Technical readiness
HTTPS, indeksowalność, metadata, canonicale, robots, sitemap, struktura dokumentu i podstawowa dostępność publicznego serwisu.
Metodologia · ostatni przegląd 2026-08-31
Jak interpretujemy widoczność, rekomendowalność i Polecany Score.
Metodologia ma ograniczać pozorną precyzję. Rozdzielamy publiczną gotowość strony od faktycznej obecności marki w odpowiedziach AI i pokazujemy, które wnioski są obserwacją, a które wymagają dalszej walidacji.
Polecany Score nie jest rankingiem ChatGPT.
Pierwszy Scan analizuje publiczne sygnały serwisu i lekką próbkę podstron. Wynik służy do identyfikacji braków i priorytetów. Nie jest dowodem, że konkretny model rekomenduje firmę, nie mierzy stałej pozycji i nie gwarantuje ruchu ani sprzedaży.
Warstwy pomiaru
Content coverage
Zakres oferty, odpowiedzi na pytania, porównania, kryteria wyboru, use cases i materiały wspierające decyzję użytkownika.
Entity clarity
Spójność nazwy, organizacji, oferty i danych, które pomagają jednoznacznie rozpoznać markę i przypisać jej właściwy kontekst.
Authority & proof
Case studies, dane, autorstwo, referencje, niezależne wzmianki i inne sygnały, które mogą potwierdzać specjalizację marki.
Recommendation monitoring
Oddzielna warstwa obejmująca rzeczywiste odpowiedzi modeli, prompt sets, mentions, citations, konkurentów i Share of Recommendation.
Zasady interpretacji
Oddzielamy gotowość od realnej rekomendacji
Polecany Score opisuje publiczne sygnały techniczne, treściowe, entity i authority. Nie jest deklaracją, że konkretny model AI faktycznie poleca firmę w danym momencie.
Pokazujemy zakres danych
Pierwszy Scan analizuje publicznie dostępne strony i lekką próbkę serwisu. Monitoring odpowiedzi modeli, citations i Share of Recommendation stanowi odrębną warstwę produktu.
Nie obiecujemy deterministycznych wyników
Odpowiedzi modeli generatywnych mogą różnić się między promptami, sesjami, modelami i momentami pomiaru. Dlatego wyniki należy interpretować jako obserwacje i trendy.
Treści aktualizujemy merytorycznie
Zmiana daty nie zastępuje aktualizacji faktów, źródeł, metodologii i zaleceń. Materiały mają wskazaną datę przeglądu i są rozwijane wraz ze zmianami rynku.
Jak mierzyć rzeczywiste rekomendacje AI?
Potrzebny jest zdefiniowany prompt set, segmentacja intencji, zapis modelu i czasu badania oraz klasyfikacja odpowiedzi. Wzmianka, citation i supplier recommendation powinny być raportowane osobno.
Ze względu na zmienność systemów generatywnych bardziej wartościwy jest trend na powtarzalnym protokole niż pojedynczy screenshot lub jedna odpowiedź.