Większość narzędzi widoczności AI sprzedaje jeden wynik. Nie kupujcie go. Liczba, która miesza, jak dobrze plasujecie się na brandowanym prompcie tożsamościowym, z tym, jak niewidoczni jesteście na transakcyjnym prompcie zakupowym, nie jest metryką - to średnia, która ukrywa lukę, za której zamknięcie płacicie. Nasz własny baseline Geoboard z 2026-06-11 ustawił wppoland.com na pierwszym miejscu w pięciu z sześciu modeli na wąskim prompcie tożsamościowym „Polish agency for foreign WordPress clients” i jednocześnie pokazał zero obecności na transakcyjnych rodzinach WooCommerce oraz wdrożeń AI w tym samym przebiegu. Jeden wynik raportowałby to jako „silną widoczność AI”. Rozdział mówi prawdę: mechanizm jednej luki nie jest mechanizmem drugiej, i wymagają innych napraw. Ten przewodnik to warstwa monitoringowa tego programu: które rodziny zapytań śledzić, które metryki realnie przewidują przychód, stack, który uruchamiamy na własnej witrynie, oraz tabela rytmu, którą możecie oddać dostawcy albo liderowi zakupów.
Surowy materiał, na którym stoi ten przewodnik, już opublikowaliśmy: start śledzenia 90-dniowego, który ustawił baseline, oraz cykl pomiarowy Q2 2026, który pokazał, jak mocno sam instrument pomiarowy potrafi przesunąć raportowaną liczbę. Ten tekst zamienia oba w instrukcję operacyjną: co śledzić, jak często i czego wymagać od każdego, kto sprzedaje Wam raport „widoczności AI”.
Dlaczego jeden wynik widoczności AI zawodzi zakupy
Wynik złożony istnieje po to, by slajd wyglądał czysto, a nie po to, by decyzja była obronna. Kompresuje co najmniej cztery różne sygnały - rozpoznanie tożsamości, obecność na zapytaniach informacyjnych, wskaźnik cytowań transakcyjnych i share of voice konkurencji - w jedną liczbę, a uśrednianie niszczy dokładnie tę informację, której potrzebuje kupujący.
Oto problem mechaniczny. Nasz wynik promptu tożsamościowego (pierwsze miejsce w pięciu z sześciu modeli) i wynik transakcyjny (zero obecności) siedzą w tym samym przebiegu baseline Geoboard, tej samej dacie, dla tej samej domeny. Uśrednijcie je i dostaniecie wynik środkowy, który wygląda jak „jest przestrzeń do poprawy”. Raportujcie je jako rozdział i dostaniecie prawdziwą historię: bronioną pozycję, która kosztuje mało utrzymania, obok realnej luki, która wymaga realnej pracy off-page. Dostawca, który daje jedną liczbę, albo nie rozdzielił rodzin zapytań, albo nie chce, żebyście widzieli rozdział.
W polskim kontekście zakupowym ten sam błąd pojawia się, gdy agencje wrzucają „AI SEO score” obok raportów z Senuto czy Ahrefs i traktują go jak kolejny KPI do tabeli RFP. Zakupy powinny traktować pojedynczy wynik widoczności AI tak, jak potraktowałyby pojedynczy „SEO score” z rozszerzenia przeglądarki: artefakt marketingowy, nie wejście do audytu. Proście o tabelę zamiast liczby, za każdym razem.
Rodziny zapytań do monitorowania
Rozdzielcie prompty według intencji, zanim cokolwiek policzycie. Cztery rodziny pokrywają większość zachowań zakupowych B2B wokół WordPressa i WooCommerce, a każda odpowiada na inne pytanie biznesowe.
Prompty tożsamości i pozycjonowania to wąskie pytania z marką, które kupujący zadaje, gdy już wie, że możecie być w zakresie: „Polish agency for foreign WordPress clients”, pozycjonowanie nearshore z Polski, dostawa w strefie czasowej UE. Ta rodzina mierzy, czy modele rozwiązują, kim jesteście. Wygrana tutaj jest konieczna i sama w sobie warta bardzo mało dla lejka sprzedażowego.
Prompty informacyjne i practitionerskie odzwierciedlają, jak oceniający techniczny bada temat, zanim powstanie RFP: trade-offy headless WordPress, podejścia do integracji WooCommerce z ERP, Core Web Vitals na dużych katalogach. Odpowiedzi AI coraz częściej zastępują pierwsze wyniki wyszukiwania, które practitioner otworzyłby ręcznie, więc nieobecność tu oznacza, że nie jesteście w rozmowie o shortliście nawet wtedy, gdy prompt tożsamościowy jest pierwszy. W praktyce polskich zespołów e-commerce widzimy to przy zapytaniach o Baselinker, Subiekt nexo czy Comarch ERP - modele cytują ogólne poradniki integracji, a nie specjalistów Woo, którzy realnie wdrażają te mosty.
Transakcyjne prompty WooCommerce to miejsce, w którym siedzą budżety: zatrudnij developera WooCommerce, partner integracji WooCommerce i ERP, napraw wolny checkout na dużym sklepie, agencja pod Woo plus automatyzację AI. Nasz własny baseline pokazał tu zero obecności.
Prompty wdrożeń AI idą równolegle do WooCommerce: integracja AI z WordPressem, feedy produktowe gotowe pod agentów, governance pluginów AI, ekspozycja MCP dla danych sklepu. Ten sam wynik baseline, zero na 2026-06-11, i coraz częściej pakowane do enterprise RFP, które łączą pracę platformową z „AI readiness”.
| Rodzina zapytań | Co testuje | Nasz sygnał baseline (2026-06-11) | Czego wymagać od raportu dostawcy |
|---|---|---|---|
| Tożsamość / pozycjonowanie | Rozwiązanie encji dla Waszej niszy | #1 w 5/6 modeli na anchor prompcie | Potwierdźcie dokładne brzmienie promptu, nie parafrazę |
| Informacyjne / practitioner | Shortlista techniczna przed RFP | Mieszany, nie metryka nagłówkowa | Zapytajcie, które pytania practitionerskie testowano |
| Transakcyjne (np. WooCommerce) | Intencja zatrudnienia bliska przychodowi | Zero obecności | Poproście o domeny konkurentów cytowane zamiast Was |
| Wdrożenia AI | Zakupy agentów i automatyzacji | Zero obecności | Zapytajcie, czy ta rodzina w ogóle była testowana |
Jeśli raport nie rozbija tych czterech wierszy osobno, nie jest raportem monitoringowym - to podsumowanie zaprojektowane tak, by w nie wierzyć, a nie by je audytować.
Metryki, które mają znaczenie
Gdy rodziny zapytań są rozdzielone, cztery metryki niosą realny sygnał. Wszystko inne to vanity aggregate przebrane za dane.
Wzmianka o marce. Czy asystent wymienił Waszą markę gdziekolwiek w odpowiedzi, niezależnie od linku. To najluźniejszy sygnał i najłatwiejszy do trafienia, więc rosnący sam wskaźnik wzmianek traktujcie jako słaby dowód.
Cytowanie URL. Czy asystent podlinkował konkretną stronę. To bliżej realnego referrala i znacznie trudniejsze do zarobienia niż goła wzmianka, zwłaszcza w rodzinach transakcyjnych, gdzie modele wolą cytować katalogi niż specjalistów.
Domeny konkurentów. Które inne domeny pojawiły się zamiast Was, zalogowane z nazwy, nie streścione jako „konkurencja”. W naszych własnych kontrolach transakcyjnych wypływały ogólne sklepy SEO lub SEM reklamujące „AI SEO”, a nie specjaliści WooCommerce - to samo w sobie jest wnioskiem: luka dotyczy asocjacji i autorytetu, nie jakości treści. Na polskim rynku często są to strony typu katalog agencji albo ogólne blogi „pozycjonowanie AI”, nie case studies z realnym Woo i ERP.
Share of voice. Wasza liczba cytowań podzielona przez sumę cytowań w śledzonym zestawie promptów, liczona per rodzina zapytań, per silnik. To jedyna z czterech, która zachowuje się jak prawdziwy KPI w czasie, bo jest względna i porównywalna między przebiegami, o ile lista promptów pozostaje stała.
Czego celowo nie ma na tej liście: jednego „procentu widoczności AI”, wyniku „AI SEO” od 0 do 100 ani żadnej metryki, której nie da się wyprowadzić do konkretnego promptu, silnika i daty. Jeśli dashboard nie pokazuje promptu stojącego za liczbą, liczba nie jest dowodem.
Stack monitoringowy, którego realnie używamy
Na własnej witrynie uruchamiamy cztery warstwy, a każda pokrywa tryb awarii, którego pozostałe nie łapią.
Batchowe przebiegi Geoboard dają powtarzalne pokrycie wielomodelowe względem zadeklarowanego zestawu promptów. Nasz zamrożony baseline z 2026-06-11 wyprodukował opisany wyżej rozdział tożsamość-versus-transakcyjność oraz skew silników między ChatGPT a Perplexity. Narzędzia batchowe to właściwa warstwa do porównań trendu, nie do codziennego monitoringu, bo codzienne odpytywanie wielu modeli mierzy głównie szum interfejsu.
Cotygodniowe ręczne kontrole w interfejsach konsumenckich - ChatGPT, Perplexity, Copilot i Claude tam, gdzie ma to sens - łapią zmiany produktu szybko. Za każdym razem logujemy cztery pola: data, silnik, rodzina promptu i wynik (wzmianka o marce, URL cytowany, domeny konkurentów albo brak). Ta warstwa to system wczesnego ostrzegania, gdy model dodaje lub usuwa żywe przeglądanie. W praktyce naszych klientów z Gdańska i Warszawy te kontrole łapią też lokalne dryfy Copilot w Microsoft 365, które batch nie zawsze odzwierciedla w tym samym oknie.
Śledzenie w stylu brand-radar dla domen cytowań konkurencji. Geoboard i kontrole ręczne mówią, czy się pojawiliście. Ta warstwa mówi, kto pojawił się zamiast Was - a to wejście, którego plan autorytetu off-page naprawdę potrzebuje. Wiedza, że ogólne sklepy SEO, a nie specjaliści Woo, wygrywają rodzinę transakcyjną, zmienia, dokąd powinien iść budżet naprawczy.
Brama renderowania. Nic z powyższego nie ma znaczenia, jeśli kluczowe fakty nie są w surowej odpowiedzi HTML od początku. Eksperyment Andre Alpara z czerwca 2026, opublikowany przez CitationOne, wykazał, że sześć z siedmiu zachodnich asystentów AI czyta wyłącznie surowy HTML, a nie wykonany JavaScript. Zanim zaufacie wynikowi zero-cytowań jako problemowi treści lub autorytetu, potwierdźcie, że treść w ogóle była widoczna dla fetcha asystenta. Zero spowodowane renderingiem po stronie klienta to zupełnie inna naprawa niż zero spowodowane brakiem potwierdzeń off-page.
Rytm: jak często uruchamiać każdą warstwę
Rytm to miejsce, w którym większość programów monitoringowych albo pali budżet na szum, albo przegapia realny dryf. Trzy interwały, zmapowane na to, do czego każdy się nadaje:
| Rytm | Co działa | Dlaczego ten odstęp |
|---|---|---|
| Cotygodniowo | Ręczne kontrole, stała lista promptów, UI konsumenckie | Łapie zmiany modelu lub UI szybko; tanie na tyle, by utrzymać bezterminowo |
| Co 6-8 tygodni | Batchowy przebieg wielomodelowy w stylu Geoboard | Wystarczająco długi, by zmiany off-page i on-page zostały zcrawlowane i zasocjowane; wystarczająco krótki, by złapać regresje przed zamknięciem kwartału |
| Kwartalnie | Odczyt programowy dla interesariuszy, powiązany z budżetem lub przeglądem dostawcy | Pasuje do cykli zakupów i raportowania marketingu; unika nadmiernego twierdzenia o trendzie ze szumu |
Codzienne albo nawet co kilka dni odpytywanie wielu modeli mierzy głównie wariancję interfejsu, nie realną zmianę w tym, jak modele łączą Waszą markę z zapytaniem. Nauczyliśmy się tego bezpośrednio: nasz cykl pomiarowy Q2 2026 pokazał, że snapshot proxy i snapshot UI konsumenckiego rozjeżdżają się w tych samych tygodniach na tyle, że instrument, a nie rzeczywistość pod spodem, wyjaśniał większość różnicy. Dyscyplina rytmu istnieje po to, by tego rodzaju szum nie był mylony z trendem. W polskich zespołach zakupowych ten kwartalny odczyt zwykle wpina się w przeglądy umów IT na przełomie kwartału fiskalnego, a nie w cotygodniowe stand-upy SEO.
Perplexity versus ChatGPT: dlaczego rozdział silników jest obowiązkowy
Traktowanie „widoczności AI” jako jednej liczby między silnikami ukrywa konkretny, mierzalny tryb awarii. W naszym własnym przebiegu baseline ChatGPT pokazał zero obecności na ośmiu śledzonych promptach w wycinku blind-spot zestawu zapytań, podczas gdy Perplexity był najsilniejszym silnikiem w tym samym przebiegu. To nie zbieg okoliczności jednego złego tygodnia. Perplexity mocno uziemia się na żywym wyszukiwaniu sieci, więc ma tendencję do pokazywania świeższych, węższych trafień. Domyślne zachowanie ChatGPT w tym samym okresie nachylało się inaczej, a luka między nimi była na tyle duża, że zmieniała cały odczyt zdrowia cytowań marki w zależności od tego, który silnik akurat sprawdzaliście.
Praktyczna konsekwencja dla zakresu monitoringu: nigdy nie raportujcie samego ChatGPT jako „widoczności AI” i nigdy nie uśredniajcie wyników ChatGPT i Perplexity do jednej figury. Zakres, który zatrzymuje się na ChatGPT, niedoszacuje markę, którą Perplexity już cytuje, a zakres, który zatrzymuje się na Perplexity, przeszacuje, jak widoczni jesteście dla odbiorców wciąż domyślnie używających ChatGPT. Śledźcie oba, raportujcie oba, a jeśli budżet zmusza do wyboru między dodaniem trzeciego silnika a naprawą tego rozdziału, najpierw naprawcie rozdział. Pełne rozbicie informacyjne, dlaczego ten rozdział powstaje, znajdziecie w dlaczego Perplexity cytuje Waszą markę, a ChatGPT nie.
Checklist zakupów: czego wymagać od dostawców
Zanim podpiszecie się pod jakimkolwiek dostawcą monitoringu widoczności AI lub GEO, wymagajcie odpowiedzi na wszystkie poniższe punkty. Jeśli dostawca nie potrafi odpowiedzieć na jeden z nich na piśmie, traktujcie jego liczby jako materiał marketingowy, nie pomiar.
- Dokładna lista promptów, nie etykieta kategorii w stylu „zapytania WooCommerce”. Brzmienie zmienia wyniki.
- Które silniki testowano i czy wyniki są raportowane per silnik, czy zmieszane w jeden wynik.
- Czy każda liczba pochodzi z interfejsu konsumenckiego, czy z proxy API. Nasz własny cykl Q2 pokazał, że te dwa źródła rozjeżdżają się na tyle, że mieszanie ich jest z definicji mylące.
- Data wyprodukowania każdej figury. Snapshot cytowań sprzed trzech miesięcy nie jest bieżącym statusem.
- Domeny konkurentów cytowane zamiast Was, nie tylko Wasza obecność lub nieobecność.
- Rodziny zapytań raportowane osobno: tożsamość, informacyjne, transakcyjne oraz każda rodzina wdrożeniowa lub agentowa istotna dla Waszego biznesu.
- Czy monitoring uwzględnił renderowanie. Jeśli Wasza witryna lub zestaw konkurentów używa ciężkiego renderingu po stronie klienta, zapytajcie, czy metoda dostawcy w ogóle potrafi wykryć treść za JavaScriptem.
W RFP dla polskiego sektora publicznego i dużego retailu warto dodać jeszcze jedno pytanie, którego zachodnie checklisty często pomijają: czy dostawca loguje wersję językową odpowiedzi (PL vs EN), gdy ten sam prompt jest uruchamiany w obu lokalizacjach. U nas rozjazd PL/EN na promptach Woo bywał większy niż rozjazd między dwoma datami w tej samej lokalizacji.
Co naprawia on-page, a co off-page dla każdego typu luki
Monitorowanie mówi, która rodzina jest uszkodzona. Samo nic nie naprawia, a naprawa zależy od typu luki, na którą patrzycie.
Luki tożsamościowe i informacyjne zwykle reagują na pracę on-page: HTML renderowany po stronie serwera z kluczowymi faktami obecnymi w surowej odpowiedzi, dane strukturalne, bloki treści gęste w faktach oraz jasne sygnały encji, które rozwiązują, kim jesteście i co robicie. To jest podłoga, i to stawka wejściowa właśnie dlatego, że większość zachodnich asystentów AI czyta tylko surowy HTML, a nie wykonuje JavaScriptu po stronie klienta. Jeśli kluczowe fakty ładują się za skryptem, żadne polerowanie on-page nie zamknie luki, bo asystent w ogóle nie zobaczył treści.
Luki transakcyjne i wdrożeniowe AI rzadko zamykają się kolejnym blokiem FAQ albo przepisaniem landing page. Modele cytują to, co potwierdza otwarta sieć: niezależne odpowiedzi techniczne, weryfikowalne wpisy w katalogach, wzmianki third-party i sygnały off-page, które wzmacniają encję poza Waszą własną domeną. Nasze baseline zero na promptach WooCommerce i wdrożeń AI utrzymało się mimo już dojrzałej treści on-page - to samo w sobie jest diagnostyką: gdy jakość on-page nie jest wąskim gardłem, naprawa musi wyjść off-page. W praktyce polskich sklepów Woo często oznacza to obecność w niezależnych porównaniach integratorów ERP i case studies u partnerów Baselinker, a nie kolejny H2 na własnej stronie usług.
Playbook widoczności AI i LLM porządkuje te dźwignie tak, jak wdrażamy je w programach klienckich: najpierw on-page jako podłoga, potem off-page jako dźwignia, która realnie przesuwa wskaźniki cytowań transakcyjnych.
Uwaga końcowa
Monitorowanie nie jest metą - to instrument, który mówi, gdzie wydać. Jeden wynik widoczności AI zawsze pochlebi najłatwiejszej wygranej i ukryje najdroższą lukę, a to dokładnie odwrotnie niż potrzebują zakupy. Rozdzielajcie po rodzinach zapytań, śledźcie wzmiankę o marce, cytowanie URL, domeny konkurentów i share of voice zamiast mieszanej agregacji, uruchamiajcie cotygodniowe kontrole i batchowe przebiegi co sześć do ośmiu tygodni, i nigdy nie cytujcie liczby bez podania silnika, daty oraz tego, czy pochodzi z interfejsu konsumenckiego, czy z proxy API. Checklistę wdrożeniową pod WordPress znajdziecie w gotowości WordPress na wyszukiwanie AI (GEO/AEO). Jeśli chcecie tę instrumentację zbudowaną i prowadzoną na własnej nieruchomości, powiązaną z naprawami on-page i off-page, których każdy typ luki naprawdę potrzebuje - to program, który dostarcza nasza usługa optymalizacji GEO i LLMO.
