Pozycjonowanie w AI + SEO: jak zmienia się droga klienta do marki? Joanna Jelenik w podcaście NowegoMarketingu

Google, ChatGPT, Gemini, Perplexity – użytkownicy nie szukają dziś informacji w jednym miejscu. Ich ścieżka zakupowa coraz częściej zaczyna się poza klasyczną wyszukiwarką, a marki, które chcą do nich dotrzeć muszą zadbać o widoczność nie tylko w Google.

O tym, co wzrost popularności AI Search oznacza dla biznesu, opowiedziała nasza Technical SEO Manager Joanna Jelenik w podcaście NowegoMarketingu. Cały odcinek jest dostępny na platformach podcastowych, a poniżej przygotowaliśmy przegląd najważniejszych pytań i odpowiedzi z wywiadu.

Konkretne fragmenty rozmowy rozbudowaliśmy o dodatkowy kontekst z wyjaśnieniem pojęć technicznych i naciskiem na to, co naprawdę ma znaczenie dla widoczności i reputacji marki w AI Search oraz pozyskiwania ruchu i sprzedaży.

Kiedy AI zaczęło być ważne dla widoczności marek?

Już w 2024 roku widzieliśmy, że platformy AI nie będą wyłącznie narzędziami do tworzenia treści. Zaczęły realnie zmieniać sposób, w jaki użytkownicy szukają informacji, porównują dostawców usług, analizują produkty i dopasowują rozwiązania do swoich potrzeb.

W 2025 roku liczba użytkowników ChatGPT w Polsce wzrosła dwukrotnie i przekroczyła 10 mln. To pokazuje skalę zmiany: narzędzia AI w bardzo krótkim czasie stały się jednym z miejsc, w których użytkownicy podejmują decyzje – również zakupowe.

Co ważne, ten rynek nie tylko rośnie, ale też szybko się dywersyfikuje. ChatGPT na początku był zdecydowanym liderem pod względem udziału wśród użytkowników platform AI, ale według najnowszych danych jego pozycja stopniowo słabnie względem konkurencyjnych rozwiązań, takich jak Gemini czy Claude. Udział ChatGPT spadł z poziomu około 90% do około 50%.

AI Search nie jest już trendem związanym wyłącznie z ChatGPT. To coraz szerszy ekosystem miejsc, w których użytkownik może zapytać o produkt, usługę, rekomendację lub porównanie dostawców. A skoro użytkownicy zaczynają tam szukać, to warto zadbać o widoczność w odpowiedziach oraz odpowiednią prezentację swojej oferty i jej wyróżników.

Czy LLM-y przejmują ruch od Google?

Google nadal pozostaje hegemonem wyszukiwania. LLM-y, czyli duże modele językowe (Large Language Models) stojące za narzędziami takimi jak ChatGPT, Gemini czy Claude, nie odebrały mu jeszcze masowej bazy użytkowników ani dominującej roli w całej ścieżce wyszukiwania.

Co więcej, zgodnie z raportem Google za Q2 2026 liczba wyszukiwań w Google wciąż rośnie. To pokazuje, że użytkownicy nie rezygnują z Google na rzecz narzędzi AI. Zamiast tego coraz częściej płynnie przełączają się między różnymi miejscami wyszukiwania: tradycyjną wyszukiwarką, social mediami, chatbotami AI i wyszukiwarkami opartymi na generatywnej sztucznej inteligencji.

Google odpowiada na tę zmianę, rozwijając Gemini i funkcje AI w swoich produktach, próbując zabezpieczyć ruch, który do tej pory trafiał głównie do tradycyjnej wyszukiwarki. Będzie z pewnością kontynuował tę strategię, ze względu na fakt, że obszarze narzędzi AI konkurencja jest już bardzo silna i nadal się powiększa.

W ciągu ostatnich trzech lat LLM-y nie zdołały odebrać Google dominującej pozycji i ma on nadal ma bardzo duże znaczenie w ścieżce użytkownika. Zmienia się jednak to, jak użytkownicy dzielą swoją uwagę między różne kanały wyszukiwania.

Rola Google dla różnych pokoleń

Widać to szczególnie w różnicach pokoleniowych. W naszym badaniu GenZ reSearch Report widzimy, że najstarszy segment pokolenia Z nadal ma największe zaufanie do Google i silne przyzwyczajenia związane z tradycyjnymi wyszukiwarkami. Im młodsi użytkownicy, tym częściej ścieżka wyszukiwania zaczyna się od social mediów lub narzędzi AI.

W świetle tych obserwacji, dobór kanałów w optymalizacji widoczności powinien być więc dopasowany do grupy docelowej. Przy starszych odbiorcach Google będzie miał zwykle większy udział w procesie wyszukiwania. Przy młodszych użytkownikach nie jest to już tak oczywiste, bo ich kontakt z marką rozkłada się na większą liczbę punktów styku, a sama ścieżka zakupowa coraz rzadziej jest liniowa.

Intencja użytkownika

Duże znaczenie ma też intencja użytkownika, czyli to, co chce osiągnąć w danym momencie. Google może wygrywać wtedy, gdy użytkownik chce szybko znaleźć konkretną informację. Social media są silne na etapie inspiracji. LLM-y coraz częściej sprawdzają się natomiast wtedy, gdy użytkownik chce porównać produkty, zestawić argumenty za i przeciw albo otrzymać syntetyczną rekomendację na podstawie wielu źródeł.

Widzimy to szczególnie w branży elektroniki i fashion, gdzie użytkownicy często pszukają porównań konkretnych marek, modeli, parametrów, cen, opinii i zastosowań. W Google takie porównanie wymaga przejścia przez kilka stron, rankingów i recenzji. LLM może zebrać te informacje w jednej odpowiedzi, skrócić proces decyzyjny i wskazać użytkownikowi kilka najlepiej dopasowanych opcji.

Co decyduje o widoczności marki w odpowiedziach AI?

Na widoczność marki w AI wpływa kilka obszarów jednocześnie. Najprościej można sprowadzić je do trzech pytań:

• Co mówi o sobie marka?
• Co mówią o niej inni?
• Czy AI jest w stanie łatwo znaleźć, zrozumieć i przetworzyć te informacje?

Techniczna dostępność strony 

Strona powinna być przyjazna przetwarzaniu nie tylko przez użytkowników i boty Google, ale także przez crawlery AI, czyli boty wykorzystywane przez narzędzia sztucznej inteligencji do pobierania i analizowania treści z internetu.

Content, czyli treści publikowane na stronie i nie tylko

Powinny jasno pokazywać, czym marka się wyróżnia, dla kogo jest jej oferta, jakie problemy rozwiązuje i dlaczego użytkownik powinien ją wybrać.

Ogromne znaczenie mają źródła zewnętrzne: artykuły, rankingi, opinie, recenzje, wzmianki PR-owe, profile firmowe czy branżowe zestawienia. Jeśli informacje o marce są niespójne, nieaktualne albo zbyt ogólne, AI może mieć problem z przypisaniem jej konkretnych przewag.

USP – Unique Selling Proposition

Właśnie dlatego unikalna propozycja wartości marki (ang. USP – Unique Selling Proposition) – musi być jasno zdefiniowana i konsekwentnie komunikowana. Jeżeli marka sama nie pokazuje swoich wyróżników, AI może ich nie uwzględnić w odpowiedzi. W takim przypadku użytkownik prawdopodobnie zobaczy konkurencję, która zadbała o spójną prezentację USP.

Czym praktyki GEO różnią się od klasycznego SEO?

GEO, czyli Generative Engine Optimization, to optymalizacja widoczności marki w generatywnych systemach wyszukiwania, takich jak ChatGPT, Gemini, Perplexity czy AI Overview w Google. GEO nie zastępuje SEO – jest jego naturalnym rozszerzeniem.

Dobre praktyki SEO nadal są fundamentem. Technicznie poprawna strona, wartościowe treści, logiczna struktura informacji, dane strukturalne, autorytet domeny i widoczność w Google dalej mają znaczenie. Różnica polega na tym, że w AI Search pojawiają się dodatkowe niuanse.

Większą wagę mogą mieć między innymi:

• jasne i spójne komunikowanie wyróżników marki,
• dostępność treści dla crawlerów AI,
• obecność w wiarygodnych źródłach zewnętrznych,
• odpowiednie formatowanie treści,
• aktualność informacji w całym ekosystemie marki,
• rozbudowane dane strukturalne (znaczniki w kodzie strony, które pomagają wyszukiwarkom i systemom AI lepiej zrozumieć, czym jest dana treść. Mogą opisywać na przykład produkt, cenę, dostępność, autora artykułu, organizację, opinie albo pytania i odpowiedzi). 

Więcej na ten temat w artykule o Roli danych stukturalnych w AI Search >>.

Co zrobić, gdy LLM-y mówią o marce nieprawdę?

Wspieramy klientów w sytuacjach, w których LLM halucynuje lub podaje błędne informacje na temat marki. Halucynacja oznacza, że model generuje odpowiedź, która brzmi wiarygodnie, ale nie jest zgodna z faktami. W kontekście biznesowym może to być szczególnie problematyczne, bo użytkownik często traktuje odpowiedź AI jak skrót researchu i na jej podstawie podejmuje decyzję: czy wejść na stronę marki, porównać ofertę, skontaktować się z firmą albo całkowicie ją odrzucić.

Czasem klient zgłasza się do nas już z konkretnym problemem, np. zauważa, że ChatGPT, Gemini albo Perplexity nieprawidłowo opisuje jego ofertę. Często jednak takie błędy odkrywamy dopiero podczas kompleksowego audytu Brand Search Presence, czyli analizy tego, jak marka pojawia się w wynikach wyszukiwania, odpowiedziach AI i źródłach, z których te systemy mogą korzystać.

Case study

Z takim wyzwaniem mierzyliśmy się m.in. przy projekcie dla Mobile Vikings. Gemini uparcie twierdził, że marka nie posiada infolinii. W rzeczywistości infolinia istniała, ale błędna informacja wpływała na sposób, w jaki Mobile Vikings było oceniane na tle innych usługodawców z branży telecom. W porównaniach dotyczących obsługi klienta marka wypadała gorzej nie dlatego, że faktycznie miała słabszą obsługę, ale dlatego, że AI opierało odpowiedź na nieprawdziwej informacji.

Naszym celem było zidentyfikowanie źródeł, które mogły powodować ten błąd, uporządkowanie informacji o marce i zadbanie o to, aby LLM-y korzystały z aktualnych danych podczas opisywania marki. Chodziło nie tylko o poprawienie jednej odpowiedzi, ale o ograniczenie ryzyka, że błędny komunikat będzie powtarzany w kolejnych porównaniach, rekomendacjach i odpowiedziach generowanych dla potencjalnych klientów.

W takich sytuacjach nie chodzi wyłącznie o widoczność marki, ale też o jej reputację i realny wpływ na decyzje zakupowe użytkowników. Jeśli AI podaje nieprawdziwą informację w momencie, w którym użytkownik porównuje kilka firm, marka może stracić klienta, zanim ten w ogóle trafi na jej stronę.

Jaki wpływ mają opinie pracowników i użytkowników na wizerunek marki w AI?

Opinie użytkowników, klientów i pracowników znacznie wpływają na to, jak marka może być przedstawiana w odpowiedziach AI. Modele językowe analizują nie tylko treści na stronie firmy, ale także sygnały z innych miejsc: platform opinii, forów, recenzji, artykułów, porównań czy serwisów branżowych.

Jeżeli użytkownik pyta AI o najlepszą markę w danej kategorii, model może uwzględnić opinie o jakości obsługi, doświadczeniach zakupowych, czasie dostawy, procesie zwrotów, jakości produktów czy atmosferze pracy. To wszystko buduje obraz marki.

Dlatego warto zadbać o proces regularnego zbierania i prezentowania opinii. Nie chodzi wyłącznie o obecność na zewnętrznych platformach, takich jak Opineo, TrustMate czy Google Reviews. Warto też zadbać o to, aby opinie klientów były dobrze widoczne na stronie: uporządkowane, aktualne i osadzone w kontekście, który pomaga użytkownikowi zrozumieć, czego realnie może spodziewać się po marce.

Dobrym przykładem jest tutaj case naszego klienta – marki 3LP, w przypadku którego optymalizacja w zakresie uporządkowania prezentacji opinii na stronie internetowej znacznie przyczyniła się do poprawy oceny marki w AI Overview.

Z perspektywy AI opinie stanowią nie tylko społeczny dowód słuszności, ale przede wszystkim są źródłem danych o tym, jak marka działa w praktyce. Dobrze zaprojektowana sekcja z opiniami może więc wspierać zarówno decyzje użytkowników, jak i sposób, w jaki AI opisuje firmę.

Jakie informacje na stronie internetowej są ważne dla LLM-ów?

LLM-y generując odpowiedzi na pytania użytkowników, szukają konkretnych informacji. Im łatwiej je znaleźć i zrozumieć, tym większa szansa, że marka zostanie poprawnie opisana lub uwzględniona w rekomendacji.

W zależności od branży ważne mogą być różne dane. W fashion będą to na przykład informacje o materiałach, certyfikatach, jakości produktów, procesie produkcji, pochodzeniu, tabelach rozmiarów, polityce zwrotów czy warunkach dostawy. W branży technologicznej większe znaczenie mogą mieć parametry produktów, porównania modeli czy kompatybilność z wybranymi urządzeniami lub systemami.

Ogromne znaczenie ma też aktualność informacji. Jeżeli na stronie, w starych artykułach, opisach produktowych albo zewnętrznych źródłach znajdują się nieaktualne dane, AI może je wykorzystać i powielić błąd. Osobne ryzyko stanowią pod tym kątem domeny developerskie, czyli techniczne środowiska testowe wykorzystywane przy tworzeniu nowych wersji strony lub podstron. Jeżeli są one dostępne dla botów AI, mogą zawierać treści robocze, nieaktualne informacje albo placeholdery, czyli tymczasowe teksty zastępcze. To może zaburzać obraz marki i prowadzić do błędnych odpowiedzi.

Dlatego techniczne uporządkowanie strony ma bezpośrednie znaczenie biznesowe. To element kontroli nad tym, jak marka jest widoczna i interpretowana w nowych kanałach wyszukiwania.

Czy małe marki mają szansę na przewagę w AI Search?

Zdecydowanie tak – i widzimy to nawet na poziomie własnych doświadczeń. Kiedy pytamy AI o konkretny produkt sezonowy, np. kurtkę puchową, w odpowiedzi często pojawiają się marki, na które prawdopodobnie nie trafilibyśmy tak szybko w tradycyjnych wynikach Google.

To duża szansa dla mniejszych firm, zwłaszcza tych, które działają w konkretnej niszy. W klasycznym SEO mała marka często konkuruje z dużymi graczami o wysokie pozycje na bardzo konkurencyjne frazy. W AI Search liczy się natomiast nie tylko skala rozpoznawalności, ale także dopasowanie do konkretnego zapytania użytkownika.

Jeśli marka ma jasno pokazane wyróżniki (czyli wspomniane wcześniej USP), dobrze opisane produkty, technicznie przygotowaną stronę i ofertę dopasowaną do węższej grupy odbiorców, może zostać wskazana przez LLM jako trafna rekomendacja – nawet obok większych, bardziej znanych konkurentów.

Dla małych marek to szczególnie ważne, bo uzyskanie widoczności w AI Search może być dziś łatwiejsze i mniej kosztowne niż walka z liderami branży o najwyższe pozycje w Google. Będzie to jednak możliwe jedynie pod warunkiem, że AI będzie mieć dostęp do konkretnych, spójnych i wiarygodnych informacji, które jasno pokazują, dlaczego dana marka jest dobrym wyborem dla określonego użytkownika i jego potrzeby.

Czy AI Search już dziś może stworzyć przewagę biznesową?

Ruch z AI Search jest dziś często mniejszy niż ruch organiczny z Google. Ale sama skala to nie wszystko.

W badaniu Semrush wskazano, że przeciętny użytkownik przychodzący z LLM jest wart 4,4 razy więcej niż użytkownik z tradycyjnego ruchu organicznego – w oparciu o współczynniki konwersji. Innymi słowy, użytkownicy z AI Search konwertują 4,4 raza częściej niż użytkownicy z tradycyjnych wyszukiwarek.

Potwierdzają to także nasze obserwacje z projektów klienckich. Współczynniki konwersji z ruchu generowanego przez AI są regularnie wyższe niż współczynniki konwersji z ruchu organicznego czy ruchu całościowego. Wynika to najczęściej z tego, że użytkownik przychodzący z AI jest już dalej w procesie decyzyjnym: ma sprecyzowaną potrzebę, porównał dostępne opcje, lepiej rozumie produkt lub usługę i jest bliżej podjęcia decyzji zakupowej.

Dlatego skala ruchu z AI Search nie powinna być jedynym kryterium oceny tego kanału. Nawet jeśli dziś jest to mniejszy wolumen, może przekładać się na realne zapytania, zakupy, rezerwacje i przychody. Co więcej, ten ruch stale rośnie, więc dla wielu marek AI Search może stać się dodatkowym, dobrze performującym źródłem pozyskiwania klientów.

Kto pierwszy, ten lepszy

Warto wejść w AI Search wcześniej, zanim konkurencja zbuduje tam silną pozycję. Podobny mechanizm widzieliśmy w klasycznym SEO: marki, które odpowiednio wcześnie inwestowały w widoczność w Google, przez lata korzystały z przewagi nad konkurencją.

Szczególnie duży potencjał dla optymalizacji widoczności w AI Search widzimy w branżach, w których użytkownicy porównują produkty i szukają rekomendacji przed zakupem. Dotyczy to między innymi fashion, elektroniki, usług, e-commerce czy kategorii wymagających większego researchu przed decyzją.

Jeżeli użytkownik pyta AI o najlepszy produkt, najwygodniejsze rozwiązanie albo najbardziej opłacalną usługę, obecność marki w odpowiedzi może bezpośrednio przełożyć się na sprzedaż.

Posłuchaj całej rozmowy

W tym artykule zebraliśmy wybrane wątki, a cały odcinek podcastu NowegoMarketingu z udziałem Asi Jelenik możesz obejrzeć lub odsłuchać na ulubionej platformie.

Sprawdź, co AI mówi o Twojej marce

AI Search jest rozszerzeniem SEO. To kolejny kanał wyszukiwania, który coraz częściej wpływa na decyzje użytkowników, reputację marki i sprzedaż. W Insightland łączymy klasyczne SEO i AI Search Optimization w ramach usługi SEO+GEO, bo użytkownik szuka dziś w wielu miejscach jednocześnie: w Google, w social mediach, w ChatGPT, Gemini, Perplexity i innych narzędziach AI.

Pomagamy markom sprawdzić, czy są widoczne w odpowiedziach AI, jak są opisywane, z jakich źródeł korzystają modele i co można zrobić, aby zwiększyć szansę na obecność w rekomendacjach.