Widoczność marek w kategorii „monitoring mediów i social listening" w odpowiedziach AI
Zadaliśmy asystentom AI 40 pytań, które w tej kategorii zadaje realny kupujący — każde trzy razy, na trzech silnikach. Z 360 odpowiedzi wyszło coś, czego nie widać, gdy pyta się raz: kategoria w odpowiedziach modeli jest znacznie bardziej skoncentrowana niż na rynku, a jedna czwarta obecności marek jest niestabilna między próbami tego samego pytania.
Czego w tym materiale nie znajdziesz: nazw firm. Publikujemy wyłącznie wyniki zagregowane dla kategorii. Nie wskazujemy publicznie żadnej firmy jako tej, która wypadła dobrze albo źle — wynik pojedynczej marki przekazujemy wyłącznie tej marce, prywatnie. Pozycje w tabelach są oznaczone literami w kolejności malejącej.
Jak to zmierzyliśmy
| Kiedy | 10 listopada 2026, 15:18:56 → 16:55:49 UTC (97 minut) |
|---|---|
| Panel | 40 promptów w 8 rodzinach intencji: kategorialne, problemowe, porównawcze, segmentowe, cenowe, reputacyjne, kryterialne i pytania o markę wprost. Panel zamrożony przed pomiarem (skrót SHA-256 zapisany w pliku dowodowym). |
| Próby | 3 próby na każdy prompt na każdym silniku |
| Silniki | OpenAI API (gpt-5.1), Perplexity Sonar API (perplexity/sonar), Gemini API z groundingiem (gemini-3.8-flash) |
| Wywołania | 360 na 360 udanych, 0 błędów, 1 ponowienie, pokrycie pomiaru 100,0% |
| Koszt | 18,95 PLN z rachunków dostawców API |
| Jak pozyskaliśmy dane | wyłącznie oficjalne, płatne interfejsy programistyczne dostawców. Zero scrapowania stron wyników, zero symulowania przeglądarki, zero obchodzenia zabezpieczeń. |
1. W jednej odpowiedzi mieszczą się trzy marki, nie dziesięć
W 360 odpowiedziach rozpoznaliśmy 31 różnych marek z tej kategorii i razem 1 625 wystąpień. Rozkład jest jednak bardzo nierówny:
- mediana: 3 marki w jednej odpowiedzi, średnia 4,5, maksimum 18,
- 47 odpowiedzi (13,1%) nie zawierało żadnej marki z kategorii — model odpowiadał opisowo, kryteriami wyboru, bez nazw,
- w 63 odpowiedziach pojawiła się dokładnie jedna marka.
To jest pierwszy praktyczny wniosek: w ponad połowie odpowiedzi jest miejsce na trzy nazwy. Rynek, w którym działa 31 dostawców, w odpowiedzi asystenta wygląda jak rynek trzech.
| Silnik | Odpowiedzi bez marki | Udział |
|---|---|---|
| Silnik z największą skłonnością do odpowiedzi opisowej | 26 | 21,7% |
| Silnik środkowy | 14 | 11,7% |
| Silnik z największą skłonnością do wymieniania nazw | 7 | 5,8% |
2. Koncentracja: trzy pierwsze marki zabierają 38% wszystkich wzmianek
| Pozycja | W ilu z 360 odpowiedzi | Udział odpowiedzi | W ilu z 40 promptów |
|---|---|---|---|
| Marka A | 300 | 83,3% | 38 |
| Marka B | 167 | 46,4% | 27 |
| Marka C | 151 | 41,9% | 27 |
| Marka D | 138 | 38,3% | 27 |
| Marka E | 114 | 31,7% | 27 |
| Marka F | 112 | 31,1% | 26 |
| Marka G | 103 | 28,6% | 21 |
| Marka H | 81 | 22,5% | 22 |
| Marka I | 52 | 14,4% | 15 |
| Marka J | 52 | 14,4% | 16 |
| Pozostałe 21 marek dzieli między siebie 21,8% wzmianek. | |||
- Trzy pierwsze marki: 38,0% wszystkich wzmianek.
- Pięć pierwszych: 53,5%.
- Dziesięć pierwszych: 78,2%.
Różnica między pozycją pierwszą a drugą jest większa niż między drugą a dziesiątą. Marka A wystąpiła w 38 z 40 promptów — jest de facto domyślną odpowiedzią kategorii. Marki z pozycji 9–10 pojawiają się w co siódmej odpowiedzi i w mniej niż połowie promptów, czyli wchodzą do odpowiedzi tylko przy niektórych typach pytań.
3. Od typu pytania zależy, ile marek w ogóle wchodzi do gry
| Rodzina pytań | Różnych marek | Co to znaczy w praktyce |
|---|---|---|
| kategorialne („najlepszy dostawca X") | 29 | najszersze pole — tu da się wejść do odpowiedzi nawet z dalszej pozycji |
| porównawcze („X czy Y") | 25 | model dorzuca alternatywy do pary, o którą pytano |
| problemowe (opis bólu bez nazwy rozwiązania) | 24 | najmniej obstawione przez liderów, najtańsze do zdobycia treścią |
| segmentowe („dla agencji", „dla instytucji") | 24 | wygrywa specjalizacja opisana wprost, nie rozmiar |
| reputacyjne („czy X jest dobre") | 16 | wąskie — tu liczy się, co o marce piszą osoby trzecie |
| cenowe („ile kosztuje") | 15 | model wymienia tylko tych, u których cennik jest publiczny i czytelny |
| kryterialne („na co patrzeć przy wyborze") | 9 | prawie bez nazw — odpowiedź jest listą kryteriów |
| o markę wprost | 8 | model trzyma się tematu i nie rozsiewa konkurencji |
Wniosek dla kogoś, kto nie jest Marką A: pytania problemowe i segmentowe są jedynym miejscem, w którym dalsza pozycja w kategorii nie jest przeszkodą. Pytania kryterialne nie mają sensu jako cel — na nich model nie wymienia prawie nikogo.
4. Jedna czwarta obecności marek jest niestabilna
Każdy prompt zadaliśmy trzy razy na każdym silniku. Dla każdej pary „marka + prompt + silnik", w której marka pojawiła się choć raz, policzyliśmy, w ilu z trzech prób rzeczywiście wystąpiła. Takich par było 703:
| W ilu próbach z trzech | Par | Udział |
|---|---|---|
| 3 na 3 — wystąpienie stabilne | 398 | 56,6% |
| 2 na 3 | 126 | 17,9% |
| 1 na 3 — wystąpienie przypadkowe | 179 | 25,5% |
To jest najważniejsza liczba w całym materiale i powód, dla którego nie da się zbadać widoczności w AI, pytając raz. Co czwarte wystąpienie marki, które zobaczyłbyś przy jednym zapytaniu, zniknęłoby przy powtórzeniu tego samego pytania. Jedno zapytanie nie jest pomiarem — jest losowaniem. Przy jednej próbie mniej więcej jedna na cztery „obecności" i podobna część „nieobecności" to szum, a nie wynik.
Praktycznie: marka, która jest w odpowiedzi 1 na 3 razy, nie jest „w odpowiedziach AI" — jest na granicy. I odwrotnie: jeśli ktoś pokazuje Ci zrzut ekranu z jednej rozmowy jako dowód swojej widoczności (albo Twojej nieobecności), to pokazuje jedną próbę z trzech.
5. Silniki różnią się tym, czy w ogóle szukają w sieci
| Silnik | Szukał w sieci | Promptów z wyszukiwaniem (z 40) | Mediana źródeł na odpowiedź |
|---|---|---|---|
| Silnik 1 | 120/120 = 100% | 40 | 8 |
| Silnik 2 | 92/120 = 76,7% | 32 | 4 |
| Silnik 3 (z włączonym groundingiem) | 26/120 = 21,7% | 10 | 0 |
Silnik 3 miał grounding włączony przez całe 97 minut pomiaru i skorzystał z niego w co piątym wywołaniu. W pozostałych odpowiadał z wiedzy modelu, bez wejścia do sieci i bez źródeł. Konsekwencja jest poważna i rzadko mówi się o niej wprost: na tym silniku treść Twojej strony w ogóle nie bierze udziału w czterech piątych odpowiedzi. Decyduje to, co model „wie" o marce z danych treningowych — czyli to, co inni napisali o niej wcześniej.
To również powód, dla którego procentowego udziału cytowań nie wolno porównywać między silnikami. Przy mianowniku 10 promptów jeden prompt przesuwa metrykę o 10 punktów. Piszemy o tym osobno: Czego nie mierzymy i dlaczego.
6. Co modele cytują: 43,6% to strony samych dostawców, 32,5% to treści osób trzecich
W 360 odpowiedziach modele zacytowały 2 349 razy łącznie 301 różnych domen. 92 z nich wystąpiły dokładnie raz — ogon jest długi i płaski.
| Typ źródła | Udział cytowań |
|---|---|
| strony samych dostawców z kategorii (witryny, bazy wiedzy, podstrony produktowe) | 43,6% |
| treści osób trzecich: blogi agencji, zestawienia „najlepsze narzędzia", porównania | 32,5% |
| media branżowe i portale | 11,0% |
| platformy opinii i katalogi oprogramowania (G2, Capterra i podobne) | 7,9% |
| Wikipedia | 2,4% |
| serwisy publiczne | 1,4% |
| fora i serwisy dyskusyjne | 0,9% |
| serwisy społecznościowe | 0,4% |
Dwa wnioski, które z tego wynikają:
- Własna strona daje mniej niż połowę. 43,6% cytowań to domeny dostawców — czyli nawet perfekcyjnie przygotowana witryna nie domyka obrazu. Ponad połowa cytowań prowadzi do treści, których nie kontrolujesz.
- Największa pojedyncza pula poza własną stroną to zestawienia i blogi agencji (32,5%), nie media i nie platformy opinii. To w nich model znajduje listę „najlepszych narzędzi", z której potem buduje odpowiedź. Obecność w takich zestawieniach — i to, czy opisują markę poprawnie — jest wymierna i da się nad nią pracować.
Czego ten pomiar nie pokazuje
Podajemy to równie konkretnie jak liczby, bo bez tego liczby znaczą więcej, niż powinny.
- Jedna kategoria, jeden panel, jeden dzień. To zdjęcie z 10 listopada 2026. Dostawcy zmieniają modele bez uprzedzenia; w innym miesiącu te same pytania mogą dać inny rozkład. Nie wiemy, jak szybko te liczby się starzeją — będziemy to wiedzieć po kilku cyklach.
- Marki rozpoznawaliśmy przez dopasowanie nazw w treści odpowiedzi, skryptem, bez ręcznego przeglądu wszystkich 360 odpowiedzi. Dla nazw będących zwykłymi słowami metoda może dawać pojedyncze fałszywe trafienia; przy agregatach rzędu setek wystąpień nie zmienia to rozkładu, ale uczciwie: nie jest to policzone z dokładnością do jednej wzmianki.
- Nie mierzyliśmy AI Overviews ani Google AI Mode. Te powierzchnie nie mają oficjalnego API, a pomiar wymagałby obchodzenia zabezpieczeń Google. Nie robimy tego. Kategoria może tam wyglądać inaczej i nie twierdzimy, że nasz wynik ją obejmuje.
- Udział wzmianek nie jest udziałem w rynku i nie jest rankingiem jakości. Mierzy jedno: jak często model wymienia markę w odpowiedzi na pytanie kupującego.
- Nie wiemy, ile zapytań o tę kategorię trafia realnie do asystentów AI. Nikt tego publicznie nie udostępnia. Mierzymy strukturę odpowiedzi, nie wolumen pytań.
Jeśli to Twoja kategoria
Powyżej jest obraz zagregowany. Wynik konkretnej marki — w tym Twojej — liczymy na panelu zbudowanym pod nią i przekazujemy wyłącznie jej, prywatnie. Nigdy nie publikujemy ani nie wysyłamy osobom trzecim informacji, że dana firma wypadła w pomiarze słabo.
Napisz, w jakiej kategorii działasz — odpowiemy, co da się dla niej zmierzyć, a czego nie. Zakres i ceny: audyt 1 490 PLN netto, retainer 2 990 PLN netto / mies.
Surowe agregaty, na których oparty jest ten materiał, zapisujemy w pliku agregat-kategoria-2026-11.json razem ze skryptem, który je policzył — udostępniamy je na żądanie każdemu, kto chce sprawdzić rachunek. ← Wszystkie materiały