Brand Perception w odpowiedziach AI — dlaczego sama widoczność w LLM to za mało

Przez ostatni rok cała branża nauczyła się nowego pytania: „czy AI mnie cytuje?". Powstały narzędzia, które to mierzą, pojawiła się metryka Share of Model — odpowiednik dawnego share of voice, tyle że liczony w odpowiedziach modeli. To potrzebny krok. Ale zatrzymanie się na nim jest jak sprawdzanie, czy jesteś w Google, i ignorowanie tego, co widnieje w tytule i opisie wyniku.

I problem jest szerszy niż jeden chatbot. Ten sam opis Twojej marki powstaje równolegle w wielu miejscach: w ChatGPT, w Google AI Overviews i AI Mode, w Perplexity, w Gemini i Copilocie, a przy produktach — w Amazon Rufus i Alexa for Shopping. W każdym z nich klient dostaje kilka zdań o Tobie, zanim w ogóle trafi na Twoją stronę.

Od „czy mnie widać" do „co o mnie mówią"

Asystent rzadko wymienia Cię sucho. Opisuje. „Marka X to tania opcja dla początkujących". „Y bywa polecany, ale użytkownicy narzekają na wsparcie". „Z jest solidny, choć droższy od konkurencji". To zdania, które klient przeczyta zamiast Twojej strony — i na ich podstawie zdecyduje, czy w ogóle kliknie.

Widoczność mówi, że jesteś w rozmowie. Percepcja decyduje, czy ta rozmowa Ci pomaga. I to jest cała różnica, którą większość pomija, bo licznik cytowań łatwiej pokazać na wykresie niż to, co model naprawdę o Tobie sądzi.

Widoczność to nie to samo co percepcja

Rozdzielam te dwie rzeczy, bo mieszają się w każdej rozmowie o „obecności w AI". Widoczność jest ilościowa: w ilu odpowiedziach się pojawiasz, jak często, na której pozycji, przy jakich promptach. Percepcja jest jakościowa: z jakim sentymentem, w jakim kontekście, z jakimi atrybutami, obok jakich konkurentów i na podstawie jakich źródeł asystent o Tobie mówi.

Można być bardzo widocznym i mieć problem. Marka cytowana w co drugiej odpowiedzi, ale konsekwentnie jako „budżetowa alternatywa", ma świetny Share of Model i jednocześnie kotwicę, która blokuje jej wejście wyżej. Odwrotnie też się zdarza: rzadkie, ale mocne wzmianki — „najczęściej polecany specjalista w tej niszy" — potrafią być warte więcej niż dziesięć neutralnych. Sam licznik cytowań tego nie pokaże.

Z czego składa się percepcja marki w LLM

Kiedy analizuję, jak model mówi o marce, patrzę na pięć rzeczy naraz:

• Sentyment — pozytywny, neutralny czy negatywny, i dlaczego.
• Atrybuty — jakie cechy model Ci przypisuje: „szybki", „drogi", „dla korporacji", „dla początkujących".
• Kontekst rekomendacji — do czego i dla kogo Cię poleca, a do czego odradza.
• Otoczenie konkurencyjne — kto pojawia się obok Ciebie i jak wypada porównanie.
• Źródła — na czym model opiera ten opis: Twojej stronie, opiniach, Reddicie, artykułach.

Dopiero te pięć warstw razem daje obraz, z którym da się cokolwiek zrobić. Pojedyncza metryka „jesteś cytowany w 40% odpowiedzi" nie mówi Ci nic o tym, czy te 40% pracuje na Ciebie, czy przeciwko Tobie.

Przykład: gdy „premium" zamienia się w „drogi"

Najlepiej widać to na jednym wzorcu, który spotykam realnie. Produkt jest komunikowany jako premium — konsekwentnie, wszędzie, mocno. I w pewnym momencie modele przestają mówić „wysokiej jakości", a zaczynają mówić „drogi". To ta sama informacja obrócona o 180 stopni: pozycjonowanie premium bez kontrbalansu wartości zostaje przez LLM streszczone do samej ceny. Klient czyta „drogi" i odpada, zanim pozna uzasadnienie.

Cel analizy nie jest wtedy taki, żeby przestać być premium — tylko żeby znaleźć balans: produkt nadal ma brzmieć premium, ale jego cena ma być opisywana jako adekwatna do tego, co dostajesz. To praca na atrybutach i źródłach: trzeba modelowi dać (i potwierdzić poza stroną) powód, dla którego ta cena ma sens — konkret, rezultaty, porównanie wartości, a nie samo słowo „premium".

Ten sam mechanizm widać w innych przebraniach: marka mocno komunikująca innowacyjność bywa streszczana jako „skomplikowana" i po cichu odstrasza początkujących; jeden głośny epizod z obsługą sprzed lat zostaje w modelu jako „bywają problemy ze wsparciem", choć dane dawno się poprawiły; marka o nazwie podobnej do konkurenta dostaje cudze atrybuty, bo model myli encje. Każdy z tych przypadków ma dobrą widoczność i złą albo mylącą percepcję — licznik cytowań świeci zielono, a dopiero analiza opisu pokazuje, co naprawdę idzie do klienta.

Co pokazują narzędzia — Chatbeat, Share of Model i cała kategoria

Takie funkcje są już w narzędziach i warto je znać. Chatbeat (od Brand24) monitoruje, czy, jak często i w jakim tonie marka pojawia się w odpowiedziach ChatGPT, Gemini czy Perplexity — i nazywa to wprost analizą percepcji: pozytywna, neutralna, negatywna. Share of Model idzie od strony metryki: liczy „udział w modelu", czyli jak często wypadasz przy zestawie pytań z branży, i śledzi to w czasie. Obok nich rośnie cała kategoria — Otterly, Peec, Profound i kolejni.

To dobre narzędzia. Dają ciągłość, alerty i wykresy, których ręcznie nie utrzymasz. Jeśli chcesz śledzić percepcję stale, subskrypcja jednego z nich ma sens. Traktuję je jako uczciwy punkt odniesienia — i jako źródło surowca, nie gotowych wniosków.

Gdzie kończy się dashboard, a zaczyna analiza

Narzędzie pokaże Ci, że sentyment spadł albo że przy pytaniu „najlepszy X" pojawia się konkurent. Nie powie Ci, dlaczego i co z tym zrobić. To jest moment, w którym zaczyna się praca specjalisty.

Dobre pytania to nie „top 20 fraz z narzędzia", tylko to, co Twoi klienci faktycznie wpisują przed zakupem. Kontekst branży rozstrzyga, czy „tani" to komplement, czy wyrok. A wnioski są warte tyle, ile plan, który z nich wynika. Narzędzie daje surowiec — analiza zamienia go w decyzje.

Dlaczego to ważne — teraz, nie za rok

Asystenci AI stają się warstwą rekomendacji między klientem a Twoją stroną. Coraz częściej użytkownik nie ląduje na Twojej witrynie, tylko czyta o Tobie jednoakapitowe streszczenie i na jego podstawie decyduje. Jeśli to streszczenie jest niepełne, przestarzałe albo po cichu negatywne, tracisz klienta, zanim w ogóle się o tym dowiesz — bo nie ma kliknięcia, nie ma śladu w analityce.

Percepcja w LLM to nowy, mierzalny obszar ryzyka i przewagi. Kto zbada go pierwszy, ten pierwszy go ustawi. Więcej o samym zjawisku pisałem przy znikających kliknięciach w AI Search i w tekście o widoczności w AI.

Jak wygląda taka analiza w praktyce — mój proces

Nie zdradzam nazw klientów, ale proces jest zawsze podobny:

Od analizy do planu — co z tym zrobić

Analiza bez planu to raport do szuflady, dlatego traktuję ją jako pierwszy krok, nie produkt końcowy. Z obrazu percepcji układam wytyczne i priorytety: które atrybuty wzmacniać, które opisy prostować, gdzie brakuje potwierdzenia w źródłach.

A potem to już klasyczne GEO, tyle że wycelowane — treści, które model łatwo cytuje (jasna teza, konkret, spójna encja), i digital PR, który sprawia, że o Twojej marce mówi nie tylko Twoja strona. Percepcji w LLM nie zmienia się jednym wpisem. Zmienia się ją tam, skąd model bierze źródła: na zewnątrz i w czasie.

Kiedy NIE potrzebujesz osobnej analizy

Nie każdy potrzebuje jej dziś. Jeśli marka jest bardzo młoda albo w niszy, o którą nikt nie pyta asystentów, najpierw zbuduj fundament: indeksację, podstawowe treści, obecność. Jeśli w ogóle nie pojawiasz się w odpowiedziach, Twoim problemem jest widoczność, nie percepcja — i tam zacznij.

Osobna analiza Brand Perception ma sens wtedy, gdy jesteś już cytowany (albo zaraz będziesz) i stawka jest realna: ktoś podejmuje decyzję zakupową na podstawie tego, co powie model. Mówię o tym wprost, bo wolę, żebyś wydał budżet tam, gdzie teraz naprawdę ruszy sprawę.

Autor

Tomek Sikora

Specjalista SEO i AI Search. 12+ lat w branży, 30+ rynków, setki projektów — w agencjach, in-house i od kilku lat jako niezależny konsultant. Pomagam firmom być widocznym i dobrze opisywanym zarówno w Google, jak i w odpowiedziach AI — i mówię wprost, co optymalizacja może, a czego nie. Więcej o mnie →