Otwieramy raport i widzimy ponad 1300 wizyt z modeli językowych. Przeszło trzy razy więcej niż w poprzednich 90 dniach. Pierwsza myśl? Fajnie, działa. Druga: ale co właściwie działa?
Bo jeśli cały ten ruch wylądował na trzech poradnikach, mamy ciekawy kanał dotarcia. Jeśli zaś ChatGPT, Gemini czy Perplexity prowadzą klienta do strony oferty albo rezerwacji, wtedy rozmawiamy już o czymś znacznie bliższym biznesowi.
Ponad 70% sklasyfikowanych wizyt z AI zaczynało się na stronach MOFU i BOFU. Użytkownicy oglądali konkretne podstrony ofertowe, sprawdzali lokalizacje i warunki podpisania umowy. Ponad 50 razy weszli bezpośrednio na stronę rozpoczynającą proces rezerwacji.
AI nie przyszło więc tylko po treść. Zaczęło dostarczać użytkowników, którzy mieli już znacznie precyzyjniejsze pytania.
O kliencie (tyle, ile możemy powiedzieć)
Ze względu na NDA nie podamy nazwy marki. Na wykresach również ukryjemy ścieżki, które pozwoliłyby łatwo rozpoznać klienta.
Serwis ma polską, angielską, hiszpańską i ukraińską wersję językową, prezentuje kilka lokalizacji, typy produktów, wyposażenie oraz inne. Użytkownik może zobaczyć rodzaj współpracy, przeczytać opinie i przejść do rezerwacji online.
Niby jedna oferta. W praktyce trzy zupełnie różne rozmowy. Każda z tych osób może zapytać o konkret w ChatGPT. Każda zrobi to inaczej.
I właśnie tu zaczyna się problem, którego nie rozwiązuje zwykłe „dodajmy więcej fraz i danych strukturalnych do tekstu”.
Jedno krótkie zapytanie zmieniło się w całą rozmowę
W klasycznej wyszukiwarce użytkownik może wpisać proste nienaturalne zapytanie. W modelu językowym częściej opisuje całą sytuację. A model może dodatkowo rozbić je na serię mniejszych zapytań, sprawdzić kilka źródeł i dopiero wtedy złożyć rekomendację.
Sama obecność frazy nie wystarcza. Model musi rozpoznać markę i odróżnić ją od nazw poszczególnych obiektów. Musi też znaleźć informacje o niej w źródłach zewnętrznych i tych, które nie są własnością samego brandu.
A jeśli te informacje są schowane, niespójne albo rozrzucone bez wyraźnych połączeń? Cóż, konkurencja jest jedno zapytanie dalej.
Nasz cel – wejść do procesu wyboru, a nie tylko do odpowiedzi
Nie chcieliśmy mierzyć sukcesu liczbą przypadków, w których model wymienił nazwę marki. Sama wzmianka wygląda dobrze na prezentacji, ale nie musi doprowadzić ani jednej osoby na stronę.
Cel ustawiliśmy szerzej: model miał zrozumieć ofertę, dopasować ją do właściwej sytuacji i wskazać stronę, na której użytkownik znajdzie kolejny krok.
Czasem był to poradnik o pierwszym kroku. Częściej strona konkretnej oferty. W przypadku użytkowników najbliższych decyzji, strona rezerwacji.
To wymagało pracy w kilku miejscach jednocześnie. Rozwijaliśmy treści, porządkowaliśmy relacje między nimi i sprawdzaliśmy techniczną dostępność serwisu. Do tego dochodziły sygnały spoza domeny: wizytówki, opinie i informacje o lokalizacjach i branding na zewnątrz.
Nie robiliśmy jednak wszystkich zmian na wyczucie. Najpierw diagnoza.
Kopernik sprawdza, czy marka w ogóle istnieje dla AI
Do pierwszej analizy wykorzystaliśmy Kopernika, naszą aplikację do badania widoczności i kondycji domeny z perspektywy modeli językowych.
Standardowy audyt SEO odpowiada na wiele pytań technicznych, ale nie pokazuje całego obrazu. Nas interesowało również to, czy boty AI mogą wejść na stronę, jak odczytują jej treść i czy potrafią połączyć informacje w spójną całość.
Kopernik analizuje między innymi dostępność serwisu dla crawlerów, ekstraktywność treści, pokrycie encji, architekturę informacji i dane strukturalne. Sprawdza też sygnały E-E-A-T oraz elementy, które mogą pomagać systemom RAG w wydobyciu konkretnej odpowiedzi.
W tym projekcie szczególnie ważne było rozróżnienie marki, lokalizacji i poszczególnych ”produktów”. To podobne nazwy funkcjonujące w jednym serwisie, ale każda z nich prowadzi do innej oferty.
Jeśli te relacje są niejasne, model może znaleźć prawidłową informację i przypisać ją do niewłaściwego obiektu. Albo połączyć dwa w jeden. Dla użytkownika różnica jest dość zasadnicza, zwłaszcza gdy jeden z nich znajduje się kilkaset kilometrów dalej.
Kopernik nie mówi nam: „ChatGPT na pewno zacytuje tę stronę”. Takich gwarancji nie daje żadne uczciwe narzędzie. Pokazuje bariery i miejsca, w których strona przekazuje maszynom za mało informacji albo robi to w niejednoznaczny sposób.
Semantyka i grupy docelowe, czyli ten sam produkt, różne powody wyboru
Kolejny etap dotyczył intencji. I nie, nie chodziło o dopisanie setki synonimów słowa kluczowego. W projekcie mamy sprecyzowane 3 główne grupy docelowe.
Ich potrzeby częściowo się pokrywają, ale nie są identyczne. Każda uruchamia inny zestaw pytań pomocniczych.
Zmapowaliśmy więc tematy związane z wyborem oferty, lokalizacją, codziennym korzystaniem i formalnościami. Następnie połączyliśmy je ze stronami konkretnych produktów. Poradnik nie miał kończyć się na ogólnych wskazówkach. Powinien prowadzić dalej, jeśli czytelnik był już gotowy obejrzeć więcej albo porównać lokalizacje.
Dużo uwagi poświęciliśmy samym stronom oferty (też pod kątem UX). Nie chcieliśmy tylko wyjaśnić modelom, czym zajmuje się marka. Chcieliśmy pokazać, komu i w jakiej sytuacji pasuje jej oferta.
Patenty Google – podpowiedź do testu, nie wyznacznik algorytmu (jak niektórzy to reklamują)
Przy planowaniu zmian korzystaliśmy też z naszej ustrukturyzowanej bazy patentów Google, publikacji badawczych i dokumentacji technicznej. Musimy postawić tu wyraźną granicę. Patent potwierdza, że określony mechanizm został opracowany. Nie potwierdza, że Google używa go obecnie w rankingu dokładnie w takiej formie.
Traktujemy więc patenty jako źródło hipotez.
W tym projekcie interesowały nas szczególnie mechanizmy związane z encjami, semantycznym dopasowaniem dokumentu do zapytania i wyborem fragmentów do odpowiedzi generatywnej. Analizowaliśmy również zgodność informacji między treścią a danymi uporządkowanymi oraz współwystępowanie marki z tematami, z którymi chce być kojarzona.
Brzmi technicznie. Praktyczne pytania były znacznie prostsze.
Czy model odróżni markę od innej marki? Czy powiąże obiekt z właściwym miastem? Czy znajdzie jednoznaczną odpowiedź na pytanie o konkretną formę? Czy dane na stronie zgadzają się z wizytówką oraz innymi źródłami?
Zespół projektowy
Technicznie wszystko działa? Bot może mieć inne zdanie
Strona może wyglądać dobrze w przeglądarce i jednocześnie być trudna do odczytania przez część botów. Zwłaszcza gdy treść pojawia się dopiero po wykonaniu skryptów albo zabezpieczenia serwera blokują crawlera.
Sprawdzaliśmy więc, czy najważniejsze informacje są dostępne w kodzie strony, jak działa renderowanie i czy boty otrzymują prawidłową odpowiedź serwera. Analizowaliśmy nagłówki, linkowanie i dane strukturalne. Porównywaliśmy też informacje o obiektach w różnych miejscach serwisu.
Nie potrzebowaliśmy kolejnej listy stu technicznych punktów. Każdy test miał odpowiedzieć na trzy pytania: czy model może wejść, czy rozumie to, co widzi, i czy informacje wyglądają na wiarygodne.
Jeżeli odpada pierwsze, dwa kolejne nie mają już większego znaczenia.
Marka poza domeną, czyli dlaczego wizytówki i branding nie są dodatkiem
Operator może napisać na swojej stronie, że jego oferta jest najlepsza. Każdy konkurent może zrobić to samo.
Znacznie ciekawsze są opinie osób, które faktycznie z niej korzystają. Opinie obcojęzyczne potwierdzają, że oferta dociera również do osób przyjeżdżających z zagranicy.
Takie sygnały pomagają w decyzji. Jednocześnie łączą markę z konkretnymi cechami w źródłach, których nie kontroluje ona tak samo jak własnej strony.
Dlatego prowadziliśmy i optymalizowaliśmy również materiały w profilach zewnętrznych, pracowaliśmy z materiałami brandowymi w powiązanych portalach i prowadziliśmy Profile Firmy w Google. Pilnowaliśmy spójności informacji o lokalizacjach, rozwijaliśmy ofertę i pracowaliśmy z regularnymi odpowiedziami na opinie.
Ma to coraz większe znaczenie także poza klasycznymi Mapami Google. Systemy generatywne pokazują lokalne miejsca, oceny, godziny otwarcia i możliwość wyznaczenia trasy. Użytkownik może zacząć w modelu językowym, przejść do wizytówki, przeczytać opinie i dopiero stamtąd wejść na stronę.
LLM Reporter – bo „ruch z AI rośnie” to jeszcze nie raport
Po wdrożeniu zmian potrzebowaliśmy sprawdzić, czy użytkownicy rzeczywiście zaczęli przychodzić z modeli językowych. I co robili później.
Tu wchodzi LLM Reporter, druga z naszych aplikacji wykorzystanych w projekcie. Narzędzie pobiera dane z GA4 i porządkuje ruch pochodzący między innymi z ChatGPT, Gemini, Perplexity, Claude czy Copilota.
Sam podział na modele to dopiero początek. Reporter pokazuje strony docelowe, nowych użytkowników, zaangażowanie, dywersyfikację modeli czy działania ważne dla biznesu i udział poszczególnych etapów lejka. Dzięki temu widzimy, czy AI wysyła ludzi na blog, stronę konkretnej oferty czy od razu do rezerwacji.
Kopernik pomaga nam znaleźć problemy i zaplanować testy. LLM Reporter pokazuje, czy po wdrożeniu wydarzyło się coś poza poprawą wyniku audytu.
No dobrze. To co pokazał?
Ponad trzy razy więcej wizyt z AI – ale to nie jest najciekawsza liczba
W ciągu analizowanych 90 dni modele językowe wygenerowały ponad 1300 wizyt. To wzrost o 209,5% względem poprzedniego okresu.
Ruch urósł przeszło trzykrotnie. Nie jest to już kilka przypadkowych sesji, które ktoś znalazł po ustawieniu siedmiu filtrów w GA4. AI stało się zauważalnym źródłem wejść do serwisu.
Tylko nadal nie wiemy, czy były to wizyty warte czegokolwiek dla biznesu.
Prawie 700 nowych użytkowników weszło w kontakt z marką
W ciągu 90 dni na stronę trafiło prawie 700 nowych użytkowników, o 153,9% więcej niż wcześniej. Łącznie odnotowaliśmy blisko 900 aktywnych użytkowników.
Prawie cztery na pięć osób z tego kanału odwiedziło serwis po raz pierwszy.
To ważne rozróżnienie. Modele nie służyły wyłącznie tym, którzy znali już markę i chcieli dopytać o konkret. Pomagały odkrywać ją osobom, które dopiero rozglądały się za tym miejscem.
AI ominęło blog i weszło w ofertę
Zakładaliśmy w srategii, że spora część ruchu trafi do poradników (bo jest to częsty przypadek, AI lubi informacje). To naturalne: treści najłatwiej skojarzyć z ChatGPT czy Perplexity.
Dane poszły w inną stronę.
Aż 63% ruchu trafiało na strony MOFU, prezentujące konkretne podstrony sprzedażowe, lokalizacje i możliwości rezerwacji.
To blisko 750 wizyt osób, które nie szukały już ogólnej wiedzy. Chciały sprawdzić warunki i porównać dostępne opcje.
Kolejne 7,9% ruchu trafiło na strony związane z decyzją i konwersją. W sumie 70,9% sklasyfikowanych wizyt rozpoczęło się na stronach MOFU lub BOFU.
Ponad 50 wejść od razu do procesu rezerwacji
Wśród najpopularniejszych stron docelowych znalazła się strona rozpoczynająca rezerwację. W ciągu 90 dni trafiło na nią ponad 50 użytkowników z analizowanego ruchu.
Nie oznacza to ponad 50 podpisanych umów. GA4 pokazuje wejście do procesu, nie jego pełne zakończenie. Nie będziemy robić ze strony rezerwacji sprzedaży, choć w tytule wyglądałoby to świetnie.
Biznesowo nadal jest to mocny sygnał.
Użytkownik nie musiał zaczynać na stronie głównej, wybierać miasta i szukać odpowiedniego obiektu. Trafił do miejsca, w którym może sprawdzić dostępność i rozpocząć formalności.
Ruch wzrósł o ponad 200%. Liczba działań ważnych dla biznesu zwiększyła się ponad dwukrotnie. Skala nie rosła sama.
ChatGPT ciągle rozdaje karty
Około 93% wizyt możliwych do przypisania konkretnemu modelowi pochodziło z ChatGPT.
Gemini, Perplexity i Claude również rosły, ale startowały z dużo niższej bazy. Na razie przewaga OpenAI jest wyraźna. Trudno ją zignorować, jeszcze trudniej uznać, że tak będzie zawsze.
Nie chcemy powtórzyć błędu marketingu, który przez lata uzależniał widoczność od jednego algorytmu. Dlatego śledzimy kilka modeli i sprawdzamy, jak zmienia się ich udział.
W podziale według medium 48% badanego ruchu zostało przypisane do AI, a 45,5% do map.
Scenariusz jest jednak całkiem realny: osoba pyta AI o [słowo kluczowe], dostaje rekomendację miejsca, otwiera mapę i profil firmy w Google Moja Firma czy profilu na Bing/Apple, sprawdza opinie i dopiero wtedy przechodzi na stronę.
Co ten projekt mówi o marketingu w AI?
Modele językowe zaczynają uczestniczyć w wyborze konkretnej oferty. W tym projekcie nie ograniczały się do podpowiadania artykułów. Prowadziły ludzi do stron oferty, porównań lokalizacji i procesu rezerwacji.
To zmienia sposób, w jaki trzeba myśleć o treściach.
Blog nadal ma znaczenie. Buduje kontekst i pomaga odpowiedzieć na pytania pojawiające się przed decyzją. Ale potrzebuje połączenia z ofertą. Inaczej model wykorzysta wiedzę marki, a przyszłego klienta wyśle gdzie indziej.
Podobnie z encjami. Sama seria artykułów nie zbuduje rozpoznawalnej marki, jeśli informacje o niej są niespójne, opinie pozostają bez odpowiedzi, a poszczególne lokalizacje żyją w internecie własnym życiem.
Wyszukiwanie, mapy, treści i marka zaczynają się zlewać. Marketing może dalej rozliczać je w osobnych arkuszach, ale użytkownik ma to gdzieś. Chce dostać odpowiedź, sprawdzić miejsce i podjąć decyzję.
Czy ruch z AI może przełożyć się na rezerwacje?
Może doprowadzić użytkownika bardzo blisko.
Nie nazwiemy tych wyników przychodem, dopóki nie połączymy ich z danymi o zakończonych rezerwacjach i wartości umów. Tego wymaga uczciwość analityczna.
Możemy za to powiedzieć jedno: AI przestało być w tym projekcie wyłącznie kanałem informacyjnym. Zaczęło przyprowadzać osoby, które sprawdzały konkretną ofertę.
Nas ciekawi, ile decyzji o zakupie, rezerwacji albo wyborze dostawcy zaczyna się już dziś w modelu językowym, choć ostatnie kliknięcie nadal przypisujemy Google, mapom albo wejściu bezpośredniemu?
ChatGPT, Gemini i Perplexity już odpowiadają na pytania dotyczące Twojej branży. Pytanie, czy znajdują w nich Twoją markę i czy mają dokąd skierować użytkownika.
W Koperniku sprawdzimy, jak modele widzą Twoją domenę, jej treści i encje. Później połączymy wnioski ze strategią SEO, architekturą informacji i budowaniem marki poza stroną. Ruch oraz jego jakość zmierzymy w LLM Reporterze.
Bez obietnicy „pierwszego miejsca w ChatGPT”, bo takie miejsce nie istnieje. Z planem, który można wdrożyć, przetestować i rozliczyć.
Porozmawiajmy o widoczności Twojej marki w AI