Wyszukiwarka a odpowiedź modelu

We wrześniu zadałem ChatGPT i Perplexity po trzy pytania, jakie klient zadaje tuż przed wyborem firmy: kogo polecić do implantów, ile kosztuje pełna księgowość dla spółki, który software house zrobi aplikację mobilną. Pytania dotyczyły 20 polskich firm z różnych branż. Wszystkie mają działające strony, część prowadzi bloga. ChatGPT nie podał jako źródła strony 17 z nich ani razu.

W tej lekcji pokazuję, czym odpowiedź modelu różni się od listy wyników wyszukiwarki, skąd model wie, kogo polecić, i dlaczego firma z pierwszej strony Google potrafi w odpowiedzi w ogóle nie wystąpić. Bez tego reszta kursu to mierzenie na ślepo.

Krok 1. Dziesięć linków kontra kilka nazw

W wyszukiwarce klient dostaje listę. Czyta tytuły, otwiera dwie, trzy karty i porównuje sam. Czwarta pozycja jest gorsza od pierwszej, ale wciąż jest miejscem: kto przewinie, ten ją zobaczy.

W odpowiedzi modelu porównanie robi model. Klient dostaje akapit z kilkoma nazwami, czasem tabelkę i gotową rekomendację. Lista jest zamknięta i nie ma drugiej strony wyników, na którą można zajrzeć.

Ile to nazw i źródeł, widać w moim pomiarze. 60 odpowiedzi ChatGPT z włączonym wyszukiwaniem miało średnio 3,3 źródła, od zera do ośmiu. Perplexity w każdej z 60 odpowiedzi podał 12 źródeł, bo tyle zwraca jego model przez API. Pew Research Center zmierzył to samo zjawisko w Google: gdy pod zapytaniem jest podsumowanie AI, w zwykły wynik klika 8 procent użytkowników zamiast 15, a w link wewnątrz podsumowania 1 procent (Pew, lipiec 2025).

Ostatni wiersz to cały kurs w skrócie. Pozycji w odpowiedzi modelu nie da się sprawdzić raz i zapisać. Da się policzyć, w ilu odpowiedziach na sto firma się pojawia.

Krok 2. Trzy miejsca, z których model bierze wiedzę

Kiedy właściciel firmy pyta mnie, skąd ChatGPT w ogóle wie o jego konkurencji, rozkładam odpowiedź na warstwy.

1. Dane treningowe. Model uczył się na ogromnym zbiorze tekstów zebranym do pewnej daty. To, co wtedy o firmie przeczytał, zostaje w nim aż do następnej wersji. Tej wiedzy nie widzę wprost i nie mam jak jej poprawić. Mogę najwyżej sprawdzić skutki, pytając model z wyłączonym wyszukiwaniem.
2. Wyszukiwanie na żywo. Przy pytaniach o ceny, firmy w mieście i sprawy bieżące model zwykle szuka w sieci. Rozbija pytanie na kilka zapytań pomocniczych (Google opisał tę technikę przy Trybie AI pod nazwą query fan-out), pobiera strony, czyta je i wybiera fragmenty. Na tę warstwę mam wpływ: przez dostęp robotów do strony, jej treść i obecność firmy w miejscach, które model przeszukuje.
3. Cytowane źródła. To podzbiór pobranych stron, pokazany użytkownikowi jako linki. Ahrefs policzył na 1,4 mln promptów, że ChatGPT cytuje mniej więcej połowę tego, co pobiera (Ahrefs, kwiecień 2026). Tę warstwę mierzę, bo tylko ją widać z zewnątrz.

W jednej odpowiedzi te warstwy się mieszają. Model może wymienić firmę z pamięci, a jako źródło podać zupełnie inną stronę. Może też pobrać stronę firmy, przeczytać ją i nie zacytować, bo w katalogu branżowym znalazł to samo w wygodniejszej formie.

Dla usługi wynika z tego prosty podział. Danych treningowych nie ruszam. Pracuję na wyszukiwaniu, a efekt sprawdzam na cytowaniach i wzmiankach.

Krok 3. Wzmianka to nie to samo co cytowanie

Przy każdej odpowiedzi zapisuję dwie rzeczy osobno: czy nazwa firmy padła w treści (wzmianka) i czy jej domena jest wśród źródeł (cytowanie). Pomylenie ich psuje każdy raport.

Przykład z mojego pomiaru. Dla pięciu firm medycznych i okołomedycznych zebrałem 30 odpowiedzi. ZnanyLekarz był źródłem w 18 z nich. Model polecał konkretnego lekarza, ale linkował do jego profilu w katalogu, a nie do strony gabinetu. Dla właściciela to nadal polecenie, tylko cudzymi rękami. Dla mnie to informacja, gdzie pracować, i wracam do niej w lekcji o mapie sygnałów.

Zdarza się też odwrotnie. Domena firmy stoi na jedenastym miejscu wśród dwunastu źródeł Perplexity, a w treści odpowiedzi nie ma o niej słowa. Formalnie to cytowanie, w praktyce niewidoczność. Przy prospektach z tego pomiaru cytowanie wyłącznie przez Perplexity na dalekiej pozycji traktowałem prawie jak brak, bo ChatGPT podaje 2-5 źródeł i to one robią wrażenie na kliencie.

Krok 4. Dlaczego dobra pozycja w Google nie wystarcza

Najlepszy dowód mam na własnej domenie. Na tym samym zestawie pytań Perplexity cytował promptowy.com w 60-70 procent sprawdzeń, a ChatGPT i Gemini w zero procent. Ta sama domena, te same teksty, te same pozycje w Google. Trzy silniki i trzy różne drogi do treści.

Druga przyczyna to wspomniany fan-out. Model nie szuka frazy, którą wpisał klient, tylko kilku pytań pomocniczych. Strona, która jest pierwsza na „pompa ciepła cena”, może nie mieć nic do powiedzenia w podpytaniu o koszt serwisu po pięciu latach. Wygrywa wtedy ktoś daleko w wynikach, kto akurat ma tabelę z kosztami serwisu.

Trzecia przyczyna leży poza stroną. Model sięga po katalogi, rankingi i opinie, bo tam łatwiej porównać kilka firm naraz. Firma z dobrą stroną, ale nieobecna w tych miejscach, przegrywa z przeciętną firmą, która jest wszędzie.

Protip: pierwsze spotkanie z właścicielem firmy zaczynam od okna prywatnego w przeglądarce, slajdy zostawiam na później. Wpisuję pytanie, które zadaje jego klient, bez nazwy firmy, i czytamy odpowiedź razem. Zestawienie z konkurencją działa mocniej niż każdy slajd: właściciel widzi czarno na białym, kogo model poleca zamiast niego. Tylko nie nazywam tego pomiarem, bo jedna odpowiedź niczego nie dowodzi.

Krok 5. Pierwszy test w kwadrans

Zanim zbudujesz pełny zestaw pytań (lekcja 5) i protokół pomiaru (lekcja 6), zrób szybki test na jednej firmie, własnej albo znajomego. Szablon wklej do notatek:

TEST W KWADRANS - jedna firma, ChatGPT i Perplexity
Okno prywatne, bez logowania. Każde pytanie w nowej rozmowie.

PYTANIA (bez nazwy firmy, z miastem i sytuacją klienta):
1. [wybór]   Kogo polecasz do [usługa] w [miasto]? Zależy mi na [kryterium].
2. [cena]    Ile kosztuje [usługa] w [miasto] i od czego zależy cena?
3. [problem] [Sytuacja klienta jego słowami]. Co powinienem zrobić?

PRZY KAŻDEJ ODPOWIEDZI ZAPISZ:
- nazwa firmy w treści:        tak / nie
- strona firmy wśród źródeł:   tak / nie, pozycja na liście
- inne firmy wymienione z nazwy (wszystkie)
- domeny w źródłach (wszystkie, po kolei)

NA KONIEC:
Pytanie 1 zadaj jeszcze dwa razy, za każdym razem w nowej rozmowie.
Porównaj trzy zestawy nazw.

Ostatni punkt uczy najwięcej. Przy trzech powtórzeniach tego samego pytania zestaw firm zwykle się różni, czasem o jedną nazwę, czasem o połowę. Od tej chwili wiesz, dlaczego w tym kursie nie ma „pozycji w ChatGPT”, a jest odsetek odpowiedzi.

Z testu wyjdzie ci też pierwsza lista domen, które model cytuje zamiast firmy. Zachowaj ją. W lekcji 4 rozłożysz ją na warstwy i zobaczysz, czy w twojej branży wygrywają katalogi, porównania czy strony konkurentów.