Osobny portfel cytowań dla ChatGPT, Gemini, Perplexity i Google AI — czy każda wyszukiwarka wymaga innej strategii?

Marka może być regularnie polecana przez Perplexity i niemal nie istnieć w odpowiedziach Gemini. Może pojawiać się wysoko w Google AI, ale przegrywać w ChatGPT z konkurentem, który ma słabszą stronę firmową, za to częściej występuje w rankingach branżowych, dyskusjach na forach i publikacjach porównawczych. To nie anomalia. Każdy system inaczej wyszukuje informacje, inaczej ocenia ich przydatność i inaczej składa odpowiedź.

Dlatego budowanie jednego „portfela cytowań AI” na zasadzie: publikujemy artykuł ekspercki, pozyskujemy kilka linków i czekamy na wzrost widoczności, jest zbyt uproszczone. ChatGPT, Gemini, Perplexity i Google AI nie korzystają z identycznego zestawu źródeł, a nawet ten sam system może zmienić rekomendacje po dodaniu miasta, języka, ceny, konkretnego zastosowania albo grupy odbiorców.

Nie oznacza to, że dla każdego narzędzia trzeba prowadzić całkowicie osobną kampanię. Wspólny fundament istnieje: poprawna strona firmowa, spójne dane o marce, wiarygodne opinie, publikacje eksperckie i obecność w miejscach, w których użytkownicy rzeczywiście porównują rozwiązania. Różnią się natomiast proporcje. To właśnie one decydują, czy firma zostanie tylko odnaleziona, czy również wymieniona jako jedna z rekomendowanych marek.

Cztery systemy, cztery sposoby budowania odpowiedzi

Pierwszy błąd w analizie widoczności AI polega na traktowaniu wszystkich odpowiedzi generatywnych jak tradycyjnej listy wyników Google. W klasycznym SEO obserwujemy pozycję konkretnego adresu URL. W systemach generatywnych trzeba rozdzielić co najmniej cztery zdarzenia:

• wzmiankę o marce, nawet bez linku;
• rekomendację marki jako jednego z najlepszych wyborów;
• cytowanie domeny jako źródła informacji;
• wykorzystanie informacji o firmie bez widocznego cytowania jej strony.

Firma może więc zostać polecona na podstawie danych pochodzących z serwisów opinii, katalogów, rankingów lub artykułów prasowych, mimo że jej własna domena nie pojawi się w źródłach. Z punktu widzenia użytkownika marka jest widoczna. Z punktu widzenia analityka patrzącego wyłącznie na ruch referencyjny — nie istnieje. To jedna z najbardziej irytujących cech pomiaru widoczności generatywnej: część efektu powstaje poza analityką strony firmowej.

ChatGPT jest szczególnie wrażliwy na konstrukcję pytania. Inne źródła może wykorzystać przy poleceniu „najlepszej firmy”, inne przy pytaniu o dane techniczne, a jeszcze inne przy prośbie o porównanie opinii klientów. W praktyce dobrze radzą sobie źródła, które dostarczają gotowych elementów odpowiedzi: jasnych definicji, porównań, parametrów, ograniczeń, przedziałów cenowych oraz informacji o konkretnych zastosowaniach.

Sama obecność marki na stronie nie wystarcza. Liczy się, czy materiał pozwala odpowiedzieć na pytanie bez dopowiadania brakujących faktów. Artykuł zatytułowany „Nowoczesne rozwiązania dla biznesu” jest mało użyteczny. Tekst „Porównanie systemów CRM dla firmy zatrudniającej 20–50 handlowców: koszt, wdrożenie, integracje i ograniczenia” daje znacznie więcej materiału do zbudowania odpowiedzi.

Gemini działa w bezpośrednim otoczeniu usług Google, dlatego większego znaczenia nabierają dane, które można jednoznacznie połączyć z konkretnym podmiotem, produktem albo lokalizacją. W zapytaniach lokalnych silnym fundamentem są między innymi:

• profil firmy w Google;
• prawidłowa kategoria działalności;
• aktualny adres, telefon i godziny otwarcia;
• opinie użytkowników wraz z treścią, a nie tylko średnią ocen;
• spójność danych między stroną, mapami i zewnętrznymi katalogami;
• strony usług przypisane do konkretnych miejscowości lub obszarów obsługi.

Problem pojawia się wtedy, gdy firma próbuje „optymalizować pod AI”, lecz zaniedbuje podstawy indeksowania. Brak dostępnej podstrony usługi, błędny canonical, treść renderowana wyłącznie skryptem albo rozbieżne dane adresowe potrafią zniweczyć efekt kilkunastu publikacji zewnętrznych. Gemini nie naprawi nieczytelnej struktury informacji za właściciela witryny.

Perplexity najłatwiej analizować jako system nastawiony na wyszukiwanie i jawne cytowanie materiałów. Przy zapytaniach porównawczych często premiowane są strony, które wprost zestawiają kilka rozwiązań, podają kryteria wyboru i uzasadniają ocenę. Dobre wyniki mogą osiągać media branżowe, serwisy technologiczne, publikacje eksperckie, dokumentacje, raporty i rozbudowane poradniki.

To jednak ma również wadę. Jeżeli większość dostępnych porównań powiela te same informacje, Perplexity może utrwalać rynkowy schemat zamiast odkrywać mniej znaną, lecz jakościową markę. Firma bez obecności w niezależnych zestawieniach bywa przegrywająca już na etapie doboru kandydatów do odpowiedzi. Własna strona może dostarczyć parametrów, ale rzadko jest wystarczającym dowodem, że produkt należy do najlepszych w kategorii.

Google AI Overviews i AI Mode są najbliżej klasycznego SEO, ponieważ korzystają z infrastruktury wyszukiwarki, indeksu oraz systemów oceny jakości. Nie oznacza to jednak, że kolejność marek w odpowiedzi generatywnej będzie kopią pierwszej dziesiątki wyników organicznych. Odpowiedź może łączyć informacje z kilku stron i dobierać materiały odpowiadające poszczególnym fragmentom pytania.

W Google nadal pierwszeństwo mają podstawy:

1. możliwość crawlowania i indeksowania;
2. jednoznaczna architektura informacji;
3. treść odpowiadająca na konkretną intencję;
4. wiarygodność podmiotu i autora;
5. dane produktowe lub lokalne podane w uporządkowanej formie;
6. sygnały zewnętrzne potwierdzające, że marka rzeczywiście funkcjonuje na rynku.

Plik llms.txt, mechaniczne dzielenie tekstu na krótkie akapity czy masowe dodawanie frazy „najlepszy” nie zastąpią tych elementów. To wygodne techniczne skróty, ale nie rozwiązują głównego problemu: system musi mieć powód, by uznać markę za właściwą odpowiedź na konkretne pytanie.

Jak sprawdzić, skąd naprawdę pochodzą rekomendacje marki

Porównanie czterech systemów ma sens tylko wtedy, gdy wszystkie otrzymują identyczne prompty w zbliżonym czasie i w kontrolowanych warunkach. Pojedyncze pytanie wykonane raz nie daje użytecznego wyniku. Odpowiedzi zależą od daty, języka, lokalizacji, historii rozmowy, wariantu produktu i sposobu sformułowania polecenia.

Minimalny test dla jednej kategorii powinien obejmować 40–60 promptów. W mniej konkurencyjnej niszy wystarczy około 40. Dla ubezpieczeń, oprogramowania, usług medycznych, finansów, turystyki albo dużych miast lepiej przygotować 60–100 pytań.

Zestaw można podzielić na pięć grup:

• rekomendacyjne: „Jakie są najlepsze systemy księgowe dla małej spółki w Polsce?”;
• porównawcze: „Porównaj markę A, B i C pod względem ceny, obsługi oraz integracji”;
• problemowe: „Jakie narzędzie ograniczy ręczne przepisywanie faktur w firmie usługowej?”;
• lokalne: „Która kancelaria specjalizuje się w prawie pracy w Poznaniu?”;
• weryfikacyjne: „Czy marka X jest wiarygodna i jakie ma najczęściej wskazywane wady?”.

Każdy prompt należy uruchomić co najmniej trzykrotnie w każdym systemie. Dla 50 pytań oznacza to 600 odpowiedzi: 50 promptów × 4 narzędzia × 3 powtórzenia. Taka próba nie gwarantuje pełnej stabilności, ale pozwala oddzielić powtarzalny schemat od jednorazowego wyniku.

Test trzeba wykonywać w nowej rozmowie, bez wcześniejszego podawania nazwy analizowanej firmy. W przeciwnym razie model może kontynuować narzucony kontekst i sztucznie zwiększać widoczność marki. Nie należy też mieszać wersji polskiej i angielskiej w jednym wątku. Język jest osobną zmienną badawczą, a nie technicznym detalem.

W arkuszu warto zapisywać dla każdej odpowiedzi:

• datę i godzinę testu;
• system oraz użyty tryb;
• dokładną treść promptu;
• wymienione marki;
• kolejność ich pojawienia się;
• cytowane domeny;
• typ każdej domeny;
• argumenty przemawiające za marką;
• wskazane wady lub ryzyka;
• obecność ceny, lokalizacji, parametrów i opinii;
• zgodność informacji ze stanem faktycznym.

Domeny najlepiej przypisać do siedmiu kategorii: strona firmowa, katalog, forum, medium, serwis opinii, źródło lokalne oraz publikacja ekspercka. Dzięki temu po kilku tygodniach można zobaczyć nie tylko, które witryny są cytowane, ale przede wszystkim jaki typ źródła buduje rekomendację.

Przydatny jest prosty wskaźnik widoczności liczony w skali 0–100:

• 30% — częstotliwość wymieniania marki;
• 25% — średnia pozycja marki w odpowiedzi;
• 20% — częstotliwość cytowania domeny firmowej;
• 15% — liczba pozytywnych argumentów zakupowych;
• 10% — zgodność informacji z aktualną ofertą.

Trzeba zachować surowe dane. Sam końcowy wynik bywa mylący. Marka może dostać 70 punktów dzięki częstym wzmiankom, choć system przypisuje jej nieaktualną cenę albo usługę wycofaną dwa lata wcześniej. Taka widoczność nie jest sukcesem. To ryzyko reputacyjne w atrakcyjnym opakowaniu.

Test dobrze powtarzać raz w miesiącu, a w branżach szybko zmieniających się — co dwa tygodnie. Codzienne sprawdzanie zwykle produkuje więcej szumu niż wiedzy. Wyjątkiem są premiery produktów, kryzysy wizerunkowe, duże zmiany cennika oraz aktualizacje wpływające na dostępność usługi.

Macierz cytowań: co rozwijać, a czego nie robić na zapas

Nie ma uniwersalnego portfela, który w identycznym stopniu poprawi widoczność we wszystkich systemach. Jest natomiast wspólny rdzeń danych i kilka warstw dopasowanych do rodzaju zapytania.

Oceny w macierzy nie są stałym prawem algorytmicznym. Pokazują priorytet operacyjny: gdzie najpierw szukać braków, gdy dana marka nie pojawia się przy określonym typie zapytania.

Dla firmy lokalnej w Polsce kolejność działań powinna wyglądać następująco:

1. uporządkowanie profilu Google i danych NAP, czyli nazwy, adresu oraz telefonu;
2. stworzenie osobnych stron najważniejszych usług i lokalizacji;
3. systematyczne pozyskiwanie prawdziwych, opisowych opinii;
4. obecność w kilku wiarygodnych katalogach branżowych;
5. publikacje eksperckie i wzmianki w lokalnych mediach;
6. dopiero później eksperymenty z dodatkowymi formatami przygotowanymi specjalnie pod narzędzia AI.

Dla producenta oprogramowania B2B priorytety są inne. Najpierw należy opublikować czytelną dokumentację funkcji, integracji, bezpieczeństwa, cen i ograniczeń. Następnie potrzebne są porównania zastosowań, studia przypadków z liczbami, recenzje w serwisach branżowych oraz obecność w zestawieniach narzędzi. Katalog bez danych o produkcie niewiele pomoże, nawet jeśli ma wysokie parametry SEO.

Dla e-commerce podstawą są prawidłowe dane produktowe: nazwa, wariant, cena, dostępność, koszt dostawy, termin realizacji, specyfikacja, zwroty i opinie. Artykuły poradnikowe zaczynają działać dopiero wtedy, gdy system może bez problemu zrozumieć sam produkt. Nie ma sensu inwestować w dziesięć tekstów o wyborze ekspresu, jeżeli karta produktu nie podaje pojemności zbiornika, rodzaju młynka i warunków gwarancji.

Różnice pojawiają się również między językami. Polska marka może być dobrze reprezentowana w zapytaniach polskich, a znikać po przejściu na angielski lub niemiecki. Tłumaczenie strony głównej nie wystarczy. Potrzebne są lokalne opisy oferty, właściwe jednostki, waluty, warunki dostawy, dane prawne i publikacje zewnętrzne w danym języku. System nie powinien zgadywać, czy firma obsługuje Berlin, wysyła do Francji albo prowadzi wsparcie po angielsku.

Nie warto natomiast masowo kupować przypadkowych wzmianek, publikować identycznych tekstów w kilkudziesięciu katalogach ani tworzyć sztucznych dyskusji na forach. Takie działania produkują liczbę wystąpień, ale niekoniecznie wiarygodny obraz marki. Co gorsza, mogą rozpowszechnić nieaktualny opis, błędną kategorię albo stary cennik. Późniejsze prostowanie tych danych zajmuje więcej czasu niż poprawne przygotowanie źródeł od początku.

Najlepszy portfel jest warstwowy:

• 50–60% zasobów należy przeznaczyć na własne dane, treści i techniczną dostępność strony;
• 20–30% na niezależne publikacje, recenzje i porównania;
• 10–20% na źródła branżowe, lokalne społeczności, katalogi i fora;
• eksperymenty specyficzne dla jednego systemu powinny otrzymać osobny budżet dopiero po zbudowaniu fundamentu.

Nie da się zagwarantować cytowania ani stałej pozycji w odpowiedziach generatywnych. Można jednak zwiększać prawdopodobieństwo wyboru marki przez dostarczanie spójnych, łatwych do zweryfikowania informacji w źródłach odpowiadających intencji użytkownika.

Pierwszy ruch nie powinien polegać na zdobyciu kolejnej publikacji. Trzeba wybrać 20 najważniejszych promptów sprzedażowych, uruchomić je po trzy razy w czterech systemach i sprawdzić, czy marka przegrywa z powodu braku wzmianki, słabych źródeł zewnętrznych, niepełnych danych czy negatywnych opinii. Dopiero ten wynik pokazuje, jaki portfel cytowań rzeczywiście trzeba zbudować.

Więcej informacji na: https://enees.pl

FAQ

Czy jedna publikacja może poprawić widoczność we wszystkich systemach?
Tak, szczególnie gdy zawiera unikalne dane, porównanie lub ekspercką analizę. Nie należy jednak zakładać, że każdy system wykorzysta ją w tym samym zapytaniu ani że zawsze pokaże link do źródła.

Czy ważniejsza jest liczba wzmianek, czy jakość domen?
Najpierw jakość i zgodność informacji. Dziesięć powielonych wpisów katalogowych ma mniejszą wartość niż jedna rzetelna publikacja porównawcza, szczegółowa karta produktu i kilka opisowych opinii klientów.

Czy firma musi tworzyć osobną strategię dla ChatGPT, Gemini, Perplexity i Google AI?
Nie od zera. Wspólne powinny być dane o marce, oferta, opinie i treści eksperckie. Osobno dobiera się proporcje źródeł, prompty testowe oraz priorytety dla zapytań lokalnych, produktowych i porównawczych.

Jak długo trzeba czekać na efekt nowych publikacji?
Pierwsze zmiany mogą pojawić się po kilku dniach lub tygodniach, lecz nie istnieje stały termin. Źródło musi zostać odkryte, przetworzone i uznane za przydatne dla konkretnego pytania. Wyniki należy oceniać seriami testów, a nie po jednym zapytaniu.

Czy opinie klientów wpływają na odpowiedzi AI?
Tak, zwłaszcza w zapytaniach lokalnych, konsumenckich i reputacyjnych. Znaczenie ma nie tylko średnia ocen, lecz także liczba opinii, ich aktualność, treść oraz powtarzające się zalety i problemy.

Czy warto publikować plik llms.txt?
Nie powinien być priorytetem. Najpierw trzeba zapewnić indeksowalność strony, poprawną strukturę, kompletne dane i wartościowe treści. Dodatkowy plik nie naprawi braków w podstawowych informacjach o ofercie.

Jaki błąd usunąć jako pierwszy?
Rozbieżności w danych o marce. Jeżeli strona, profil Google, katalogi i serwisy opinii podają inne adresy, ceny, zakres usług lub nazwy produktów, system otrzymuje sprzeczny materiał. Najpierw należy ujednolicić te informacje, a dopiero później zwiększać liczbę cytowań.