Jak mierzyć widoczność w AI?

Wszyscy wokół trąbią o optymalizacji pod sztuczną inteligencję, o GEO/AEO/LLMO – ale kiedy przychodzi co do czego, nikt nie potrafi podać jednego, sensownego wzoru na to, jak sprawdzić, czy na nasze strony w ogóle wchodzą boty związane z ChatGPT, Gemini czy Claude. My w Top Online mamy na to swój sposób – i nie, to nie będzie poradnik o Google Analytics 4.

Spis treści:

1. O jakim problemie w ogóle mówimy?
2. Nie zobaczymy, jak użytkownicy rozmawiają z AI – nigdy…
3. Brak danych = brak skutecznych działań
4. Co możemy mierzyć – i jak to robić?
   • Google Analytics 4
   • Narzędzia do sprawdzania widoczności
   • Ruch AI na stronie – Agent Monitor
5. Co mierzymy w Agent Monitor?
6. Po co to wszystko? Co dają nam analizy ruchu AI w Agent Monitor?
7. Podsumowanie w punktach

O jakim problemie w ogóle mówimy?

Zastanawiałem się dość długo, jak właściwie nazwać ten artykuł, żeby nie brzmiał jak kolejny poradnik z LinkedIna, który obiecuje złote góry i magiczne formuły.

Problem z tytułu spędza dziś sen z powiek praktycznie każdemu, z kim rozmawiam w branży. Męczą się z tym marketerzy i właściciele agencji, a specjaliści od pozycjonowania próbują nakładać stare schematy na zupełnie nową rzeczywistość. I właściwie nie za bardzo zdają sobie sprawę, czy robią coś źle, czy dobrze.

Wszyscy chcą wiedzieć, jak skutecznie mierzyć widoczność w AI – ale mam wrażenie, że jako branża zachowujemy się jak budowlaniec, który próbuje zbudować dom, zaczynając od dachu.

Zadajemy sobie mnóstwo pytań o to, jak „hakować” algorytmy i jak zmusić ChatGPT czy Gemini, żeby polecały właśnie nas – a w rzeczywistości nie mamy zielonego pojęcia, jak obecnie wyglądają nasze statystyki wewnątrz tych modeli.

To kompletne błądzenie we mgle i próba zarządzania czymś, czego jeszcze nie jesteśmy w stanie dobrze ogarnąć.

Nie zobaczymy, jak użytkownicy rozmawiają z AI – nigdy…

Gdybym miał wskazać jedną rzecz, którą każdy marketer chciałby dziś dostać, to byłaby to lista promptów wpisywanych przez użytkowników w czatbotach.

Coś na zasadzie:

„10 000 osób wpisało: jaki jest najlepszy CRM dla średniej firmy”
„3 200 osób zapytało: jak zwiększyć konwersję landing page’a”

Marzy nam się raport pokazujący, że pan Janusz z Radomia wpisał dokładnie taką i taką frazę i dzięki temu model AI wyświetlił naszą ofertę.

Niestety przykra prawda jest taka, że tych danych nigdy nie zobaczymy. I to nie dlatego, że ktoś ich nie chce udostępnić – raczej nie może. Zarówno pod kątem czysto technicznym, jak i prawnym.

1. Prywatność użytkowników / ochrona danych osobowych – konwersacje z chatbotami bywają bardzo… ekhm, intymne. Ludzie opisują tam swoje osobiste doświadczenia, plany, kłopoty, a nawet poufne dane firmowe. OpenAI czy Google nie zaryzykują gigantycznych kar za udostępnienie takich treści na zewnątrz.
2. Niesamowita różnorodność i liczba unikalnych promptów – to wynika z samej natury generatywnych modeli AI. W SEO mieliśmy frazy kluczowe, a w LLM-ach mamy praktycznie nieskończoną liczbę zapytań, które każdy użytkownik formułuje inaczej. Nie ma dwóch identycznych promptów. Nie ma jednego „keyworda”, pod który można się optymalizować.

Brak danych = brak skutecznych działań

Ogólnie widzę teraz dość niepokojące zjawisko – dużo osób działa z AI w trybie „na czuja”.

Piszą artykuły „pod AI”, optymalizują treści pod LLM-y, przestawiają budżety, budują strategie „pod ChatGPT”… tylko że tak naprawdę nie mają żadnych danych, które by mówiły, że ok, to jest dobry kierunek.

Sam doskonale pamiętam moment, kiedy ChatGPT przedarł się do mainstreamu, a Google zaczęło testować swoje systemy – najpierw AI Overviews, a potem AI Mode.

Siedzieliśmy wtedy z zespołem i główkowaliśmy, jak to ugryźć. Wiedzieliśmy, że coś trzeba analizować, ale nie wiedzieliśmy, co dokładnie. No i dość szybko doszliśmy do ściany.

Bo w marketingu – niezależnie od kanału – po prostu nie da się podejmować sensownych decyzji bez danych. Można próbować, można testować, ale bez sprawdzonych informacji to jest bardziej zgadywanie niż strategia.

Zaczęliśmy więc kombinować: skoro nie mamy takich danych, jak chcemy… to co w ogóle jesteśmy w stanie zebrać?

Co możemy mierzyć – i jak to robić?

Wiedzieliśmy, że kluczem do sukcesu jest posiadanie danych, ich analiza i wyciąganie odpowiednich wniosków. Usiedliśmy do tematu metodycznie i sprawdzaliśmy, co realnie da się wycisnąć z systemów, które mamy pod ręką, i gdzie leżą granice ich możliwości.

Google Analytics 4

Pierwszym naturalnym krokiem dla każdego z nas był oczywiście Google Analytics 4. Wszyscy go znamy, wszyscy potrafimy się po nim przeklikać, więc tam też zaczęliśmy grzebać na początku.

W GA4 jesteśmy w stanie wyciągnąć informacje o ruchu przychodzącym z AI – głównie z ChatGPT czy innych narzędzi, które przekierowują użytkownika na stronę.

Można sobie zbudować raport, który pokazuje takie wejścia i zobaczyć, czy coś się w ogóle dzieje.

Przykład takiego raportu:

Tylko że to nadal jest bardzo ograniczone, bo widzimy wyłącznie kliknięcia ludzi, którzy przeczytali coś w oknie czatu i postanowili kliknąć w link referencyjny, żeby przejść na naszą stronę.

Czyli de facto badamy zachowanie użytkownika, a nie zachowanie samego AI. Nie widzimy tego, co się wydarzyło wcześniej.

Nie wiemy:

• jaki prompt wpisał użytkownik;
• czy nasza strona była cytowana, czy tylko przewinęła się gdzieś w tle;
• co bot robi z naszymi treściami, zanim w ogóle wygeneruje jakąkolwiek odpowiedź dla człowieka.

Widzimy efekt końcowy, ale cały proces jest dla nas zagadką.

Narzędzia do sprawdzania widoczności

Kolejnym etapem było sprawdzenie rynkowych narzędzi do badania widoczności, które zaczęły wyrastać ostatnio jak grzyby po deszczu.

One najczęściej działają na zasadzie symulowania promptów. Czyli ktoś tworzy zestaw zapytań, odpala je w modelach i sprawdza, czy Twoja strona wyskoczy w odpowiedzi.

Brzmi sensownie, ale w praktyce jest z tym kilka problemów.

Po pierwsze: personalizacja. Modele AI potrafią dostosowywać odpowiedzi do kontekstu użytkownika, historii rozmowy czy nawet lokalizacji. To oznacza, że ten sam prompt za każdym razem może dać zupełnie inne wyniki.

Po drugie: wybór promptów. Skąd wiesz, że testujesz te właściwe? Może Twoi klienci zadają zupełnie inne pytania?

W takich narzędziach dostajemy ogólne spojrzenie na dane i pewne trendy, ale wciąż – jest to bardziej wskazówka niż twarda analityka.

Ruch AI na stronie – Agent Monitor

No właśnie – a co gdybym chciał patrzeć nie na użytkowników, tylko na ruch samych botów AI?

Na rynku nie było rozwiązania, które by to umożliwiało. Dlatego w Top Online postanowiliśmy zbudować sobie własne narzędzie – nazwaliśmy je Agent Monitor.

Koncepcja mierzenia ruchu na stronie w przypadku AM opiera się na fakcie, że te wszystkie wielkie modele językowe, aby wiedzieć cokolwiek i udzielić odpowiedzi, muszą najpierw fizycznie wejść na naszą stronę i pobrać z niej dane.

Większość nowoczesnych botów AI bardzo uczciwie podpisuje się w nagłówkach user-agent podczas odwiedzin. Agent Monitor działa właśnie w tym miejscu – wyłapuje te specyficzne wizyty na poziomie serwera, kategoryzuje je i układa w czytelne raporty.

Dzięki temu nie muszę niczego zgadywać – po prostu widzę czarno na białym, które roboty przeczesują konkretne artykuły i podstrony ofertowe.

Co mierzymy w Agent Monitor?

Agent Monitor otworzył mi oczy na masę rzeczy, których wcześniej mogłem się tylko domyślać.

W panelu narzędzia dostępnych jest kilka kluczowych funkcji, które już teraz uważam za absolutny fundament nowoczesnej analityki:

1. Podgląd na ogólny ruch botów AI w czasie – co pozwala natychmiast ocenić, czy zainteresowanie modeli naszą stroną rośnie, czy spada. Opierając się na tych danych, widzimy też konkretnie, jakie boty wchodzą na nasz serwis czy sklep, bo system rozbija ten ruch na konkretnych dostawców, takich jak GPTBot czy roboty od Google (Gemini) i Anthropica (Claude).

   

2. Monitorowanie cytowań z ChatGPT – czyli sytuacji, w których ChatGPT bezpośrednio odpytuje naszą stronę w trybie na żywo podczas rozmowy z użytkownikiem, żeby uwiarygodnić swoją odpowiedź źródłem.

   

3. URL inspector – ta funkcja pozwala wpisać dowolny adres z naszej witryny i od razu tłumaczy oraz pokazuje pełną historię tego, które boty tam były, kiedy dokładnie indeksowały ten tekst i jak często do niego wracają.

   

Po co to wszystko? Co dają nam analizy ruchu AI w Agent Monitor?

I teraz chyba najciekawsza część, czyli co mogę z tymi wszystkimi danymi zrobić. Otóż okazuje się, że bardzo dużo :).

Nie zbieramy danych ot tak, żeby coś pojawiało się w raportach naszych klientów. Otrzymujemy konkretne informacje o wizytach botów AI i na ich podstawie dopasowujemy strategię contentową i działania optymalizacyjne pod SEO i LLM-y.

Co konkretnie mogę sprawdzić w Agent Monitor?

1. Zaczynam widzieć, jak AI „czyta” moją stronę. Które artykuły odwiedza częściej, gdzie spędza więcej czasu itd. To daje mi wskazówkę, które treści są dla modeli wartościowe.
2. Mogę zauważyć pewne wzorce. Jeśli widzę, że konkretne artykuły są częściej odwiedzane przez boty, to zaczynam się zastanawiać, dlaczego. Co w nich takiego jest, że AI po nie sięga? W takich przypadkach staram się zastosować te same elementy także w innych treściach.
3. Widzę reakcję na zmiany. Jeśli coś poprawiam – strukturę, linkowanie, content – mogę sprawdzić, czy boty zaczynają inaczej się zachowywać. To nie jest tak szybki feedback jak w performance marketingu, ale w końcu jakiś jest.
4. No i wreszcie produkty i konkretne podstrony. Jeśli prowadzisz e-commerce albo serwis usługowy, możesz zobaczyć, które oferty są odwiedzane przez AI. To jest mega ciekawe, bo może się okazać, że modele preferują zupełnie inne rzeczy niż użytkownicy z Google.

Podsumowanie w punktach

1. Tradycyjne metody analityczne przestają się sprawdzać w starciu ze sztuczną inteligencją, co zmusza nas do całkowitej zmiany podejścia do mierzenia naszej obecności w sieci.
2. Cała branża marketingowa desperacko próbuje mierzyć widoczność w algorytmach AI, jednak większość działa po omacku, nie znając nawet swoich obecnych statystyk wewnątrz modeli.
3. Ze względu na ochronę prywatności użytkowników oraz gigantyczną różnorodność unikalnych zapytań, platformy AI nigdy nie udostępnią nam dokładnych raportów z wpisywanymi promptami.
4. Podejmowanie decyzji marketingowych i zmienianie strategii bez twardych danych analitycznych o AI to kosztowne i ryzykowne wróżenie z fusów.
5. Kluczem do sukcesu jest metodyczne podejście do analizy i zrozumienie, jakie konkretne punkty styku z algorytmami jesteśmy obecnie w stanie zbadać.
6. Google Analytics 4 pozwala na wyizolowanie ruchu z platform AI, jednak pokazuje nam wyłącznie kliknięcia żywych ludzi, całkowicie pomijając wcześniejsze zachowanie samych botów.
7. Zewnętrzne narzędzia badające widoczność opierają się na powtarzalnych, laboratoryjnych promptach, przez co nie oddają rzeczywistego, skrajnie spersonalizowanego okna czatu użytkownika.
8. Przełom polega na monitorowaniu serwera za pomocą Agent Monitora, który wyłapuje i raportuje oficjalne wizyty botów AI pobierających dane z naszej witryny.
9. Agent Monitor pozwala precyzyjnie śledzić globalny ruch botów, identyfikować konkretne algorytmy, monitorować bezpośrednie cytowania np. w ChatGPT oraz prześwietlać historię indeksowania poszczególnych podstron.
10. Dzięki twardym danych z serwera wiemy, które produkty i artykuły interesują boty, co pozwala nam świadomie ulepszać treści, planować linkowanie i sprawdzać, czy algorytmy reagują na wprowadzane przez nas zmiany.