86 proc. odpowiedzi AI o produktach ma źródło komercyjne. Rankingi afiliacyjne rządzą warstwą rekomendacji

Kiedy pytasz ChatGPT albo Perplexity o najlepszy laptop, robot sprzątający czy system CRM, odpowiedź prawie zawsze opiera się na tekście, za który ktoś zapłacił. Z analizy ponad stu tysięcy cytowań wynika, że 86 procent odpowiedzi porównawczych zawiera co najmniej jedno źródło z ujawnionym interesem komercyjnym. To nie jest margines błędu, to domyślny stan warstwy rekomendacyjnej, na której branża buduje dziś całą strategię widoczności w AI.

Badanie przeprowadziła berlińska agencja GetCited razem z DataPulse Research, korzystając z danych o cytowaniach zebranych przez narzędzie BuzzView. Wyniki w wersji angielskiej trafiły do dziennikarzy w drugiej połowie września, a niemiecki wariant opublikowano wcześniej, pod koniec maja. Dane źródłowe pochodzą z kwietnia 2026 roku, co przy tempie zmian w silnikach odpowiedzi warto mieć z tyłu głowy.

Kontekst: skąd w ogóle wzięło się to pytanie

Przez ostatnie dwa lata optymalizacja pod odpowiedzi AI dorobiła się własnych skrótów, własnych narzędzi i własnego rynku usług. Zaczęliśmy mierzyć, ile razy marka pojawia się w odpowiedzi modelu, ale znacznie rzadziej pytaliśmy, jakiego rodzaju strony te modele w ogóle uznają za wiarygodne przy pytaniach zakupowych. Intuicja mówiła, że w grze są duże serwisy technologiczne i portale poradnikowe. Brakowało liczby.

Pytania porównawcze to szczególny przypadek, bo prowadzą najbliżej decyzji zakupowej. Użytkownik nie szuka definicji, tylko werdyktu: co kupić, co jest lepsze, co się opłaca. W klasycznym SEO ten typ zapytania od lat obsługują rankingi afiliacyjne. Badanie sprawdza, czy silniki generatywne odziedziczyły tę strukturę rynku, czy zbudowały własną. Jeśli interesuje Cię, jak przygotować markę pod tego typu zapytania, opisywaliśmy to osobno w tekście o zapytaniach porównawczych w AI.

Jak liczono: metodologia w skrócie

Zespół zadał 6 668 promptów, po połowie w języku niemieckim i angielskim, obejmujących 748 typów produktów i usług. Z odpowiedzi wyciągnięto 139 033 unikalne adresy URL. Następnie 132 335 stron przeskanowano headlessową przeglądarką Chromium z renderowaniem JavaScriptu, co jest istotne, bo spora część oznaczeń afiliacyjnych i banerów partnerskich doklejana jest dopiero po stronie klienta.

Analiza anglojęzyczna, na której opierają się najczęściej cytowane liczby, objęła 106 758 cytowań pochodzących z 3 334 pytań porównawczych. Każdą stronę sprawdzano pod kątem 22 markerów treści komercyjnej, pogrupowanych w trzy warstwy: ujawnienia afiliacyjne, informacje o treści partnerskiej oraz oznaczenia reklamowe. Kluczowa uwaga metodologiczna: badanie wykrywa ujawniony interes komercyjny, a więc mierzy dolną granicę zjawiska. Strony, które nie oznaczają współpracy w ogóle, wypadają z licznika jako neutralne.

Kluczowe fakty w liczbach

Rozbicie po platformach pokazuje różnicę, której trudno nie zauważyć. W odpowiedziach ChatGPT źródło komercyjne pojawiało się w 91 procentach przypadków, w Perplexity w 89 procentach, a w Google AI Overviews w 77 procentach. Wolumen cytowań też rozkłada się nierówno: ChatGPT odpowiada za 52 575 zebranych cytowań, Perplexity za 33 155, a AI Overviews za 21 028.

Niższy wynik AI Overviews da się czytać dwojako. Optymistycznie: warstwa Google mocniej miesza źródła, sięgając także po strony producentów, fora i serwisy niepowiązane z afiliacją. Ostrożniej: AI Overviews cytuje po prostu mniej linków na odpowiedź, więc szansa trafienia w oznaczoną komercyjnie stronę statystycznie spada.

Trzy warstwy ujawnienia, jedna dominuje

Najciekawsze jest rozbicie samego wskaźnika 25,4 procent. Zdecydowanie największą kategorią są ujawnienia afiliacyjne, obecne na 21,4 procent cytowanych stron. Treść partnerska to 2,9 procent, wydzielone sekcje commerce 2,0 procent, a klasyczne oznaczenia reklamowe 1,8 procent. Kategorie częściowo się nakładają, bo jedna strona potrafi mieć równocześnie notkę afiliacyjną i oznaczenie treści sponsorowanej, dlatego suma składników przekracza wartość zbiorczą.

Praktyczny wniosek jest prosty. Silniki odpowiedzi nie karzą modelu afiliacyjnego, tylko go premiują. Strona z uczciwie oznaczoną notką o prowizji ma w tej próbie większą szansę na cytowanie niż przeciętna strona produktowa bez takiej notki, bo należy do formatu, który modele rozpoznają jako porównanie: tabela, kryteria, werdykt, alternatywy.

Dziesięć redakcji, jedna czwarta cytowań komercyjnych

Koncentracja jest wysoka. Dziesięć serwisów dostarczyło 6 786 cytowań z ujawnionym interesem komercyjnym, czyli około 25 procent całej tej puli. Lista nie zaskoczy nikogo, kto śledzi rynek anglojęzycznych recenzji technologicznych.

To są marki z dziesięcioleciami historii, redakcjami testowymi i realnym autorytetem tematycznym. Ich obecność w odpowiedziach nie jest patologią. Problem polega na czymś innym: jeśli dziesięć redakcji obsługuje czwartą część komercyjnych rekomendacji dla 748 kategorii produktowych, to rynek widoczności w AI ma bardzo wąskie gardło. Dostać się do tej warstwy można głównie przez te same serwisy, do których dostęp bywa płatny.

Co to znaczy dla SEO i AIO

Po pierwsze, strategia oparta wyłącznie na własnej domenie ma w zapytaniach zakupowych sufit. Możesz mieć bezbłędne dane strukturalne i wzorcowy content, a i tak w odpowiedzi na pytanie „najlepszy X dla Y” model sięgnie po ranking zewnętrzny. To dokładnie ten scenariusz, który opisywaliśmy w zestawieniu przyczyn, dla których AI nie cytuje Twojej strony. Brak cytowania często nie wynika z jakości strony, tylko z tego, że nie jest ona formatem, którego model szuka.

Po drugie, praca nad obecnością w cudzych rankingach przestaje być działaniem PR i staje się częścią budżetu widoczności. Chodzi o pilnowanie, żeby produkt w ogóle był w tabeli porównawczej, żeby miał aktualną specyfikację, poprawną cenę i żeby nie wypadł z zestawienia przy kolejnej aktualizacji artykułu. To żmudne, ale mierzalne.

Po trzecie, warto rozdzielić dwa różne cele. Cytowanie w odpowiedzi to widoczność. Rekomendacja to sprzedaż. Badanie mierzy pierwsze, nie drugie. W naszym własnym teście pięćdziesięciu zapytań B2B, opisanym w porównaniu Claude kontra ChatGPT w rekomendacjach B2B, widać było, że modele potrafią cytować jedno źródło, a rekomendować markę, która w tym źródle wcale nie wygrywa.

Po czwarte, dla polskiego rynku liczby te są punktem odniesienia, a nie prognozą. Próba anglojęzyczna opiera się na ekosystemie dużych amerykańskich wydawców recenzenckich, którego w polszczyźnie po prostu nie ma w takiej skali. To paradoksalnie szansa: w kategoriach, gdzie brakuje mocnego polskiego rankingu, dobrze zbudowane porównanie na własnej domenie ma realnie większe pole do zajęcia miejsca w odpowiedzi.

Reakcje branży i konflikt interesów, którego nie da się pominąć

Dyskusja wokół badania niemal natychmiast zeszła na to, kto je wykonał. GetCited sprzedaje usługę polegającą na badaniu, pisaniu i umieszczaniu artykułów porównawczych u uznanych wydawców, tak aby asystenci AI rekomendowali klientów agencji. Model współpracy startuje, wedle publicznie podawanych informacji, od 3 000 dolarów miesięcznie przy strategii rocznej.

Innymi słowy: podmiot, który udowadnia, że warstwa rekomendacji AI jest zdominowana przez treści komercyjne, sprzedaje wejście do tej właśnie warstwy. To nie unieważnia danych, bo metodologia jest opisana, a skanowanie stron pod kątem oznaczeń afiliacyjnych jest procedurą powtarzalną. Nakazuje jednak ostrożność przy interpretacji, zwłaszcza przy wnioskach w stylu „jedyną drogą jest publikacja u wydawcy”. Taka konkluzja jest akurat wprost zbieżna z ofertą autora.

Część komentujących zwróciła też uwagę na przesunięcie czasowe. Dane zebrano w kwietniu, niemiecką wersję opublikowano w maju, a angielska poszła w obieg medialny we wrześniu. W tym czasie zmieniły się i modele, i sposób linkowania w warstwie Google. Analitycy śledzący AI Overviews odnotowali, że w okolicach 11 września udział odpowiedzi zawierających zewnętrzne linki wewnątrz treści skoczył z poziomu bliskiego zeru do około 26 procent. Struktura cytowań jest więc ruchoma, a kwietniowy pomiar opisuje inny SERP niż ten, który widzimy dziś.

Dlaczego modele wybierają akurat rankingi

Warto zrozumieć mechanikę, bo z niej wynikają konkretne decyzje redakcyjne. Silnik odpowiedzi, niezależnie od tego czy jest to ChatGPT z dostępem do sieci, Perplexity czy warstwa generatywna Google, rozbija pytanie zakupowe na kilka podzapytań, pobiera zestaw dokumentów i buduje odpowiedź z fragmentów, które da się bezpiecznie streścić. Tekst, który już zawiera porównanie kilku produktów, listę kryteriów i wskazanie zwycięzcy, jest dla takiego procesu materiałem idealnym. Jedna strona pokrywa całą intencję.

Strona producenta pokrywa tę intencję najwyżej w jednej trzeciej. Opisuje własny produkt, nie odnosi się do alternatyw, a jej ocena jest z definicji stronnicza, co model rozpoznaje po braku kontrastu. Nie chodzi więc o karę za bycie sprzedawcą, tylko o kompletność. Modele domykają odpowiedź najmniejszą liczbą dokumentów, jaką się da, a ranking afiliacyjny to dokument o najwyższej gęstości informacji porównawczej w całym korpusie sieci.

Ta sama logika tłumaczy, dlaczego w zestawieniu dominują serwisy z redakcjami testowymi. Mają nie tylko format, ale i powtarzalną strukturę: te same kryteria stosowane przez lata w setkach kategorii, aktualizowane daty, tabele specyfikacji. Dla modelu to sygnał spójności, którego pojedynczy, nawet bardzo dobry artykuł na małej domenie zwyczajnie nie dostarcza. Konkurowanie z tym formatem wymaga konsekwencji, a nie jednorazowego tekstu.

Gdzie kończy się to badanie

Uczciwie trzeba wskazać granice tych danych, bo w komentarzach szybko zaczęły żyć własnym życiem. Badanie mierzy obecność ujawnionego oznaczenia komercyjnego na cytowanej stronie. Nie mierzy, czy rekomendacja była trafna, czy produkt faktycznie jest dobry, ani czy prowizja wpłynęła na werdykt. Serwis z uczciwą metodologią testową i jawną notką afiliacyjną wpada do tego samego worka co strona sklejona wyłącznie pod prowizję.

Drugie ograniczenie dotyczy kierunku pomiaru. Skoro liczone są tylko ujawnienia, to serwisy, które nie oznaczają współpracy handlowej, są w tej statystyce niewidzialne i podbijają odsetek źródeł „neutralnych”. Rzeczywisty udział treści z interesem komercyjnym jest zatem najprawdopodobniej wyższy niż 25,4 procent, a nie niższy. To argument za tym, żeby traktować wynik jako podłogę, nie sufit.

Trzecie ograniczenie jest czasowe i zostało już zasygnalizowane: kwiecień 2026 to w tej branży odległa przeszłość. Pomiędzy zebraniem danych a ich medialnym obiegiem zmieniły się zasady linkowania w warstwie generatywnej Google, weszły kolejne aktualizacje antyspamowe, a część wydawców zmieniła politykę wobec crawlerów AI. Powtórzenie tego pomiaru na świeżej próbce byłoby dziś znacznie ciekawsze niż sam wynik.

Plan na najbliższe 30 dni

Jeżeli zarządzasz widocznością marki produktowej, poniższa sekwencja daje się wykonać w miesiąc bez dodatkowego budżetu mediowego. Pierwszy tydzień to inwentaryzacja: zbierz realne zapytania zakupowe z Search Console, z rozmów sprzedażowych i z wyszukiwarki, i wybierz spośród nich trzydzieści najbardziej decyzyjnych. Drugi tydzień to pomiar: zadaj każde z nich trzem silnikom i zapisz cytowane adresy w arkuszu, razem z informacją, czy Twoja marka pojawia się w treści odpowiedzi, w cytowaniach, czy wcale.

Trzeci tydzień poświęć na naprawę tego, co jest poza Twoją domeną. Sprawdź, czy w najczęściej cytowanych zestawieniach Twój produkt figuruje z aktualną ceną, poprawną specyfikacją i działającym linkiem. Zaskakująco często problemem nie jest brak obecności, tylko dane sprzed dwóch wersji produktu, które model posłusznie powtarza. Kontakt z redakcją w sprawie korekty faktów jest tańszy i szybszy niż jakakolwiek kampania.

Czwarty tydzień to budowa własnego formatu porównawczego. Nie chodzi o kolejny artykuł typu „dlaczego jesteśmy najlepsi”, tylko o uczciwe zestawienie z jasno wyłożonymi kryteriami, w którym część kategorii wygrywa konkurencja. Modele nagradzają kontrast i kompletność, a nie entuzjazm. Taki tekst ma szansę zostać cytowany nawet wtedy, gdy stoi na domenie producenta, bo dostarcza tego, czego brakuje w reszcie korpusu: konkretnych, porównywalnych liczb w jednej tabeli.

Co dalej

Najbliższe miesiące powinny odpowiedzieć na trzy pytania. Czy udział źródeł komercyjnych rośnie, czy stabilizuje się po zmianach w linkowaniu AI Overviews. Czy platformy zaczną traktować ujawnioną afiliację jako sygnał do ważenia odpowiedzi, a nie tylko jako neutralny atrybut strony. I czy pojawi się pomiar niezależny od firm, które sprzedają usługi widoczności w AI, bo dziś to one dostarczają większość publicznych danych o tym rynku.

Dla zespołów SEO i AIO praktyczna lista na teraz jest krótka. Zbadaj, jakie źródła realnie cytują modele w Twoich kategoriach, ręcznie, na próbce kilkudziesięciu zapytań zakupowych. Sprawdź, czy Twój produkt w ogóle figuruje w tych zestawieniach i czy dane są aktualne. Zbuduj własne porównanie w formacie, który modele rozpoznają: jasne kryteria, tabela, uczciwie oznaczone alternatywy. I mierz osobno cytowanie oraz rekomendację, bo mylenie tych dwóch metryk jest najczęstszym błędem w raportowaniu widoczności w AI.

Jedno warto zapamiętać niezależnie od tego, jak potoczy się dyskusja o metodologii. Warstwa odpowiedzi AI nie powstała w próżni. Odziedziczyła ekonomię rankingów afiliacyjnych z klasycznego wyszukiwania, tylko ukryła ją głębiej, za jednym akapitem podsumowania, w którym użytkownik nie widzi już, że czyta streszczenie tekstu z prowizją.

FAQ