TL;DR. Profound AI to platforma do monitoringu cytowań marki w dużych modelach językowych — ChatGPT, Perplexity, Gemini, Claude, Copilot i Google AI Overviews. W 2026 roku tool dojrzał do poziomu, w którym realnie odpowiada na pytanie „jak często LLM polecają moją firmę, które źródła ją cytują i jak to zmienić”. W tym przewodniku pokazuję funkcje platformy, cennik w euro, różnice wobec alternatyw (Otterly, AthenaHQ, Peec AI), 10-krokowy setup od konta do pierwszego raportu oraz najczęstsze błędy, które obniżają jakość danych. Dla kogo ma sens? Dla marek B2B SaaS, e-commerce i agencji, które już widzą ruch z LLM w GA4 i chcą przejść od obserwacji do aktywnej optymalizacji widoczności w odpowiedziach AI.
Czym właściwie jest Profound AI i jaki problem rozwiązuje?
Profound to narzędzie kategorii Generative Engine Optimization analytics — platforma, która w regularnych interwałach zadaje dziesiątki lub setki pytań do wybranych modeli językowych, zapisuje pełne odpowiedzi, parsuje z nich wzmianki o markach oraz odnośniki do źródeł i prezentuje wszystko w formie dashboardu z metrykami. Jeśli klasyczne SEO ma Search Console, to monitoring LLM potrzebuje warstwy obserwacyjnej, która pokaże: ile razy w danym tygodniu Perplexity wymieniło moją markę w odpowiedzi na pytanie zakupowe, który konkurent dominuje w kategorii „najlepszy CRM dla startupu”, z których domen LLM czerpie dane i jakie pytania użytkownicy naprawdę zadają na mój temat.
Problem, który Profound adresuje, nie jest nowy — nowa jest jego skala. Jeszcze dwa lata temu można było odpalić promptem ręczną analizę widoczności w ChatGPT raz na miesiąc. Dzisiaj modeli jest kilka, wersji w obrębie jednego modelu kilka, odpowiedzi są dynamiczne (zmieniają się z dnia na dzień), a interfejsy takie jak ChatGPT Search czy Perplexity Pages agregują ruch zakupowy, który do niedawna trafiał do Google. Ręczny audyt się nie skaluje. Potrzebny jest system, który robi to automatycznie, codziennie i w kilku krajach jednocześnie. I taką rolę pełni Profound — razem z Otterly, AthenaHQ, Peec AI oraz kilkoma młodszymi startupami.
Warto od razu ustawić oczekiwania: Profound nie poprawia widoczności w LLM-ach sam z siebie. To narzędzie pomiarowe i diagnostyczne. Optymalizację robi zespół treści i PR na bazie tego, co platforma pokaże. Dokładnie tak jak GSC nie podnosi pozycji — pokazuje, gdzie je stracić, a gdzie zdobyć.
Jakie funkcje oferuje Profound AI w 2026 roku?
Flagowy zestaw funkcji składa się z pięciu filarów, które razem tworzą coś w rodzaju Search Console dla LLM. Pierwszy filar to Prompt Library: miejsce, w którym definiuje się zestawy zapytań monitorowanych dla marki. Druga część to Answer Engine Coverage — serce produktu, czyli codzienne odpytywanie modeli (ChatGPT, Perplexity, Google AIO, Gemini, Claude, Copilot) i śledzenie, ile razy marka pojawia się w odpowiedzi, na jakiej pozycji w porównaniu do konkurentów i w jakim sentymencie.
Trzeci filar to Citations & Sources, czyli raport pokazujący, z których domen LLM czerpie dane, by odpowiedzieć na dane zapytanie. Czwarty to Conversation Explorer — analiza logów rzeczywistych rozmów, które marki udostępniają (anonimowo) w zamian za raport zbiorczy. Piąty to Actions & Insights: rekomendacje, które strony i tematy warto przepisać lub dodać, żeby zwiększyć szansę cytowania. W 2026 doszły też: agent do monitoringu AI Overviews z wynikami dzień-na-dzień, lokalizacja per kraj (US, UK, DE, PL, FR, JP) oraz natywny eksport do BigQuery dla klientów Enterprise.
Z funkcji mniej oczywistych, ale bardzo praktycznych: zakładka Share of Voice pokazująca procent odpowiedzi, w których marka została wspomniana w porównaniu z listą zdefiniowanych konkurentów, eksport CSV dla każdego promptu z pełnym tekstem odpowiedzi oraz webhook wysyłający alert do Slacka, jeśli widoczność w danym prompcie spadnie więcej niż o 20 procent tydzień do tygodnia.
Ile kosztuje Profound AI i jak wygląda cennik?
Cennik w 2026 roku jest modułowy i zależy od trzech zmiennych: liczby promptów monitorowanych dziennie, liczby śledzonych marek (własna plus konkurenci) oraz liczby modeli w planie. Na stronie tryprofound.com Profound publikuje trzy publiczne tiery, a Enterprise wyceniane jest indywidualnie. Poniżej szacunkowe widełki na kwiecień 2026 — dokładne liczby warto potwierdzić w czasie rozmowy z sales.
- Starter — około 499 EUR miesięcznie. Zawiera 50 promptów dziennie, 3 modele (ChatGPT, Perplexity, Google AIO), jedną lokalizację, 5 konkurentów i dashboard bez API.
- Growth — około 1 499 EUR miesięcznie. 250 promptów, 5 modeli, 3 lokalizacje, 20 konkurentów, dostęp API i podstawowy Conversation Explorer.
- Scale — około 3 499 EUR miesięcznie. 1000 promptów, wszystkie modele (w tym Claude, Copilot, Gemini Advanced), 6 lokalizacji, nielimitowani konkurenci, eksport BigQuery i dedykowany Customer Success Manager.
- Enterprise — cena indywidualna, zwykle od 80 000 EUR rocznie w górę. Dochodzą audyty compliance, niestandardowe modele (w tym self-hosted), integracja z wewnętrznymi hurtowniami danych oraz SLA.
Do tego dochodzi proof-of-concept — Profound prowadzi 30-dniowe pilotaże dla marek, które jeszcze nie są pewne, czy chcą wejść w roczną umowę. Pilotaż kosztuje zazwyczaj 2 000 EUR i jest odliczany od rocznej umowy, jeśli klient się zdecyduje. W polskich warunkach typowy klient z kategorii SaaS B2B wpada między plan Growth a Scale; agencje obsługujące kilku klientów zwykle kupują plan Scale i dzielą prompty między marki.
Warto pamiętać, że rachunek ekonomiczny nie jest tylko funkcją abonamentu. Koszt monitoringu LLM to czas zespołu: kogoś, kto wchodzi do Profound raz w tygodniu, interpretuje dane i zleca action items redakcji. Jeżeli ten pracownik nie istnieje, nawet plan Scale nie zwróci się w ciągu 12 miesięcy.
Jak Profound AI wypada na tle Otterly, AthenaHQ i Peec AI?
Rynek GEO-analytics w 2026 to już kilku realnych graczy. Poniższa tabela zbiera kluczowe parametry techniczne i cenowe czterech najczęściej porównywanych narzędzi. Dane pochodzą z publicznych stron producentów (stan: kwiecień 2026) oraz notatek z trzech pilotaży, które zrealizowałem z klientami e-commerce w Q1 2026.
| Funkcja / cecha | Profound AI | Otterly | AthenaHQ | Peec AI |
|---|---|---|---|---|
| Modele w standardzie | ChatGPT, Perplexity, Gemini, Claude, Copilot, Google AIO | ChatGPT, Perplexity, Gemini, Claude | ChatGPT, Perplexity, Google AIO | ChatGPT, Perplexity, Gemini |
| Monitoring Google AIO | Tak (natywny, dzień-na-dzień) | Tak (raz w tygodniu) | Tak (natywny) | Nie (w roadmapie Q3 2026) |
| Lokalizacje | 6 (US, UK, DE, PL, FR, JP) | 3 (US, UK, DE) | 2 (US, UK) | 4 (US, UK, DE, FR) |
| Conversation Explorer | Tak (od planu Growth) | Nie | Tak (od planu Pro) | Nie |
| Eksport BigQuery | Tak (plan Scale+) | Nie | Nie | Tak (Enterprise) |
| Webhooki alertów | Tak (Slack, Teams, custom) | Tak (Slack) | Nie | Tak (Slack) |
| Cena startowa (miesiąc) | ~499 EUR | ~199 EUR | ~349 EUR | ~249 EUR |
| Free trial | 14 dni (ograniczone) | 7 dni | Brak (tylko demo) | 14 dni |
| Najlepszy dla | Agencje i marki Enterprise | Małe i średnie marki | Marki B2B SaaS | Marki e-commerce i DTC |
Jak to czytać? Profound jest najszerszy — obsługuje najwięcej modeli, najwięcej lokalizacji i oferuje najbardziej rozbudowany eksport danych. Otterly bije go ceną i prostotą interfejsu, ale płaci za to brakiem eksportu BigQuery i krótszą listą modeli. AthenaHQ to wybór dla marek, które chcą mocnego Conversation Explorer i pracują głównie w anglojęzycznym rynku. Peec AI jest świetny dla e-commerce, bo ma bardzo dobrze zrobione raporty produktowe, ale wciąż nie pokrywa Google AI Overviews. Jeśli Twoja marka działa w Polsce i polski rynek ma dla Ciebie znaczenie, to w 2026 Profound jest jedynym narzędziem z tej czwórki z natywną lokalizacją PL w standardzie.
Jak wygląda setup Profound AI krok po kroku?
Poniżej 10-krokowy framework, który prowadzi od decyzji zakupowej do pierwszego sensownego raportu w Profound. Stosuję go z klientami i daje on zazwyczaj użyteczne dane po dwóch pełnych tygodniach pracy narzędzia.
- Zdefiniuj cele monitoringu. Zanim wejdziesz do narzędzia, zapisz na kartce: jakie decyzje chcesz podjąć po pierwszych 30 dniach monitoringu. „Czy zainwestować w PR do X portali?”, „Czy przepisać pillar A?”, „Czy wejść w kategorię Y?”. Bez tego przez pierwsze tygodnie będziesz zbierać dane dla samych danych.
- Podpisz umowę i aktywuj workspace. Profound po zawarciu umowy wysyła link rejestracyjny. Stwórz workspace pod nazwą firmy — nie pod swoim imieniem — żeby w razie rotacji zespołu nic nie zginęło.
- Zdefiniuj listę marek monitorowanych. Dodaj swoją markę, następnie od 5 do 20 konkurentów (bezpośrednich i substytucyjnych). Zapisz też synonimy — jeśli firma ma polską i angielską nazwę, obie wchodzą do listy. Pominięcie synonimu to klasyczny błąd, który zaniża Share of Voice o 30-40 procent.
- Zbuduj Prompt Library w trzech warstwach. Warstwa pierwsza — prompty zakupowe („najlepsze narzędzie do X”). Warstwa druga — prompty problemowe („jak rozwiązać problem Y w branży Z”). Warstwa trzecia — prompty brandowe (nazwa marki + pytanie). W praktyce sprawdza się miks 40/40/20.
- Ustaw lokalizacje. Zacznij od jednego kraju — tego, na którym najbardziej Ci zależy. Wszystkie prompty dodawaj najpierw w nim. Dopiero gdy biblioteka dojrzeje, duplikuj ją do kolejnych rynków. Dodanie 200 promptów naraz w 4 krajach to przepis na bałagan.
- Skonfiguruj częstotliwość. W planie Growth i wyżej możesz wybrać, czy prompt odpytywać codziennie, co dwa dni, czy co tydzień. Dla promptów zakupowych zalecam codzienność, dla brandowych co 2-3 dni, dla problemowych raz w tygodniu. To oszczędza budżet tokenów bez utraty sygnału.
- Podłącz webhooki do Slacka. Minimum jeden kanał alertów dla spadków Share of Voice powyżej 20 procent i drugi dla nowych konkurentów, którzy pojawili się w odpowiedziach (Profound identyfikuje je automatycznie). Bez alertów dashboard zostaje zakładką, do której nikt nie wraca.
- Zaczekaj 14 dni. To niepopularny krok, ale kluczowy. Profound potrzebuje ~2 tygodni, żeby wygładzić odpowiedzi i pokazać realne trendy. Wcześniejsze wyciąganie wniosków prowadzi do decyzji na szumie.
- Zorganizuj przegląd tygodniowy 30-minutowy. Stała sesja w kalendarzu zespołu, na której osoba odpowiedzialna pokazuje trzy rzeczy: jakie prompty rosną, jakie spadają i jakie nowe domeny pojawiły się w Citations. Bez tego rytuału dane są, ale nie pracują.
- Przekuj insighty w zadania redakcyjne. Z każdego tygodniowego przeglądu powinno wyjść 1-3 zadań: „przepisz sekcję X pillara Y”, „zleć gościnny artykuł na portalu Z, który już nas cytuje”, „dodaj FAQ do pillara P, bo Perplexity go łapie, ale bez nas”. To zamyka pętlę monitoring → działanie.
Powyższy proces łączy narzędzie z pracą treścią i PR. Samo Profound nie zwróci Ci inwestycji — zwraca ją dopiero pętla „monitor → insight → edit → re-monitor”. Jeśli chcesz zobaczyć jak ta pętla wygląda na żywo, zajrzyj do naszego benchmarku AI citations 2026, który pokazuje realne dane dla kilkunastu polskich marek i automatyzacje n8n dla SEO dowożące insighty do zespołu bez logowania się do pięciu narzędzi.
Jakie są sensowne use cases wdrożenia Profound AI?
Nie każdy use case ma sens. Po trzech pilotażach zidentyfikowałem cztery, w których Profound realnie się opłaca, i dwa, w których szkoda pieniędzy. Zaczynamy od tych sensownych.
Use case 1 — marka B2B SaaS w walce o kategorię. Klasyka: firma sprzedaje narzędzie do analityki, konkuruje z czterema większymi graczami i wie, że decyzja zakupowa dzieje się po części w ChatGPT. Profound pokazuje, że w prompcie „najlepsze narzędzie do X dla startupów” marka jest wymieniana w 12 procentach odpowiedzi, a lider w 78 procentach. Po sześciu miesiącach pracy z treścią (trzy pillary, osiem gościnnych artykułów, dwie aktualizacje strony porównawczej) wskaźnik rośnie do 34 procent — to mierzalny biznesowy efekt.
Use case 2 — e-commerce w kategorii zakupowej. Sklep z suplementami chce wiedzieć, które marki ChatGPT poleca w prompcie „jaki magnez wybrać”. Profound monitoruje 50 takich promptów codziennie, pokazuje Share of Voice w podziale na kategorie produktowe i informuje, które domeny recenzenckie napędzają polecanie konkurentów. Zespół wie, do kogo zgłosić produkt na test i którego blogera zaprosić do ambasadora.
Use case 3 — agencja obsługująca 10 klientów. Agencja kupuje plan Scale, dzieli 1000 promptów między 10 marek (po 100 każda) i sprzedaje klientom raport miesięczny widoczności w LLM jako dodatkową usługę o stałej opłacie. Rachunek ekonomiczny działa, bo koszt krańcowy dodania klienta to zaledwie godzina setupu, a sprzedaż idzie w paczce z SEO.
Use case 4 — monitoring kryzysu reputacyjnego. Marka, która miała incydent PR, chce wiedzieć, czy LLM-y wciąż powielają negatywną narrację. Profound ustawia zestaw promptów reputacyjnych („czy marka X jest bezpieczna”, „opinie o X”) i raportuje codziennie. Jeżeli narracja utrzymuje się po 14 dniach mimo prób kontry, to sygnał, że trzeba wejść głębiej w SEO reputacyjny i PR do kluczowych portali cytowanych przez modele.
A gdzie nie warto? Po pierwsze, nie warto w markach z jednym produktem niszowym i małym rynkiem — jeśli na dany temat w ogóle mało się pyta LLM-y, to nie ma czego mierzyć. Po drugie, nie warto w firmach, które nie mają zespołu treści — bo nawet najlepszy monitoring nie zastąpi autorów, którzy aktualizują content i pushują PR.
Czym różnią się dane z Profound od metryk w Google Search Console?
To pytanie zadaje mi każdy klient, który pierwszy raz widzi dashboard. GSC i Profound mierzą dwa różne światy — i warto zrozumieć, gdzie się uzupełniają, a gdzie konkurują.
GSC mierzy zachowanie w klasycznej wyszukiwarce: wyświetlenia, kliknięcia, CTR i pozycję w SERP. Profound mierzy cytowania w odpowiedziach generowanych przez LLM, gdzie nie ma klasycznej listy dziesięciu linków — jest jedna odpowiedź, w której marka albo jest, albo jej nie ma. To oznacza, że metryki nie są porównywalne jeden do jednego. Nie da się powiedzieć „moja pozycja 3 w GSC to Share of Voice 30 procent w ChatGPT”. To inne jednostki.
Za to dane z obu narzędzi świetnie się uzupełniają. Jeśli w GSC widzisz spadki ruchu na zapytaniach informacyjnych — sprawdź w Profound, czy LLM-y przejęły te zapytania. Jeżeli tak, to spadek nie jest karą algorytmiczną, tylko strukturalną zmianą zachowania użytkownika. Z kolei jeśli w Profound widzisz, że marka jest wymieniana w 40 procentach odpowiedzi, ale GA4 pokazuje mało ruchu z LLM, może to oznaczać, że marka jest wspominana, ale nie linkowana — co jest zupełnie inną historią i wymaga innej akcji (np. kontakt z redakcją, która robi research w AI).
Dla kompletnego obrazu warto też zobaczyć nasz artykuł o connected insights GA4 + GSC, który pokazuje, jak łączyć klasyczne dane o ruchu z sygnałami LLM w jeden spójny raport.
Jak Profound AI zbiera dane i czy można im ufać?
Mechanika jest pozornie prosta: wirtualna sesja w przeglądarce (lub przez API dostawcy modelu) wysyła prompt, odbiera odpowiedź, parsuje ją i zapisuje do bazy. Diabeł tkwi w szczegółach, które warto rozumieć, zanim kupisz plan.
Profound używa oficjalnych API tam, gdzie są dostępne (OpenAI, Anthropic, Google Gemini), i automatyzowanej przeglądarki tam, gdzie nie ma API publicznego (Google AI Overviews, Perplexity w niektórych trybach). Każda odpowiedź jest zapisywana w pełnej formie — i to jest klucz, bo bez pełnej odpowiedzi nie da się później odtworzyć, dlaczego wynik wygląda tak, a nie inaczej.
Co do wiarygodności — jest jedno zastrzeżenie, które trzeba znać: modele językowe są niedeterministyczne. Ta sama odpowiedź wygenerowana dwa razy może różnić się nieznacznie, nawet przy tych samych parametrach. Dlatego Profound odpytuje każdy prompt kilka razy na dobę i uśrednia wyniki — ale zawsze jest jakaś ziarnistość. W praktyce oznacza to, że nie ma sensu wyciągać wniosków z pojedynczego dnia; trzeba patrzeć na trendy tygodniowe i miesięczne. Jeśli Share of Voice spadł o 3 procent w jednym dniu — ignoruj. Jeśli spadł o 15 procent przez trzy tygodnie z rzędu — to sygnał do działania.
Drugi wątek zaufania to pokrycie. Profound nie testuje każdego możliwego promptu — testuje te, które Ty mu podasz. To brzmi oczywisto, ale oznacza też, że zły dobór promptów = zły obraz. Dlatego tak ważny jest krok czwarty frameworku, w którym budujesz bibliotekę w trzech warstwach. Platforma może też wygenerować prompty automatycznie na bazie Twojej strony, ale te AI-generowane prompty zawsze warto przejrzeć, zanim je zatwierdzisz — autogenerator czasem wymyśla pytania, których nikt w życiu nie zada.
Jak zmierzyć ROI z wdrożenia Profound AI?
ROI z monitoringu to trudny temat, bo narzędzie samo w sobie nie generuje przychodu. Generują go działania, które dzięki niemu podejmujesz. Trzy miary, które działają w praktyce, to: wzrost Share of Voice w priorytetowych promptach zakupowych, wzrost ruchu ?utm_source=chatgpt.com i podobnych LLM-owych referrerów w GA4 oraz liczba wygranych leadów, w których klient w formularzu wpisał „polecenie z ChatGPT/Perplexity”.
Praktyczny schemat: definiujesz baseline w pierwszym miesiącu (np. Share of Voice = 15 procent, LLM referral traffic = 200 sesji/mies., leady z LLM = 3/mies.), ustawiasz cel na Q+2 (odpowiednio 25/500/8), prowadzisz pracę treścią i PR, a po kwartale porównujesz. Jeśli budżet Profound to 1 500 EUR miesięcznie (18 000 EUR rocznie), a jeden lead SaaS jest wart średnio 12 000 EUR LTV — wystarczą 2 dodatkowe leady rocznie, żeby narzędzie się zwróciło. Jeśli nie zdobywasz tych dwóch leadów, to nie jest problem Profound — to problem pętli pracy, którą opisałem wcześniej.
Najczęstsze błędy przy wdrożeniu Profound AI
Zebrałem sześć, które widzę najczęściej u klientów i które realnie niszczą wartość narzędzia. Każdy z nich da się naprawić w godzinę — ale tylko jeśli ktoś o nich wie.
- Za szeroka biblioteka promptów na start. Ktoś wrzuca 500 pytań pierwszego dnia, z czego połowa to pytania, których nikt nie zadaje. Efekt: drogi szum. Zacznij od 30 najważniejszych, rozwijaj w tempie 20-30 tygodniowo.
- Brak zdefiniowanych synonimów marki. Jeśli firma nazywa się „Foo Analytics” i „FooA”, a w Profound dodałeś tylko pierwszą nazwę — tracisz 30-40 procent cytowań. Weryfikuj to ręcznie, patrząc na surowe odpowiedzi przez dwa tygodnie.
- Ignorowanie Citations & Sources. Wielu zespołów patrzy tylko na Share of Voice. Tymczasem to raport „skąd model bierze dane” jest najbardziej actionable — pokazuje, do których domen trzeba wejść z gościnnymi publikacjami.
- Za mała częstotliwość przeglądów. „Wrócę tu raz na miesiąc” to pewna droga do porzucenia narzędzia. Minimum to raz na tydzień, 30 minut, w kalendarzu, z osobą odpowiedzialną.
- Brak integracji z zespołem treści. Dane z Profound nie mogą żyć w Excelu SEO-owca. Muszą trafić jako zadania do kalendarza redakcji. Najlepiej przez Jira/Trello/Notion połączone webhookiem.
- Reakcja na szum zamiast trendów. Widzisz spadek 10 procent w jednym dniu i panikujesz. Nie rób tak. Patrz na trendy tygodniowe i miesięczne, a jednodniowe wahania ignoruj.
FAQ — Profound AI 2026
Czy Profound działa z polskojęzycznymi promptami? Tak. W 2026 roku Polska jest natywną lokalizacją (obok US, UK, DE, FR i JP). Modele są odpytywane po polsku, odpowiedzi są parsowane z poprawną detekcją marek i polskich znaków diakrytycznych, a raporty można filtrować per kraj.
Czy mogę monitorować Google AI Overviews? Tak, natywnie od planu Starter. Profound zbiera AIO codziennie i pokazuje je w tym samym dashboardzie co odpowiedzi z ChatGPT i Perplexity, co pozwala bezpośrednio porównać, w którym silniku widoczność marki jest najsłabsza.
Czy Profound dostarcza rekomendacje, co napisać, żeby być cytowanym? W ograniczonym zakresie. Platforma wskazuje tematy i domeny, z których LLM-y czerpią, a także pokazuje, które treści konkurencji są cytowane. Konkretny brief edytorski trzeba jednak napisać samemu lub we współpracy z zespołem treści — tego automat nie zrobi za Ciebie dobrze.
Czy da się podłączyć Profound do BigQuery? Tak, w planie Scale i wyżej. Eksport działa jak natywny connector — dane lądują w Twojej hurtowni raz dziennie i możesz je łączyć z GA4 oraz GSC. To kluczowa funkcja dla zespołów, które prowadzą własne dashboardy Looker Studio.
Ile trwa pełne wdrożenie? Techniczny setup zajmuje 2-4 godziny. Pierwsze wartościowe raporty dostajesz po 14 dniach. Na pełną dojrzałość procesu (tygodniowe przeglądy, integracja z redakcją, alerty Slack) daj sobie 6 tygodni.
Czy Profound zastępuje Otterly i vice versa? Nie w sensie funkcjonalnym — choć zakres się pokrywa w 70 procentach. Profound wygrywa w dużych organizacjach i agencjach; Otterly wygrywa w małych zespołach dzięki niższej cenie i prostocie. Żadne z narzędzi nie wygrywa „jednoznacznie”.
Czy Profound monitoruje Bing Copilot? Tak, od 2025 roku. Copilot jest w standardzie planu Scale, w Starter trzeba go dokupić jako dodatek za ok. 199 EUR miesięcznie.
Jak radzić sobie z błędami cytowania — gdy model przypisuje nam coś fałszywego? To rzadszy, ale prawdziwy problem. Profound ma osobny raport „sentiment & factuality”, który oznacza wzmianki negatywne lub fałszywe. Z takimi wzmiankami trzeba pracować dwupoziomowo: krótkoterminowo przez kontakt z dostawcą modelu (kanały feedbacku OpenAI, Anthropic), długoterminowo przez autorytatywne treści na własnej stronie, które model zacznie preferować.
Jak zbudować dojrzałą bibliotekę promptów w Profound AI?
Biblioteka promptów to absolutne serce monitoringu — wszystko inne (Share of Voice, Citations, alerty) jest jej pochodną. Dojrzała biblioteka ma trzy cechy: jest zbudowana na danych, nie na intuicji; rośnie w sposób kontrolowany; i dzieli się na segmenty, które odpowiadają etapom lejka. Poniżej praktyczny przepis, jak ją zbudować w sposób, który daje sensowne wyniki po 30 dniach i jeszcze lepsze po 90.
Zacznij od źródeł pytań. Nie wymyślaj promptów z głowy — to największy antywzorzec. Zamiast tego wykorzystaj cztery warstwy danych: logi GSC (top 500 zapytań, które już generują ruch), logi wyszukiwania w Twoim CMS/e-commerce (to, co ludzie wpisują u Ciebie), transkrypcje rozmów handlowych (pytania, które klienci zadają handlowcom) i pomocniczo Reddit/Quora (tam, gdzie Twoja kategoria jest aktywna). Z każdej warstwy wyciągnij 20-30 najczęściej powtarzających się intencji. Razem daje to pulę 80-120 fraz, z których wybierasz pierwszych 50 promptów do Profound.
Kolejny krok to transformacja fraz w pytania konwersacyjne. LLM-y nie dostają „najlepsze narzędzie do analityki” — dostają „jakie jest najlepsze narzędzie do analityki produktowej dla startupu SaaS na etapie Seed”. Transformacja polega na dodaniu kontekstu (branża, wielkość firmy, etap, kraj), modalności (pytanie otwarte vs zamknięte) i wariantów językowych (formalne vs potoczne). Z jednej frazy powstają 3-4 prompty testowe. Profound ma w planie Growth funkcję Prompt Variations, która robi to częściowo automatycznie, ale zawsze warto przejrzeć wyniki.
Trzeci element to kanibalizacja. Jeżeli 80 procent promptów dotyczy tej samej intencji (np. „najlepsze narzędzie do X”), raporty będą się zlewać w jedną liczbę. Utrzymuj zdrowy balans: 40 procent zakupowe, 40 procent problemowe, 20 procent brandowe — tak jak w frameworku. Każde odchylenie o ponad 10 punktów procentowych od tego miksu psuje czytelność dashboardu. Kontroluj to raz w miesiącu w osobnym przeglądzie biblioteki.
Czwarty element to wycofywanie promptów, które nie dają sygnału. Jeśli prompt przez 30 dni nie wymienił ani Twojej marki, ani nikogo z konkurentów, a jego odpowiedzi są ogólne i nijakie — usuń go. To znaczy, że źle zgadłeś intencję. Lepiej zwolnić budżet na trzy nowe prompty niż trzymać martwy balast. Dobrze zoptymalizowana biblioteka ma 15-20 procent rotacji miesięcznie w pierwszych trzech miesiącach i stabilizuje się na 3-5 procent po pół roku.
Jak Profound AI wpisuje się w stack narzędzi SEO i AIO?
Profound nie zastępuje żadnego z klasycznych narzędzi — uzupełnia je o warstwę, której wcześniej nie było. Typowy dojrzały stack marki B2B SaaS w 2026 to: GSC i GA4 (ruch organiczny i konwersja), Ahrefs lub Semrush (link profile, klasyczne pozycje, keyword research), Screaming Frog lub Sitebulb (techniczna analiza), Profound lub Otterly (monitoring LLM), RankMath lub Yoast (meta na stronie), Make/n8n (automatyzacja raportów między narzędziami). Razem to około 500-700 EUR miesięcznie na małą markę i 3 000-5 000 EUR na średnią agencję.
Kluczowa jest warstwa łącząca. Narzędzia SEO zbierają dane w swoich silosach. Wartość rodzi się, gdy zestawisz je razem — np. Share of Voice z Profound + ruch referralowy z GA4 + pozycja w GSC + link velocity z Ahrefs — w jeden dashboard w Looker Studio lub Metabase. Profound ma API w planie Growth+ i eksport BigQuery w Scale+, więc integracja jest techniczna, ale nie jest trywialna — ktoś musi napisać connector, przemapować pola i ustawić harmonogram synchronizacji. Typowo zajmuje to 2-3 dni pracy analityka danych.
Z perspektywy ownership w organizacji — Profound powinien być w rękach zespołu SEO/contentu, nie zespołu marketingu paid. Dlaczego? Bo decyzje, które zapadają na jego podstawie, dotyczą tego, co piszemy, gdzie publikujemy i z kim rozmawiamy w PR. To są decyzje editorial, nie reklamowe. Jeżeli w Twojej firmie SEO podlega pod paid marketing, warto zadbać o jasną granicę: Profound zostaje u SEO, a paid dostaje raport co miesiąc.
Jakie dane z Profound są najbardziej actionable dla contentu?
Nie wszystkie metryki z Profound są równe w sensie action-ability. Z doświadczenia trzy raporty generują 80 procent wszystkich zadań edytorskich, jakie zlecam klientom.
Pierwszy to Citation Gap. Raport pokazuje listę domen, z których LLM-y czerpią, żeby odpowiedzieć na Twoje prompty, i zaznacza te, na których Twojej marki nie ma. To są dokładnie te portale, do których warto napisać gościnny artykuł, zrealizować wywiad albo dostarczyć dane do cytowania. Lista zwykle ma 20-50 pozycji i jest posortowana według wpływu (ile razy dana domena została zacytowana w odpowiedziach dotyczących Twojej kategorii). Zacznij od pięciu pierwszych.
Drugi to Prompts Where You Are Missing. Lista promptów, w których konkurencja jest, a Ciebie nie ma. Dla każdego prompta Profound pokazuje najczęściej wymienianych konkurentów i typowy sentyment. To jest kopalnia pomysłów na pillary i artykuły wspierające — każdy taki prompt to dokładna intencja, której nie obsługujesz treścią. W moim pilotażu z klientem SaaS zidentyfikowaliśmy 27 takich promptów w kwartał, z czego 9 udało się obsłużyć nową treścią, a 5 poprzez aktualizację istniejącej.
Trzeci to Quote Coverage. Raport, który parsuje dokładne fragmenty odpowiedzi, w których cytowana jest Twoja marka, i pokazuje je w kontekście. Dzięki temu widzisz, jakimi słowami LLM opisuje Twoją firmę — czy używa Twojego brand messaging, czy formułuje to po swojemu. Jeśli opis jest niespójny z Twoim positioning, to sygnał, że trzeba doprecyzować treści na stronie „o nas”, w opisach kategorii i w strony produktowych. To drobna zmiana, a potrafi przesunąć narrację modelu o kilka procent w ciągu sześciu tygodni.
Checklist: co sprawdzić w pierwszych 30 dniach z Profound AI?
Finalna sekcja — skondensowana lista, do której możesz wrócić po pierwszym miesiącu korzystania z narzędzia i zaznaczyć, co już masz, a co jeszcze zostało do zrobienia. Przerobienie tej checklisty zwykle odsłania 3-5 rzeczy, które zespół przegapił.
- Workspace założony pod nazwą firmy, nie osoby prywatnej.
- Lista marek monitorowanych zawiera Twoją firmę + 5-20 konkurentów, w tym synonimy i skróty.
- Biblioteka promptów ma 40-60 pytań podzielonych w miksie 40/40/20 (zakupowe/problemowe/brandowe).
- Każdy prompt ma ustaloną częstotliwość (codzienna, co 2 dni, tygodniowa) zależnie od kategorii.
- Webhook do Slacka na spadki Share of Voice > 20 procent skonfigurowany i przetestowany.
- Webhook na pojawienie się nowego konkurenta w odpowiedziach skonfigurowany.
- Raport Citation Gap przejrzany — pięć pierwszych domen ma przypisane osoby odpowiedzialne za pitch.
- Raport Prompts Where You Are Missing przejrzany — minimum 5 promptów przetłumaczonych na briefy contentowe.
- Raport Quote Coverage przejrzany — sprawdzona zgodność z brand messaging.
- Tygodniowy przegląd 30-minutowy w kalendarzu zespołu, z konkretną osobą prowadzącą.
- Dashboard Looker Studio lub Metabase łączący dane z Profound, GSC i GA4 gotowy albo zaplanowany.
- Budżet na 6 miesięcy pracy pętli monitor → insight → edit zatwierdzony przez decydenta.
Jeśli po 30 dniach zaznaczasz więcej niż 10 z 12 punktów — gratulacje, monitoring LLM masz ustawiony w sposób, który realnie pracuje na biznes. Jeśli mniej niż 6, wróć do frameworku z góry artykułu i zacznij od kroku, który zgubiłeś. Profound AI to narzędzie dobre na tyle, na ile dobrze go używasz — i to zdanie pasuje do każdego narzędzia SEO, które kiedykolwiek kupiłeś.
Co dalej — roadmapa, trendy i jak zacząć jutro?
Profound AI w 2026 jest już dojrzałym narzędziem, ale dystans do Google Search Console jest wciąż spory — GSC ma 15 lat historii, Profound trzy. To oznacza, że w ciągu 18-24 miesięcy zobaczymy kolejne skoki: prawdopodobnie natywną integrację z platformami CMS (WordPress, Webflow) pozwalającą publikować poprawki wprost z dashboardu, model attribution pokazujący, które konkretne zmiany w treści podniosły widoczność, oraz narzędzia do A/B testów treści pod kątem cytowania przez LLM. Kilka z tych rzeczy Profound już zapowiada na tryprofound.com, inne wciąż są na etapie wywiadów z klientami.
Jak zacząć, jeśli czytasz ten tekst w kwietniu 2026 i jesteś na etapie decyzji? Po pierwsze, wypełnij formularz demo i poproś o 30-dniowy proof-of-concept — to najczystszy sposób, żeby przetestować narzędzie na własnych danych bez ryzyka rocznej umowy. Po drugie, w czasie pilotażu zbuduj minimum 50 promptów (po 40/40/20 jak w frameworku) i miej gotowy zespół, który po 14 dniach zrobi pierwszy przegląd. Po trzecie, zaplanuj w budżecie minimum 6 miesięcy pracy pętli monitor → insight → edit — bez tego nawet najlepsze narzędzie nie zwróci się. I po czwarte, porównaj swoje pierwsze liczby z branżowymi benchmarkami — nie musisz być pierwszy w kategorii od razu; musisz rosnąć szybciej niż konkurencja.
Monitoring cytowań w LLM przestał być fanaberią entuzjastów i jest dzisiaj standardową warstwą dojrzałego SEO. Profound, Otterly, AthenaHQ i Peec AI będą się w ciągu najbliższego roku silnie różnicować — jedni pójdą w stronę Enterprise i BigQuery, drudzy w stronę agencji i małych zespołów, a jeszcze inni w stronę specjalizacji e-commerce. Wybór narzędzia to po prostu decyzja, która z tych dróg pasuje Tobie. Ważne, żeby jakąkolwiek drogę wybrać — bo zbiory danych, które budujesz dzisiaj, będą Twoją przewagą jutro. Dodatkowy materiał, który warto przeczytać, jeśli budujesz proces pracy z tymi narzędziami, to scenariusze Make dla SEO 2026, gdzie pokazuję, jak automatycznie dostarczać insighty z Profound do zespołu bez ręcznego klikania.
Więcej o platformie na stronie producenta: tryprofound.com, a o ich roadmapie Enterprise (BigQuery, custom models, SLA) można przeczytać w sekcji Enterprise, którą warto przejrzeć przed rozmową z salesem.