Jak czaty AI wybierają marki, które polecają

Czaty AI wybierają marki z dwóch źródeł: z wiedzy zapisanej w modelu podczas treningu i z wyników wyszukiwania, które pobierają w chwili pisania odpowiedzi. Marka pojawia się wtedy, gdy model kojarzy ją z pytaniem albo znajduje ją w źródłach, które uznaje za wiarygodne. Nie ma tu stałego rankingu jak w Google. Jest pula marek, które model łączy z daną kategorią, i spora losowość w tym, które z nich trafią do konkretnej odpowiedzi.

Ten tekst należy do przewodnika Widoczność marki w AI: jak działa i jak ją mierzyć. Definicje pojęć, które się w nim pojawiają, znajdziesz w słowniku.

Skąd model AI wie, że Twoja firma istnieje?

Pierwsze źródło to dane treningowe. Model uczy się na ogromnym zbiorze tekstów z internetu zebranych do określonej daty. Jeśli o firmie pisano często i spójnie (na jej stronie, w mediach branżowych, katalogach, na forach, w recenzjach), model może ją znać i wymienić bez sięgania do sieci.

Ta wiedza ma dwa ograniczenia. Kończy się na dacie odcięcia danych, więc nowa usługa, zmiana nazwy albo cennika w niej nie istnieją. Obejmuje też głównie marki, o których dużo pisano. Mała firma usługowa, opisana na własnej stronie i w dwóch katalogach, często w niej nie występuje albo jest mylona z inną. Powody, dla których model może nie kojarzyć konkretnej firmy, rozpisujemy w tekście ChatGPT nie zna mojej firmy.

Drugie źródło to wyszukiwanie w czasie rzeczywistym. Gdy czat korzysta z sieci, pobiera strony z indeksu wyszukiwarki i na ich podstawie składa odpowiedź. OpenAI w dokumentacji swoich robotów rozdziela robota wyszukiwarki ChatGPT (OAI-SearchBot) od robota zbierającego dane treningowe (GPTBot). ChatGPT przez długi czas opierał się na indeksie Bing, a analizy z 2026 roku wskazują, że korzysta też z innych źródeł i buduje własny indeks. Odpowiedzi AI w Google (AI Overviews i tryb AI) korzystają z indeksu Google. Wniosek jest praktyczny: strona, której nie ma w danym indeksie albo która blokuje robota, nie może zostać źródłem odpowiedzi.

Co dzieje się między pytaniem a odpowiedzią?

Model zwykle nie wyszukuje dokładnie tego, co wpisał użytkownik. Rozbija pytanie na kilka zapytań pomocniczych (ten mechanizm nazywa się fan-out), pobiera wyniki dla każdego z nich i dopiero z tego materiału pisze odpowiedź. Google potwierdza w dokumentacji Search Central, że AI Overviews i tryb AI mogą wysyłać wiele powiązanych wyszukiwań w podtematach i różnych źródłach danych.

Przykład: przy pytaniu „jaki program do fakturowania dla jednoosobowej firmy” model może osobno sprawdzić ceny, integracje z bankami, obsługę KSeF i opinie użytkowników. Każde z tych zapytań daje inne wyniki i inne strony do zacytowania. To dlatego dobór zapytań do pomiaru wygląda inaczej niż dobór słów kluczowych: liczy się intencja wyszukiwania, a nie wolumen.

Skalę zjawiska pokazuje badanie AirOps z marca 2026 roku, oparte na 15 000 zapytań w ChatGPT:

Wynikają z tego dwie rzeczy. Strona może zostać znaleziona i mimo to nie trafić do odpowiedzi. A o cytowaniu często decydują pytania, których nikt nie śledzi w klasycznych narzędziach SEO. Dlatego wysoka pozycja w Google nie przekłada się wprost na obecność w odpowiedziach AI, o czym więcej w tekście Widoczność w AI a SEO i na stronie SEO, GEO i AEO: różnice.

Co decyduje o tym, że marka trafia do odpowiedzi?

Obecność w wielu niezależnych źródłach

Model buduje obraz kategorii z tego, co czyta w wielu miejscach. Marka opisana na własnej stronie, w porównaniach, rankingach branżowych, recenzjach i katalogach ma większą szansę znaleźć się w puli, z której model wybiera. W badaniu SparkToro i Gumshoe.ai listy polecanych marek prawie zawsze się różniły, ale czołowe marki w kategorii słuchawek pojawiały się w 55-77% odpowiedzi. Marka z tej puli pojawia się regularnie. Marka spoza niej prawie wcale. Brakujący sygnał, przez który model nie ma podstaw wymienić firmy, nazywamy barierą.

Jednoznaczne fakty o firmie

Czym się zajmujesz, dla kogo, w jakim regionie, ile to kosztuje, czym różnisz się od konkurencji. Jeśli strona, Profil Firmy w Google i katalogi podają różne nazwy, adresy albo zakresy usług, model częściej łączy te informacje błędnie albo powtarza nieaktualne dane. Osobny problem to warianty samej nazwy: skróty, dawna nazwa, zapis bez polskich znaków, czyli aliasy marki. Fakty o marce zbieramy w Wiedzy o marce, czyli grafie wiedzy budowanym z indeksowania Twojej strony, skanów i cytowań. Uzupełnia go formularz Tożsamości marki.

Treści, które odpowiadają na pytania pomocnicze

Skoro model rozbija pytanie na części, szuka konkretów: cennika, porównania z alternatywą, opisu, dla kogo usługa jest, a dla kogo nie. Strona z hasłami w rodzaju „kompleksowa obsługa” i „indywidualne podejście” nie daje mu nic, co mógłby zacytować. Różnicę między tym, co model powinien znaleźć, a tym, co faktycznie ma na stronie, opisuje pojęcie luki treściowej. W pracy badaczy z Princeton i IIT Delhi, która wprowadziła pojęcie GEO, dodanie do tekstu statystyk, cytatów i źródeł zwiększało jego widoczność w odpowiedziach generatywnych nawet o 40% (w warunkach eksperymentu, nie w konkretnym czacie).

Dostęp dla robotów

Strona musi być zaindeksowana w Google i w Bing (ten drugi indeks sprawdzisz w Bing Webmaster Tools), a plik robots.txt nie może blokować robotów wyszukiwarek AI. Kluczowa treść powinna być w kodzie HTML strony. W analizie Vercel żaden z głównych robotów AI nie wykonywał JavaScriptu, więc tekst doładowywany skryptem może być dla nich niewidoczny. Pomagają też dane strukturalne, a osobną sprawą jest plik llms.txt, wokół którego narosło więcej obietnic niż potwierdzonych faktów.

Dlaczego AI poleca konkurencję, a Twojej marki nie?

Powody są zwykle prozaiczne. Konkurent występuje w artykułach porównawczych i rankingach, które model czyta przy wyszukiwaniu. Ma więcej opinii w serwisach, które wyszukiwarka indeksuje. Jego strona odpowiada wprost na pytania o cenę i zakres, a Twoja nie. Albo działa dłużej i zdążył trafić do danych treningowych. Rozwijamy to na stronie Dlaczego AI poleca konkurencję.

Osobny przypadek to marka, którą model zna, ale której nie poleca. Zwykle brakuje jej wtedy niezależnych, cudzych publikacji, a nie treści na własnej stronie. Opisujemy to w tekście Zna, ale nie poleca, a w praktyce widać to w case producenta wapna: widoczność wzrosła z 31% do 63% w pięć tygodni, a test rozpoznania w obu pomiarach dał ten sam wynik.

Żaden z tych powodów nie jest stały. Źródła, które model cytuje przy pytaniach z Twojej branży, pokazują, gdzie inne marki są obecne, a Twojej brakuje. Na tej podstawie przygotowujemy zadania, np. listę serwisów, w których warto założyć profil. Firmy lokalne, które konkurują w pytaniach z nazwą miasta, znajdą więcej na stronie Aelo dla małych firm, a sklepy na stronie Aelo dla e-commerce.

Jak sprawdzić, jak model widzi Twoją markę?

Zacznij od ręcznego testu opisanego w tekście Jak sprawdzić, czy AI poleca Twoją markę. Skróconą wersję instrukcji mamy też na stronie Jak sprawdzić, czy AI wymienia markę. Zanim wyciągniesz wnioski, przeczytaj, dlaczego AI za każdym razem odpowiada inaczej: jeden zrzut ekranu nie wystarcza do oceny.

Do regularnego pomiaru służy moduł Widoczność. Zadaje te same zapytania w czterech modelach (ChatGPT, Claude, Gemini i Perplexity) w stałych odstępach czasu i zapisuje, jak często pojawia się marka, jakie inne marki występują w tych samych odpowiedziach i z jakich źródeł model korzystał. Pytania zadajemy bez nazwy marki, czyli w neutralnym skanie. Agencje prowadzące taki pomiar dla klientów znajdą szczegóły na stronie Aelo dla agencji, a agencje SEO na stronie Aelo dla agencji SEO.

Sprawdź, kogo AI wymienia w Twojej kategorii

Zamiast zgadywać, które marki model kojarzy z Twoją branżą, zadaj mu te pytania systematycznie i zapisz wyniki. Konto Free daje 250 AeloCoins na start i pełny raport marki: wzmianki, cytowania, źródła i lista barier do usunięcia.

Zakres planów, limity zapytań i warunki konta Free są w cenniku.

FAQ

Źródła

• SparkToro i Gumshoe.ai, badanie spójności rekomendacji marek w AI (styczeń 2026): https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/
• AirOps, raport o wyszukiwaniu, zapytaniach pomocniczych i cytowaniach w ChatGPT (marzec 2026): https://www.airops.com/report/influence-of-retrieval-fanout-and-google-serps-in-chatgpt
• Google Search Central, funkcje AI a Twoja strona: https://developers.google.com/search/docs/appearance/ai-features
• OpenAI, dokumentacja robotów: https://developers.openai.com/api/docs/bots
• Aggarwal i in., GEO: Generative Engine Optimization (KDD 2024): https://arxiv.org/abs/2311.09735
• Vercel, analiza zachowania robotów AI (grudzień 2024): https://vercel.com/blog/the-rise-of-the-ai-crawler