Share of Model to odsetek odpowiedzi AI na pytania z danej branży, w których pojawia się dana firma — odpowiednik Share of Voice przeniesiony z wyników wyszukiwania na odpowiedzi konwersacyjne. Mierzy się go, zadając systemom AI powtarzalny zestaw pytań (golden prompts) i rejestrując, kto pada w odpowiedziach. Jedna zasada rządzi całym pomiarem: pojedynczy odczyt nie znaczy nic — sens ma dopiero trend z powtarzanych, identycznych pomiarów.
Czwarta gałąź huba AI Visibility domyka pętlę praktyczną: wiemy, skąd AI czerpie wiedzę, jak wpuścić boty i co przechyla prawdopodobieństwo cytowania. Zostało pytanie kontrolne każdej pracy: skąd wiadomo, że działa?
Dlaczego starych mierników nie da się przenieść
Dwadzieścia lat SEO wyrobiło nawyk: widoczność sprawdza się w narzędziu, narzędzie pokazuje pozycję, pozycja jest faktem. Ten nawyk rozbija się o trzy właściwości odpowiedzi AI:
Nie ma pozycji. Odpowiedź wymienia firmy albo nie — pisaliśmy we wstępie huba: trzeciej pozycji nie przewidziano. Mierzalna jest więc częstość obecności w wielu odpowiedziach, nie miejsce w jednej.
Nie ma stabilności. Ten sam prompt, ta sama platforma, dwa dni różnicy — i odpowiedź może wymienić inne firmy. Modele są niedeterministyczne z natury, a do tego podmieniane i dostrajane bez zapowiedzi. To nie wada pomiaru, to właściwość mierzonego zjawiska — i z niej wynika cała metodologia poniżej.
Nie ma darmowego panelu. Ekspozycji w odpowiedziach AI nie raportuje żaden odpowiednik Search Console. Ruch, który z nich przychodzi, częściowo widać (odesłania z domen czatów w analityce — o ile analityka jest skonfigurowana, a nie tylko wklejona), ale ekspozycja bez kliknięcia — klient zobaczył rekomendację konkurencji i poszedł do niej — nie zostawia u Ciebie żadnego śladu. Mierzyć trzeba od strony pytań, nie od strony własnych statystyk.
Metodologia w pięciu zasadach
Samą procedurę krok po kroku — zestaw ośmiu golden prompts do podstawienia branży i miasta, arkusz, rytm miesięczny — prowadzimy na blogu Studio iFOX razem z gotowym szablonem. Tu zostają zasady, które decydują, czy pomiar mierzy cokolwiek:
Zasada 1: pytaj jak klient, nie jak marketer. Golden prompts mają odtwarzać język pytającego człowieka („polecisz…”, „szukam sprawdzonego…”, „ile kosztuje… i gdzie”), nie frazy z narzędzi keywordowych. Mierzysz odpowiedzi na pytania, które padają naprawdę — inaczej mierzysz własne wyobrażenie o rynku.
Zasada 2: czyste środowisko albo żadne. Tryb incognito, bez zalogowanej historii. Modele personalizują odpowiedzi kontekstem rozmów; pomiar z „wytrenowanego” własnego konta pokazuje, co model mówi Tobie — a interesuje Cię, co mówi obcemu klientowi. To najczęstszy błąd unieważniający cały pomiar.
Zasada 3: te same pytania, te same platformy, ten sam rytm. Porównywalność ponad wszystko. Zmiana zestawu promptów w trakcie serii to skasowanie serii — od zmiany zaczynasz nową. Jeśli koniecznie chcesz dodać pytanie, dodawaj, nie podmieniaj.
Zasada 4: rejestruj więcej niż tak/nie. Kto padł zamiast Ciebie (mapa konkurencji w AI), jakie źródła model zacytował (lista miejsc do zaistnienia — najcenniejsza kolumna audytu), z jakim sentymentem. Sam Share of Model mówi „ile”; te kolumny mówią „dlaczego” i „co dalej”.
Zasada 5: seria przed wnioskiem. I tu dochodzimy do sprawy najważniejszej na tej stronie.
Trend kontra szum — statystyczna pokora w praktyce
Niedeterminizm modeli oznacza, że pomiar widoczności w AI jest bliższy sondażowi niż odczytowi licznika. Z sondażami zaś wiadomo, jak się obchodzić — i jak nie:
Pojedyncza odpowiedź to anegdota. „ChatGPT wczoraj mnie polecił” i „ChatGPT wczoraj polecił konkurencję” mają identyczną wartość dowodową: żadną. Przy niedeterministycznym systemie oba zdarzenia mieszczą się w zwykłym rozrzucie.
Jeden cykl pomiarowy to migawka. Osiem promptów na trzech platformach daje dwadzieścia kilka odczytów — wystarczająco, żeby zobaczyć obraz z grubsza („jesteśmy nieobecni prawie wszędzie” to wniosek uprawniony), za mało, żeby czytać drobne różnice („spadliśmy z 40% na 35%” to prawie na pewno szum).
Sens mają: poziomy, trendy i zmiany skokowe. Poziom (obecność rzędu zera vs rzędu połowy odpowiedzi) widać od razu. Trend wymaga kilku cykli w identycznej metodologii — stąd rytm miesięczny i żelazna zasada 3. Zmiana skokowa i trwała (byliśmy, zniknęliśmy wszędzie, od dwóch cykli) to sygnał do szukania przyczyny — od zatrzaśniętej bramki po zmianę zachowania platformy.
Interpretuj w parze ze zdarzeniami. Pomiar zyskuje moc, gdy obok serii odczytów prowadzisz kalendarz zmian: przebudowa strony, nowe wzmianki, zmiana robots.txt, głośna aktualizacja modelu. Korelacja to wciąż nie przyczynowość — ale seria + kalendarz to maksimum wnioskowania dostępnego bez laboratorium, i zwykle wystarcza do decyzji.
Ta pokora ma też wymiar handlowy, o którym warto wiedzieć, cokolwiek kupujesz: obietnica „podniesiemy Share of Model o X% w miesiąc” jest niefalsyfikowalna przy szumie tej skali — miesięczny skok mieści się w rozrzucie. Poważne zobowiązania w tej dziedzinie dotyczą działań i trendów wielomiesięcznych, nie procentów w krótkim oknie.
Ręcznie czy narzędziem — rachunek dojrzałości
Rynek monitoringu widoczności w AI urósł błyskawicznie i narzędzia (od tanich trackerów po platformy z rekomendacjami) realnie zdejmują pracę ręczną. Kolejność ma jednak znaczenie: najpierw dwa–trzy cykle ręczne, potem automatyzacja. Nie z oszczędności — z metodologii. Cykl ręczny uczy, jak wyglądają odpowiedzi w Twojej branży, które prompty w ogóle różnicują wyniki, co jest szumem; bez tej kalibracji dashboard z liczbami jest tylko ładniejszą wersją niewiedzy. Narzędzie automatyzuje pomiar, którego sens już rozumiesz — nie zastępuje rozumienia. Przegląd konkretnych narzędzi z pozycjonowaniem cenowym trzymamy we wpisie praktycznym na studio, bo ten rynek zmienia się zbyt szybko na stronę hubową.
Pomiar to nie cel
Na koniec przestroga przed chorobą wszystkich metryk: Share of Model łatwo staje się celem samym w sobie, a wtedy zaczyna się optymalizacja pod pomiar zamiast pod klientów — trzecia droga donikąd w nowym przebraniu. Zdrowa pętla wygląda tak: pomiar znajduje lukę → trzy filtry podpowiadają, gdzie leży przyczyna → praca dzieje się na stronie i wokół niej → pomiar po kilku cyklach mówi, czy podziałało. Share of Model jest termometrem tej pętli. Leczenie odbywa się gdzie indziej.
Została warstwa, w której pomiar spotyka największego gracza: AI Overviews i Tryb AI w Google — jak działa warstwa AI samej wyszukiwarki i co mówią polskie dane o jej wpływie na ruch. Następna gałąź huba.
