Indeks Widoczności AI
Metodologia:
jak mierzymy, kogo poleca AI.
Publikujemy pełne zasady pomiaru, łącznie z ograniczeniami. Jeśli jakiś wynik indeksu budzi wątpliwości, ta strona pozwala sprawdzić, skąd się wziął.
Fundament
Dlaczego każde pytanie zadajemy wielokrotnie.
Pojedyncza odpowiedź AI jest w dużej mierze losowa. W naszym pomiarze to samo pytanie zadane pięć razy potrafiło dać pięć różnych list firm. Niezależne badanie SparkToro ze stycznia 2026 (2961 odpowiedzi) pokazało to samo: szansa, że dwie odpowiedzi na ten sam prompt wskażą ten sam zestaw marek, jest mniejsza niż 1 na 100.
Dlatego jedyną miarą indeksu jest odsetek: w ilu odpowiedziach z całej serii pojawiła się dana firma. W wydaniu 1 oznacza to 30 pytań i 5 powtórzeń na silnikach czatowych - każdy odsetek opiera się na setkach odpowiedzi i jest stabilny, co potwierdzają również analizy powtarzalności prowadzone na dużych próbach (Conductor, 2026). „Pozycji w AI" nie publikujemy nigdy: kolejność w pojedynczej odpowiedzi zmienia się jeszcze częściej niż jej skład.
Krok po kroku
Jak przebiega pomiar.
Pytamy jak klient.
Pełne zdania, prosty język, prośba o konkretne polecenia. Pięć największych miast plus pytania ogólnopolskie. Brzmienie pytań archiwizujemy i nie zmieniamy między pomiarami tej samej branży, żeby wyniki były porównywalne w czasie.
Powtarzamy serię.
Silnikom czatowym każde pytanie zadajemy wielokrotnie, bo pojedyncza odpowiedź AI bywa losowa. Google AI Overviews odpowiada niemal identycznie na to samo pytanie, więc mierzymy je jednym przebiegiem. Dokładną liczbę powtórzeń na silnik podajemy przy każdym wydaniu i w historii zmian.
Wypisujemy firmy.
Z każdej odpowiedzi notujemy wszystkie wymienione firmy w kolejności pojawienia się oraz źródła, na które silnik się powołał.
Scalamy warianty nazw.
Zapisy typu Klinika X, X oraz X Dental Clinic traktujemy jako jedną firmę. Scalanie jest heurystyczne; błędy poprawiamy po zgłoszeniu, z adnotacją w historii zmian.
Publikujemy odsetki.
Procent odpowiedzi z firmą, liczba pierwszych wskazań i mapa źródeł. Procenty tylko dla firm z co najmniej trzema wzmiankami. Przy każdej tabeli podajemy liczbę odpowiedzi i datę pomiaru.
Zakres
Silniki w pomiarze.
| Silnik | Jak mierzymy | Rola w wydaniu 1 |
|---|---|---|
| ChatGPT | oficjalne API OpenAI, model z włączonym wyszukiwaniem internetowym | 150 odpowiedzi w rankingu |
| Perplexity | oficjalne API, model sonar | 150 odpowiedzi w rankingu |
| Google AI Overviews | odpowiedzi AI w polskich wynikach Google | 25 odpowiedzi (w 5 z 30 zapytań AIO się nie pojawiło) |
| Gemini | API z wyszukiwaniem Google | próbka poglądowa w wydaniu 1; pełny pomiar od wydania 2 |
Uczciwe zastrzeżenie: mierzymy przez oficjalne API, bo tylko one pozwalają na powtarzalny, audytowalny pomiar z pełnym zapisem każdej odpowiedzi. Odpowiedzi w aplikacjach konsumenckich mogą się nieznacznie różnić od odpowiedzi API.
Granice
Czego ten pomiar nie mówi i co go pilnuje.
Ten pomiar nie mówi.
nic o jakości usług ani leczenia
że firma zasługuje na wybór albo że należy jej unikać
jak AI odpowie jutro - wyniki mają datę i falują
To, że AI wymienia firmę częściej, znaczy tyle, że częściej występuje ona w źródłach, z których AI korzysta.
Zasady niezależności.
miejsca w indeksie nie można kupić, zgłosić ani wynegocjować
w tabelach nie ma linków do wymienianych firm
zero współpracy komercyjnej z podmiotami objętymi pomiarem
poprawki danych po zgłoszeniu, z adnotacją w historii zmian
Reprezentujesz firmę z zestawienia i widzisz błąd w danych? Napisz przez stronę kontaktu.
Przejrzystość
Historia zmian metodologii.
Wersja 1.0 · 8 lipca 2026 · pierwsza publikacja
Parametry wydania 1: ChatGPT, Perplexity i Google AI Overviews w rankingu; Gemini jako próbka poglądowa; 30 pytań; 5 powtórzeń na silnikach czatowych, AI Overviews jeden przebieg; próg stabilności 3 wzmianki. Każdą zmianę zasad i parametrów opisujemy w tym miejscu przed publikacją kolejnego wydania.
Źródła zewnętrzne przywołane na tej stronie: badanie zmienności rekomendacji AI (SparkToro, 28.01.2026) oraz analiza powtarzalności odpowiedzi przy dużych próbach (Conductor, 2026). Własne dane pomiarowe archiwizujemy w całości, łącznie z surowymi odpowiedziami silników.