Z zera do 63% widoczności w AI w pięć tygodni. Case producenta wapna

Rodzinny producent wapna z województwa łódzkiego zwiększył widoczność w modelach AI z 31% do 63% między 24 czerwca a 27 lipca 2026 roku. Liczba zapytań, w których marka pada z nazwy, wzrosła z zera do siedemnastu na osiemnaście. Wskaźnik cytowań podniósł się z 6% do 50%. Mimo to test rozpoznawalności w obu skanach pokazał ten sam wynik: trzy z czterech modeli znają markę, żaden jej nie rekomenduje.

Ten case opisujemy w całości, razem z tym, co się nie udało, bo właśnie ta część jest najbardziej pouczająca.

Punkt wyjścia: pomiar, którego nie było

Pierwszy dokument powstał 31 maja 2026. Nie był jeszcze pomiarem, tylko przygotowaniem do niego: zestaw zapytań dopiero powstawał, więc wskaźniki wynosiły zero, bo nie było czego liczyć.

To jest sytuacja, w której zaczyna większość firm. Nie wiadomo, czy modele o marce wiedzą, bo nikt nigdy nie sprawdził. Jak zrobić to samodzielnie, opisujemy w artykule jak sprawdzić, co AI mówi o firmie.

Zestaw zamknęliśmy na osiemnastu zapytaniach, obejmujących cztery obszary: wapno budowlane z normą PN-EN 459-1, wapno nawozowe i odkwaszanie gleby, frazy lokalne z miastem i województwem oraz nazwę własną produktu. Ten sam zestaw wrócił w obu kolejnych skanach bez żadnej zmiany, bo inaczej wyników nie dałoby się porównać. Dlaczego to warunek konieczny, tłumaczymy w haśle zamrożony zestaw zapytań.

Pierwszy pomiar: 31% widoczności i zero wzmianek

Skan z 24 czerwca dał wynik, który na pierwszy rzut oka wygląda sprzecznie.

Trzydzieści jeden procent widoczności przy zerowej liczbie wzmianek znaczy tyle: modele chętnie odpowiadały na pytania o wapno budowlane i nawozowe, tworzyły wokół nich rozbudowane odpowiedzi, ale nie łączyły z nimi tej konkretnej marki.

Rozjazd między modelami był drastyczny. Gemini i Mistral pokrywały temat w 89%, Perplexity w 72%, natomiast Claude, ChatGPT i Grok w ogóle go nie poruszały. Przy uśrednieniu wychodziło 31%, co samo w sobie niewiele mówi. To dobry przykład, dlaczego rozbicie na modele jest ważniejsze od jednej liczby.

Zamiast marki modele wymieniały dużych graczy: dwóch największych producentów w kraju, każdego przy ponad dwudziestu frazach i z najlepszą pozycją pierwszą. W segmencie nawozowym cztery marki średniej wielkości.

Był w tym jeden szczegół, który okazał się kluczowy. Nazwa własna produktu była rozpoznawana przez modele przy osiemnastu frazach, ale jako kategoria wapna, a nie jako produkt konkretnej firmy. Marka miała rozpoznawalny produkt, którego nie potrafiła połączyć z własną nazwą. Tym zjawiskiem zajmuje się hasło aliasy marki.

Co zostało zrobione przez pięć tygodni

Raport wskazał cztery bariery i tyle samo działań. Wszystkie po stronie klienta, bo Aelo niczego nie publikuje za niego.

Sygnały normy na własnej stronie. Strona z normami dostała jawnie wyróżniony zapis zgodności z PN-EN 459-1 i odnośnik do deklaracji. Frazy odwołujące się do normy były w pierwszym skanie najmocniejsze, więc wzmocnienie ich było najtańszym ruchem.

Cena i parametry produktu. Na stronie wapna budowlanego pojawiła się tabela parametrów flagowego produktu oraz sekcja o cenie. Fraza łącząca nazwę produktu z ceną i producentem miała wtedy najniższy wynik w całym zestawie, dwadzieścia procent.

Dane strukturalne. Product i Organization na kluczowych podstronach, żeby modele nie musiały zgadywać z samego tekstu. Więcej w haśle dane strukturalne.

Poprawa najsłabszych stron lokalnych. Podstrony wapna nawozowego dla Poznania i Warki dostały sygnały „producent” i cenę orientacyjną. Nie powstała ani jedna nowa podstrona: marka miała ich już kilkadziesiąt.

To jest wniosek, który powtarza się w naszych skanach najczęściej. Problemem rzadko jest ilość treści. Znacznie częściej to, czy istniejąca treść nadaje się do zacytowania, czyli obszar opisywany jako AEO.

Drugi pomiar: 63% i siedemnaście wzmianek

Skan z 27 lipca, ten sam zestaw osiemnastu zapytań, te same modele.

Rozbicie na modele zmieniło się jeszcze mocniej niż średnia. Claude z zera na sto procent, ze średnią pozycją 2,3. ChatGPT z zera na sto procent, ale ze średnią pozycją dziesiątą, czyli marka pada dopiero na końcu długiej listy. Gemini 94%. Perplexity 67%, i to on został najsłabszym ogniwem, właśnie tam, gdzie brak zewnętrznych cytowań waży najwięcej.

Najmocniejsze okazały się frazy sprzedażowe i lokalne: wapno nawozowe luzem z dostawą na całą Polskę 72,5%, zamówienie w mieście siedziby 71,67%, certyfikowany producent z Łódzkiego 71,25%. Najsłabsze pozostały produktowo-cenowe: nazwa produktu z ceną 45%.

Czego nie udało się zmienić

Test rozpoznawalności w obu skanach dał identyczny wynik: trzy z czterech modeli znają markę, żaden jej nie rekomenduje. Widoczność wzrosła dwukrotnie, cytowania ośmiokrotnie, a ta jedna rzecz stała w miejscu.

Powód jest w raporcie nazwany wprost: brak niezależnych publicznych sygnałów redakcyjnych. Żadnych rankingów, porównań, testów, materiałów prasowych ani zewnętrznych recenzji tej konkretnej marki.

To jest granica, do której doprowadza praca na własnej domenie, i miejsce, w którym się ona zatrzymuje. Opisujemy to zjawisko osobno w artykule zna, ale nie poleca, bo dotyczy większości firm po pierwszych miesiącach pracy.

Domeny, które modele cytowały w tej kategorii, należały do konkurencji i do serwisów branżowych o wapnie i kruszywach. Marka nie występowała w żadnym z nich. Dopóki to się nie zmieni, rekomendacja się nie pojawi, niezależnie od tego, jak dobrze opisana będzie własna strona. Dlaczego modele tak działają, tłumaczymy w artykule dlaczego AI poleca konkurencję.

Trzy wnioski, które przenoszą się na inne firmy

Uśredniona widoczność potrafi ukryć wszystko. W czerwcu 31% oznaczało w praktyce, że trzy modele nie widzą marki wcale, a trzy widzą temat bez marki. Bez rozbicia na modele ta liczba wprowadza w błąd.

Wzmianka i cytowanie to dwie różne rzeczy i rosną w innym tempie. Tutaj wzmianki poszły z zera na siedemnaście, a cytowania z 6% na 50%, więc obie metryki ruszyły, ale z zupełnie innych poziomów. Różnicę wyjaśniamy w hasłach wzmianka i cytowanie.

Rozpoznanie kupuje się treścią, rekomendację cudzymi słowami. Pięć tygodni pracy na własnej domenie dało wzrost we wszystkich metrykach poza jedną, tą najważniejszą. Kolejny etap tego wdrożenia to wyłącznie działania poza własną stroną: materiał ekspercki do branżowego serwisu, zgłoszenia do programów certyfikacyjnych, opinie klientów w miejscach, które modele czytają.

Zastrzeżenia metodologiczne

Dwa pomiary to za mało, żeby oddzielić efekt wdrożenia od naturalnej zmienności modeli. Między czerwcem a lipcem zmieniły się także same modele, a część wzrostu może pochodzić stąd, nie z pracy nad stroną. Dlatego nie podajemy tego jako obietnicy wyniku, tylko jako opis jednego przypadku.

Zestaw zapytań był identyczny w obu skanach, wykonanych tego samego dnia w każdym z modeli, bez podawania nazwy marki w pytaniach. Pełny opis metody jest w metodologii, a wyjaśnienie, dlaczego mierzymy raz w miesiącu, w artykule jak często mierzyć widoczność.

Dane publikujemy za zgodą klienta, bez podawania nazwy firmy.

Pytania