ChatGPT decyduje, które marki poleci, jeszcze zanim wyśle pierwsze zapytanie do wyszukiwarki. Tak wynika z analizy ruchu sieciowego opublikowanej przez Suganthana Mohanadasana, współzałożyciela agencji Snippet Digital, którą 14 sierpnia nagłośnił serwis Search Engine Journal. W 21 z 27 rozmów model wpisał we własne zapytanie nazwy marek, których użytkownik nigdy nie wymienił.
Dla całej branży AIO to przesunięcie punktu ciężkości. Jeśli lista kandydatów powstaje przed pobraniem jakiejkolwiek strony, to najważniejsza selekcja odbywa się poza indeksem, poza SERP i poza zasięgiem klasycznej optymalizacji technicznej.
Skąd wiadomo, co ChatGPT robi przed wyszukaniem
Metoda jest zaskakująco prosta i, co ważne, powtarzalna. Autor otworzył narzędzia deweloperskie Chrome i podejrzał odpowiedzi sieciowe generowane w trakcie rozmowy, koncentrując się na kluczu JSON o nazwie search_queries. To właśnie tam widać dosłowną treść zapytań, które asystent sam formułuje i wysyła do warstwy wyszukiwania, zanim pokaże użytkownikowi choćby jedno zdanie odpowiedzi.
Zbiór danych obejmował 57 rozmów wykorzystanych do analizy cytowań, w ramach których model pobrał 3554 podstrony. Osobny test pierwszego zapytania objął 27 rozmów, 12 świeżych pytań kategorialnych oraz 3 powtórzenia, a dodatkowo 24 zapytania sformułowane bez słowa „najlepszy”. Wszystkie dane pochodzą z jednego konta ChatGPT Plus zarejestrowanego w Dubaju i zostały zebrane 24–25 lipca 2026 roku.
Mechanizm, który autor opisuje, uzupełnia wcześniejsze ustalenia dotyczące tego, jak ChatGPT wybiera źródła i z ilu kanałów pobierania korzysta. Tam chodziło o infrastrukturę pobierania treści. Tutaj chodzi o coś wcześniejszego: o to, kto w ogóle trafia na listę kandydatów.
Kluczowe liczby z analizy
| Wskaźnik | Wartość |
|---|---|
| Rozmowy w analizie cytowań | 57 |
| Pobrane podstrony łącznie | 3554 |
| Podstrony, które faktycznie zacytowano | 110 (3,1%) |
| Rozmowy z marką wstrzykniętą do pierwszego zapytania | 21 z 27 |
| Testy kategorialne z wstrzyknięciem marki | 11 z 13 |
| Cytowalność marki obecnej w zapytaniu modelu | 68,9% (próba 119) |
| Cytowalność marki tylko pobranej, bez wzmianki w zapytaniu | 2,1% (próba 515) |
| Marki zacytowane, choć w ogóle niepobrane | 86 |
Najmocniejsza pojedyncza liczba to różnica między 68,9% a 2,1%, czyli około trzydziestotrzykrotna przewaga marki, którą model wymienił sam z siebie, nad marką, którą dopiero znalazł w sieci. Warto jednak od razu zaznaczyć, że sam autor traktuje tę proporcję jako orientacyjną, a za najczystszy wynik uznaje test „21 z 27”.
Warto zwrócić uwagę na skalę odsiewu, bo ona najlepiej tłumaczy, dlaczego pobranie strony nie jest sukcesem. Z 3554 pobranych podstron cytowanie otrzymało zaledwie 110, czyli 3,1%. Innymi słowy asystent odrzuca ponad dziewięćdziesiąt sześć procent tego, co sam pobrał. Jednocześnie 86 marek zostało wymienionych w odpowiedziach, mimo że w tych rozmowach nie pobrano ani jednej ich podstrony, co jest najczystszym dowodem na to, że część rekomendacji powstaje wyłącznie z wiedzy zapisanej w modelu.
Pamięć parametryczna, czyli ranking przed rankingiem
Zjawisko, o którym mowa, to działanie pamięci parametrycznej, czyli wiedzy zakodowanej w wagach modelu podczas treningu. Kiedy ChatGPT wymienia dostawcę, którego nie musiał szukać, korzysta właśnie z niej. Wyszukiwanie w sieci pełni wtedy rolę weryfikacji cen, funkcji i aktualności, a nie roli odkrywania rynku.
Przykłady z analizy są bardzo konkretne. Na prompt o najlepszą aplikację do notatek z AI model wysłał zapytanie zawierające nazwy Granola, Notion AI, Otter, Fireflies, Fathom, Mem i Limitless. Przy oprogramowaniu do czatu na żywo w zapytaniu pojawiły się Intercom Fin oraz Zendesk. Najbardziej wymowny jest przypadek robotów sprzątających: użytkownik zapytał ogólnie, czego ludzie używają do automatycznego sprzątania podłóg, a model sięgnął po konkretne oznaczenia modeli, w tym Saros, Dreame X50 i Eufy S1 Pro.
Kiedy wstrzyknięcie marki w ogóle następuje
- Aktywacja: pytanie o kategorię bez podania marki. Model musi sam wygenerować listę kandydatów i robi to z pamięci.
- Wyciszenie: użytkownik sam nazywa markę. Wtedy asystent przechodzi do zapytań typu
site:i nie dorzuca konkurencji. - Brak wyzwalacza: pytania edukacyjne w rodzaju „jak działa redukcja szumów” albo skargi bez intencji zakupowej.
Osobny wątek to wypieranie liderów. Zapytania o alternatywy potrafią wprowadzić do gry zupełnie nowe nazwy: prośba o alternatywę dla Zendesk przyniosła Help Scout, „zamiast QuickBooks” wywołało Zoho Books, a pytanie o coś lepszego niż Duolingo do nauki gramatyki wygenerowało Kwiziq i Babbel. Dla mniejszych graczy to realna furtka, bo intencja porównawcza otwiera zestaw kandydatów szerzej niż zwykłe pytanie o najlepsze narzędzie.
Nie każda kategoria jest równie stabilna
Powtórzenia tych samych pytań pokazały, że lista kandydatów bywa chwiejna. W kategorii nauki języków zestaw pozostał niemal identyczny w obu przebiegach: Duolingo, Babbel, Busuu, Pimsleur i LingQ. W księgowości drugi przebieg zamiast szerokiej listy zawęził się do zapytania z operatorem site: na domenę QuickBooks. W hostingu model w drugim podejściu porzucił nazwy dostawców i poszedł w stronę zapytania o benchmarki wydajności. Wniosek jest praktyczny: kategorie dojrzałe i mocno ugruntowane w treningu zachowują się przewidywalnie, a rynki sporne potrafią zmieniać skład przy każdym uruchomieniu.
Cytowanie to osobna gra: pozycja i kanibalizacja
Druga część analizy dotyczy tego, co dzieje się już po pobraniu stron. Okazuje się, że pozycja podstrony wewnątrz grupy wyników dla danej domeny bardzo mocno przekłada się na szansę cytowania.
| Pozycja w grupie wyników | Odsetek cytowań |
|---|---|
| 1 | 5,2% |
| 2 | 4,6% |
| 3 | 2,4% |
| 4 | 1,7% |
| 5 | 0,6% |
| 6 i dalsze | 0,3% |
Jeszcze ciekawszy jest efekt kanibalizacji domeny. Wbrew intuicji wrzucenie do gry większej liczby podstron z tego samego serwisu obniża skuteczność, a optimum wypada bardzo nisko.
| Liczba podstron z jednej domeny w grupie | Odsetek cytowań |
|---|---|
| 1 | 4,0% |
| 2 | 6,2% |
| 3–4 | około 4,3% |
| 5 | 1,9% |
| 6 i więcej | 1,7% |
Autor podsumowuje to jednym zdaniem: dwie dobrze dopasowane strony są optimum, a powyżej sześciu konkurujesz już głównie sam ze sobą. To argument przeciwko strategii zasypywania kategorii dziesiątkami niemal identycznych artykułów, która w klasycznym SEO bywała tolerowana, a w warstwie AI wprost szkodzi.
Trzeci sygnał dotyczy trafności. Strony, które zostały zacytowane, mieściły się w górnych 5% zbioru pod względem dopasowania do konkretnej tezy, ale tylko w 20% przypadków były najlepszym dostępnym dopasowaniem. Trafność działa więc jak próg kwalifikacyjny, a nie jak kryterium wyboru. Wystarczy być wystarczająco dobrym, żeby wejść do puli, a o samym cytowaniu decydują inne czynniki.
Co to znaczy dla SEO i AIO
Analiza rozbija widoczność w ChatGPT na dwie zupełnie różne gry, które wymagają odmiennych budżetów i odmiennych kompetencji. Mylenie ich to najczęstszy powód, dla którego zespoły wydają pieniądze bez efektu.
Gra pierwsza: wejść do słownika kategorii
Jeśli twojej marki nie ma w zapytaniach, które model generuje sam, żadna optymalizacja techniczna tego nie naprawi. Liczy się obecność w treningu i w materiałach, które model widział: recenzje, zestawienia typu „najlepsze narzędzia do”, cytowania w publikacjach branżowych, wzmianki analityków, dyskusje na forach i w serwisach społecznościowych. To praca bliższa digital PR niż audytowi technicznemu. Rezultaty pojawiają się wolno, bo wymagają, aby wzmianki zdążyły trafić do kolejnych cykli treningowych i do świeżych źródeł, po które model sięga.
Gra druga: wygrać cytowanie, gdy już jesteś na liście
Tu z kolei działa klasyczna robota na poziomie pojedynczej strony, tylko z innymi priorytetami niż w SEO. Zdanie odpowiadające wprost na pytanie powinno stać wysoko w kodzie i być zwykłym tekstem HTML, a nie grafiką ani treścią doładowywaną JavaScriptem. Konkretne liczby, ceny i parametry muszą być w tekście, bo to je model wycina jako fragment do zacytowania. Konkurujące ze sobą podstrony o tej samej intencji trzeba konsolidować, zamiast mnożyć.
Jak zmienia się sensowny zestaw metryk
Konsekwencją tych ustaleń jest przebudowa raportowania. Metryka typu „liczba pobrań przez boty AI”, którą wiele zespołów wyciąga dziś z logów serwera, opisuje wyłącznie etap pobierania, a więc ten fragment procesu, w którym wynik jest już w dużej mierze przesądzony. Sensowniejszy zestaw to trzy poziomy mierzone osobno: obecność marki w zapytaniach generowanych przez model, udział pobrań zamienionych na cytowania oraz pozycja własnych podstron w grupie wyników dla domeny. Dopiero taki układ pokazuje, gdzie dokładnie wycieka widoczność, bo każdy z tych poziomów naprawia się innym rodzajem pracy i innym budżetem.
Praktyczna wskazówka dla agencji brzmi więc: przestań raportować klientowi samą liczbę wizyt botów, bo to metryka pozornie rosnąca i całkowicie oderwana od rekomendacji. Raportuj zbiór konkurencyjny, w którym model umieszcza klienta, i pokazuj, jak ten zbiór zmienia się w czasie.
Audyt, który zajmuje pięć minut
- Zadaj swoje główne pytanie kategorialne w ChatGPT pięć razy, za każdym razem w nowej rozmowie.
- Zapisz marki, które model wstrzyknął do własnego zapytania w każdym przebiegu.
- Nazwy powtarzające się we wszystkich uruchomieniach to twój realny zbiór konkurencyjny w pamięci modelu.
- Sprawdź, czy jesteś w tym zbiorze. Jeśli nie, prowadzisz grę pierwszą, a nie drugą.
- Jeśli jesteś, przestań mierzyć samo pobranie strony i zacznij mierzyć stosunek pobrań do cytowań w podziale na domeny.
Ta ostatnia różnica jest kluczowa dla raportowania. Strona pobrana 66 razy i ani razu niezacytowana to problem z treścią strony, a nie z widocznością. Podobną logikę stosuje się już przy audytach w innych silnikach, o czym pisaliśmy w poradniku o tym, jak sprawdzić cytowania strony w Perplexity. Sam autor analizy wskazuje też darmowe rozszerzenie do Chrome o nazwie FanoutFox, które pokazuje dosłowne zapytania fan-out oraz stosunek pobrań do cytowań w podziale na domeny.
Reakcje branży
Search Engine Journal, który opisał badanie 14 sierpnia, streścił jego wymowę jako podział widoczności w AI na dwa niezależne wyzwania i podkreślił, że obecność w zapytaniu modelu jest warta około trzydziestu trzech razy więcej niż sama możliwość znalezienia strony. W tym samym tygodniu w serwisie pojawił się materiał o luce zaufania wokół danych GEO, opisujący rosnący sceptycyzm specjalistów wobec platform sprzedających metryki widoczności w modelach językowych. Zestawienie tych dwóch wątków jest wymowne: branża chce twardych danych o widoczności w LLM, ale nie ufa pośrednikom, którzy je oferują, więc analizy oparte na surowym ruchu sieciowym zyskują na wiarygodności właśnie dlatego, że każdy może je odtworzyć u siebie.
Wnioski współgrają też z wcześniejszymi obserwacjami rynkowymi, w tym z danymi zbieranymi w zestawieniach widoczności marek w silnikach AI, o których pisaliśmy przy okazji indeksu widoczności AI przygotowanego przez Semrush. Tam również powtarzał się motyw, że w odpowiedziach modeli dominują marki o ugruntowanej rozpoznawalności, a nie serwisy o najlepszej optymalizacji technicznej.
Czego te dane nie mówią
Uczciwość wobec czytelnika wymaga wyliczenia ograniczeń, tym bardziej że autor sam je opisuje. Wszystkie pomiary pochodzą z jednego konta, a więc odzwierciedlają personalizację konkretnego użytkownika z Dubaju. Próba jest przeważona w stronę oprogramowania i narzędzi AI, więc inny zestaw pytań przesunąłby procenty. Porównanie 68,9% do 2,1% obejmuje także marki poznane we wcześniejszych turach rozmowy, co zawyża efekt. Dopasowanie nazw marek nie było idealne i wygenerowało fałszywe trafienia, w tym słowa takie jak „SaaS” czy „Dubai” policzone jako marki.
Autor formułuje to wprost: każdy procent należy traktować jako kierunkowy, a nie jako pomiar autorytatywny. Solidny jest natomiast sam mechanizm, bo wpisywanie nazw marek do zapytania przed pobraniem stron da się odtworzyć w dwie minuty na dowolnym koncie, korzystając z narzędzi deweloperskich przeglądarki. To rozróżnienie warto zapamiętać, zanim ktoś zacznie budować prognozy przychodów na liczbie 33x.
Co dalej
Najważniejsza praktyczna wskazówka dotyczy częstotliwości pomiaru. Skład listy kandydatów zmienia się między przebiegami, a infrastruktura po stronie OpenAI również ewoluuje: w sierpniu 2026 zmiana w API ograniczyła liczbę zapytań fan-out z dwunastu do czterech. Mniej zapytań oznacza węższy zbiór pobranych stron, a więc jeszcze ostrzejszą konkurencję o miejsce w puli kandydatów. To, co było prawdą w lipcu, nie musi być prawdą we wrześniu, więc audyt słownika kategorii powinien wracać co miesiąc, a nie raz na kwartał.
Dla polskiego rynku wynika z tego jeszcze jedna rzecz. Marki lokalne rzadziej występują w danych treningowych anglojęzycznych modeli, więc częściej grają w grę pierwszą, nawet jeśli mają świetnie zoptymalizowane strony. Konsekwencja jest niewygodna, ale prosta: budżet, który dziś idzie w kolejne artykuły blogowe, w wielu przypadkach przyniesie więcej, jeśli trafi w obecność w zestawieniach, katalogach branżowych, materiałach prasowych i recenzjach zewnętrznych. Optymalizacja strony pozostaje potrzebna, tylko przestaje być pierwszym krokiem.
FAQ
Czy to znaczy, że optymalizacja treści pod AI nie ma sensu?
Ma sens, ale rozwiązuje tylko drugą część problemu. Jeśli twoja marka pojawia się w zapytaniach, które ChatGPT generuje samodzielnie, praca nad strukturą strony realnie zwiększa szansę cytowania: zdanie z odpowiedzią wysoko w HTML, konkretne liczby w tekście, jedna strona na jedną intencję. Jeśli marki nie ma w tych zapytaniach, żadna zmiana w kodzie tego nie odwróci, bo model nie dotrze do twojej strony na tym etapie.
Jak samodzielnie sprawdzić, jakie zapytania wysyła ChatGPT?
Otwórz narzędzia deweloperskie w Chrome, przejdź do zakładki z ruchem sieciowym, zadaj pytanie kategorialne i poszukaj w odpowiedziach klucza search_queries. Zobaczysz w nim dosłowną treść zapytań, które model wysłał do warstwy wyszukiwania. Alternatywnie można użyć darmowego rozszerzenia FanoutFox, które prezentuje te same dane w czytelnej formie.
Dlaczego dwie podstrony z jednej domeny działają lepiej niż sześć?
W badanej próbce dwie podstrony dawały najwyższą skuteczność cytowania na poziomie 6,2%, podczas gdy sześć i więcej spadało do 1,7%. Prawdopodobne wyjaśnienie jest takie, że nadmiar zbliżonych treści z tego samego serwisu rozprasza dopasowanie do konkretnej tezy i żadna podstrona nie wypada wyraźnie najlepiej. W praktyce oznacza to konsolidację niemal identycznych artykułów zamiast ich mnożenia.
Czy wyniki dotyczą także Perplexity, Gemini i innych silników?
Analiza obejmowała wyłącznie ChatGPT i tylko do niego odnoszą się liczby. Sam mechanizm, czyli generowanie listy kandydatów z pamięci modelu przed sięgnięciem po źródła, występuje jednak w każdym systemie opartym na dużym modelu językowym z warstwą wyszukiwania. Proporcje będą inne, bo różne są zarówno dane treningowe, jak i sposób budowania zapytań, więc każdy silnik trzeba mierzyć osobno.
Ile czasu potrzeba, żeby marka trafiła do słownika kategorii modelu?
Nie ma tu twardych danych, a badanie tego nie mierzy. Wiadomo natomiast, że wejście do pamięci parametrycznej wymaga obecności w danych treningowych, więc horyzont liczy się w miesiącach i zależy od cykli aktualizacji modeli. Szybszą ścieżką bywa obecność w zestawieniach i rankingach, po które asystent sięga w trakcie wyszukiwania, bo one działają na bieżąco.