Czy strona, która stoi wysoko w Google, automatycznie trafia do odpowiedzi ChatGPT? Wiele planów treści zakłada, że tak, i traktuje widoczność w modelach językowych jako efekt uboczny klasycznego SEO. Najprostszy sposób, żeby to sprawdzić, to zadać te same pytania obu systemom i policzyć, ile źródeł się pokrywa. Poniżej opisujemy taki eksperyment krok po kroku: jak dobrać sto zapytań, jak liczyć pokrycie, jak czytać wyniki i gdzie kończy się to, co z nich wynika.
Tekst jest częścią szerszego materiału o tym, jak badać zapytania pod AI i wybierać prompty, w których marka powinna się pojawiać. Tam znajdziesz kontekst strategiczny; tutaj skupiamy się na jednym porównaniu i jego mechanice.
Metodologia i dobór zapytań
Sto pytań to liczba, która mieści się w jednym dniu pracy, a jednocześnie pozwala zobaczyć różnice między typami intencji. Kluczowe jest to, żeby zestaw nie był przypadkowy. Proponujemy podział na cztery równe koszyki po 25 zapytań:
- informacyjne ogólne, np. „czym jest kanibalizacja słów kluczowych”,
- informacyjne specjalistyczne, np. „jak ustawić hreflang dla sklepu z trzema walutami”,
- porównawcze i zakupowe, np. „najlepsze narzędzie do audytu SEO dla małej agencji”,
- lokalne i markowe, np. „agencja SEO Kraków opinie” albo nazwa konkretnego narzędzia.
Każde pytanie trzeba zapisać w dwóch wersjach: krótkiej, tak jak wpisuje się je w wyszukiwarkę, i pełnym zdaniem, tak jak zadaje się je modelowi. Różnica w sformułowaniu jest częścią rzeczywistości, którą mierzymy, więc nie warto jej sztucznie usuwać. Dobrym punktem wyjścia jest lista 40 gotowych promptów do monitoringu marki, którą wystarczy uzupełnić o pytania z własnej niszy.
Warunki techniczne powinny być stałe: wyszukiwarka w trybie incognito, lokalizacja Polska, język polski; model w nowej rozmowie, bez historii i bez instrukcji systemowych, z włączonym wyszukiwaniem w sieci. Bez tej ostatniej opcji model nie podaje źródeł i porównanie traci sens.
Jak liczyć pokrycie źródeł
Dla każdego pytania zbieramy dwie listy. Po stronie Google: domeny z pierwszych dziesięciu wyników organicznych (bez reklam, bez map). Po stronie ChatGPT: domeny podlinkowane jako źródła w odpowiedzi. Porównujemy domeny, a nie pełne adresy URL, bo model często cytuje inną podstronę tego samego serwisu.
Pokrycie można policzyć na dwa sposoby i warto robić oba:
- Udział źródeł modelu obecnych w top 10: ile z domen zacytowanych przez ChatGPT pojawia się też w pierwszej dziesiątce Google. To odpowiada na pytanie „czy dobra pozycja wystarcza”.
- Indeks Jaccarda: część wspólna obu zbiorów podzielona przez ich sumę. Ta miara (opisana m.in. w Wikipedii) pokazuje ogólne podobieństwo list niezależnie od ich długości.
Przykład rachunku: jeśli w top 10 Google jest dziesięć domen, a model zacytował pięć, z czego dwie powtarzają się w obu listach, udział źródeł modelu w top 10 wynosi 40%, a indeks Jaccarda 2 / 13, czyli około 0,15. Ta sama para list wygląda więc zupełnie inaczej w zależności od miary, i dlatego obie trzeba raportować razem. Pierwsza mówi, czy pozycja pomaga, druga, jak bardzo oba kanały różnią się jako całość.
Wyniki najlepiej zapisywać w arkuszu z kolumnami: zapytanie, koszyk, domeny Google, domeny modelu, część wspólna, udział, Jaccard. Taki układ pozwala potem filtrować po intencji i szybko wychwycić pytania, w których rozbieżność jest największa.
Wyniki ogólne: ile domen się powtarza
Najważniejszy wniosek z porównań tego typu jest stabilny: pokrycie jest niskie. Publiczne analizy branżowe (m.in. Ahrefs, 2025) wskazywały, że tylko około jednej ósmej adresów cytowanych przez asystentów AI znajduje się w pierwszej dziesiątce Google dla tego samego zapytania. Na poziomie domen odsetek jest wyższy, bo duże serwisy wygrywają w obu kanałach, ale nadal daleko mu do sytuacji, w której wysoka pozycja gwarantuje cytowanie.
| Miara | Co mówi | Jak interpretować niską wartość |
|---|---|---|
| Udział źródeł modelu w top 10 | Czy model sięga po te same strony co Google | Model ma własne kryteria wyboru źródeł |
| Indeks Jaccarda | Ogólne podobieństwo obu list | Kanały nagradzają różne typy stron |
| Liczba źródeł na odpowiedź | Jak szeroko model szuka | Mało źródeł oznacza większą konkurencję o każde miejsce |
Druga rzecz, którą widać od razu: model cytuje mniej źródeł niż dziesięć. Typowa odpowiedź z wyszukiwaniem ma ich kilka, więc nawet strona, która jest „w zestawie”, konkuruje o znacznie mniej miejsc niż w klasycznych wynikach.
Zapytania informacyjne kontra zakupowe
Rozbicie na koszyki zwykle pokazuje, że pokrycie nie rozkłada się równo. W pytaniach informacyjnych ogólnych oba systemy częściej sięgają po te same encyklopedyczne i instytucjonalne źródła, więc część wspólna jest największa. W pytaniach specjalistycznych model chętniej cytuje dokumentację, fora i niszowe blogi, które w Google stoją niżej albo przegrywają z dużymi portalami.
Najciekawszy jest koszyk zakupowy. Google pokazuje tu sklepy, porównywarki i strony producentów, a model często opiera się na zestawieniach, recenzjach i rankingach publikowanych przez serwisy branżowe. Jeśli Twoja strategia opiera się na stronach produktowych, w odpowiedziach AI możesz być reprezentowany wyłącznie pośrednio, przez cudze porównania. Więcej o tym, jak takie różnice wyglądają w praktyce, pokazuje 30-dniowy case testów pod ChatGPT.
W pytaniach lokalnych i markowych pokrycie bywa wysokie albo zerowe, bez stanów pośrednich. Jeśli marka ma silną własną stronę i profile w katalogach, oba systemy po nie sięgają; jeśli nie, model potrafi zbudować odpowiedź z kilku przypadkowych wzmianek.
Kto zyskuje w odpowiedziach modelu
Porównanie list pozwala też zobaczyć, jakie typy stron model wybiera częściej niż Google. Najczęściej są to:
- strony z bezpośrednią, zwięzłą odpowiedzią na początku sekcji,
- zestawienia i porównania z tabelami, które łatwo streścić,
- dokumentacja techniczna i strony instytucji,
- wpisy z konkretnymi liczbami, datami i źródłami.
Tracą natomiast długie teksty, w których odpowiedź jest ukryta głęboko pod wstępem, oraz strony, które trudno zacytować jednym zdaniem. To nie jest reguła bez wyjątków, ale wzorzec na tyle wyraźny, że warto go uwzględnić przy redakcji. O formacie, który ułatwia cytowanie, piszemy szerzej w tekście o formacie wpisu blogowego pod AIO.
Ręczne powtarzanie stu zapytań co miesiąc szybko staje się uciążliwe. Część tej pracy przejmują narzędzia do monitoringu widoczności w AI; ich możliwości i ograniczenia zestawiliśmy w porównaniu sześciu platform.
Czego eksperyment nie dowodzi
Uczciwa interpretacja wymaga kilku zastrzeżeń. Po pierwsze, odpowiedzi modelu są niedeterministyczne: to samo pytanie zadane dwa razy może dać inne źródła. Dlatego każde zapytanie warto powtórzyć co najmniej trzy razy i liczyć domeny, które pojawiają się w większości prób.
Po drugie, sto pytań to próba wystarczająca do zobaczenia kierunku, ale nie do precyzyjnych procentów. Różnica kilku punktów między koszykami może być szumem. Po trzecie, wynik dotyczy jednego modelu i jednego momentu. Google rozwija własne funkcje AI w wynikach (zasady ich działania opisuje dokumentacja Google Search Central), a dostawcy modeli zmieniają mechanizmy wyszukiwania bez zapowiedzi.
Wreszcie: niskie pokrycie nie oznacza, że SEO jest bez znaczenia dla widoczności w AI. Strona musi być zaindeksowana i dostępna, żeby w ogóle mogła zostać znaleziona. Pozycja w Google to warunek pomocny, ale niewystarczający.
Wnioski dla planu treści
Z takiego porównania wynikają trzy praktyczne decyzje. Pierwsza: lista fraz do SEO i lista promptów do monitoringu AI powinny być prowadzone osobno, bo pokrywają się tylko częściowo. Druga: w koszyku zakupowym warto zadbać o obecność w zewnętrznych zestawieniach i recenzjach, a nie tylko o własne strony produktowe. Trzecia: teksty informacyjne trzeba redagować tak, żeby najważniejsza odpowiedź dała się zacytować w jednym, dwóch zdaniach.
Warto też zapisywać, które z Twoich własnych adresów pojawiły się po każdej stronie. Strona obecna w Google, ale nieobecna w odpowiedziach modelu, to pierwszy kandydat do przeredagowania: dodania krótkiej definicji, tabeli albo konkretnych liczb na początku sekcji. Odwrotny przypadek, czyli cytowanie przez model przy słabej pozycji w Google, podpowiada, które tematy mają potencjał, a brakuje im jedynie klasycznej optymalizacji.
Sam eksperyment warto powtarzać kwartalnie na tym samym zestawie pytań. Dopiero porównanie kilku pomiarów pokazuje, czy zmiany w treściach przesuwają cokolwiek po stronie modelu, czy tylko po stronie Google.
FAQ
Ile zapytań wystarczy, żeby porównanie Google i ChatGPT miało sens?
Sto pytań podzielonych na cztery koszyki intencji pozwala zobaczyć wyraźne wzorce. Do precyzyjnych procentów potrzeba większej próby i kilku powtórzeń każdego zapytania.
Czy porównywać pełne adresy URL, czy domeny?
Domeny. Model często cytuje inną podstronę tego samego serwisu niż ta, która stoi w Google, więc porównanie adresów zaniża rzeczywiste pokrycie.
Dlaczego wysoka pozycja w Google nie gwarantuje cytowania w ChatGPT?
Model wybiera kilka źródeł według własnych kryteriów: zwięzłości odpowiedzi, łatwości streszczenia i wiarygodności. Pozycja pomaga stronie zostać znalezioną, ale nie przesądza o wyborze.
Jak często powtarzać taki eksperyment?
Raz na kwartał na tym samym zestawie pytań. Stały zestaw pozwala oddzielić efekt własnych zmian od zmian po stronie wyszukiwarki i modelu.
Czy wyniki dla ChatGPT przenoszą się na inne asystenty AI?
Tylko częściowo. Każdy asystent korzysta z innego indeksu i innych zasad wyboru źródeł, więc porównanie warto powtórzyć osobno dla każdego narzędzia, na którym zależy marce.
