zachowania realnych asystentów:

  • Wpływ parametrów próbkowania (Temperature i Seed): Odpytywanie modeli przez API przy domyślnej temperaturze 0,7 generuje ogromną wariancję odpowiedzi. Jedno wywołanie może wymienić moją markę na pierwszym miejscu, a kolejne trzy pominąć ją całkowicie. Aby pomiar był powtarzalny, testy syntetyczne muszą wymuszać temperaturę 0,0 oraz stały parametr ziarna losowości.
  • Różnice w potokach RAG (Retrieval-Augmented Generation): Publiczny interfejs ChatGPT Plus czy Perplexity Pro stosuje zaawansowany pre-processing zapytań i wieloetapowe filtrowanie wyników wyszukiwania, którego nie odzwierciedlają proste skrypty odpytujące punkty końcowe LLM. Narzędzia raportujące “globalny wskaźnik widoczności” w rzeczywistości mierzą jedynie ułamek tego złożonego ekosystemu.

#Jakie zapytania wybrać do pomiaru cytowań AI

Aby uniknąć pułapki uśrednionych wskaźników, podzieliłem monitorowany koszyk zapytań na trzy odrębne kategorie:

  1. Warstwa 1: Zapytania tożsamościowe (Brand Recall): Sprawdzam, czy model poprawnie kojarzy WPPoland, czyli moją jednoosobową działalność, z wąską specjalizacją inżynierską, historią WordCampów i publicznymi wdrożeniami open source.
  2. Warstwa 2: Zapytania problemowe (Problem-Solution Fit): Pytania o konkretne błędy techniczne (np. “jak rozwiązać konflikt transjentów w WooCommerce”), gdzie celem jest sprawdzenie, czy moje poradniki są cytowane jako dokumentacja referencyjna.
  3. Warstwa 3: Zapytania transakcyjne (Commercial Intent): Zapytania o wybór agencji do audytu lub migracji enterprise. To tutaj konkurencja z generycznymi portalami jest najtrudniejsza, ale to ta warstwa decyduje o pozyskiwaniu leadów biznesowych.

#Jak archiwizować odpowiedzi LLM w BigQuery

W trzecim kwartale zautomatyzowałem zbieranie danych, aby śledzić nie tylko samą obecność marki, lecz także kontekst jej wzmianek:

  • Zapisywanie pełnych odpowiedzi LLM w bazie analitycznej: Zamiast zero-jedynkowego odnotowywania “zacytowano / nie zacytowano”, archiwizuję pełne drzewa odpowiedzi JSON z każdego runu testowego w BigQuery. Pozwala to na semantyczną analizę n-gramów i badanie, jakie przymiotniki modele przypisują mojej marce pod różnymi promptami.
  • Wczesne wykrywanie halucynacji produktowych: Wielokrotnie zaobserwowałem, że modele potrafią przypisać WPPoland usługi, których nigdy nie świadczyłem, lub błędnie zinterpretować stack technologiczny. Stały monitoring treści odpowiedzi pozwala na szybką korektę danych strukturalnych i ujednoznacznienie encji w schemacie Schema.org.
  • Pulpity analityczne w Looker Studio: Połączenie wyników z czterech silników na jednym dashboardzie umożliwia precyzyjne śledzenie trendów cytowalności w czasie, bez ulegania chwilowym wahaniom algorytmów. Rzetelna telemetria to jedyna droga do budowania trwałego autorytetu cyfrowego.

#Jak aktualizacje modeli wpływają na pomiar cytowań AI

Praca z danymi syntetycznymi wymaga takiego samego rygoru jak praca z bazami transakcyjnymi:

  • Weryfikacja zmian w modelach bazowych: Każda aktualizacja wag modelu (np. z GPT-4o na nowsze wersje) może z dnia na dzień zmienić wzorce cytowań, dlatego testy porównawcze muszą uwzględniać wersjonowanie punktów końcowych.
  • Dyscyplina dokumentowania założeń: Sukces w GEO to wypadkowa precyzyjnej architektury treści i powtarzalnych procedur pomiarowych.

#Podsumowanie pomiaru cytowań AI w Q2 2026

Kwartał mierzenia własnych cytowań w AI dał jedną niewygodną liczbę, mój transakcyjny wskaźnik cytowań jest niski, i jeden naprawdę cenny nawyk, nigdy nie podawaj liczby o widoczności w AI bez metody, która ją wytworzyła. Majowy run nie pokazał mnie wcale, tylko wyglądał, jakby pokazywał. Czerwcowy ujawnił bronioną pozycję tożsamościową, której kwietniowy nie widział, i zrobił to, mierząc coś innego, niż mi się wtedy wydawało. Wszystkie trzy odczyty stały się użyteczne dopiero teraz, gdy spisałem, jak każdy powstał. Wcześniej jeden z nich był po prostu zerem w pliku. To raport pierwszy. Kolejne ujęcie opublikuję na koniec kwartału, na tym samym zestawie zapytań, żeby serię dało się porównywać, a nie tylko podziwiać. Jeśli chcesz, żeby cytowało Cię AI, zacznij od uczciwego mierzenia tego i wbuduj to w przepływ, który opisuję przy optymalizacji GEO i LLMO.

Warstwowe prompty o cytowania nic nie dają bez integracji AI w WordPressie, która w ogóle czyni encje, cytaty i fakty czytelne dla maszyn.

Następny krok

Przekuj artykuł w realne wdrożenie

Pod tym wpisem dokładam linki, które domykają intencję użytkownika i prowadzą dalej w strukturze serwisu.

Chcesz wdrożyć ten temat na swojej stronie?

Jeśli zależy Ci na widoczności w Google i systemach AI, mogę przygotować architekturę treści, FAQ, schema i linkowanie pod GEO, AEO i SEO.

Często zadawane pytania

Najważniejsze odpowiedzi, które pomagają wdrożyć temat w praktyce.

Czym jest wskaźnik cytowań w AI i po co go mierzyć?#
To częstość, z jaką asystent AI wymienia Twoją markę lub linkuje Twój adres URL w odpowiedzi na pasujące pytanie. Ma znaczenie, bo odpowiedzi AI coraz częściej stoją między szukającym a Twoją stroną. Gdy asystent cytuje katalog zamiast Ciebie, tracisz wizytę zanim w ogóle zadziała klasyczne SEO. Nie poprawisz tego, czego nie mierzysz, więc pierwszym krokiem jest punkt odniesienia.
Dlaczego trzy runy dały tak różne liczby?#
Bo to były trzy różne przyrządy, a żaden nie czytał produktu, którego używa klient. Kwietniowy run szedł przez API modelu, a jego własna nota mówi o kilkuprocentowym pokryciu źródeł względem interfejsu webowego. Majowy panel był arkuszem, którego nikt nie wypełnił, więc jego zero nie było pomiarem. Czerwcowy run odpytywał sześć modeli przez REST API dostawcy, z wyłączonym żywym wyszukiwaniem, więc mierzył pamięć treningową. To trzy różne pytania, nie trzy odczyty tej samej wielkości.
Co naprawdę pokazał czerwcowy run?#
Rozjazd, ale węższy, niż mi się początkowo wydawało. Dla wąskiego zapytania o tożsamość, o polskie studio obsługujące zagranicznych klientów WordPress, byłem pierwszy w pięciu z sześciu modeli. Przy wyłączonym żywym wyszukiwaniu znaczy to, że skojarzenie siedzi w samych modelach. Dla zapytań transakcyjnych o WooCommerce, tam gdzie są pieniądze, byłem niemal niewidoczny. ChatGPT był dla mnie najsłabszym kanałem, a Perplexity najsilniejszym, ale nie wiem dlaczego, bo w tym runie żaden model nie miał żywego wyszukiwania.
Jak często mierzyć cytowania w AI?#
Dla małej strony wystarczy raz w miesiącu, bo zachowanie modeli i Twoje treści zmieniają się wolno względem szumu pomiarowego. Wybierz stały zestaw zapytań, zapisuj silnik, datę i ustawienia przy każdej liczbie i nigdy nie zestawiaj ze sobą liczb z dwóch różnych przyrządów. Zapisuj też, kto wypełnił wiersz, bo inaczej nie odróżnisz braku cytowania od braku pomiaru. Ja publikuję ujęcie kwartalne, żeby seria była uczciwa i porównywalna.
Czy o wysoki wskaźnik cytowań warto walczyć przy każdym zapytaniu?#
Nie. Zapytania o tożsamość i informacyjne łatwiej wygrać i warto je utrzymać, ale zapytania transakcyjne to miejsce, gdzie najmocniej walczą konkurenci i katalogi, i gdzie sama praca on-page rzadko coś zmienia. Tam ważniejszy jest autorytet poza stroną. Najpierw mierz, potem wydawaj tam, gdzie luka jest realna, a nie tam, gdzie liczbę łatwo poprawić.

Polecane artykuły

Dlaczego Perplexity cytuje Twoją markę, a ChatGPT nie

Mój własny bazowy pomiar Geoboard pokazał Perplexity jako najsilniejszy silnik i ChatGPT z zerową obecnością na ośmiu śledzonych promptach w tym samym przebiegu. Oto mechanizm stojący za tym rozjazdem i co to znaczy dla zakupów, ewaluatorów i agencji raportujących widoczność w AI klientom.

Monitorowanie cytowań AI: co śledzić i jak często

Większość dashboardów widoczności AI sprzedaje jedną liczbę. Pokazuję rodziny zapytań, metryki, które realnie przewidują przychód, stack monitoringowy z mojej własnej witryny oraz tabelę rytmu, której powinny wymagać zespoły zakupowe od każdego dostawcy GEO.