Commodity content, czyli poradnik, który napisał się sam

Commodity content to treść, która mogła powstać bez wychodzenia z domu, bez rozmowy z klientem i bez otwierania własnych danych. Autor przeczytał TOP10 Google, wyciągnął część wspólną, dodał FAQ i kliknął „publikuj”. Google mówi dziś o tym znacznie bardziej otwarcie – samo przetworzenie tego, co już istnieje w sieci, nie jest wystarczającym powodem, żeby to właśnie Twój materiał był najbardziej użytecznym wynikiem. W swoich materiałach dla twórców Google wprost zachęca do tworzenia non-commodity content — treści opartych na własnym doświadczeniu, analizie i punkcie widzenia.

Test streszczenia. Jeśli model zrobi to w trzech zdaniach, problem masz Ty!

Najtańsza metoda oceny, jaką znam. Wklejasz gotowy tekst do dowolnego LLM-a i prosisz o streszczenie w trzech zdaniach. Potem zadajesz drugie pytanie: czego nie dostanę, jeśli przeczytam tylko to streszczenie?

Dobry tekst też da się streścić. Różnica polega na tym, że po streszczeniu nadal zostaje powód, żeby wejść do źródła: tabela z danymi, metodologia, zdjęcia, screeny, pełny case, wypowiedź eksperta albo detale, których nie da się zmieścić w trzech zdaniach. Jeśli po streszczeniu użytkownik dostał całą wartość artykułu, problem zaczyna się właśnie w tym miejscu.

Sygnały ostrzegawcze widać jeszcze przed testem: zero własnych liczb, zero nazwisk, zero „u nas”, zero porażek, a co trzeci akapit zaczyna się od „warto”. Jeśli do tego artykuł nie jest podpisany imieniem i nazwiskiem, wynik takiego testu łatwo przewidzieć.

Przykład nr 1

Waga zamiast objętości

Przez lata content wygrywał masą: 4000 znaków biło 1500, FAQ biło brak FAQ. Działało, dopóki objętość była kosztem. Dziś jest darmowa, więc przestała cokolwiek sygnalizować.

Zostały elementy, których model nie może sam wiarygodnie dostarczyć, jeśli ich od Ciebie nie dosta. 

1. Dane własne

Przeanalizowaliśmy ponad 200 kart produktowych sklepu na IdoSell i sprawdziliśmy, które zmiany w opisach faktycznie przełożyły się na widoczność. Najciekawszy wynik nie dotyczył długości tekstu, tylko doświadczeń użytkowników z produktem oraz praktycznych wskazówek dotyczących użytkowania.Takich informacji nie da się znaleźć przez zwykłe przeklejanie informacji z wyników TOP10.

2. Doświadczenie

Jeszcze ciekawiej robi się wtedy, gdy wdrożenie, produkt, usługa czy hipoteza – nie działają. Artykuły poruszające temat błędów, pomyłek czy „porażek” właśnie dlatego są wartościowe, bo nie powstały przy biurku. Porażki bywają o tyle cenniejsze od sukcesów, bo dużo rzadziej trafiają do cudzych poradników.

3. Cytaty ekspertów

Prawdziwa rozmowa z konkretną osobą, z imieniem i stanowiskiem. Ekspert bez nazwiska to figura retoryczna.

4. Obserwacje z rynku

Sprawdź, co wydarzyło się na Twoich projektach po zmianie, o której piszą wszyscy. Nie „AI Overviews zmienia SEO”, tylko: na ilu frazach je widzisz, co stało się z CTR-em, które typy zapytań ucierpiały, a które nie. Model może opowiedzieć o trendzie. Nie siedzi w Twoim Search Console.

Przykład nr 2

Information gain w redakcji, czyli co robić, zamiast pisać „jesteśmy ekspertami”?

Nie używam tu „information gain” jako nazwy kolejnego potwierdzonego czynnika rankingowego. To raczej zasada redakcyjna – po przeczytaniu naszego tekstu użytkownik powinien wiedzieć coś, czego nie wiedział po przeczytaniu tekstów konkurencji. Eksperckość słabo działa jako deklaracja. Znacznie lepiej funkcjonuje jako skutek uboczny tego, co pokazujesz w tekście. Jak zadbać o information gain?

1. Jedno pytanie do klienta przed tekstem

Piszesz o wizytówkach Google? Dzwonisz do kolegi z branży i pytasz, co go ostatnio zaskoczyło. To zdanie zwykle jest warte więcej niż reszta artykułu. Nie pytasz „co jest ważne w wizytówce?”, bo dostaniesz odpowiedź z poradnika. Pytasz „co wydarzyło się na którymś profilu w ostatnim miesiącu, czego się nie spodziewałeś?”.

2. Mini-badanie zamiast researchu w Google

Masz GSC, GA4, panel sklepu, historię rozmów z klientami. Zamiast pisać kolejny tekst o czynnikach wpływających na widoczność wizytówki, wybierz 30 profili klientów i sprawdź jedną zależność: liczbę opinii, częstotliwość nowych recenzji, kompletność profilu albo odległość od punktu wyszukiwania. Nawet jeśli wynik brzmi „nie znaleźliśmy wyraźnej zależności”, masz coś, czego nie daje standardowy research.

3. Screen zamiast opisu

Piszesz o narzędziu? Pokaż jego wynik na własnym projekcie, nie grafikę od producenta.

4. Zasada nieskopiowalnego fragmentu

Każdy tekst powinien zawierać przynajmniej jeden fragment, którego konkurent nie może skopiować bez wykonania własnej pracy. Może to być wynik analizy, zdjęcie z wdrożenia, decyzja podjęta na projekcie, cytat z rozmowy albo obserwacja z danych. Jeśli jedyną „oryginalnością” jest inne sformułowanie tego, co już znajduje się w TOP10, tekst nadal jest commodity.

Przykład nr 3

AI jako researcher i twórca struktury, nie jako copywriter

Nie chodzi o wyrzucenie AI z procesu, tylko o przesunięcie jej o dwa kroki wstecz. Poniżej schemat, na podstawie którego możesz tworzyć treści non-commodity z wykorzystaniem AI:

1. AI rozbija temat na pytania, które zadaje użytkownik (klasyczny fan-out).
2. AI analizuje TOP10 i wypisuje, co już tam jest. Potem dzielimy te informacje na trzy grupy: rzeczy, które użytkownik musi dostać; rzeczy powtarzane przez wszystkich bez większej wartości; pytania, na które konkurencja nie odpowiada. 
3. AI proponuje strukturę.
4. Człowiek dostarcza materiał, którego model sam nie ma: dane, case study, cytaty, screeny, obserwacje z projektu, zdjęcia, infografiki, filmy.
5. AI dokonuje finalnej redakcji treści.

Ironia sytuacji: jeśli poprosisz model o „artykuł ekspercki”, ale nie dasz mu własnych danych, rozmów ani materiałów z projektu, najczęściej dostaniesz bardzo sprawnie napisaną wersję tego, co już wiadomo. Model nie zna rozmowy, którą odbyłeś wczoraj z klientem, wyniku testu sprzed tygodnia ani nietypowego przypadku z ostatniego wdrożenia, dopóki mu ich nie pokażesz. Jeśli AI tworzy całą pierwszą wersję tekstu, a człowiek dopiero później próbuje „dodać eksperckość”, proces zaczyna się od złej strony. 

Nie każda treść musi odkrywać Amerykę

Nie każdy adres URL w obrębie strony potrzebuje własnego badania i wypowiedzi trzech ekspertów. Cennik ma podawać cenę. Instrukcja zwrotu ma wyjaśniać zwrot. Opis kategorii ma przede wszystkim pomóc użytkownikowi dokonać wyboru.

Problem zaczyna się wtedy, gdy publikujemy kolejny poradnik z ambicją zdobywania ruchu informacyjnego, ale jedyną rzeczą odróżniającą go od konkurencji jest inny nagłówek H1 oraz bardziej rozbudowane FAQ. Non-commodity content nie oznacza obowiązku produkowania researchu do każdego akapitu. Oznacza świadomość, gdzie powtarzalna informacja wystarcza, a gdzie potrzebny jest powód, żeby wybrać właśnie nasze źródło.

Przykład nr 4

Checklista, która pyta „a co tu jest nowego?”

Klasyczna checklista SEO (nagłówki, linkowanie wewnętrzne, meta dane, schema) jest nadal potrzebna, ale sprawdza tylko to, czy tekst da się znaleźć. Nie sprawdza, czy jest po co. Dlatego obok niej warto utworzyć drugą kolumnę:

• Ile faktów w tekście pochodzi z naszej pracy, a ile z cudzej?
• Czy jest w tekście informacja, przykład albo materiał, którego konkurencja nie może pozyskać bez własnej pracy?
• Czy ktoś wypowiada się z imienia i nazwiska?
• Czy pokazujemy również coś, co nie wyszło lub sprawiło problem?
• Czy po przeczytaniu streszczenia nadal istnieje konkretny powód, żeby wejść do pełnego tekstu?
• Czy autor podpisze się pod tym nazwiskiem i pochwali na LinkedInie?

Jeśli w drugiej kolumnie są same „nie”, perfekcyjna optymalizacja pierwszej kolumny nie rozwiązuje najważniejszego problemu: nadal nie wiadomo, dlaczego użytkownik miałby wybrać właśnie ten tekst. 

Co zostaje po streszczeniu?

Im łatwiej całą wartość tekstu zamknąć w kilku zdaniach odpowiedzi generatywnej, tym mniej powodów zostaje użytkownikowi, żeby wejść na stronę. Konkurentem poradnika nie jest już tylko inny poradnik. Jest nim również odpowiedź, która wyciąga wspólny mianownik z kilku źródeł i pokazuje go przed pierwszym kliknięciem. Poza streszczeniem zostają rzeczy, które trzeba było zrobić, zmierzyć albo od kogoś usłyszeć. Reszta to surowiec dla AI Overview.

Kiedy warto przetestować ChatGPT Ads i dla jakich ofert ten kanał może być najbardziej przydatny?

Jeżeli masz konkretną wizję swojej marki i jej promocji w sieci, warto przetestować ten kanał. Sprawdzanie nowych rozwiązań i eksperymentowanie są potrzebne, żeby marka mogła się rozwijać, a przynajmniej „nie zwijać”. Dojrzały reklamodawca powinien wzmacniać komunikację za pomocą różnych kanałów dotarcia.

ChatGPT Ads to kolejne miejsce, w którym możesz wyeksponować markę, jej wyróżniki oraz komunikat skierowany do konkretnej grupy docelowej. Może też wspierać sprzedaż, nawet jeśli nie robi tego od razu. W końcu użytkownicy ChatGPT to „królowie researchu”.

Kiedy można zrezygnować z testu?

Gdy masz pewność, że Twojej grupy docelowej nie ma w ChatGPT. Stawiam jednak tezę, że znajdzie się tam niemal każda grupa, a do niektórych osób łatwiej będzie dotrzeć właśnie w tym kanale.

Test nie ma też większego sensu, jeżeli nie masz strategii marketingowej, a poszczególne miejsca reklamowe wykorzystujesz wyłącznie jako jednorazowe lub okazjonalne narzędzia.

Dla jakich ofert ChatGPT Ads może być przydatny? Moim zdaniem dla każdej. Czy znasz kogoś, kto nie korzysta z ChatGPT prywatnie lub służbowo, zarówno w bardziej, jak i mniej złożonych sprawach?

Jestem pewien, że znajdzie się kontekst rozmowy pasujący do tego, co oferujesz.

Jak wybrać cel kampanii oraz właściwy model: CPM, CPC czy oCPC?

Wybór modelu zależy od celu kampanii, a na jednym koncie możesz realizować ich kilka.

CPM – gdy zależy Ci na zasięgu

Wybierz CPM, jeżeli reklama ma przede wszystkim się wyświetlać i nie musi być klikana. Ten model sprawdzi się, gdy chcesz przekazać konkretny komunikat lub pokazać markę w określonym kontekście.

CPC – gdy chcesz pozyskać ruch

Nie masz jeszcze jasno zdefiniowanych celów konwersji, ale zależy Ci na przejściach na stronę? Użytkownik jest jeszcze daleko od pozostawienia leada lub zakupu? Rozważ CPC albo maksymalizację kliknięć.

Pozwoli Ci to pozyskiwać ruch o określonym koszcie, a następnie analizować jego jakość w GA4.

oCPC – gdy oczekujesz konkretnej akcji

Masz jasno zdefiniowane i opomiarowane cele konwersji? Oczekujesz od użytkownika, który kliknie reklamę, konkretnego działania? Wybierz oCPC.

Nadal płacisz za kliknięcia, ale system optymalizuje kampanię pod wskazane cele.

Jak przygotować pomiar konwersji przed rozpoczęciem emisji?

Aby skutecznie oceniać rentowność kampanii reklamowych w ChatGPT i optymalizować ich wyniki, niezbędne jest prawidłowe śledzenie działań użytkowników na Twojej stronie. Służy do tego OpenAI Pixel – krótki kod skryptu, który przesyła do panelu reklamowego OpenAI informacje o kluczowych akcjach (np. zakupach, rejestracjach czy zapisach na newsletter).

Jeśli w przeszłości miałeś do czynienia na swojej stronie z Meta Ads, TikTok Ads czy Pinterest Ads, wdrożenie śledzenia konwersji dla ChatGPT Ads nie będzie dla Ciebie żadnym zaskoczeniem. Architektura i zasada działania całego systemu są niemal identyczne. Cały proces sprowadza się do dwóch znanych kroków – wklejenia głównego skryptu bazowego w nagłówek strony (<head>) oraz podpięcia tzw. zdarzeń (konwersji) pod konkretne akcje użytkowników, takie jak dodanie do koszyka, wysłanie formularza czy finalizacja zakupu.

Co jest potrzebne przed rozpoczęciem?

Zanim przejdziesz do wdrożenia, przygotuj podstawowe elementy techniczne:

1. Identyfikator Pixela (Pixel ID): Unikalny kod, który wygenerujesz w panelu reklamowym OpenAI Ads Manager (w zakładce dotyczącej konwersji). Warto pamiętać, że na jednym koncie reklamowym możesz utworzyć wiele pikseli – podczas definiowania każdej nowej konwersji po prostu wybierasz, do którego z nich ma zostać przypisana.
2. Miejsce na kod skryptu: Dostęp do sekcji <head> w kodzie Twojej witryny. Kod powinieneś wkleić jak najbliżej początku tej sekcji, aby system zdążył załadować śledzenie, zanim użytkownik opuści stronę. Możesz to zrobić najprościej przez Google Tag Managera. 
3. Zgody na śledzenie (RODO/Consent): Jeżeli używasz na stronie banera cookie, musisz zadbać o to, aby skrypt wysyłał dane o konwersjach dopiero po uzyskaniu zgody od użytkownika.

Kroki wdrożenia:

Krok 1: Pobranie Pixel ID i wklejenie skryptu bazowego

Wygeneruj Pixel ID w panelu OpenAI Ads Manager (w zakładce „Konwersje”). Wklej poniższy kod w sekcji <head> na każdej podstronie witryny, jak najbliżej jej początku:

Krok 2: Konfiguracja zgód (RODO / consent mode)

Śledzenie konwersji musi ściśle respektować decyzje użytkowników dotyczące plików cookie i prywatności. Pomiar można łatwo skonfigurować przy użyciu Google Tag Managera lub dodając w kodzie odpowiednie komendy sterujące zgodami:

// Domyślny stan – blokada pomiaru przed uzyskaniem zgody:
oaiq("consent", false);
oaiq("init", {
  pixelId: "<TWÓJ-PIXEL-ID>",
});

// Wywołaj po wyrażeniu zgody na marketingowe pliki cookie:
oaiq("consent", true);

Domyślnie skrypt uruchamia się ze stanem consent: false, co wstrzymuje zbieranie danych do momentu podjęcia decyzji przez odwiedzającego. Gdy użytkownik zaakceptuje marketingowe pliki cookie na banerze cookies, wystarczy wywołać komendę z wartością true, aby aktywować pełne śledzenie. 

Krok 3: Wywoływanie zdarzeń konwersji

Podobnie jak w przypadku Mety czy Pinteresta, OpenAI korzysta z gotowych definicji zdarzeń (np. order_created czy lead_created), co ułatwia mapowanie celów biznesowych.

Narzędzia→Konwersje→Utwórz zdarzenie konwersji

Jeśli jednak brakuje zdarzenia idealnie pasującego do Twojego biznesu, bez problemu utworzysz konwersję niestandardową z własną nazwą, jak tu:

Domyślnie i aktualnie jedynym dostępnym standardem jest 30-dniowe okno atrybucji po kliknięciu. Oznacza to, że system zaliczy dane zdarzenie jako konwersję z reklamy, jeśli użytkownik dokona jej w ciągu 30 dni od momentu kliknięcia w Twoją reklamę.

Kod zdarzenia powinien wywoływać się na wskazaną akcję:

Jak zwiększyć skuteczność śledzenia? 

W dobie blokerów reklam i rosnących ograniczeń prywatności w przeglądarkach (np. blokowanie plików cookie stron trzecich), samo śledzenie kliknięć w reklamy często nie wystarcza. Jeśli system nie może odczytać identyfikatora kliknięcia, konwersja może „przepaść” – reklama zadziała, ale w Twoim panelu nie będzie po niej śladu.

Aby temu zapobiec, OpenAI oferuje funkcję Advanced Matching. Funkcja ta pozwala połączyć zdarzenie zakupu lub wypełnienia formularza z konkretnym użytkownikiem ChatGPT, który wcześniej widział Twoją reklamę. Dzieje się to na podstawie danych kontaktowych (np. adresu e-mail czy numeru telefonu).

Tworząc źródło danych – Pixel oferuje już Automatic Advanced Matching, czyli samoczynnie obserwuje pola tekstowe na Twojej stronie (np. w koszyku czy formularzu kontaktowym). Gdy użytkownik wpisze tam swój e-mail czy telefon, skrypt w przeglądarce automatycznie te dane wyłapuje, porządkuje, szyfruje i przesyła wraz ze zdarzeniem konwersji.

Dla maksymalnej dokładności analityki dane użytkownika można skonfigurować również ręcznie. Przekłada się to bezpośrednio na lepsze dopasowywanie konwersji, a w efekcie – na pełniejszy i bardziej precyzyjny obraz skuteczności kampanii w Ads Managerze.

Jak rozpoznać intencje użytkowników i przełożyć je na wskazówki kontekstowe?

W reklamach produktowych opartych na feedzie system dobiera kontekst rozmowy na podstawie zawartych w nim parametrów oraz treści strony docelowej produktu.

W przypadku pozostałych formatów zadbaj o to, aby każda grafika w grupie reklam miała jasno określony przekaz, CTA oraz personę, do której chcesz dotrzeć. Następnie zastanów się, jakie rozmowy prowadzi taka osoba i w której z nich Twoja reklama będzie najlepiej dopasowana do jej aktualnej intencji.

Z obserwacji wynika, że reklama może „towarzyszyć” użytkownikowi także podczas innych rozmów, np. przy przechodzeniu między chatami. Kluczowy pozostaje jednak punkt wyjścia, czyli kontekst, w którym reklama pojawiła się po raz pierwszy.

Są na to dwie metody:

1. Wejdź w buty klienta
   To najlepsza metoda marketingowa, którą polecam zawsze i wszędzie, nawet jeśli nie opiera się bezpośrednio na danych. Zastanów się, jak myśli Twój klient, czego szuka i jakie ma oczekiwania.
2. Skorzystaj z narzędzi
   Wykorzystaj dostępne dane i AI, aby znaleźć rozmowy oraz konteksty najlepiej odpowiadające danej personie.

Moja rekomendacja: jako marketer lub osoba odpowiedzialna za markę MUSISZ umieć ją opisać w prosty sposób. Markę/produkt/komunikat reklamowy/grupę docelową. Taki opis wrzuć w ChatGPT, żeby to on napisał Ci wskazówki, których potem użyjesz w kierowaniu grupy reklam.

Przykład

Załóżmy, że prowadzisz sklep z dywanami i chcesz dotrzeć do osób, które urządzają przestrzeń do słuchania muzyki. Wiesz, że dywan może poprawić jej akustykę, dlatego przygotowujesz reklamę z komunikatem: „Dobry dywan, lepszy dźwięk”.

Następnie przekazujesz ChatGPT informacje o produkcie, grupie docelowej i głównym przekazie. Im więcej wniosków z własnej analizy dodasz, tym lepiej. Warto również dołączyć konkretną grafikę i stronę docelową, aby otrzymane wskazówki nie powielały ich treści.

Prompt:

Sprzedaję dywany, które chcę reklamować jako idealne do audiofilskich przestrzeni. Chcę dotrzeć do odpowiedniej grupy docelowej w reklamach w ChatGPT. Osoby szukające dywanów są oczywiście jedną z nich, ale główny komunikat kieruję do osób, które budują swoje „jaskinie” i niekoniecznie wiedzą, że dywan jest w nich potrzebny. Napisz mi wskazówki, których użyję w targetowaniu grup reklam. Nie powielaj treści ze strony docelowej.

Efekt:

• Rozmowy, w których użytkownik urządza domową przestrzeń do słuchania muzyki i szuka sposobów na poprawę jej akustyki. 
• Pytania o to, jak ograniczyć pogłos, echo i odbicia dźwięku w pomieszczeniu bez wykonywania kosztownej adaptacji akustycznej. 
• Zapytania o wpływ podłogi, ścian, mebli i innych elementów wyposażenia wnętrza na akustykę pomieszczenia. 

… i tak dalej.

Na koniec nigdy nie pomijaj walidacji otrzymanych treści. Kluczowe błędy możesz poprawić za pomocą kolejnego promptu, ale polecam też ręczną analizę. Dzięki niej nie tracisz umiejętności samodzielnego myślenia w dobie modeli językowych.

Przeczytaj całą odpowiedź od początku do końca:

• jeśli coś nie pasuje, usuń to,
• jeśli zawiera błąd, popraw go,
• jeśli czegoś brakuje, uzupełnij treść.

Sprawdź stronę docelową i wyniki

Równie ważny jest odpowiedni landing page. Jego treść stanowi jedną z podstaw targetowania, dlatego dedykowaną stronę docelową dla każdej reklamy traktuj jako warunek uruchomienia działań.

Pamiętaj też, że opisany proces jest tylko przykładem. Eksperymentuj z promptami i wskazówkami, a następnie analizuj CTR, współczynnik konwersji oraz jakość ruchu w GA4.

Jak zaplanować strukturę kampanii, grup reklam i wariantów kreacji?

W poprzednich częściach artykułu zbudowaliśmy fundamenty struktury kampanii w ChatGPT. Teraz czas zebrać je w całość.

Zacznij od celów

Liczba kampanii powinna wynikać z liczby celów, które chcesz osiągnąć:

• zależy Ci wyłącznie na zasięgu? Potencjalnie wystarczy jedna kampania,
• chcesz budować zasięg i generować sprzedaż? Prawdopodobnie potrzebujesz dwóch,
• planujesz dodatkowo podłączyć feed? Rozważ trzy kampanie: zasięgową, nastawioną na konwersje z grafikami statycznymi oraz produktową opartą na feedzie.

Podziel kampanię na grupy reklam

Tutaj zasada jest prosta: liczba kontekstów rozmów, do których chcesz dotrzeć, powinna wyznaczać liczbę grup reklam.

Jeżeli masz jedną grafikę dopasowaną do kontekstu „x” i dwie grafiki odpowiadające kontekstowi „y”, zacznij od dwóch grup reklam.

Nie przesadzaj z liczbą kreacji

Na początek wystarczą dwa warianty kreacji w każdej grupie reklam. Wiele zależy jednak od budżetu, którym dysponujesz. Im mniejszy budżet, tym mniej warto rozdrabniać dane pomiędzy kolejne warianty.

Zbierz wszystkie elementy

Planując kampanię, zacznij od tego, co chcesz reklamować i czy masz odpowiednią, dedykowaną stronę docelową. Następnie określ sposób promocji oraz komunikat i CTA, które powinny znaleźć się na grafice.

Przeanalizuj personę, do której chcesz dotrzeć. Postaw się na jej miejscu i zastanów się, czego oczekujesz od osoby, której wyświetlisz reklamę. Następnie przekaż ChatGPT opis celu, grupy docelowej, strony docelowej i grafiki, aby pomógł Ci przygotować wskazówki kontekstowe.

Cel, grupy docelowe, kreacje i strony docelowe tworzą fundamenty struktury kampanii.

Jak stworzyć reklamę pasującą do rozmowy z AI oraz dopasowaną do niej stronę docelową?

Zastanów się, jakie rozmowy najczęściej prowadzisz z ChatGPT. Prawdopodobnie, mam nadzieję, że się nie obrazisz, nie jesteś pod tym względem wyjątkowy i większość osób korzysta z tego narzędzia w podobny sposób.

Pamiętaj jednak, że reklamy nie wyświetlają się w płatnych wersjach ChatGPT, dlatego kontekst rozmów może być w nich inny. Bardziej zaawansowani użytkownicy, którzy traktują ChatGPT jako wyspecjalizowane narzędzie, częściej korzystają z płatnej wersji i nie zobaczą Twojej reklamy.

Zastanów się więc, podczas jakich rozmów powinna się pojawić. Dopasuj do tego jej treść, wygląd i CTA. Pomyśl, jaką reklamę sam chciałbyś zobaczyć w danym momencie, aby odpowiadała na Twoje oczekiwania.

Zadbaj o czytelność kreacji

Reklama banerowa, nawet w formacie 1200 × 1200 px, może być wyświetlana w niewielkim rozmiarze. Szczególnie mało widoczne będą zawarte na niej treści tekstowe. Użytkownik nie przeczyta komunikatu umieszczonego drobnym drukiem w rogu grafiki.

Dlatego:

• ogranicz tekst na grafice do minimum,
• zadbaj o duże i czytelne elementy wizualne,
• wyeksponuj produkt i nie zasłaniaj go zbędnymi elementami,
• jeżeli nie jest oczywiste, co reklamujesz, dodaj krótki podpis dużą czcionką,
• główny komunikat przekaż w tytule i opisie reklamy dostępnym w panelu.

Jak zaplanować pierwszy test: budżet, stawki, czas emisji i liczbę wariantów?

Trudno o konkretne, mierzalne rekomendacje tak szybko po starcie systemu. Dobre praktyki mogą się jeszcze dynamicznie zmieniać. Dlatego zamiast podawać gotowe liczby, pokażę Ci, jak podejść do planowania pierwszego testu.

Budżet

Systemy reklamowe często wskazują minimalny budżet jako rekomendację lub twardy wymóg. W ChatGPT jest to obecnie 15 euro dziennie na jedną kampanię, więc możesz potraktować tę kwotę jako punkt wyjścia.

Jeżeli system nie określa minimum, zastanów się, jakiego wolumenu ruchu lub zasięgu potrzebujesz, aby ocenić efektywność działań. Przeanalizuj wyniki z pozostałych kanałów i na tej podstawie przyjmij ostrożne założenia dotyczące CR oraz CPC. Postaraj się pozyskać 100-1000 kliknięć, aby móc ocenić jakość ruchu i konwersji oraz zbudować punkt odniesienia do dalszej optymalizacji.

Stawki

Jako benchmark możesz przyjąć stawki z innych kanałów reklamowych, ale nie zakładaj od razu ich najniższego poziomu. Jeżeli kampania nie generuje ruchu lub jego wolumen jest niewielki, stopniowo je podnoś.

System może także zasugerować optymalną stawkę. Nie musisz od razu dostosowywać się do tej rekomendacji, ale potraktuj ją jako dodatkową informację. Na początku możesz również przetestować strategię automatyczną, np. maksymalizację kliknięć. Zobaczysz wtedy, ile kosztuje kliknięcie i jak szybko wykorzystywany jest budżet. Na tej podstawie możesz przejść do ręcznej optymalizacji.

Czas emisji

Najważniejszy nie jest sam czas trwania kampanii, ale ilość zebranych danych: ruchu, zasięgu i konwersji. Liczy się kompromis między ich wolumenem a okresem, w którym zostały pozyskane.

Duża liczba wejść zebrana w jeden dzień może nie wystarczyć do wyciągnięcia wiarygodnych wniosków. Trzeba uwzględnić m.in. okna konwersji, opóźnienia i różnice w zachowaniu użytkowników. Z drugiej strony, jeżeli w ciągu miesiąca pozyskasz mniej niż 100 wejść na stronę, trudno będzie ocenić, czy wyniki są skalowalne.

Postaraj się zebrać sensowną ilość ruchu w ciągu 3-4 tygodni. Potrzebny wolumen możesz oszacować na podstawie współczynników konwersji z innych kanałów marketingowych.

Liczba wariantów

Nie rozdrabniaj niewielkiego wolumenu ruchu pomiędzy zbyt wiele kreacji. Na początek wystarczą dwa warianty w każdej grupie reklam. Pozwolą Ci przeprowadzić test i wyciągnąć pierwsze wnioski bez nadmiernego dzielenia danych.

Każda grupa reklam powinna przy tym odpowiadać konkretnej personie lub komunikatowi, który chcesz przekazać.

Jak analizować wyniki i optymalizować kampanię przy braku polskich benchmarków?

Wyników nie powinno się analizować i optymalizować wyłącznie na podstawie benchmarków. Najważniejsze są Twoje cele oraz własne kryteria skuteczności.

Zadaj sobie kilka pytań:

• Czy ruch z ChatGPT jest wartościowy?
• Czy użytkownicy angażują się i wykonują oczekiwane działania?
• Czy na tym etapie wystarczą Ci mikrokonwersje, czy oczekujesz już konwersji w skali makro?
• Jak szybko wykorzystywany jest budżet?
• Czy możesz obniżyć koszt kliknięcia?
• Które produkty pojawiają się w reklamach?
• Czy feed produktowy zawiera wszystkie istotne informacje?

Wyniki analizuj przez pryzmat bieżących i długofalowych celów. Pamiętaj przy tym o kontekście: to nowy system o ograniczonych i nadal nie do końca poznanych możliwościach. Trochę czarna skrzynka. Na tym etapie działania w ChatGPT Ads trzeba więc traktować częściowo jako inwestycję, a częściowo jako eksperyment.

Możliwości analityczne są obecnie ograniczone, co utrudnia optymalizację. Sam panel również daje niewiele możliwości ingerencji w kampanię.

Dlatego skup się przede wszystkim na:

• testowaniu różnych wskazówek dotyczących kierowania reklam,
• porównywaniu wariantów grafik,
• analizie jakości ruchu w GA4, np. zaangażowania, czasu na stronie i kluczowych zdarzeń,
• sprawdzaniu wyników na różnych urządzeniach,
• kontrolowaniu podziału budżetu między grupy reklam i tempa jego wydawania,
• uzupełnianiu możliwie wielu pól w feedzie produktowym,
• testowaniu optymalizacji pod mikro- i makrokonwersje.

Myślę, że z czasem możliwości analizy i optymalizacji będzie coraz więcej.

Jakich błędów unikać podczas uruchamiania pierwszej kampanii?

System nie ma obecnie wielu pułapek. Największym błędem jest niewykorzystywanie tych możliwości, które już oferuje.

1. Pomijanie wskazówek kontekstowych

OpenAI określa je jako opcjonalne, ale warto dodawać je do każdej grupy reklam. Pomagają systemowi zrozumieć, podczas jakich rozmów reklama powinna się pojawić.

2. Zbyt szybka reakcja na wydatki

Nie panikuj, jeśli jednego dnia kampania wyda więcej. System może wykorzystać nawet dwukrotność budżetu dziennego, a następnie wyrównać wydatki w ciągu siedmiu dni.

3. Kierowanie reklam na niedopasowany landing page

Każda kreacja powinna prowadzić do strony odpowiadającej jej komunikatowi i personie. Jeżeli nie masz odpowiedniego landing page’a, nie uruchamiaj kampanii.

4. Niekompletny feed produktowy

Nie bagatelizuj takich parametrów jak kolor, materiał czy wariant produktu. Uzupełnij możliwie dużo pól oraz zadbaj o rozbudowane tytuły i opisy.

5. Brak oznaczeń UTM

Oznacz reklamy UTM-ami, aby móc dokładnie analizować ruch w GA4 i CRM.

6. Pomijanie dostępnych danych

Analizuj wszystko, co system udostępnia już teraz, w tym wyniki na różnych urządzeniach oraz tempo wykorzystywania budżetu.

7. Bezrefleksyjne wdrażanie automatycznych sugestii

Weryfikuj rekomendacje systemu na podstawie wyników. Jeżeli OpenAI informuje, że stawka jest zbyt niska, ale budżet jest wykorzystywany w całości, jej zwiększenie może nie mieć sensu.

Checklista reklamodawcy przed rozpoczęciem emisji

Zanim uruchomisz pierwszą kampanię w ChatGPT Ads, sprawdź:

Strategia i cel kampanii

• Wiem dokładnie, co chcę reklamować.
• Mam jasno określony cel: zasięg, ruch, konwersje lub sprzedaż.
• Dobrałem model kampanii do celu:
  • CPM, jeśli zależy mi na zasięgu i ekspozycji komunikatu,
  • CPC lub maksymalizację kliknięć, jeśli zależy mi na ruchu,
  • oCPC, jeśli mam jasno określone i mierzalne cele konwersji.
• Wiem, jakiej akcji oczekuję od użytkownika.
• Mam określone kryteria, według których ocenię wynik testu.

Persona, komunikat i kontekst

• Wiem, do kogo kieruję reklamę.
• Potrafię opisać potrzeby, problemy i oczekiwania tej persony.
• Określiłem, podczas jakich rozmów w ChatGPT reklama powinna się pojawić.
• Każda grupa reklam odpowiada konkretnemu kontekstowi, personie lub komunikatowi.
• Dodałem wskazówki kontekstowe, mimo że są opcjonalne.
• Wskazówki opisują rozmowy i intencje użytkowników, a nie powtarzają treści reklamy lub landing page’a.
• Ręcznie zweryfikowałem treści przygotowane z pomocą AI: usunąłem nietrafne elementy, poprawiłem błędy i uzupełniłem brakujące konteksty.
• Sprawdziłem, czy komunikat pasuje do persony i sytuacji, w której może zobaczyć reklamę.

Kreacje

• Każda kreacja ma jeden jasno określony przekaz.
• CTA odpowiada celowi kampanii i etapowi ścieżki użytkownika.
• Grafika i komunikat pasują do kontekstu rozmowy.
• Mam około dwóch wariantów kreacji na każdą grupę reklam.
• Ograniczyłem ilość tekstu na grafice.
• Najważniejsze elementy są czytelne również w małym formacie.
• Nie umieściłem istotnego komunikatu drobnym tekstem.
• Produkt jest odpowiednio wyeksponowany i nie zasłaniają go zbędne elementy.
• Jeżeli nie jest oczywiste, co reklamuję, dodałem prosty i czytelny podpis.
• Główny komunikat znajduje się w tytule i opisie reklamy, a nie wyłącznie na grafice.
• Sprawdziłem zgodność kreacji z przepisami i zasadami reklamowymi.

Landing page

• Każda reklama prowadzi do odpowiedniego, dedykowanego landing page’a.
• Strona jest zgodna z komunikatem kreacji i potrzebą użytkownika.
• Nie kieruję reklam automatycznie na stronę główną lub przypadkową stronę kategorii.
• Treści strony pomagają systemowi zrozumieć produkt, ofertę i kontekst reklamy.
• Landing page odpowiada temu, co obiecuję w kreacji, tytule i opisie.
• Nie uruchamiam reklamy, jeżeli nie mam strony dopasowanej do jej kreacji i persony.

Pomiar i analityka

• Mam poprawnie skonfigurowane cele konwersji.
• Reklamy są oznaczone UTM-ami.
• Potrafię zidentyfikować ruch z ChatGPT Ads w GA4 i, jeżeli to potrzebne, w CRM.
• Wiem, jakie wskaźniki jakości ruchu będę analizować.
• Mam przygotowany sposób porównywania wyników na różnych urządzeniach.
• Wiem, które mikro- i makrokonwersje są najważniejsze na danym etapie testu.

Struktura konta

• Liczba kampanii wynika z liczby celów, które chcę realizować.
• Liczba grup reklam odpowiada liczbie kontekstów, person lub komunikatów.
• Nie łączę w jednej grupie reklam kreacji skierowanych do różnych person lub intencji.
• Struktura nie jest nadmiernie rozbudowana w stosunku do budżetu i ilości danych.
• Każda grupa reklam tworzy spójny zestaw: persona → kontekst rozmowy → komunikat → kreacja → landing page.

Budżet, stawki i test

• Kampania spełnia wymagane minimum budżetowe.
• Budżet pozwoli zebrać wystarczającą ilość danych.
• Nie rozdrabniam go pomiędzy zbyt wiele kampanii, grup i kreacji.
• Mam punkt odniesienia dla CPC, CPM i CR z innych kanałów.
• Przyjąłem realistyczne, ostrożne założenia dotyczące kosztów i współczynnika konwersji.
• Test obejmuje nie tylko określony czas, lecz także potrzebną ilość danych.
• Zakładam około 3-4 tygodni na przeprowadzenie pierwszego testu.
• Nie wyciągam wniosków na podstawie ruchu zebranego tylko w jednym dniu.
• Jestem przygotowany na stopniową zmianę stawek przy zbyt małym wolumenie.
• Automatyczne rekomendacje skonfrontuję z realnymi wynikami.

Feed produktowy (opcjonalnie)

• Zapoznałem się ze specyfikacją feedu.
• Uzupełniłem możliwie dużo informacji o produktach.
• Tytuły i opisy pomagają dobrze zrozumieć ofertę.
• Dodałem istotne dla mojej branży atrybuty, np. materiał, kolor i wariant produktu.
• Nie pominąłem parametrów, które mogą pomóc systemowi zrozumieć produkt.
• Sprawdziłem, które produkty kwalifikują się do emisji.

Szybka kontrola przed uruchomieniem

• Cel i model kampanii są właściwie dobrane.
• Wskazówki kontekstowe zostały dodane i zweryfikowane.
• Kreacje są czytelne i przypisane do odpowiednich grup.
• Każda reklama prowadzi do właściwego landing page’a.
• Tracking, UTM-y i pomiar konwersji działają.
• Budżet i stawki pozwalają rozpocząć test.
• Feed zawiera możliwie kompletne informacje.
• Wiem, co będę analizować i na jakiej podstawie zdecyduję, co skalować, zmienić lub wyłączyć.

Jeżeli możesz zaznaczyć wszystkie punkty istotne dla swojej kampanii, masz wystarczające fundamenty, aby rozpocząć emisję.

Zjawisko to napędzane jest przez ekspansję funkcji AI Overviews, AI Mode, interfejsów konwersacyjnych (takich jak ChatGPT, Gemini, Perplexity, Claude czy Copilot) oraz rozwój Social Search. Priorytetem staje się mierzenie, optymalizacja i zarządzanie ekspozycją marki w złożonym ekosystemie sztucznej inteligencji.

O ile tradycyjne wyszukiwanie przypominało poruszanie się po centrum handlowym, gdzie użytkownik musiał samodzielnie odwiedzić poszczególne sklepy, to modele AI pełnią rolę wykwalifikowanego doradcy, który realizuje polecenie i przychodzi z koszykiem pełnym produktów i rekomendacji na podstawie zgromadzonych danych. Brak wzmianki o marce w odpowiedzi generowanej przez model oznacza oddanie przestrzeni konkurencji na szczycie lejka zakupowego.

Zarażeni przekazem użytkownicy mogą później kupować produkty marki w trybie odroczonym, trafiać na stronę z innych kanałów (brand search, direct) czy wreszcie dokonywać transakcji w innych punktach styku (strony partnerów, marketplace’y). Jak wobec tego mierzyć skuteczność, jak przypisywać konwersję?

Wydawałoby się, że źródłem wiedzy w obszarze search AI, podobnie jak w przypadku tradycyjnego SEO będą narzędzia Google – jednak aktualnie sytuacja jest bardziej skomplikowana z uwagi na rozproszenie zasięgów (część środowiska AI znajduje się poza Google – największym interfejsem konwersacyjnym w Polsce jest aktualnie ChatGPT). Oczywiście można mierzyć ruch na stronie, który przychodzi z różnych referali, ale jak już wcześniej podkreśliliśmy przejścia na stronę to tylko część prawdy o sile marki w AI. Zatem jeśli nie GA4, to może w Google Search Console uzyskamy całościowe spektrum danych?

Analityczne pułapki Google Search Console

Podstawowym odruchem analitycznym specjalistów SEO pozostaje weryfikacja danych w Google Search Console (GSC). W erze odpowiedzi generatywnych bezpośrednie poleganie na surowych wskaźnikach GSC bez odpowiedniego kontekstu metodologicznego może prowadzić jednak do błędnych wniosków strategicznych.

Zgodnie z oficjalną dokumentacją Google, każdy adres URL obecny w bloku AI Overview otrzymuje w raportach GSC pozycję pierwszą. W konsekwencji odnośnik wyeksponowany w głównym nagłówku AIO oraz odnośnik ukryty głęboko w zwijanym menu podrzędnym (do którego użytkownik nigdy nie przewinie ekranu) odnotowują w bazie danych identyczną pozycję #1.

Statystyka „średniej pozycji” w GSC wyliczana jest jako średnia arytmetyczna. Jeżeli dany adres URL pojawia się w bloku AIO na pozycji 1, a w tradycyjnych wynikach organicznych poniżej bloku generatywnego na pozycji 4, GSC raportuje średnią pozycję 2,5. Tworzy to złudzenie wzrostu widoczności, podczas gdy w rzeczywistości realny ruch generowany jest wyłącznie przez tradycyjny odnośnik organiczny.

Biorąc pod uwagę powyższe problemy wygląda na to, że musimy korzystać z kilku różnych źródeł wiedzy, które będą dostarczać odmiennych informacji o tym jak marka radzi sobie w wynikach AI.

Framework pomiaru widoczności w ekosystemie AI

W celu uzyskania precyzyjniejszego obrazu widoczności firmy w środowisku zapytań konwersacyjnych i wyników Zero-Click warto weryfikować ekspozycję marki w silnikach AI, sprawdzając skuteczność działań pod kilkoma kątami.

Warstwa 1 – ruch na stronie

Mimo spadku ogólnego wskaźnika CTR, użytkownicy przechodzący do witryny z poziomów interfejsów AI charakteryzują się wysoką intencją zakupową. Pomiar na tym poziomie wymaga filtrowania ruchu odsyłającego (referral) z domen takich jak chatgpt.com, perplexity.ai, claude.ai czy copilot.microsoft.com w GA4. Uzupełnieniem są niestandardowe skrypty w Google Tag Managerze do przechwytywania unikalnych parametrów przekierowań z modułów AIO oraz wskaźniki Microsoft Clarity śledzące zaangażowanie (AI Referral Traffic oraz AI Referral Conversions).

Warstwa 2 – wyświetlenia w Search AI

Analityka wyświetleń w wyszukiwarkach wymaga wyizolowania fraz o charakterze konwersacyjnym. W Google Search Console jeszcze niedawno stosowało się wyrażenia regularne (REGEX) wyłapujące pytania i intencje porównawcze (np. frazy rozpoczynające się od słów „jak”, „gdzie”, „poleć”, „porównaj”, „najlepszy”). Aktualnie jednak Google udostępnił raport Generative AI, który pokazuje jak często adresy URL z naszej witryny pojawiały się w funkcjach opartych na generatywnej AI w wyszukiwarce (uwaga, raport nie jest jeszcze dostępny u wszystkich – Google udostępnia nowe funkcje falami. Zanim trafią one do wszystkich użytkowników w Polsce, mijają zazwyczaj tygodnie lub nawet miesiące).

Z kolei Bing Webmaster Tools oferuje dedykowany moduł AI Performance, który bezpośrednio raportuje liczbę cytowań, cytowane strony oraz konkretne zapytania źródłowe wykorzystywane przez model Copilot.

Warstwa 3 – indeksacja + aktywność botów i crawling

Obecność w wynikach generatywnych generowanych w czasie rzeczywistym wymaga regularnego indeksowania serwisu przez boty wyszukiwarek AI. Brak wizyt crawlerów wyklucza markę z procesu uaktualniania wiedzy podręcznej modeli. Dlatego z jednej strony warto zadbać o monitoring indeksacji (np. za pomocą narzędzia Revamper11), sprawdzając, czy pożądane przez nas adresy są prawidłowo odczytywane przez Google, z drugiej zaś analizować logi serwera – co pozwala śledzić częstotliwość i natężenie wizyt botów takich jak GPTBot, ClaudeBot, PerplexityBot, Bytespider czy Google-Extended. Pulpit nawigacyjny AI Bot Activity w Microsoft Clarity monitoruje wolumen żądań botów, ich udział procentowy w ruchu ogółem, pokrycie podstron, kody odpowiedzi HTTP oraz naruszenia pliku robots.txt na poziomie integracji z dostawcami takimi jak Cloudflare, Fastly, Akamai, Azure Front Door czy Amazon CloudFront.

Warstwa 4 – widoczność w konwersacjach syntetycznych

Pomiar widoczności wewnątrz środowisk konwersacyjnych odbywa się poprzez masowe, kontrolowane odpytywanie modeli LLM za pośrednictwem API oraz scrapingu interfejsów użytkownika. Kluczowym elementem metodologicznym jest klastrowanie intencji i tagowanie promptów pod kątem określonych celów biznesowych (np. „najpopularniejsza firma”, „najtańsza alternatywa”, „usługa z najlepszymi opiniami”, „rozwiązanie dla enterprise”). Regularne odpytania przygotowanych do badania promptów pozwalają uchwycić wzorzec widoczności marki i cytowalności domeny.

Na rynku wykształciła się nowa kategoria oprogramowania, reprezentowana m.in. przez Profound, Peec AI czy Sorikko. Narzędzia te zapewniają pomiary Ilościowe (zliczanie procentu obecności marki w odpowiedziach i sumy wzmianek). Cześć z nich dostarcza też informacji o wskaźniku i % kontroli narracji (czyli gdzie i jak często marka pojawia się w źródłach na których bazują modele). Dobierając takie narzędzie warto pamiętać, że poza badaniami ilościowymi dobrze jest wykonywać badania jakościowe (czyli co modele mówią o marce i czy jest jakaś rozbieżność między oficjalnym przekazem a ich opinią o firmie).

Podczas prowadzenia badań nad widocznością w generatywnych modelach językowych należy uwzględniać czynniki metodologiczne wpływające na powtarzalność i trafność wyników:

• Poszczególne środowiska AI wykorzystują zróżnicowane modele, które zachowują się odmiennie. W ekosystemie OpenAI warianty takie jak Terra, Luna, Sol mogą generować różne rekomendacje i zbiory źródeł dla tego samego zapytania.
• Zasoby analityczne należy alokować w kanałach kluczowych dla danej branży. Claude odgrywa istotną rolę w segmentach technologicznych, B2B oraz SaaS; ChatGPT dominuje w zapytaniach masowych B2C; z kolei Gemini kształtuje widoczność w ekosystemie Google.
• Bazy zapytań testowych nie należy tworzyć sztucznie. Rekomenduje się łączenie własnych badań jakościowych z danymi wyekstrahowanymi z tradycyjnego searcha (GSC, Bing, Keyword Planner, Ahrefs, GA4). Frazy kluczowe (np. „oprogramowanie kadrowe dla firm”) przekształca się w naturalne zapytania konwersacyjne (np. „Jaki system kadrowo-płacowy najlepiej sprawdzi się w polskiej firmie zatrudniającej 50 osób?”).

Raportowanie GEO dla Zarządu

Gdy zarząd stawia pytanie o spadek liczby sesji organicznych w GA4, odpowiedź nie powinna skupiać się na korektach algorytmicznych wyszukiwarki – lepiej pokazać całość „obrazka”.

Rekomendowany zestaw danych dla zarządu może opierać się na kilku aspektach:

Strategiczne uzasadnienie przedstawiane zarządowi opiera się na wykazaniu, że proces decyzyjny klienta został wygrany w „punkcie zero” – zanim użytkownik podjął decyzję o wpisaniu adresu konkretnej witryny internetowej, a także, tym że użytkownicy nie są wprowadzani w błąd na temat oferty marki i że Ci docierający na stronę z AI częściej konwertują.

To już się wydarzyło. Tylko nie u nas

Autonomiczne zakupy bez udziału człowieka nie są niczym nowym. Algorytmy handlują akcjami w ułamkach sekund, bez konieczności trzymania palca na przycisku myszki. Systemy programmatic licytują i kupują wyświetlenia reklam w czasie krótszym niż ładowanie strony. Odpowiednia automatyzacja dokupuje moc obliczeniową, gdy rośnie zapotrzebowanie na serwery. Człowiek został z tych procesów wyeliminowany, by drastycznie zaoszczędzać czas, i nikt nie traktuje tego jako przełomu.

Ten sam mechanizm wchodzi teraz do handlu detalicznego. I mówię o czymś więcej niż zamówienie nowego iPhone’a. Agent dobierze ubranie, uzupełni zapasy w domu, przebookuje lot, wszystko w imieniu i interesie klienta. Żeby to było możliwe na szeroką skalę, wiele elementów systemu musiało odpowiednio dojrzeć. I tak się stało w ostatnich miesiącach.

Infrastruktura powstała w kilkanaście miesięcy

W listopadzie 2024 r. Anthropic otworzył Model Context Protocol – standard, który dał agentom dostęp do narzędzi i danych; w marcu 2025 r. przyjął go OpenAI. Wiosną 2025 r. Mastercard (Agent Pay) i Visa (Intelligent Commerce) umożliwiły zweryfikowanym agentom płatności w imieniu klienta, z limitami i autoryzacją. Jesienią ubiegłego roku doszły protokoły płatności agentowych Google (AP2) oraz OpenAI i Stripe (ACP) – ten drugi uruchomił zakupy wykonywane z poziomu rozmowy z ChatGPT.

Klamrą jest styczeń 2026 r., kiedy to Google ogłosił Universal Commerce Protocol (UCP). UCP to otwarty standard rozwijany m.in. z Shopify, Etsy, Wayfair, Targetem i Walmartem, obejmujący całą ścieżkę zakupową, od wyszukania produktu po obsługę posprzedażową. Zamiast osobnych integracji z każdym agentem wystarczy jeden wspólny język. Agentic commerce przestał istnieć tylko na slajdach prezentacji, ale zaczął generować transakcje.

Liczby, nie prognozy

Adobe Analytics, na próbie ponad biliona wizyt w amerykańskich sklepach, odnotował w sezonie świątecznym 2025 wzrost ruchu z narzędzi generatywnej AI o 693% rok do roku. Ci użytkownicy konwertowali o 31% lepiej niż odwiedzający z pozostałych źródeł. Salesforce szacuje, że AI wspierała w tym okresie ponad 20% globalnej sprzedaży online.

To nie był jednorazowy skok. W pierwszym kwartale 2026 r. ruch AI do sklepów wzrósł o kolejne 393% rok do roku, a w marcu konwertował o 42% lepiej niż pozostałe kanały, co było prawdziwym rekordem w danych Adobe. Rok wcześniej konwertował o 38% gorzej.

Jest jednak druga strona tych danych. Adobe zmierzyło też, ile modele językowe potrafią odczytać z treści sklepów. W przypadku stron głównych amerykańskich detalistów wskaźnik ten wyniósł średnio 75%. Oznacza to, że mniej więcej jedna czwarta treści jest dla AI niewidoczna. Można się pokusić o wniosek, że ruch rośnie lawinowo i trafia do sklepów, które potrafią go obsłużyć, podczas gdy reszta nie wie nawet, że go traci.

Co naprawdę czyta agent

Agent sięga po surowe, porównywalne dane: identyfikator produktu (GTIN/SKU), cenę, walutę, stan magazynowy, warunki dostawy i zwrotu. Dane produktowe w standardzie Schema.org Google promuje od kilkunastu lat, ale dla większości sklepów pozostawały dodatkiem: podnosiły CTR, dobrze wyglądały, a witryna bez nich i tak sprzedawała – bo po drugiej stronie siedział człowiek, który poradził sobie z bałaganem na stronie.

Agent tego nie potrafi. Nie odczyta ceny wklejonej w grafikę czy informacji o dostępności produktu, jeśli ta pojawia się dopiero po kliknięciu. Kiedy danych brakuje albo się nie zgadzają, pomija ofertę i przechodzi do następnej.

Gdzie to się psuje w praktyce

Po kilkunastu latach wdrożeń dla branży e-commerce widzę trzy powtarzalne miejsca, w których dane produktowe przestają być czytelne dla maszyn.

Rozjazd ceny. Dane strukturalne generuje szablon, promocje nakłada osobny moduł, a w efekcie cena w Schema.org przestaje zgadzać się z tą, którą widzi klient. Zwykle wychodzi to po pierwszej większej akcji rabatowej. Google za rozjazd tnie widoczność. Agent po prostu odrzuca ofertę.

Atrybuty bez konsekwencji. Ten sam rozmiar raz jako „L”, raz jako „42″. Jednostki różniące się między poszczególnymi rynkami. Kluczowy parametr podany w opisie produktu zamiast jako osobny atrybut. Człowiek to przeskoczy, ale agent uzna produkt za nieporównywalny i wytnie go z każdego zestawienia, które układa dla klienta.

Dane za JavaScriptem. Dostępność i warianty doładowywane po stronie przeglądarki, których crawler nigdy nie wykona. Dla agenta taki produkt nie istnieje, nie istnieje więc także dla konsumenta.

Opisy, opinie i FAQ nie znikają. Zmieniają funkcję

Treść na karcie produktu pisaliśmy dotąd dla człowieka, który się waha. Agent się nie waha i nie daje się przekonać przymiotnikiem. Z opisu bierze atrybuty: materiał, wymiar, kompatybilność. Marketingowe copy zostaje dla ludzi – ale obok musi stać zestaw twardych, opisanych maszynowo cech, inaczej produkt jest dla agenta niekompletny.

Oceny w ustrukturyzowanej formie (AggregateRating) agent traktuje jak porównywalny sygnał jakości. FAQ opisane schematem FAQPage dostarcza gotowych odpowiedzi, które agent cytuje wprost, gdy klient pyta o zwrot, rozmiar czy czas dostawy. Perswazja ustępuje miejsca danym.

Nie taki diabeł straszny

Jeśli dotarliście do tej części tekstu, gratuluję i mam nadzieję, że nie przeraziły Was realia agentic commerce. Czy to oznacza, że czeka cię dodatkowa praca do wykonania? W wielu wypadkach: owszem. Na szczęście, nie jest tak źle. Podstawy, takie jak spójne identyfikatory, zgodne dane, treść czytelna bez JavaScriptu, prawdopodobnie uporządkujesz własnym zespołem. Dopóki tego nie zrobisz, nie myśl o warstwie protokołów: UCP, ACP ani AP2 nie naprawią sklepu, w którym dane strukturalne rozjeżdżają się z tymi widocznymi na stronie. Problem w tym, że większość sklepów nie wie, w którym miejscu drabiny stoi i czy ich e-commerce jest gotowy do współpracy z agentami AI.

Zasady handlu zostają. Zmienia się czytelnik

Nauczyliśmy się ufać maszynom, że kupią moc obliczeniową, akcje czy wyświetlenia reklam, kiedy trzeba – bo daliśmy im czytelne reguły i policzalne warunki. Sklepy internetowe czeka to samo zadanie, tylko po drugiej stronie transakcji stanie agent kupujący dla człowieka.

Zasady handlu się nie zmieniają. Zmienia się to, kto czyta twoją ofertę. I ten czytelnik nie wybacza bałaganu w danych.

Czasu na przygotowanie zostało kilka do kilkunastu miesięcy.

Źródła: Adobe Analytics, „2025 Holiday Shopping Report” oraz dane Q1 2026 (business.adobe.com); Salesforce, szacunki udziału AI w sprzedaży online w sezonie świątecznym 2025; Google, ogłoszenie Universal Commerce Protocol, styczeń 2026 (blog.google).

A to oznacza również konieczną zmianę w podejściu biznesowym. Już nie walczymy tylko o to, aby strona była UX-friendly, ale chcemy aby była także agent-friendly. W praktyce oznacza to stronę, którą agent AI potrafi poprawnie odczytać, zinterpretować i obsłużyć – znaleźć na niej informacje, porównać ofertę i dokończyć bezbłędnie proces, np. zakup produktu, czy rezerwację usługi.

Jak zmienia się projektowanie stron, gdy część użytkowników deleguje zadania agentom AI?

Według pomiarów Cloudflare Radar ruch generowany przez boty przekroczył już połowę całego ruchu HTTP – w jednym z tygodni 2026 roku sięgnął 57,2%. Nie każdy taki bot to stricte agent zakupowy, ale można już zauważyć tendencję, że ogólnie ruch botów rośnie i prawdopodobnie będzie rósł.

W związku z tym musimy trochę przeprogramować nasze dobre praktyki odnośnie tworzenia stron internetowych i uwzględnić w nich kilka punktów, które pozwolą odczytać wszystkie informacje ze strony botom AI. I to najlepiej przy możliwie najmniejszym zużyciu tokenów.

Semantyczny HTML, czyli dlaczego ostylowany <div> nie jest dla agenta przyciskiem?

Pod określeniem semantyczny HTML kryje się używanie znaczników zgodnie z ich prawdziwym znaczeniem, a nie tylko wyglądem, np.:

• <button> dla przycisku,
• <nav> dla nawigacji,
• <article> dla treści,
• <label> dla etykiety pola formularza,
• <h1>–<h6> dla hierarchii nagłówków.

Alternatywą są uniwersalne znaczniki <div> i <span>. Jednak pod kątem budowania stron łatwych do odczytania przez agentów AI, lepiej ich unikać. To są pojemniki, które będą utrudniały AI zrozumienie ich kontekstu.

Dla człowieka ostylowany <div> z obramowaniem, cieniem i kursorem w kształcie dłoni wygląda jak przycisk i działa jak przycisk. Natomiast dla agenta to po prostu prostokąt bez zadeklarowanej funkcji. Agent musi wtedy zgadywać na podstawie kontekstu wizualnego, co to właściwie jest. A zgadując, po pierwsze agent zużyje więcej tokenów, po drugie łatwiej się pogubi.

Accessibility tree, czyli struktura, przez którą agent naprawdę „widzi” Twoją stronę

Accessibility tree (tzw. drzewo dostępności) to uproszczona wersja struktury strony, powiązana z DOM, z której przede wszystkim korzystają technologie wspomagające, np. czytniki ekranów używane przez osoby niewidome. Drzewo dostępności pozwala określić role i zależności, np. wskazuje, który element jest linkiem, obrazem, albo przyciskiem, a który ma rolę jedynie dekoracyjną.

Obecnie agenty AI korzystają z tej technologii, ponieważ pozwala w szybki i tani sposób poznać najważniejsze informacje o stronie. 

Jaki płynie z tego wniosek? Dostępność (WCAG) i agent-readiness możemy już traktować jako wzajemnie uzupełniającą się inwestycję.

Jak zadbać o poprawne drzewo dostępności?

• Stosuj semantyczny HTML
• Nadaj nazwę dostępną (tzw. accessible name) każdemu elementowi interaktywnemu
• Uzupełnij atrybuty ARIA
• Zachowaj logiczną hierarchię nagłówków
• Usuwaj zbędne elementy z drzewa (z wykorzystaniem aria-hidden)

Stabilny layout, czyli dlaczego infinite scroll i layout shift wywracają ścieżkę agenta?

Utrzymanie na stronie stabilnego layoutu oznacza, że elementy strony nie przeskakują, nie doładowują się w nieprzewidywalnym momencie i znajdują się dokładnie tam, gdzie się ich oczekuje. To nie jest nowy temat, szczególnie dla osób zaznajomionych z SEO, gdyż tzw. layout shift, czyli przesunięcie układu jest mierzone jako CLS (jeden ze wskaźników Core Web Vitals) i redukowane w ramach technicznych aktywności SEO.

Wszelkie nieoczekiwane zmiany układu utrudniają interakcję z serwisem i mogą powodować tzw. misclicki – zarówno przez człowieka jak i przez agenta. Przykładowo, uznajmy, że agent AI został „zatrudniony” do zrobienia zakupów w sklepie internetowym. Lokalizuje on przycisk „Dodaj do koszyka”, planuje kliknięcie, a w międzyczasie doładowuje się pop-up z informacją o letniej wyprzedaży i przesuwa cały układ o sto pikseli w dół. Kliknięcie agenta trafia więc w puste miejsce albo co gorsza w inny element.

Człowiek w takiej sytuacji zauważyłby zmianę i skorygował swój ruch (i pewnie trochę by się zirytował ), ale agent po prostu kliknie. Przy optymistycznym założeniu, jeśli bot będzie dobrze zaprogramowany, po prostu powtórzy on akcję i w końcu wykona ją poprawnie. Zużyje tylko wtedy nadmiarową liczbę tokenów. Ale jeśli będą luki w instrukcjach dla bota, może się to skończyć nawet nieprawidłowym zakupem. 

Czego unikać, aby mieć stabilny layout strony internetowej?

• Infinite scroll – treść ładowana dopiero przy przewijaniu. Agent, który nie symuluje przewijania w sposób zgodny z oczekiwaniem skryptu, może nie zobaczyć większości oferty. Rozwiązaniem jest paginacja z dedykowanymi adresami URL działającymi równolegle do przewijania.
• Treści ukryte za pseudoklasą :hover – to informacje pojawiające się dopiero po najechaniu kursorem na dany element. Agent często nie generuje zdarzenia najechania.
• Elementy pojawiające się po opóźnieniu – mogą być to wszelkiego rodzaju pop-upy.
• Przezroczyste nakładki – niewidoczne warstwy przykrywające elementy interaktywne. Dla człowieka nie stanowią one żadnej bariery, ale agentowi mogą zablokować wykonanie akcji.

Czytelne formularze, czyli jak nie zgubić agenta na ostatnim kroku konwersji?

W przypadku formularzy, zadbanie o agent-readiness dla strony jest szczególnie istotne, ponieważ agent nie tylko czyta formularz, ale powinien móc go wypełnić. Więc jeżeli tutaj pojawi się jakaś blokada dla bota, może to kosztować firmę konwersje.

Na co zwrócić uwagę tworząc formularze?

• Etykiety <label> – każde pole potrzebuje etykiety <label> połączonej z polem atrybutem for wskazującym na id pola. Sam placeholder nie jest etykietą, ponieważ znika po rozpoczęciu wpisywania i nie buduje trwałego powiązania w drzewie dostępności.
• Opisowe atrybuty techniczne – wartości name, id oraz autocomplete powinny być opisane tak, aby agent nie miał wątpliwości czego dotyczą. Przykładowo dla pola dotyczącego e-maila, złym podejściem będzie nazwanie pola, np. „field_7”, a dobrym „email” albo „autocomplete=”email””.
• Komunikaty błędów przedstawione jako tekst. Czerwona ramka wokół pola to informacja czysto wizualna, która będzie zrozumiała dla ludzi, ale nie dla agenta. Agent nie wywnioskuje z koloru, co poszło nie tak. Błąd musi być opisany tekstowo, powiązany z odpowiednim polem i przedstawiony, np. przez przez aria-describedby lub obszar role=”alert”.
• Potwierdzenie wysłania formularza – jeśli po wysłaniu formularza, taki komunikat nie pojawi się na stronie, agent nie będzie miał pewności, że akcja się powiodła. W związku z tym występuje ryzyko, że kilkukrotnie powtórzy akcję wypełniania i wysyłki formularza, albo zgłosi użytkownikowi, że zadanie nie zostało wykonane. 

Jak agent AI czyta stronę?

W przeciwieństwie do człowieka, agent AI nie ma tylko jednego sposobu na „czytanie” strony. Korzysta on z kilku kanałów jednocześnie, a nowoczesne modele coraz częściej łączą je, by uzyskać spójny obraz sytuacji. Wyróżnia się 4 najważniejsze ścieżki odczytywania strony przez agenta: DOM, zrzuty ekranu, drzewo dostępności i dane strukturalne.

Czy llms.txt naprawdę działa?

Plik llms.txt z założenia miał być odpowiednikiem robots.txt, ale dla botów AI. Taki plik powinien zawierać uporządkowane streszczenie tego, czym firma się zajmuje, oraz odnośniki do najważniejszych podstron. Ale czy faktycznie jest on egzekwowany przez roboty?

Na ten moment można jeszcze stwierdzić, że temat nie jest w pełni rozstrzygnięty. Z jednej strony jest rekomendowany m.in. przez Lighthouse, z drugiej strony w dokumentacji Google jest jasny zapis, że pliki llms.txt nie są wymagane ani używane przez wyszukiwarkę Google do generowania odpowiedzi AI.

Przeprowadzone dotychczas badania na dużych próbach stron nie wykazały jasnej korelacji między wdrożeniem llms.txt a wzrostem cytowania strony w odpowiedziach AI.

Jak więc do tego podejść? Moim zdaniem, wdrożenie llms.txt to inwestycja, która jest zarówno tania jak i łatwa do wykonania, a dodatkowo nie niesie za sobą żadnego ryzyka. W związku z tym, skłaniałabym się do wprowadzenia tego pliku na stronę chociażby w formie testów. Nawet jeśli nic się nie zmieni, to też nie przepalisz na to dużego budżetu.

Czy agenty AI „widzą” JavaScript?

Google już całkiem dobrze radzi sobie ze stronami opartymi na JavaScripcie. Pytanie jednak brzmi, czy agenty AI radzą sobie równie dobrze? Niestety, nie zawsze. Renderowanie JavaScriptu jest kosztowne obliczeniowo, więc część botów AI po prostu je pomija – treść doładowywana skryptem może dla nich w ogóle nie istnieć.

Co zrobić, jeśli duża część strony jest zakodowana w JavaScript?

• Postaw na SSR (renderowanie po stronie serwera).
• Zadbaj, aby wszystkie treści były wyświetlane na stronie nawet przy wyłączonym JavaScripcie.
• Zadbaj o to, aby informacje zawarte w infografikach, czy innych elementach graficznych znajdowały się też w tekście na stronie.

Czy warto blokować boty AI w robots.txt?

Odpowiedź brzmi: hurtowo – nie, selektywnie – czasem warto.

Jeśli chcesz, aby Twoja strona była cytowana przez modele językowe, nie możesz blokować im dostępu do swojej strony.

W określonych sytuacjach możesz jednak blokować boty selektywnie:

• tak, aby nie miały dostępu do konkretnej sekcji serwisu, do której nie chcesz wpuszczać botów i nie chcesz aby była wykorzystywana w źródłach cytowania.
• zablokować boty przeznaczone do trenowania modeli, a zachować dostęp dla botów przeszukujących sieć w poszukiwaniu odpowiedzi na zapytanie użytkownika.

Czym jest WebMCP i czy go potrzebujesz?

WebMCP to standard opracowany przez Google w ramach przeglądarki Chrome, dzięki któremu strona internetowa może udostępnić agentom AI swoje funkcje, np. wyszukiwanie produktu, dodanie do koszyka czy sprawdzenie wolnego terminu, jako gotowe do wywołania narzędzia. A więc zamiast zgadywać na podstawie zrzutów ekranu, w co kliknąć, agent dostaje wprost listę dostępnych akcji wraz z informacją, jakich danych każda z nich wymaga.

W praktyce działa to tak, że deklarujesz w kodzie strony konkretne funkcje, które agent potem wywołuje. Przykładowo, jeśli Twoja strona to wyszukiwarka lotów, dzięki WebMCP możesz zbudować taki workflow, w którym agent podaje miasto wylotu, miasta docelowe i daty podróży, a strona zwraca dostępną listę połączeń wraz z cenami.

Dla kogo jest WebMCP?

WebMCP najlepiej sprawdzi się tam, gdzie użytkownicy wykonują powtarzalne czynności:

• E-commerce – wyszukiwanie i filtrowanie produktów, dodawanie do koszyka, sprawdzanie statusu zamówienia.
• Rezerwacje i usługi – sprawdzanie wolnych terminów, umawianie wizyt, zapytania ofertowe.
• Marketplace i porównywarki – wyszukiwanie po parametrach i zestawianie ofert.
• SaaS i panele klienta – typowe operacje na danych, onboarding użytkownika.

Jeśli Twoja strona to wizytówka, blog albo serwis czysto informacyjny, nie ma potrzeby, abyś implementował WebMCP. Lepiej zainwestować w takiej sytuacji w optymalizację innych technicznych usprawnień.

Warto mieć na uwadze, że na razie WebMCP jest wciąż w fazie eksperymentalnej i nie jest sprawdzonym standardem. Natomiast zainteresowanie tym rozwiązaniem deklarują duzi gracze, tacy jak Booking.com, czy Shopify, więc choć jeszcze nie jest to powszechne, traktowałabym to jako coś więcej niż tylko ciekawostkę.

Co agentic search zmienia w e-commerce?

Najprościej mówiąc, coraz częściej zakupy w internecie będzie robił nie człowiek, a wytrenowany agent AI. Oznacza to, że dla agentic search, branża e-commerce musi przystosować swoje strony tak, aby były kompletne pod kątem informacji o swoich produktach i wyróżnikach marki. Mniej będą się liczyły czynniki oddziałujące na ludzką psychikę, a bardziej prezentacja konkretnej specyfikacji i cech, które można porównać z konkurencją. A więc informacje o cenie, ilości produktów na stanie, sposobach i kosztach wysyłki na karcie produktów to już nie tylko wskazówka UXowa, ale też AIowa.

Co więcej, sklep ecommerce dostosowany pod boty AI powinien mieć też łatwą do „przeklikania” stronę koszyka i proces finalizacji transakcji. Jeśli wypełnienie któregoś pola albo kliknięcie w przycisk będzie dla bota trudne lub niemożliwe, wybierze stronę konkurenta, która nie wymaga do tej samej akcji przepalania tokenów. 

Co istotne, taka utrata klienta może być zupełnie niewidoczna w statystykach – agent, który nie może dokończyć zadania, po prostu po cichu przechodzi do konkurencji, nie zostawiając w analityce ani porzuconego koszyka, ani komunikatu o błędzie. Oczywiście, na razie AI częściej pomaga nam w wyborze produktu i porównaniu ofert, a niekoniecznie już w samym zakupie. Natomiast trzeba mieć już z tyłu głowy, że taka będzie prawdopodobnie przyszłość e-commerce.

Co może pójść nie tak w sklepie internetowym?

• Cena wyłącznie w grafice albo doładowywana skryptem po interakcji – agent może jej nie odczytać.
• Niejasny status dostępności – „ostatnie sztuki” czy „w magazynie” bez konkretnej wartości, np. „zostały 3 sztuki” – informacja ta powinna się też znaleźć w danych strukturalnych.
• Warianty produktu (rozmiar, kolor) obsługiwane niestandardowym widgetem, bez osobnych URL, bez odzwierciedlenia w danych strukturalnych.
• Koszt dostawy ujawniany dopiero w koszyku – agent porównujący całkowity koszt może odrzucić ofertę jako niekompletną.
• Brak identyfikatorów GTIN/SKU utrudniający dopasowanie tego samego produktu między różnymi sklepami.

Co agentic search zmienia w usługach?

Hotele, gabinety lekarskie, warsztaty, restauracje i usługi realizowane w umówionych terminach mają jeszcze trudniejsze zadanie, bo agent musi przejść cały wieloetapowy proces, a nie tylko odczytać stałą informację ze strony.

W ramach typowej ścieżki, żeby przygotować podsumowanie dla użytkownika, agent musi:

• sprawdzić dostępność w kalendarzu,
• wybrać termin,
• wybrać wariant usługi,
• wypełnić dane,
• wygenerować potwierdzenie.

Każdy z tych kroków bywa zaimplementowany niestandardowo, a ta niestandardowość to główny wróg agenta.

Na co zwrócić uwagę?

• Widget kalendarza zbudowany na <div> bez ról i etykiet będzie dla agenta słabo czytelny – powinien mieć poprawne role, opisy dat i stanów, np. „wolne”/”zajęte”/”niedostępne”.
• Dostępność terminów widoczna wyłącznie jako kolor komórki to informacja czysto wizualna – idealna dla człowieka, ale dla agenta potrzebny jest tekstowy odpowiednik.
• Zachowywanie progresu w wypełnianiu pól – jeśli powrót do poprzedniego kroku zresetuje formularz, agent może utknąć, albo wielokrotnie wypełnić ten sam formularz.
• Potwierdzenie rezerwacji najlepiej, aby było wyświetlane na osobnym URL-u – wtedy agent będzie miał pewność, jaki jest status akcji.

Pozyskiwanie leadów vs agentic search – co się zmienia?

W kontekście generowania leadów agent najczęściej będzie się wcielał w rolę użytkownika wypełniającego formularz kontaktowy, zapytanie ofertowe lub wniosek. Cała wartość transakcji zależy więc od sposobu zakodowania tego elementu na stronie. Tworząc swój formularz musisz więc pamiętać o tych zasadach:

• Określ funkcje pól – agent musi wiedzieć, że w polu „Firma” ma wpisać nazwę firmy, a nie, np. numer NIP.
• Zadbaj o czytelną walidację – komunikat „nieprawidłowy format” musi wskazywać, którego pola dotyczy, czego dotyczy błąd i jak go naprawić.
• Wyświetlaj potwierdzenia wypełnienia / wysłania – bez tego agent może nie zaraportować użytkownikowi, że zadanie zostało wykonane.

Jak połączyć techniczne SEO, UX, CRO i dostępność dla agentów AI w jednym audycie?

Chociaż może brzmieć to niewiarygodnie, wiele założeń, które już teraz są stosowane powszechnie podczas audytów SEO, UX, czy CRO, sprawdzą się także w analizie pod boty AI.

Przepis na audyt strony agent-friendly

1. Techniczne SEO – poza standardowymi elementami technical SEO, sprawdź dostępność dla robotów w robots.txt, elementy zakodowane z użyciem JavaScript, szybkość ładowania strony i stabilność layoutu (CWV), renderowanie po stronie serwera, dane strukturalne, budowę DOM i drzewa dostępności, WebMCP;
2. GEO – sprawdź, czy strona prezentuje swoje USP, tworzy treści z wykorzystaniem BLUF i FAQ, realizuje założenia E-E-A-T, pozyskuje linki zwrotne i wzmianki o marce w serwisach zewnętrznych;
3. UX – sprawdź hierarchię informacji na stronie, przewidywalne wzorce interakcji;
4. CRO – sprawdź, czy przyciski CTA, formularze, moduły rezerwacji czy umawiania wizyt są zakodowane z użyciem semantycznego HTML, przedstawiają tekstowo informacje o progresie i klarownie informują o powodzeniu.

Podsumowanie – co zrobić już dziś?

Strony agent-ready to przede wszystkim strony, które mają porządek od środka – czyli w kodzie. Wszystkie efektowne elementy wizualne mogą robić wrażenie na ludziach, ale agentom mogą wręcz przeszkadzać. A więc, jeśli chcesz dostosować swoją stronę pod agenty AI trzeba trochę zacząć taką pracę u podstaw.

Jeśli chcesz, szybko sprawdzić podstawy dostępności strony dla AI, zacznij od tego:

1. Przejdź ścieżkę zakupową lub kontaktową wyłącznie klawiaturą – jeśli gdzieś natrafisz na bloker, agent też może się tam zatrzymać.
2. Sprawdź, czy kluczowe treści są widoczne bez JavaScriptu – cena, dostawa, najważniejsze cechy produktów lub usług, dostępność, przyciski akcji.
3. Przejrzyj robots.txt – sprawdź, czy nie blokujesz botów AI.
4. Sprawdź i uzupełnij dane strukturalne – minimum Product/Offer, LocalBusiness, FAQPage.
5. Sprawdź, czy strona spełnia WCAG i czy drzewo dostępności poprawnie odzwierciedla funkcje elementów.

Sześć miesięcy po starcie testów w Stanach Zjednoczonych OpenAI rozpoczęło rozszerzanie ChatGPT Ads na 31 rynków europejskich, w tym Polskę. Początkowo kampanie obsługuje zespół OpenAI Ads Solutions wraz z partnerami agencyjnymi i technologicznymi, a samoobsługowy Ads Manager ma zostać udostępniony w kolejnym etapie. Reklamy mają być wyświetlane użytkownikom planów Free i Go. Nie pojawią się natomiast w planach Plus, Pro, Business, Enterprise i Edu.

Reklama ma znajdować się pod odpowiedzią ChatGPT, a nie w jej treści. Każdy komunikat będzie wyraźnie oznaczony jako sponsorowany i wizualnie oddzielony od odpowiedzi modelu. Podstawowy format obejmuje nazwę i logo reklamodawcy, nagłówek, krótki opis, grafikę oraz link do strony docelowej. OpenAI obsługuje również reklamy produktowe oparte na feedach, które mogą prezentować m.in. zdjęcie, cenę i dostępność oferty.

System ma dobierać reklamy przede wszystkim do intencji i kontekstu bieżącej rozmowy. W Europejskim Obszarze Gospodarczym, a więc także w Polsce, reklamy personalizowane nie są jeszcze dostępne, a marki nie mogą korzystać z Custom Audiences. OpenAI deklaruje również, że treści sponsorowane nie będą wpływały na odpowiedzi ChatGPT, a reklamodawcy nie otrzymają dostępu do rozmów użytkowników.

Jak eksperci oceniają potencjał reklam w ChatGPT? Swoimi opiniami podzielili się: Michał Szczur z WPP Media, Mateusz Bojanowski z Cityboard Digital, Przemysław Szulakowski z MediaPlus, Jacek A. Redźko z ASAP&ASAP, Dominika Gryglewicz z Artegence, Natalia Ircha z Altavia Kamikaze + K2, Filip Komorowski z INIS (Digitree Group), Marcin Bugajski z MullenLowe Media.

Michał Szczur
digital strategy director WPP Media

Jak oceniasz realny potencjał reklam w ChatGPT? Jaką rolę mogą odgrywać w media miksie w porównaniu z reklamą w wyszukiwarkach?

ChatGPT w lipcu tego roku, według Gemius Mediapanel, odwiedziło prawie 10,9 mln użytkowników, wykonując tam ponad 152 mln wizyt. Liczby robią wrażenie, niemniej to dalej niewielka skala w porównaniu do tego, do czego przyzwyczaiła nas wyszukiwarka Google (ponad 26 mln użytkowników i ponad 952 mln wizyt). Na ten moment to będzie raczej uzupełnienie mediamiksu i przestrzeń do testów.

Nie ma też sensu porównywać stawek czy efektywności 1:1 do starszych, dojrzałych platform reklamowych, których placementy działają zupełnie inaczej. Kluczem do oceny tego kanału będzie pomiar jakości ruchu po przejściu z reklamy. O realnej wartości tego nowego placementu przesądzi jego przełożenie na faktyczne działania użytkowników, napędzane naturalnym dopasowaniem przekazu do ich intencji w trakcie konwersacji.

Dla jakich marek reklamy w ChatGPT mogą być najbardziej wartościowe?

W pierwszej kolejności po ten format sięgną te kategorie, które najmocniej ucierpiały po wprowadzeniu Google AI Overviews (spadki w SEO) lub te, dla których ruch z LLM-ów istotnie rośnie. Warto też uwzględnić branże, w których oferta i produkty są często porównywane, a użytkownicy muszą przeprowadzić swego rodzaju „śledztwo” przed zakupem – jak np. elektronika czy rynek abonamentów. Generatywna AI staje się tam kluczowym touchpointem.

Z testami muszą natomiast poczekać klienci z mocno ograniczonym budżetem – relokacja środków kosztem sprawdzonych kanałów to teraz duże ryzyko. Ograniczeniem bywają też oczekiwania wobec technologii: platforma jest nowa i nie oferuje jeszcze tak dogłębnego raportowania jak dojrzałe ekosystemy, co dla części reklamodawców może być barierą (choć to z pewnością będzie się zmieniać). Na ten moment mniejszym budżetom bezpieczniej poczekać na pierwsze rynkowe benchmarki i poluzowanie minimów wydatkowych.

Jak reklamy w ChatGPT mogą wpłynąć na zaufanie do platformy oraz wiarygodność reklamujących się w niej marek?

Główne ryzyko dla zaufania użytkowników tkwi w tym, że ChatGPT łączy rolę bezstronnego doradcy z rolą reklamową. Użytkownik traktuje czat jako neutralne źródło pomocy, dlatego reklama musi faktycznie wnosić wartość dodaną do kontekstu rozmowy – w przeciwnym razie spotka się z negatywnym odbiorem.

Dodatkowo marki muszą pamiętać, że te reklamy nie opierają się na tradycyjnym zarządzaniu słowami kluczowymi – to AI analizuje intencję użytkownika i dopasowuje przekaz, przez co kontrola nad procesem jest mniejsza. Zastanawiająca jest też sama skłonność do klikania: LLM-y i zjawisko zero-click search przyzwyczaiły nas, że sztuczna inteligencja podaje gotowe odpowiedzi, zdejmując z nas potrzebę przekopywania się przez strony www. Pojawia się więc pytanie, jak użytkownicy zareagują na reklamy zachęcające do opuszczenia czatu. Ciekaw jestem, jak rynek na to odpowie – ja na to patrzę nieco „podejrzliwie”, ale pracuję w tej branży już tak długo, że niewiele mnie zdziwi, tak więc niespecjalnie mnie zaskoczy scenariusz, że nagle użytkownicy zaczną w te reklamy klikać jak szaleni.

Mateusz Bojanowski
head of digital w Cityboard Digital

Jak oceniasz realny potencjał reklam w ChatGPT? Jaką rolę mogą odgrywać w media miksie w porównaniu z reklamą w wyszukiwarkach?

Potencjał oceniam dość wysoko z uwagi, iż w ostatnim czasie w digital marketingu braku świeżości, choć na Polskim rynku debiutował TikTok Shop. Moim zdaniem reklama w ChatGPT z biegiem czasu na pewno będzie uwzględniana w media miksie, natomiast warto zaznaczyć, że sam format będzie początkiem zupełnie nowej kategorii (nie będzie to przecież SEM). W internecie można już dowiedzieć się, że będzie ona nosiła nazwę: conversational & intent-driven media, parafrazując, są to nowe media oparte na dialogu, intencji i kontekście decyzji zakupowej. 

Natomiast nie postrzegałbym reklam w ChatGPT jako zamiennika dla reklam w Google Ads. Bardziej prawdopodobne jest, że ChatGPT i tradycyjne wyszukiwarki będą współistnieć, odpowiadając na odmienne rodzaje potrzeb i będą zakotwiczone w zupełnie innym kroku w customer journey. Wyszukiwarka wychwytuje intencję już ukształtowaną, na przykład pytanie: „gdzie kupić buty do biegania?”. ChatGPT może natomiast towarzyszyć użytkownikowi na każdym etapie procesu decyzyjnego – np. odpowiadając na pytanie: „jakie buty wybrać, gdy dokucza mi nawracające zapalenie rozcięgna podeszwowego?”, czy zadać dodatkowe pytania lub „wejść w buty” użytkownika, wiedząc, że chwile wcześniej szukał np. noclegu w Karpaczu. 

Różnica jest fundamentalna. Wyszukiwarka dostarcza odpowiedzi, podczas gdy ChatGPT może współkształtować samo pytanie i pomagać w podjęciu decyzji. Dlatego reklama w tym medium ma realną szansę stać się wartościowym składnikiem media mixu, jednak jako uzupełnienie wyszukiwarek, a nie ich bezpośrednia konkurencja. 

Dla jakich marek reklamy w ChatGPT mogą być najbardziej wartościowe?

W mojej opinii największy potencjał reklamy w ChatGPT drzemie w kategoriach, które cechują się skomplikowanym procesem decyzyjnym, tam, gdzie zakup wymaga głębszego zastanowienia, analizy wielu zmiennych (np. materiału, specyfikacji technicznej, polityki utrzymania), a użytkownik zazwyczaj podejmuje decyzję w ciągu kilku godzin, a nie impulsywnie. Mowa tu m.in. o usługach finansowych, ubezpieczeniach, motoryzacji, elektronice, branży modowej, a także o branży turystycznej czy hotelarskiej.

Mogę przypuszczać, że rynek na samym początku będzie edukował działy marketingu, że ta forma reklamy będzie idealna dla celu, jakim jest budowanie świadomości rozważania zakupu, edukowanie odbiorców, neutralizowanie wątpliwości oraz aktywne wspieranie w podjęciu ostatecznej decyzji. Dopiero po jakimś czasie narzędzie to będzie mogło ewoluować do wykorzystania go w środkowym etapie ścieżki zakupowej, kiedy użytkownik porównuje dostępne opcje oraz tuż przed finalną konwersją.

Mój feed na LinkedInie od jakiegoś czasu zalany jest wypowiedziami rozmaitych „eksperów” od marketingu, że ich klienci, głównie z sektora e-commerce, już mają zaplanowane kampanie. Tu się z nimi zgadzam, że na pewno ten sektor oraz tzw. marki, które stawiają na innowacje i są challengerami w swoich branżach, postawią w pierwszej kolejności na kampanie w tym medium. Czy tak będzie, czas pokaże. Jednego jestem jednak pewien, że reklamy w ChatGPT to sposób na dotarcie do osób otwartych na alternatywny kanał komunikacji.

Z wdrożeniem mogą natomiast wstrzymać się marki FMCG, których biznes kręci się wokół produktów impulsowych i niskocenowych. W ich przypadku decyzje zakupowe zapadają błyskawicznie i nie wymagają pogłębionej rozmowy, dlatego skuteczniejszymi kanałami pozostaną nadal kampanie w social mediach, na naszych ekranach Cityboard czy display.

Jak reklamy w ChatGPT mogą wpłynąć na zaufanie do platformy oraz wiarygodność reklamujących się w niej marek?

Jedno jest pewne ChatGPT, jakiego znaliśmy, odchodzi do lamusa (btw. pamiętacie Facebooka bez reklam?). Uważam, że kluczowym wyzwaniem dla tej formy reklamy, które od razu rzuca się w oczy, jest ryzyko konfliktu interesów między funkcją doradczą a reklamową. I to nie jest tylko teoretyczne gdybanie, to coś, co bezpośrednio wpływa na wiarygodność ChatGPT i na to, jak użytkownicy będą postrzegać marki, które się tam pojawią. Przecież ktoś, kto zadaje pytanie, oczekuje obiektywnej pomocy, a nie ukrytej sugestii reklamodawcy. Jeśli wyczuje, że rekomendacja była sterowana czyimś interesem, to nie uzna tego za rzetelną poradę, tylko za manipulację. I trudno się dziwić.

Największym ryzykiem jest dla mnie kwestia kontekstu zapytań: wyobraźmy sobie sytuację, w której AI obok zachwalania produktu wymieni też jego słabe strony albo ograniczenia. Reklamodawca musi być świadomy, że w takiej rozmowie nie ma monopolu na pozytywne narracje, że może być hipotetycznie taka sytuacja, że odbiorca komunikatu przeczyta rzeczy na temat produktu czy usługi, które niekoniecznie będą mieć pozytywny wydźwięk i sentyment.

Planując komunikację w tym środowisku, marki powinny postawić przede wszystkim na transparentność. Tu nie ma miejsca na półśrodki w komunikacji. Udawanie niezależnej rekomendacji to prosta droga do utraty zaufania. I to nie jest kwestia dobrej woli, tylko konieczności, która lada moment będzie pewnie uregulowana prawnie przez legislatorów.

Równie istotna jest dla mnie wartość użytkowa przekazu. Zapomnijmy o ogólnych sloganach. W tym kanale liczą się konkretne dane, parametry, warunki oferty. Ta forma będzie dużo skuteczniejsza niż klasyczne reklamy displayowe.

Marki powinny też przygotować wewnętrzne procedury kontroli kontekstu i bezpieczeństwa, zwłaszcza w branżach regulowanych. Muszą pogodzić się z tym, że użytkownicy będą zadawać trudne pytania, porównywać ofertę z konkurencją i oczekiwać odpowiedzi, która również komunikuje wady produktu czy usługi. Moim zdaniem reklama w tym środowisku zmieni cały paradygmat myślenia o marketingu.

Przemysław Szulakowski
performance marketing expert, MediaPlus

Jak oceniasz realny potencjał reklam w ChatGPT? Jaką rolę mogą odgrywać w media miksie w porównaniu z reklamą w wyszukiwarkach?

Reklamy w ChatGPT mają bardzo wysoki potencjał, by wyewoluować z roli eksperymentalnego dodatku do pełnoprawnego i w przyszłości bardzo istotnego elementu media miksu poszczególnych brandów. Można traktować je jako naturalną ewolucję klasycznego wyszukiwania, ale również jako kolejny etap dyskusji zapoczątkowanej przez Google wokół cookieless i rosnącego znaczenia reklamy kontekstowej. O ile jednak w tym przypadku mówiliśmy przede wszystkim o dopasowaniu reklamy do ogólnego kontekstu treści czy środowiska, o tyle reklamy w darmowej wersji ChatGPT mogą stanowić istotny upgrade tego podejścia, wpisując się nie tylko w szeroki kontekst, ale przede wszystkim w kontekst konkretnej konwersacji i potrzeb pojedynczego użytkownika. 

Z mojej perspektywy właśnie kontekst jest najistotniejszą przewagą tego rozwiązania. Tradycyjna wyszukiwarka opiera się na intencji zamkniętej w kilku słowach kluczowych, ChatGPT operuje na głębokim kontekście konwersacyjnym, w którym użytkownik nie szuka po prostu butów do biegania, lecz prowadzi dialog o przygotowaniu do maratonu przy konkretnej wadze czy preferencjach. Dla reklamodawców oznacza to możliwość dopasowania oferty na poziomie trudnym do osiągnięcia w standardowym Searchu.

O realnej wartości tego formatu przesądzą jednak nie tylko głębokość sygnału intencji, ale również jakość i transparentność atrybucji, pozwalające precyzyjnie mierzyć wpływ rekomendacji AI na decyzje zakupowe. Istotne będą także same formaty interaktywne, które zamiast statycznego baneru mogą umożliwić płynne wejście w dialog z marką, np. poprzez dopytanie o dostępność rozmiaru bezpośrednio w oknie czatu. 

Trzeba jednak pamiętać o naturalnej obiekcji samych użytkowników, którzy przyzwyczaili się do traktowania modeli językowych jako neutralnych, obiektywnych asystentów. Dlatego pojawienie się treści sponsorowanych może początkowo budzić nieufność, a nawet opór.  

Dla jakich marek reklamy w ChatGPT mogą być najbardziej wartościowe?

Największą wartość z obecności w ChatGPT wyciągną produkty i usługi o wysokim stopniu skomplikowania, które wymagają od konsumenta dłuższego procesu decyzyjnego. Tradycyjny lejek sprzedażowy od zawsze był próbą uchwycenia pewnej modelowej ścieżki klienta i trzeba przyznać, że przez długi czas robił to bardzo skutecznie. Wraz z rozwojem technologii, a co za tym idzie – rosnącą liczbą punktów styku użytkownika z reklamą – próba odtworzenia jednej, modelowej ścieżki stała się jednak znacznie bardziej wymagająca. Osobiście bliżej mi dziś do podejścia, w którym ścieżkę zakupową definiuje się jako proces, którego poszczególne etapy coraz mocniej się przenikają – zaczynając od triggera (potrzeby), przez research i zakup, aż w niektórych przypadkach po budowanie lojalności i przywiązania do marki (retention).

Jak wcześniej wspominałem ścieżka zakupowa użytkowników jest obecnie dużo bardziej wymagająca. Chcąc wskazać, który z klasycznych etapów zakupowych będzie największym beneficjentem rozwiązania, sugerowałbym te umieszczone w środkowym i dolnym lejku sprzedażowym, na etapach rozważania oferty oraz bezpośredniej intencji zakupowej, w branżach takich jak automotive, finanse, ubezpieczenia, elektronika użytkowa, turystyka czy sektor B2B. W tym kontekście reklamodawcy obecni w ChatGPT mogą zyskiwać, ponieważ w toku rozmowy reklamy mogą pojawiać się na różnych etapach procesu zakupowego i dostosowywać się do etapu, na którym znajduje się użytkownik. To coś, co dotychczas było dla marek niezwykle trudne do osiągnięcia.

W pierwszej kolejności ten kanał powinny testować marki innowacyjne, dysponujące budżetami eksperymentalnymi oraz dobrze uporządkowanymi danymi o swoich produktach, ponieważ wczesne wejście (early adopters, opinion leaders) gwarantuje im wyższą widoczność przy niższym zagęszczeniu konkurencji oraz możliwość nauczenia algorytmów pracy na własnych zasobach. Z testami powinny natomiast poczekać marki opierające się na szybkich zakupach impulsowych i niskomarżowym FMCG, gdzie decyzje zapadają pod wpływem emocji lub obrazu, a także firmy z branż silnie regulowanych, takich jak farmacja, gdzie ryzyko nieprecyzyjnego wygenerowania kontekstu przez model AI jest obecnie zbyt wysokie. 

Jak reklamy w ChatGPT mogą wpłynąć na zaufanie do platformy oraz wiarygodność reklamujących się w niej marek?

Głównym ryzykiem związanym z obecnością marek w ChatGPT jest cienka granica między obiektywną rekomendacją asystenta a dopasowanym kontekstowo komunikatem sponsorowanym. Choć reklamodawcy nie mają wpływu na to, jak model generuje same odpowiedzi, pojawienie się płatnych treści w bezpośrednim sąsiedztwie wyniku może wywołać u użytkownika rozdźwięk poznawczy. Jeśli odczuje on, że reklama zaburza obiektywizm porady, straci zaufanie zarówno do platformy, jak i do samej marki. Szczególnym wyzwaniem może być tutaj dysonans między rekomendacją a reklamą, np. sytuacja, w której model w odpowiedzi wskazuje produkt konkurencji, a bezpośrednio pod nią pojawia się sponsorowany moduł innej marki.

Planując komunikację w tym środowisku, firmy muszą postawić na absolutną transparentność, dbając o to, by treść reklamowa była jednoznacznie wyodrębniona od organicznej odpowiedzi modelu. Komunikat sponsorowany nie może być powierzchowny ani nachalny, lecz powinien stanowić naturalne, wartościowe rozszerzenie konwersacji, na przykład poprzez zaproponowanie dedykowanego rabatu, próbki produktu lub zapisania się na jazdę próbną. Kreacja powinna być zatem odpowiedzią na potrzeby, a nie przerwaniem prowadzonej przez niego rozmowy. Jest to szczególnie istotne ze względu na samą formę chatu – reklama może być odbierana jako ingerencja w stosunkowo intymną aktywność, jaką, mimo że jedynie emituje rozmowę z drugim człowiekiem, pozostaje konwersacja z ChatGPT.

Niezwykle istotną kwestią pozostaje również bezpieczeństwo marki, ponieważ systemy generatywne wciąż bywają nieprzewidywalne, a reklamodawcy muszą mieć pewność, że ich przekaz nie pojawi się w kontekście halucynacji modelu lub w wątkach o charakterze wrażliwym czy kontrowersyjnym. Na obecnym etapie brand safety w tym środowisku pozostaje jeszcze obszarem niewystarczająco zweryfikowanym.

Jacek A. Redźko
chief AI + film officer/partner ASAP&ASAP

Jak oceniasz realny potencjał reklam w ChatGPT? Jaką rolę mogą odgrywać w media miksie w porównaniu z reklamą w wyszukiwarkach?

Reklamy w modelach językowych całkowicie zmieniają zasady gry. To już nie jest znana nam od lat zabawa w licytowanie pojedynczych słów kluczowych (jak w SEM). AI nie patrzy na suche hasła, ale słucha całej naszej rozmowy i po prostu rozumie, z jakim problemem do niej przychodzimy. Dzięki temu trafia z sugestią dokładnie w moment, gdy na poważnie zastanawiamy się nad zakupem i potrzebujemy dobrej rady, a nie nachalnych banerów.

Prawdziwy przełom wciąż jednak przed nami i będą nim reklamy konwersacyjne. Kliknięcie w taki materiał nie wyrzuci nas na drętwą stronę internetową z formularzem, ale od razu otworzy bezpośredni dialog z cyfrowym doradcą marki, z którym po prostu będzie można normalnie porozmawiać.

Dla jakich marek reklamy w ChatGPT mogą być najbardziej wartościowe?

Ten kanał rozwinie skrzydła przede wszystkim tam, gdzie klient nie podejmuje decyzji w pięć sekund, ale szuka wiedzy i porady. To wymarzone miejsce dla branż wymagających namysłu, takich jak samochody, elektronika, finanse czy usługi B2B. Sprawdzi się oczywiście również w e-commerce.

Jeśli tworzymy markę technologiczną albo przecieramy szlaki w handlu internetowym, to jest właściwie idealny moment na pierwsze eksperymenty z tym kanałem. Z kolei małe, lokalne biznesy i sprzedawcy tanich produktów impulsowych powinni na razie spokojnie poczekać. Na początku koszty dotarcia do klienta w takim dialogu z AI po prostu zjedzą marżę na prostych i niedrogich towarach.

Jak reklamy w ChatGPT mogą wpłynąć na zaufanie do platformy oraz wiarygodność reklamujących się w niej marek?

Mieszanie roli obiektywnego doradcy z płatną reklamą to stąpanie po kruchym lodzie. Gdy tylko użytkownik poczuje, że ktoś próbuje nim manipulować, marka natychmiast traci w jego oczach wiarygodność. Żeby przetrwać w tym nowym środowisku, trzeba od początku grać w otwarte karty. Czyli jasne oznaczanie materiałów sponsorowanych to absolutna podstawa, wymuszona zresztą przepisami.

Przekaz w modelu językowym po prostu nie może być krzyczącym banerem. Powinien działać jak mądra, wartościowa podpowiedź, która w naturalny sposób rozwija odpowiedź sztucznej inteligencji. Do tego sprawa absolutnie kluczowa: prywatność. Nasze czaty z AI bywają bardzo osobiste, więc jakakolwiek próba profilowania nas na podstawie prywatnych rozmów błyskawicznie zniszczy zaufanie do marki.

Dominika Gryglewicz
martech business lead, Artegence

Jak oceniasz realny potencjał reklam w ChatGPT? Jaką rolę mogą odgrywać w media miksie w porównaniu z reklamą w wyszukiwarkach?

Nie traktowałabym reklam w ChatGPT jako następcy searchu. Ich potencjał widzę raczej w zagospodarowaniu innego momentu ścieżki zakupowej – kiedy użytkownik jeszcze nie wpisuje konkretnej frazy czy nazwy produktu, tylko dopiero definiuje swoją potrzebę, porównuje rozwiązania i ustala kryteria wyboru.

To właśnie jakość tego kontekstu może być największą wartością dla reklamodawców. Wyszukiwarka mówi nam, czego ktoś szuka. Rozmowa może dodatkowo pokazać, po co tego potrzebuje, jaki ma budżet, ograniczenia i co jest dla niego najważniejsze. Reklama może więc być dopasowana nie tylko do frazy, ale do całego problemu, który użytkownik próbuje rozwiązać.

Czy stanie się to istotnym elementem media miksu, zależy przede wszystkim od skali, jakości dopasowania i measurementu. Jeśli okaże się, że użytkownicy wychodzący z takich rozmów częściej konwertują albo są bardziej zdecydowani zakupowo, nawet mniejszy wolumen może być dla reklamodawców bardzo wartościowy.

Dla jakich marek reklamy w ChatGPT mogą być najbardziej wartościowe?

Największy potencjał widzę tam, gdzie zakup wymaga researchu i porównania kilku opcji. Naturalnymi kategoriami są więc elektronika, sprzęt AGD, wyposażenie domu, motoryzacja, travel, software, usługi czy edukacja.

Przykładowo: użytkownik nie musi pytać o konkretny model laptopa. Może powiedzieć, że szuka lekkiego sprzętu do pracy kreatywnej, z dobrą baterią i budżetem do 6 tys. zł. W takiej rozmowie reklama Lenovo, ASUS-a czy sklepu z elektroniką może pojawić się w bardzo naturalnym momencie. Podobnie przy wyborze ekspresu, hotelu, samochodu, narzędzia CRM czy kursu zawodowego.

Dlatego w pierwszej kolejności testowałabym ten kanał w markach, które mają szeroką ofertę i realnie pomagają użytkownikowi dokonać wyboru: retailerach takich jak Media Expert czy RTV Euro AGD, producentach elektroniki i AGD, platformach travel, markach automotive, SaaS-ach czy dużych e-commerce’ach z dobrze opisanym katalogiem produktów.

Ciekawy potencjał mają też marki challengerowe. Jeśli ktoś wpisuje w Google konkretną markę, wybór jest już w dużej mierze zawężony. W rozmowie z ChatGPT częściej zaczyna od potrzeby, więc mniej oczywista marka ma szansę wejść do consideration set.

Najmniej przekonana byłabym dziś do FMCG i produktów bardzo impulsowych, gdzie nie ma dłuższego procesu wyboru, oraz do kampanii nastawionych przede wszystkim na masowy zasięg. ChatGPT jest znacznie ciekawszy jako kanał consideration i performance niż jako klasyczne medium awareness.

Jak reklamy w ChatGPT mogą wpłynąć na zaufanie do platformy oraz wiarygodność reklamujących się w niej marek?

To moim zdaniem największe wyzwanie tego modelu. ChatGPT ma dla użytkownika trochę inną rolę niż wyszukiwarka – prosimy go nie tylko o informacje, ale też o opinię, porównanie i rekomendację. Dlatego granica między odpowiedzią a reklamą musi być bardzo czytelna.

Jeśli użytkownik zacznie podejrzewać, że dana marka została polecona dlatego, że zapłaciła za obecność w tym środowisku, problem dotyczy nie tylko zaufania do ChatGPT, ale też samego reklamodawcy.

Drugim ryzykiem jest zbyt daleko idące dopasowanie. Reklama może być bardzo trafna, ale jednocześnie sprawiać wrażenie zbyt osobistej czy wręcz „creepy”. Dlatego marki powinny myśleć nie tylko o relevance, ale również o adekwatności kontekstu. To, że technologicznie możemy pojawić się w danej rozmowie, nie zawsze oznacza, że powinniśmy.

Zmienić powinien się też sam sposób komunikacji. W ChatGPT lepiej widzę reklamy, które pomagają użytkownikowi w wyborze, niż klasyczne slogany sprzedażowe. Mniej „jesteśmy najlepsi”, więcej konkretnej odpowiedzi na potrzebę: czym produkt się różni, ile kosztuje, dla kogo jest dobrym wyborem.

W conversational advertising zaufanie nie będzie więc tylko kwestią etyki czy brand safety. Może stać się jednym z warunków skuteczności całego kanału.

Natalia Ircha
SEM Leader, Altavia Kamikaze + K2

Jak oceniasz realny potencjał reklam w ChatGPT? Jaką rolę mogą odgrywać w media miksie w porównaniu z reklamą w wyszukiwarkach?

Potencjał jest ogromny. Liczba użytkowników ChatGPT w Polsce rośnie w tempie, które trudno zignorować – wg danych Mediapanel w czerwcu 2026 roku to już ponad 10,8 mln realnych użytkowników miesięcznie. Przy takiej skali trudno traktować ten kanał jako dodatek – to raczej nowy, szybko dojrzewający punkt styku z konsumentem.

Reklamodawcy zyskują tym samym dostęp do użytkownika, próbującego zredukować ryzyko złej decyzji – często zanim jeszcze jest w stanie doprecyzować, czego właściwie szuka. Niezależnie od tego, z jakim zagadnieniem się mierzy – czy chodzi o wakacyjną destynację, nowy materac, aplikację do nauki języka, czy o ubezpieczenie firmy – zanim postawi na jedną opcję, chce uzbroić się w specjalistyczną wiedzę. Do tej pory zdobywał ją głównie w Google, dziś ten ciężar coraz częściej przejmuje ChatGPT, skracając użytkownikowi drogę do celu. Różnica zaczyna się już w samym sposobie, w jaki formułujemy zapytanie do sztucznej inteligencji: rzadko wpisujemy gotowe hasło, częściej opisujemy sytuację, budując kontekst w toku rozmowy. I właśnie dzięki temu reklama ma szansę trafić w rzeczywistą potrzebę, co dla marki oznacza możliwość dotarcia do użytkownika zanim dojdzie do etapu, na którym konkuruje się już tylko stawką za słowo kluczowe czy wyświetlenie.

Co poza samym miejscem emisji przesądzi o wartości tych reklam? Zasięg reklamowy z pewnością będzie węższy, niż sugerowałaby sama liczba użytkowników – nawet wśród zapytań o wyraźnie zakupowej intencji reklama może pojawiać się w mniejszości rozmów. Istotna będzie też liczba placementów – obecnie to wciąż jedno miejsce reklamowe w odpowiedzi, co oznacza mniejsze nagromadzenie reklam i większy impact, ale też naturalny limit tego, ile kampanii kanał może jednocześnie pomieścić. Najważniejsza jest jednak dojrzałość pomiaru i atrybucji – żeby ChatGPT przestał być testem, a stał się stałą pozycją w budżecie, potrzebuje metryk równie wiarygodnych i porównywalnych, jak te znane z innych kanałów. Bez tego nawet najlepiej dopasowana reklama nie może stać się elementem media miksu, na którym można polegać.

Dla jakich marek reklamy w ChatGPT mogą być najbardziej wartościowe?

Najbardziej wartościowe będą kategorie, w których produkt czy usługa rozwiązuje konkretny, jasno nazwany problem – np. wybór narzędzia do pracy, organizacja wesela, znalezienie noclegu spełniającego konkretne kryteria. W rozmowie z ChatGPT użytkownik opisuje sytuację, a nie podaje frazę – im precyzyjniej potrafi nazwać swoją potrzebę, tym skuteczniej reklama na nią odpowie. Potwierdza to też profil pierwszych marek testujących to rozwiązanie w USA – to głównie retail, wyposażenie wnętrz oraz branża eventowa, czyli kategorie, w których użytkownicy najłatwiej potrafią nazwać swoją potrzebę, więc pytania zakupowe naturalnie pojawiają się w rozmowie.

Jeśli chodzi o etap ścieżki zakupowej, ChatGPT może sprawdzić się bliżej researchu i rozważania opcji niż finalnej decyzji zakupowej – tam, gdzie klient jeszcze się waha albo dopiero precyzuje, czego szuka. Stąd też najwięcej sensu mają dziś cele związane ze świadomością i trafficowe. Cel oparty o konwersje jest dostępny i wraz z dojrzewaniem pomiaru zapewne będzie zyskiwał na znaczeniu.

Które marki powinny testować ten kanał w pierwszej kolejności? Najwięcej zyskają te, których ofertę da się dopasować do konkretnie wyrażonej potrzeby – dotyczy to zarówno graczy niszowych, jak i dużych retailerów czy firm B2B z szeroką ofertą. Niszowi zyskują, bo trudno dotrzeć do ich odbiorcy inną drogą – definiuje go głównie potrzeba, a nie cecha demograficzna czy zainteresowanie. Klasyczne targetowanie zakłada, że wiemy, kim jest odbiorca, zanim jeszcze zapyta. ChatGPT odwraca tę logikę – nie musimy znać go z wyprzedzeniem, wystarczy, że w rozmowie ujawni, czego właściwie potrzebuje. Firmy z szeroką ofertą – czy to retailerzy, czy firmy B2B – zyskują z innego powodu: ich oferta pozwala obsłużyć wiele takich konkretnych potrzeb jednocześnie, każdą osobną grupą reklam dopasowaną do innej sytuacji, co dobrze tłumaczy, dlaczego to właśnie oni jako pierwsi testują ten kanał za granicą.

W obu przypadkach liczy się jednak coś jeszcze: zaplecze do samego testu: jasno nazwany problem, który marka rozwiązuje, uporządkowany feed produktowy i przemyślane context hints. Lepiej najpierw je zbudować, niż uruchamiać testową kampanię w pełnej niepewności – to nie jest kanał, w którym wystarczy przenieść kreację czy słowa kluczowe z Google Ads i czekać na wyniki.

Jak reklamy w ChatGPT mogą wpłynąć na zaufanie do platformy oraz wiarygodność reklamujących się w niej marek?

Zaufanie budowane w roli doradcy staje się jednocześnie towarem, który ChatGPT sprzedaje markom. Im lepiej wypełnia pierwszą rolę, tym cenniejszy staje się dla drugiej – i paradoksalnie to właśnie tworzy ryzyko.

Pierwsze ryzyko dotyczy tego, jak reklama wykorzystuje kontekst rozmowy – niezależnie od tego, czy pochodzi z pamięci poprzednich czatów, czy z tej samej, bieżącej wymiany zdań. Z ChatGPT rozmawiamy o rzeczach, których nigdy nie wpisalibyśmy w wyszukiwarkę – o zdrowiu, finansach, relacjach. Jeśli reklama skorzysta z tej wiedzy choćby odrobinę zbyt trafnie, efekt się odwróci: zamiast „ktoś mnie rozumie” może pojawić się poczucie inwigilacji.

Drugie ryzyko to niedopasowanie kontekstu w newralgicznym momencie. Dopasowanie opiera się na treści rozmowy, nie na frazie – model może się pomylić i zaproponować produkt tam, gdzie to nie pasuje, przy temacie osobistym czy emocjonalnie obciążonym. OpenAI automatycznie wyklucza z reklam tematy najbardziej wrażliwe, jak zdrowie psychiczne czy politykę, ale to nie eliminuje ryzyka całkowicie.

Trzecie ryzyko dotyczy tego, jak niewiele marka wie o własnej reklamie po publikacji. Panel pokazuje kliknięcia, CTR, konwersje – ale nie to, który context hint je wygenerował. Marka widzi efekt, nie proces, i dopracowuje hinty metodą prób i błędów. To akurat nie kwestia niedojrzałości narzędzia – OpenAI świadomie chroni w ten sposób prywatność rozmów, więc ta konkretna luka może nie zniknąć nawet wtedy, gdy reszta panelu dojrzeje. Warto jednak podejść do tego, jak do ograniczenia, nie dyskwalifikacji, bo przy dobrym przygotowaniu można działać bezpiecznie mimo braku pełnej widoczności kontekstu.

Planując komunikację w tym kanale, warto przemyśleć jej strategię i rozważyć przeniesienie ciężaru językowego na rolę doradczą, by uniknąć kontrastu, który zdradza reklamę mocniej niż jawne oznaczenie jej jako sponsorowanej. Warto też traktować pierwsze kampanie jako kalibrację – zaczynać od wąskich, precyzyjnych context hints i pozostać blisko zmian w polityce OpenAI, bo to, co dziś jest ograniczeniem, za kilka miesięcy może już nim nie być.

Filip Komorowski
agency sales manager, INIS (Digitree Group)

Jak oceniasz realny potencjał reklam w ChatGPT? Jaką rolę mogą odgrywać w media miksie w porównaniu z reklamą w wyszukiwarkach?

Nie traktowałbym reklam w ChatGPT wyłącznie jako kolejnej odsłony reklamy w wyszukiwarce. To jest jednak coś więcej. Użytkownik nie wpisuje jednej frazy i nie przegląda dziesięciu wyników, tylko prowadzi rozmowę, doprecyzowuje potrzeby, zmienia kryteria, porównuje opcje. W pewnym sensie jest to taki „deep search”, w którym sam proces wyboru odbywa się już wewnątrz narzędzia. I właśnie dlatego największą wartością tego kanału nie musi być wcale zasięg. Znacznie ciekawsze są intencja i kontekst.

Dlatego uważam, że ChatGPT może z czasem stać się po prostu kolejną stałą pozycją w media miksie. Nie oznacza to oczywiście końca klasycznego searchu. Google ma ogromną przewagę przyzwyczajenia użytkowników, cały swój ekosystem i coraz mocniej integruje Gemini bezpośrednio z wyszukiwaniem. Zmienia się natomiast zachowanie ludzi. Coraz częściej zamiast samodzielnie otwierać kolejne strony i składać informacje w całość, wolimy zadać pytanie, dopytać i dostać analizę dopasowaną do naszej konkretnej sytuacji. Dla reklamodawców to bardzo ciekawy moment kontaktu z konsumentem, bo pojawiają się już nie obok zainteresowania, ale w trakcie realnego procesu decyzyjnego.

Dla jakich marek reklamy w ChatGPT mogą być najbardziej wartościowe?

Na początku największy potencjał widzę przede wszystkim w e-commerce, marketplace’ach i turystyce, ale też w elektronice czy szerzej w kategoriach, w których zakup poprzedza research i porównywanie ofert. I nie musi to być wyłącznie sprzedaż online. Dobrym przykładem jest motoryzacja. Samochodu raczej nie kupimy bezpośrednio w ChatGPT, ale już duża część researchu przed wizytą w salonie może odbywać się właśnie tutaj. Z kolei dużo trudniej widzę dziś produkty kupowane automatycznie, bez większego zaangażowania, choćby dużą część FMCG. Jeśli użytkownik nie ma potrzeby analizowania wyboru, trudno znaleźć naturalny moment dla takiej reklamy.

Sam format też będzie miał ogromne znaczenie. Nie chciałbym, żeby ChatGPT zamienił się w ścianę ogłoszeń. Reklama powinna być naturalnym elementem doświadczenia, wizualnie pasować do środowiska, ale jednocześnie być jednoznacznie oznaczona. Trochę jak na Pintereście, gdzie treści sponsorowane funkcjonują obok pozostałych kafelków bez rozbijania całego doświadczenia. Jeżeli szukam hotelu dla rodziny, określam budżet, lokalizację i wymagania, a wśród pasujących propozycji pojawi się również dobrze dopasowana oferta sponsorowana – nie widzę w tym problemu. Wręcz przeciwnie, taka reklama może być użyteczna.

Jak reklamy w ChatGPT mogą wpłynąć na zaufanie do platformy oraz wiarygodność reklamujących się w niej marek?

Granica pojawia się w momencie, w którym zaczynam się zastanawiać: „czy ChatGPT naprawdę uważa, że to najlepszy produkt, czy ktoś zapłacił, żeby znalazł się wyżej?”. Jeżeli budżet reklamodawcy zacznie wpływać na merytoryczną odpowiedź modelu albo wypychać lepsze rekomendacje, OpenAI podetnie gałąź, na której siedzi. Największą wartością ChatGPT jest przecież zaufanie użytkownika do tego, że otrzymuje możliwie najlepszą odpowiedź, a nie najlepiej opłaconą odpowiedź.

I to jest moim zdaniem największe wyzwanie tego modelu. Reklamy mogą być bardzo wartościowym biznesem właśnie dlatego, że użytkownik ufa narzędziu i prowadzi z nim rozmowę w momencie podejmowania decyzji. Jeśli reklama to zaufanie naruszy, zniknie również przewaga, która czyni ten kanał tak atrakcyjnym dla reklamodawców.

Marcin Bugajski
head of SEM & programmatic w MullenLowe Media

Jak oceniasz realny potencjał reklam w ChatGPT? Jaką rolę mogą odgrywać w media miksie w porównaniu z reklamą w wyszukiwarkach?

Generatywne wyniki wyszukiwania zyskują coraz większe znaczenie i stają się dla użytkowników jednym z pierwszych źródeł pozyskiwania informacji. Bardzo więc ważne jest, aby informacje te były jak najbardziej precyzyjne i przede wszystkim prawdziwe. Uważam, że potencjał reklam jest bardzo duży, ponieważ daje możliwość dopasowania odpowiednich produktów zarówno pod kątem intencji zakupowych, jak i kontentu oraz tematu rozmowy. Daje nam to ogromne możliwości dotarcia do użytkowników zarówno na etapie rozważania, jak i na finalnym etapie ścieżki zakupowej. Reklamy te uzupełniają również organiczne wyniki wyszukiwania i są niezależne od poziomu optymalizacji danej witryny pod kątem GEO. Dzięki temu użytkownicy mogą otrzymywać produkty ściśle dopasowane do swojej intencji zakupowej, niezależnie od jakości samych odpowiedzi generatywnych.

Dla jakich marek reklamy w ChatGPT mogą być najbardziej wartościowe?

Myślę, że reklamy te sprawdzą się na każdym etapie ścieżki, od wizerunku po sprzedaż. Obecne modele zakupowe pozwalają nam zarówno na zakup kampanii zasięgowych, jak również trafikowych oraz optymalizowanych pod konkretny cel. Produkt jest cały czas rozwijany, więc będzie oferował zarówno reklamy sprzedażowe oparte na feedzie produktowym, jak i reklamy zasięgowe oraz kontentowe, uzależnione od intencji użytkowników i tematu rozmowy. Ze strony samego OpenAI nie widzę tutaj obostrzeń dla kategorii. Jedynym wyzwaniem, z którym OpenAI prawdopodobnie zmierzy się, wchodząc na nasz rynek, jest kategoria finansowa, która z uwagi na polskie prawo musi spełnić specjalne warunki, żeby mogła być reklamowana. Myślę jednak, że to kwestia bliższej przyszłości, kiedy ten problem również zostanie rozwiązany.

Jak reklamy w ChatGPT mogą wpłynąć na zaufanie do platformy oraz wiarygodność reklamujących się w niej marek?

Przede wszystkim bardzo ważna dla OpenAI będzie odpowiednia weryfikacja reklamodawców i, co najważniejsze, reklamowanych produktów. Wiemy, z czym i w jakiej skali mierzą się niektórzy duzi wydawcy, jeżeli chodzi o „nieprawdziwe” reklamy, więc na pewno będzie to duże wyzwanie również dla OpenAI. Podobnie ważny będzie brand safety, czyli emisja reklam przy odpowiednich treściach. Póki co nie wiemy, jak te kwestie zostaną rozwiązane. Marki powinny skupić się na dobraniu odpowiednich produktów do intencji zakupowych i tematów rozmów, żeby na tym etapie jak najlepiej skalować i testować działania pod kątem ich efektywności i przyszłych możliwości. To jest właśnie ten moment.

Brzmi znajomo? No właśnie. Dziś generatywna sztuczna inteligencja stała się mistrzem świata w produkcji marketingowego paździerza. Pomysły wypluwane przez algorytmy są jak jedzenie z sieciowego fast foodu – tanie, zapakowane w estetyczny papier, wydane w trzy sekundy i… pozbawione jakiegokolwiek smaku czy wartości odżywczych… ale niestety potrafią zaspokoić „głód” niejednej firmy. 

I dokładnie w tym miejscu dochodzimy do paradoksu, którego głośno nie analizują entuzjaści technologicznego bezkrytycyzmu: im łatwiej i taniej można wygenerować poprawną przeciętność, tym szybciej rośnie wartość prawdziwego, ludzkiego pomysłu.

Fabryka szablonów kontra artystyczne flow

Sztuczna inteligencja to nic innego jak taśma produkcyjna, na której pojawiają się produkty odtworzone na podstawie tego, co już było. Przetwarza miliony danych z sieci, wyciąga ze średniej to, co pojawiało się najczęściej, i serwuje nam masowy standard. AI nie potrafi zaryzykować. Nie ma poczucia humoru, nie rozumie ironii, nie czuje niuansów kulturowych ani lokalnego kontekstu, w którym zwroty takie jak „realny” wywołują już tylko uśmiech pobłażania.

Jeśli opierasz swoją komunikację wyłącznie na podpowiedziach algorytmu, stajesz się niewidzialny. Wpadasz w szum informacyjny złożony z tysięcy identycznych grafik i tekstów, które wyglądają, jakby wyszły spod jednej sztancy.

Odbiorcy nie potrzebują kolejnej agencji czy marki, która potrafi sprawnie wpisać prompty. Potrzebują ludzi, którzy wiedzą, kiedy te prompty wyrzucić do kosza i wziąć się za pracę artystyczną. I tutaj na scenę wchodzą agencje kreatywne… 

Kreatywność to umiejętność łamania zasad, których AI jeszcze nie zna

Narzędzia GenAI są genialne w roli turbosprężarki. Świetnie sprawdzają się przy automatyzacji powtarzalnych zadań, szybkim przekopywaniu danych czy technicznym montażu. Ale to człowiek wie, jak wywołać prawdziwe emocje, zszokować, rozbawić do łez albo wywołać ogólnokrajową dyskusję.

Prawdziwa kreatywność nie polega na doklejaniu do posta poprawnych hasztagów. To sztuka łączenia kropek, które na pierwszy rzut oka do siebie nie pasują.

Algorytm nigdy nie wpadnie na pomysł, który wykracza poza jego zbiór treningowy, ponieważ z definicji operuje na tym, co już zaistniało. Nie stworzy konceptu, który przełamuje tabu lub bazuje na absurdzie – bo dla niego jest to błąd statystyczny. A to właśnie te „błędy” tworzą kultowe kampanie, które pamięta się latami.

Nadeszła era ART-selekcjonerów i prowokatorów

Nie żyjemy w czasach, w których AI zabierze pracę kreatywnym. AI zabierze zlecenia jedynie tym, którzy do tej pory produkowali nijakie, odtwórcze treści i udawali, że to ich autorska praca.

Dziś funkcja dyrektora kreatywnego czy stratega przesuwa się z roli „twórcy od zera” na rolę architekta, kuratora i prowokatora. Algorytm może dostarczyć sto banalnych szkiców w pięć minut. Sztuką jest odrzucić dziewięćdziesiąt dziewięć z nich, wziąć ten jeden, zdemolować go, doprawić ludzkim dowcipem, odrobiną bezczelności i przekuć w coś, co zwali odbiorcę z nóg.

Prawdziwa kreatywność stała się towarem luksusowym. W świecie zdominowanym przez idealnie gładkie komunikaty wygrywają ci, którzy mają odwagę być nieszablonowi i… po prostu prawdziwi.

W dyskusji o AI bardzo łatwo popaść w jedną z dwóch skrajności. Z jednej strony słyszymy, że sztuczna inteligencja zabierze pracę marketerom. Jednak po pierwszej fali zachwytu coraz częściej pojawiają się głosy, że to tylko modne narzędzie, które ostatecznie sprowadza na firmy więcej kłopotów niż pożytku. Prawda, jak zwykle, leży gdzieś pośrodku.

Na co dzień pracuję nad asystentami AI i oczywiście sama z nich korzystam. Agenci są jednak tylko tak dobrzy, jak dane i instrukcje, które od nas otrzymają. Każda organizacja ma przecież własny język, historię, niepisane zasady i unikalne relacje z klientami. Są sytuacje, których nie opisuje żadna oficjalna procedura, ale „wszyscy” w firmie wiedzą, jak należy się zachować.

Agentów AI powinniśmy potraktować jak nowych współpracowników, którym musimy przeprowadzić onboarding. Dlatego po pierwsze: należy uporządkować dokumentację – brandbook, tone of voice, persony oraz przykłady dobrych i złych kreacji. Po drugie: zdefiniować jasne kryteria akceptacji treści i projektów, potwierdzane przez człowieka. Przygotowując agentów do pracy, znacznie więcej uwagi powinniśmy poświęcać nie tyle samym promptom, ile ludziom. To eksperci powinni dostarczać wiedzę, a później oceniać jakość odpowiedzi.

Najbardziej optymalne podejście do wykorzystywania agentów jest 3-etapowym procesem – bez względu na to, nad czym obecnie pracujemy (czy jest to artykuł prasowy, wpis na bloga, prezentacja czy plan działań w social mediach):

1. Wkład merytoryczny człowieka: gdzie, co ważne, oprócz ogólnego polecenia, dokładnie instruujemy agenta, czego od niego oczekujemy, przekazując mu własne przemyślenia, kontekst i doświadczenia.
2. Praca agenta: przetwarza on dane, układa treść, dba o strukturę i generuje alternatywne warianty.
3. Redakcja człowieka: ekspert weryfikuje efekt pracy agenta, nadaje ostateczny szlif i podejmuje decyzję o publikacji.

Większość rozczarowań wynikających z pracy z rozwiązaniami AI bierze się nie tyle z ograniczeń samej technologii, ile z faktu, że nikt nie zadbał o porządny brief, ustrukturyzowaną bazę wiedzy i jasne wytyczne dotyczące tonu komunikacji. Technologicznie jesteśmy już naprawdę w miejscu, w którym niemal każdą powtarzalną czynność marketingową można przekazać agentowi.

Równie ważne jest także to, jak mierzymy efektywność ich pracy – i tu łatwo wpaść w pułapkę automatyzacyjnego zachwytu. Mierzenie sukcesu wyłącznie liczbą wygenerowanych postów, opublikowanych artykułów czy zaoszczędzonych roboczogodzin to ślepa uliczka. Prawdziwą wartością marketingu, nieistotne czy tworzonego przez człowieka, czy agenta jest to, jak treść działa na odbiorców i jakie efekty biznesowe przynosi. Oceniając AI, patrzmy na wskaźniki konwersji, realne zaangażowanie, retencję uwagi oraz liczbę błędów merytorycznych, które wymagały poprawy. Wprowadzając agenta, zapytajmy nie o to, „ile materiałów powstało”, ale o to, czy uwolniony czas przeznaczyliśmy na lepszą strategię, głębsze rozmowy z klientami i budowanie unikalności marki.

Jednym z najciekawszych zastosowań AI w marketingu jest nie tylko generowanie treści, ale zatrzymywanie klienta dokładnie w momencie, kiedy ten jest gotowy do zakupu. Dlatego specjalnym przypadkiem agentów są chatboty. Często spłyca się ich rolę do automatów do gaszenia pożarów w obsłudze klienta. Tymczasem przemyślany chatbot to jedno z najbardziej niedocenianych źródeł konwersji i wiedzy o odbiorcach. Współcześni asystenci mogą zaangażować klienta w świat marki, rozdawać kody rabatowe, przeprowadzić konkurs czy quiz. Ale dobrze skonfigurowany chatbot – dzięki swoim proaktywnym zachowaniom – pozwala zatrzymać i skonwertować odbiorcę w kluczowym momencie, gdy ten jest najbardziej zainteresowany zakupem czy innym oczekiwanym przez nas marketingowo działaniem.

Co więcej, każda rozmowa z takim asystentem to skarbnica wiedzy. Dzięki AI możemy w kilka sekund przeanalizować tysiące wiadomości i zobaczyć, o co klienci pytają najczęściej, czego nie rozumieją, jakie mają obawy przed zakupem czy które informacje są dla nich kluczowe. To bezcenne dane, które można później wykorzystać do optymalizacji kampanii, tworzenia nowych treści czy rozwoju całej oferty.

Za chwilę możemy dojść do momentu, w którym internet stanie się wielką pętlą. AI będzie tworzyć treści na podstawie wcześniejszych treści, które z kolei powstały na podstawie jeszcze wcześniejszych opracowań. Wszystko będzie rzetelne i poprawne, ale całkowicie pozbawione unikalnej perspektywy. Jeżeli jesteś marketerem, prawdopodobnie lubisz pisać, obserwować ludzi, wyciągać wnioski i opowiadać historie. Nie oddawaj tego całkowicie algorytmom tylko dlatego, że tak jest szybciej i wygodniej. Niech AI przyspieszy i ułatwi Twoją pracę. Wykorzystuj narzędzia, które dzięki niemu powstają, ale nie pozwól, żeby zaczęły myśleć za Ciebie.

Dlaczego regulacje były nieuniknione?

Sztuczna inteligencja wywróciła branżę marketingu i social mediów do góry nogami. Narzędzia, które jeszcze niedawno traktowaliśmy jako nowinkę technologiczną, w błyskawicznym tempie stały się fundamentem codziennej pracy marek. AI drastycznie skróciło czas produkcji treści.

Ta zmiana wzięła się jednak z faktu, że algorytmy zaczęły radzić sobie nieprawdopodobnie dobrze. Generatywna AI stała się na tyle sprawna i hiperrealistyczna, że w wielu organizacjach zaczęto powierzać jej całe procesy przy coraz mniejszym, a czasem wręcz zerowym, nadzorze człowieka.

Granica między autentycznym przekazem a cyfrową kreacją zatarła się szybciej, niż branża zdążyła wypracować własne standardy etyczne.

Właśnie ten brak kontroli i rosnące ryzyko dezinformacji wymusiły reakcję ze strony regulatorów. Wprowadzenie jasnych zasad nie jest więc zamachem na wydajność marek, ale koniecznym ruchem, który ma uporządkować cyfrowy ekosystem i wyznaczyć granice bezpiecznego korzystania z technologii.

Nowe wytyczne UE i stan niepewności w działach marketingu

Wejście w życie zaktualizowanych regulacji Unii Europejskiej, w tym wymogów Aktu o sztucznej inteligencji „AI Act” oraz kodeksów dobrych praktyk „Code of Practice”, wywołało w branży spore zamieszanie. Nowe przepisy stawiają sprawę jasno: era całkowitej anarchii w tworzeniu syntetycznych treści dobiegła końca, a na marki nałożono jasny obowiązek transparentności i oznaczania materiałów tworzonych przy użyciu AI.

Dla wielu dyrektorów marketingu, agencji i właścicieli firm był to moment wyraźnej konsternacji. W branży pojawiły się pytania pełne obaw: „Czy jeśli zaczniemy dodawać etykiety o użyciu AI, klienci nie uznają, że puszczamy do nich oko i ich oszukujemy?”, „Czy oznaczenie grafiki drastycznie nie obniży wskaźników zaangażowania i zaufania do marki?” itp. 

Nagle pojawia się myśl zachowawczego „kroku w tył”, czyli całkowitego wycofania się z nowoczesnych narzędzi i powrotu do tradycyjnych, znacznie wolniejszych procesów twórczych z obawy przed wizerunkową wpadką lub konsekwencjami prawnymi.

Ta niepewność wynika jednak w głównej mierze z braku zrozumienia, o co tak naprawdę chodzi regulatorom. Lęk przed nowymi przepisami jest często spowodowany niedoinformowaniem, a ucieczka od technologii to najgorsza decyzja strategiczna, jaką marka może dzisiaj podjąć.

Kiedy publikacja naprawdę wymaga oznaczenia?

Przejście od teorii do praktyki wymaga zrozumienia jednego: unijne regulacje nie mają na celu blokowania innowacji, lecz wyeliminowanie treści, które całkowicie imitują rzeczywistość i celowo wprowadzają odbiorcę w błąd.

Najczęstszym błędem jest założenie, że każda funkcja oparta na algorytmach wymaga systemowego ostrzeżenia.

Grafiki i materiały wideo

Brak obowiązku oznaczania: standardowa postprodukcja. Wycinanie tła ze zdjęcia produktu, kadrowanie, automatyczna korekcja światła, wyostrzanie czy usuwanie drobnych skaz to tradycyjna edycja. AI jedynie przyspiesza procesy, które branża stosuje od lat.

Obowiązek oznaczania: obrazy i materiały wideo wygenerowane (nie tylko od zera, ale również pojedyncze elementy), które konsument mógłby pomylić z autentycznym dokumentem lub fotografią.

Dobrym przykładem tutaj będzie, jeśli sieć burgerowni podmienia na zdjęciu prawdziwy produkt na wygenerowany albo marka odzieżowa nakłada projekt koszulki na sztucznie wygenerowanego modela – udaje to rzeczywistość. Tego typu wizualizacje bezapelacyjnie wymagają oznaczenia jako materiał AI, ponieważ tworzą obietnicę produktu lub kadru, który w realiach nie powstał.

Teksty i copywriting

Brak obowiązku oznaczania: wsparcie w kreacji. Używanie AI do burzy mózgów, researchu, układania struktury czy przygotowania pierwszego szkicu, jeśli ostateczny tekst jest weryfikowany, redagowany i autoryzowany przez człowieka. Odpowiedzialność autorską ponosi specjalista, aby publikacja nie zawierała fałszywych informacji. 

Obowiązek oznaczania: pełna automatyzacja syntetyczna. Masowo publikowane teksty, artykuły czy odpowiedzi generowane w 100% przez boty bez jakiegokolwiek nadzoru, redakcji i weryfikacji ze strony człowieka.

Dlaczego oznaczanie AI nie wpłynie negatywnie na zaufanie do marki?

Obawy, że profile firmowe zostaną zalane etykietami ostrzegawczymi, a klienci zaczną dzielić marki na „złe, bo używające technologii” i „dobre, bo tradycyjne”, są absolutnie bezpodstawne. W codziennej komunikacji większość firm wykorzystuje AI do usprawniania pracy, retuszu czy szukania inspiracji, a te działania, jak wiemy, nie wymagają żadnych adnotacji. Oznaczenia pojawią się wyłącznie przy materiałach typowo syntetycznych i konceptualnych.

Zastanówmy się jednak: czy oznaczenie kreatywnej koncepcji naprawdę mogłoby zaszkodzić marce?

Wyobraźmy sobie kampanię, w której marka wykorzystuje motyw humorystyczny lub abstrakcyjny, generując różne elementy czy przenosząc swój produkt w wygenerowaną przestrzeń. Odbiorca od razu rozumie, że ma do czynienia z kreacją koncepcyjną i grą z konwencją. Etykieta informująca o użyciu AI w takim projekcie w żaden sposób nie osłabia przekazu. Przeciwnie – dopełnia go, jasno komunikując, że jest to kreacja marketingowa, a nie próba wprowadzenia w błąd.

Dzisiejszy konsument jest cyfrowo dojrzały i posiada wysoki poziom świadomości mediów. Nie oczekuje od marek rezygnacji z nowoczesnych narzędzi, lecz ceni te organizacje, które operują nimi w sposób jawny i odpowiedzialny. Transparentność buduje wizerunek marki innowacyjnej, etycznej i szanującej swojego odbiorcę. Nowe regulacje stanowią zatem nie przeszkodę, lecz porządkujący element cyfrowego ekosystemu.

Podstawy bez zmian, ale podejście jest inne

W pozycjonowaniu pod AI nie przestają mieć znaczenia ani dobra treść, ani autorytet domeny, ani techniczna dostępność serwisu. Zmienia się jednak sposób, w jaki informacje są odnajdywane, interpretowane i przedstawiane.

Klasyczna wyszukiwarka porządkuje dokumenty odpowiadające zapytaniu. Model językowy rozpoznaje intencję, encje i relacje między nimi, a następnie buduje odpowiedź na podstawie wiedzy zapisanej w modelu lub danych pobranych z sieci.

Nie ma przy tym jednej, stabilnej listy wyników. Odpowiedź może zależeć od narzędzia, sposobu zadania pytania, kontekstu rozmowy czy lokalizacji użytkownika. Dlatego pierwszym etapem jest wybór zestawu promptów. Co kluczowe, prompt nie jest odpowiednikiem słowa kluczowego – to samo pytanie można zadać na kilka sposobów, a model nadal rozpozna podobną intencję. Nie ma więc większego sensu monitorowanie kilkunastu niemal identycznych wariantów.

Lepiej skupić się na pytaniach dotyczących:

Dobrze zaprojektowany monitoring nie zaczyna się więc od pytania: „Na jakie frazy chcemy być widoczni?”, lecz: „W jakich sytuacjach użytkownik powinien usłyszeć o naszej marce?”.

Zanim jednak rozpoczniecie optymalizację trzeba ustalić, co właściwie oznacza widoczność marki w AI. W monitoringu warto sprawdzać:

• jak często marka pojawia się w odpowiedziach,
• czy strona jest cytowana,
• jaki ma udział głosu na tle konkurencji,
• w jakim kontekście jest wymieniana,
• czy trafia do rekomendacji i porównań.

Wyświetlanie w odpowiedzi AI nie musi zakończyć się kliknięciem, żeby miało wartość. Użytkownik może zapamiętać nazwę marki, wrócić do niej później przez Google albo wpisać adres bezpośrednio. W GA4 zobaczymy wtedy ruch organiczny lub direct, ale zgubimy wcześniejszy kontakt z odpowiedzią modelu.

Dlatego błędem byłoby rozliczanie widoczności w AI wyłącznie z sesji i konwersji przypisanych do LLM-ów. Wyświetlenia i prawidłowa ekspozycja stają się osobnym miernikiem obecności marki, podobnie jak wcześniej widoczność w wynikach wyszukiwania. Warto zestawiać je z ruchem, wyszukiwaniami brandowymi, leadami i sprzedażą, ale bez udawania, że dzisiejsze narzędzia potrafią już dokładnie odtworzyć całą tę ścieżkę. Niedoskonały pomiar to wciąż lepszy punkt startu niż brak pomiaru.

Trzy rzeczy, które rzeczywiście zwiększają widoczność w AI

Gdy już wiadomo, co mierzyć i o co pytać, zostaje najprostsze pytanie z wszystkich: co realnie robić? Poniższe trzy aspekty mają wspólny mianownik – zostały przetestowane na dużej próbce. 

Zacznij od odpowiadania wprost na konkretne pytania

Modele częściej wykorzystują treści, z których łatwo wydobyć jednoznaczną odpowiedź, definicję, porównanie, procedurę albo wartość liczbową. Znaczenie ma również miejsce, w którym ta odpowiedź się pojawia.

Kevin Indig przeanalizował ponad 1,2 miliona odpowiedzi AI. Spośród osiemnastu tysięcy zweryfikowanych cytowań 44% wskazań ChatGPT pochodziło z pierwszych 30% tekstu. Po rozszerzeniu badania na siedem branż i 42 460 dopasowanych cytowań trend się utrzymał, choć jego siła różniła się między sektorami. Jeden wzorzec pozostawał wyraźny: modele częściej sięgały po początkowe partie tekstu, a rzadziej po jego końcówkę.

Nie oznacza to pisania infantylnych treści dla robotów. Nadal piszemy przede wszystkim dla człowieka. Najważniejsza informacja nie powinna jednak czekać do piątego akapitu. Teza powinna pojawić się na początku sekcji, a pojedynczy fragment musi być zrozumiały bez czytania całego artykułu od początku.

Wzmacniaj odpowiedzi faktami i źródłami

Ogólniki brzmią pewnie, ale dają modelowi niewiele materiału do wykorzystania. Większą szansę na zacytowanie mają treści zawierające własne dane, liczby, wypowiedzi ekspertów, jasne definicje i odwołania do wiarygodnych źródeł.

W jednym z pierwszych szeroko cytowanych eksperymentów GEO [Aggarwal i in., Princeton, Georgia Tech, IIT Delhi, Allen Institute for AI] badacze przetestowali różne sposoby modyfikowania treści na benchmarku obejmującym 10 tysięcy zapytań. Dodawanie statystyk, cytatów i źródeł zwiększało widoczność nawet o kilkadziesiąt procent, podczas gdy upychanie słów kluczowych pogarszało wynik. 

Nie jest to gwarancja, że dopisanie jednej liczby wyniesie stronę do odpowiedzi ChatGPT. Pokazuje jednak kierunek: model potrzebuje przesłanek, a nie kolejnego akapitu o „kompleksowym podejściu”.

Po trzecie (i chyba najważniejsze) buduj spójną obecności marki poza własną domeną

To, co firma pisze sama o sobie, jest tylko jednym z dostępnych sygnałów. Znacznie silniejszym potwierdzeniem są publikacje branżowe, badania, wypowiedzi ekspertów, rankingi, recenzje i inne niezależne wzmianki.

W analizie 75 tysięcy marek korelacja między takimi wzmiankami a widocznością w AI Overviews wyniosła 0,664 [Ahrefs]. Dla linków zwrotnych było to 0,218. Nie oznacza to, że backlinki straciły znaczenie, ale pokazuje, że pozycjonowania w AI nie da się zamknąć w CMS-ie.

Sprawdź więc, co LLM-y wiedzą na temat twojej marki, jak ją opisują i z jakich źródeł czerpią informacje. Czy widzą eksperta, producenta, pośrednika, tanią alternatywę, lidera rynku, a może nie widzą firmy wcale? To punkt wyjścia do dalszej pracy z contentem, digital PR-em i reputacją.

Na koniec bonusowy protip: dwie rzeczy, na które nie warto dziś tracić dużo czasu

• Produkowanie setek tekstów „pod LLM”. Masowa liczba podobnych odpowiedzi nie zastępuje unikalnej wiedzy i może jedynie zwiększyć serwis bez zwiększenia jego użyteczności. Model ma zrozumieć treść, ale użytkownik ma chcieć ją przeczytać i uznać za pomocną.
• Ślepe optymalizowanie jednego promptu. Wyniki różnią się między platformami, uruchomieniami i wariantami tego samego pytania. Jednorazowa odpowiedź modelu nie jest odpowiednikiem stabilnej pozycji w Google.

Nie chodzi więc o to, by pisać dla modelu. Chodzi o to, by tworzyć treści dobre dla człowieka i wystarczająco jednoznaczne, by model potrafił je odnaleźć, zrozumieć i potwierdzić.