Model AI po raz pierwszy poleca markę. Case producenta wapna, wrzesień 2026

W trzecim pomiarze, 10 września 2026, rodzinny producent wapna z województwa łódzkiego pojawił się we wszystkich 18 zapytaniach z zestawu, a modele AI cytowały jego stronę jako źródło przy 17 z nich (94%). Wszystkie cztery sprawdzane modele znają markę, a jeden po raz pierwszy ją poleca, czyli pojawiła się pierwsza rekomendacja marki w AI. Stało się to po 11 tygodniach od pierwszego pomiaru i po dwóch skanach, w których marka była znana, ale nikt jej nie polecał.

To druga część case’u. Pierwsza, Z zera do 63% widoczności w AI w pięć tygodni, opisuje pomiary z 24 czerwca i 27 lipca 2026 oraz zmiany na stronie, które je dzieliły. Kończyła się wnioskiem, że rosną wszystkie metryki poza jedną: rekomendacją. We wrześniu ta metryka drgnęła.

Jakie wyniki dał trzeci pomiar?

Trzeci pomiar pokazał wzrost we wszystkich metrykach, które da się porównać z czerwcem i lipcem. Najmocniej urósł wskaźnik cytowań: z 6% do 94% w ciągu 11 tygodni.

Źródło: trzy skany Aelo w czterech modelach: ChatGPT, Claude, Gemini i Perplexity. Dane publikujemy za zgodą klienta, bez nazwy firmy.

Wszystkie trzy skany korzystały z tego samego zamrożonego zestawu zapytań: 18 pytań o wapno budowlane, wapno nawozowe, dostawy lokalne i producenta z regionu. Pytania zadawaliśmy bez nazwy marki, czyli w neutralnym skanie. Każdy kolejny pomiar widoczności marki w AI jest porównywalny z poprzednim tylko przy tych dwóch warunkach. Sposób liczenia opisuje metodologia, a zakres jednego pomiaru hasło pełny skan.

Czym różni się rekomendacja marki w AI od rozpoznania?

Rozpoznanie znaczy, że model wie o istnieniu firmy i potrafi ją opisać, gdy ktoś zapyta o nią z nazwy. Rekomendacja znaczy, że model sam wskazuje firmę jako dobry wybór, gdy klient pyta o kategorię, np. „jaki producent wapna nawozowego w łódzkim”. To dwa osobne progi i marka może stać na pierwszym bardzo długo.

Producent wapna stał na nim przez dwa pomiary: w czerwcu i lipcu trzy modele go znały, żaden nie polecał. We wrześniu znają go wszystkie cztery, a jeden przeszedł na drugi próg.

Ten stan opisujemy szerzej w tekście Zna, ale nie poleca, a sytuację, w której model w ogóle nie kojarzy firmy, na stronie ChatGPT nie zna mojej firmy. Mechanizm, przez który modele wybierają marki do odpowiedzi, rozkładamy w artykule Jak czaty AI wybierają marki, które polecają.

Dlaczego cytowania strony w AI wzrosły z 6% do 94%?

Modele zaczęły traktować stronę producenta jako źródło informacji o wapnie, a nie tylko jako jedną z wielu stron w wynikach. W czerwcu i lipcu przy tych zapytaniach cytowały głównie domeny dużych producentów i ogólne serwisy. We wrześniu strona marki jest na pierwszym miejscu listy źródeł: modele powołują się na nią przy 17 z 18 fraz. Kolejna domena, serwis ogłoszeniowy, pojawia się przy 11 frazach.

Raport z 10 września ocenia stronę jako gotową do cytowania. Marka ma rozbudowany zestaw stron o wapnie budowlanym i nawozowym, stronę o normach, stronę o firmie i blog. Po pierwszym pomiarze nie powstała ani jedna nowa podstrona: zmiany dotyczyły tego, czy istniejące treści nadają się do zacytowania. Jakie to były zmiany, opisuje pierwsza część case’u.

Różnica między wzmianką a cytowaniem jest tu kluczowa. Wzmianka to nazwa marki w treści odpowiedzi. Cytowanie to powołanie się na stronę marki jako źródło. W tym case’ie cytowania rosły szybciej niż jakakolwiek inna metryka, a strona dała modelom treści, które mogą przytoczyć: parametry, normę, cenę, zasięg dostaw. Brak takich konkretów nazywamy luką treściową.

Jak marka wypada na tle konkurencji?

We wrześniowym skanie marka ma 19 wzmianek. To więcej niż którykolwiek producent w porównywalnej skali: najbliżsi mają 15, 11 i 10 wzmianek. Częściej od niej pojawiają się tylko dwa międzynarodowe koncerny, które modele traktują jako punkt odniesienia dla całej kategorii wapna.

W lipcu marka miała 10 wzmianek i przegrywała z kilkoma krajowymi producentami. Po sześciu tygodniach wyprzedza wszystkich graczy swojej wielkości. Dlaczego modele częściej wymieniają firmy obecne w wielu źródłach, tłumaczymy w tekście Dlaczego AI poleca konkurencję.

Jak zmieniła się widoczność w Perplexity i Claude?

Perplexity wymienia markę we wszystkich zapytaniach, a Claude robi to od lipca, przy czym średnia pozycja marki na jego listach poprawiła się z 2,3 na 1,8. W praktyce Claude podaje producenta zwykle jako pierwszą albo drugą firmę.

Perplexity w lipcu był najsłabszym ogniwem: marka pojawiała się w dwóch trzecich odpowiedzi i zwykle na końcu długiej listy. We wrześniu jest w każdej odpowiedzi, a średnia pozycja przesunęła się o ponad pięć miejsc w górę. To ważne, bo Perplexity przy każdej odpowiedzi przeszukuje sieć i pokazuje źródła, więc szybko reaguje na zmiany w tym, co o marce da się znaleźć.

Wyniki modeli różnią się między sobą przy każdym pomiarze. Skąd ta zmienność, wyjaśnia tekst Dlaczego AI za każdym razem odpowiada inaczej.

Przy jakich zapytaniach marka jest najmocniejsza?

Najmocniej marka wypada przy zapytaniach o wapno budowlane i zaprawy wapienne, zwłaszcza powiązanych z województwem łódzkim i regionem siedziby zakładu. To frazy, przy których ma na stronie najwięcej konkretów: zgodność z normą PN-EN 459-1, parametry produktu, lokalizację zakładu.

Frazy o wapnie nawozowym mają niższe wyniki, mimo że marka ma pod nie osobne strony lokalne. Dlatego to właśnie ten obszar jest następny w planie wdrożenia.

Co dalej w tym wdrożeniu?

Kolejny etap to głównie działania poza własną stroną, bo to one otwierają drogę do rekomendacji w pozostałych trzech modelach:

• prośby o opinie do stałych odbiorców rolniczych w grupach branżowych,
• wpis w niezależnym katalogu dostawców,
• materiały o wapnie nawozowym do serwisów rolniczych, które modele już cytują przy tych zapytaniach,
• sekcja o dawkowaniu i odkwaszaniu gleby na istniejącej stronie wapna nawozowego, bez tworzenia nowych podstron.

Przy tych samych zapytaniach modele sięgają po serwisy zewnętrzne: platformę zleceń, serwis ogłoszeniowy i serwisy rolnicze. To lista miejsc, w których obecność marki może przełożyć się na kolejne rekomendacje. Zadania z raportu trafiają na tablicę w module Zadania.

Czego uczy ten case?

Efekty GEO widać najpierw w cytowaniach, potem w rekomendacjach. Wskaźnik cytowań urósł z 6% do 94%, zanim pojawiła się pierwsza rekomendacja. Strona, którą modele mogą łatwo zacytować, pracuje na każde kolejne zapytanie. Czym jest GEO i czym różni się od SEO, opisujemy na stronie SEO, GEO i AEO: różnice oraz w tekście Widoczność w AI a SEO.

Rekomendacja przychodzi po rozpoznaniu, nie zamiast niego. Przez dwa pomiary marka była znana i niepolecana. Pierwsza rekomendacja pojawiła się dopiero wtedy, gdy znały ją wszystkie cztery modele.

Trend widać dopiero w serii pomiarów. Trzy skany na identycznych 18 zapytaniach pokazują kierunek, którego nie widać w pojedynczym zrzucie ekranu. Dlaczego mierzymy raz w miesiącu, tłumaczymy na stronie Jak często mierzyć widoczność, a dlaczego efekty przychodzą z opóźnieniem, na stronie Dlaczego zmiany wymagają czasu.

Zastrzeżenia metodologiczne

Między czerwcem a wrześniem zmieniały się też same modele, więc części wzrostu nie da się przypisać wyłącznie pracy nad marką. Opisujemy jeden przypadek w wąskiej kategorii, a nie obietnicę wyniku. Wszystkie trzy pomiary wykonaliśmy na tym samym zestawie zapytań, bez nazwy marki w pytaniach, w tych samych czterech modelach. Więcej naszych pomiarów publikujemy w dziale Badania, a podstawy tematu zebraliśmy w przewodniku Widoczność marki w AI: jak działa i jak ją mierzyć.

Sprawdź, czy AI poleca Twoją markę

Ręczny test da się zrobić samodzielnie według instrukcji Jak sprawdzić, czy AI poleca Twoją markę. Regularny pomiar w czterech modelach na stałym zestawie zapytań prowadzi moduł Widoczność w AI. Konto Free daje 250 AeloCoins na start i pełny raport marki: wzmianki, cytowania, źródła, rozpoznanie i bariery do usunięcia.

Agencje prowadzące taki pomiar dla klientów znajdą szczegóły na stronach Aelo dla agencji i Aelo dla agencji SEO, a firmy lokalne na stronie Aelo dla małych firm. Limity zapytań w planach są w cenniku.

Załóż konto Free

FAQ