Organicznej odpowiedzi nie da się kupić
OpenAI zaczęło testować reklamy w ChatGPT 9 lutego 2026 roku, a według aktualizacji z 11 sierpnia pilotaż objął Wielką Brytanię, Meksyk, Brazylię, Japonię i Koreę Południową. Reklamy są oznaczone jako sponsorowane, oddzielone od organicznej odpowiedzi i, słowami OpenAI, nie wpływają na odpowiedzi, które dostajesz.
Rekomendacja nie jest więc na sprzedaż. Zostaje pytanie, które zadaje sobie już każdy pretendent: jeśli model słyszał o twoim konkurencie, a o tobie nie, czy jest jakiś sposób, by się przebić?
Przy identycznych parametrach rozpoznawalna marka była wybierana we wszystkich 670 próbach
Xi Chu z Trine University i YuPeng Hou z Texas A&M zmierzyli to w artykule złożonym w czerwcu 2026 roku i poprawionym w sierpniu. Zbudowali zestawy dziesięciu produktów do pielęgnacji skóry: jedną prawdziwą markę, CeraVe, Paula's Choice lub EltaMD, i dziewięć fikcyjnych nazw sprawdzonych pod kątem tego, że modele nigdy o nich nie słyszały.
W pierwszym warunku każdy produkt miał tę samą ocenę, cenę, liczbę opinii i opis składników. Różniła się tylko nazwa, więc uczciwy model wybierałby każdy mniej więcej w 10% przypadków. W 670 ważnych próbach prawdziwa marka wygrała każdą, we wszystkich trzech modelach i wszystkich czterech podkategoriach. Ani jedna fikcyjna marka nie została wybrana.
To najbardziej ponury możliwy odczyt dla pretendenta i najmniej przydatny, bo opisuje warunek, który prawdopodobnie przypadkiem odtwarzasz.
Przewaga 0,075 gwiazdki odwraca wynik, a marka wyjaśnia wtedy 1,2% rankingu
Daj nieznanemu produktowi lepsze parametry, a prawdziwemu gorsze, a w 2769 próbach modele pozostawały lojalne w od 1,7% do 4,6% przypadków. Zmniejsz przewagę, a przejście okazuje się skokiem, a nie łagodnym zboczem. Przy identycznych parametrach nieznana marka wygrywała w od 3,6% do 6,0%. Przy najmniejszej testowanej przewadze wygrywała w od 64% do 80%, a dokładanie kolejnych przewag niewiele dawało. Po interpolacji do rzutu monetą, w 9220 próbach, próg jest na tyle mały, że da się go zapisać.
- Przewaga w ocenie o 0,075 gwiazdki, mniej niż różnica między 4,3 a 4,4 gwiazdki
- 1,6 razy większa liczba opinii
- Cena niższa o 7,3%
Rozpoznawalność to to, na co model się zdaje, gdy nic nie mówisz
Dekompozycja wariancji na 14 395 próbach rozstrzyga, co decydowało o rankingu. Parametry produktu wyjaśniały 82,4%, pozycja na liście 6,5%, tożsamość marki 1,2%. Marka nie miała mierzalnego wpływu, gdy jakość była wyraźnie wysoka lub wyraźnie niska. Jej wpływ był największy pośrodku, gdzie informacje były niejednoznaczne. Pytaj o to dla każdego silnika osobno, a nie zbiorczo: przy najmniejszej przewadze w ocenie Claude zmieniał wybór w 11% przypadków, wobec 94% dla GPT-4o-mini i 88% dla Gemini.
Najsilniejszą znalezioną dźwignią było twierdzenie kliniczne, które nie istniało
Przy identycznych wszystkich parametrach i zmianie tylko tekstu, język autorytetu przełamywał przewagę lidera w 73,3% przypadków, a społeczny dowód słuszności w 50,7%, wobec punktu wyjścia w okolicach 4%. Zakotwiczenie, niedobór i niechęć do straty prawie się nie zaznaczyły, od 9,6% do 12,9%. Modele ignorowały presję czasu i traktowały zdanie wyglądające jak cytowanie jako dowód wart mniej więcej 0,17 punktu oceny albo 15,3% rabatu.
Oto część, którą pominie streszczenie. Te bodźce to wymyślone badania kliniczne i fałszywe rekomendacje dermatologów. Autorzy nazywają to potencjalną reklamą wprowadzającą w błąd i ograniczają własne rekomendacje do prawdziwych certyfikatów i opublikowanych badań. Zmierzona dźwignia to fabrykacja, a to wniosek o tym, jak modele sprawdzają dowody, a nie taktyka.
Gdy wszystkie marki optymalizują, odpowiedź wraca do lidera
Trzeci eksperyment powinien zmienić sposób budżetowania. Zwiększając liczbę pretendentów piszących tekst z językiem autorytetu od zera do wszystkich dziewięciu, w 4800 wywołaniach: gdy nikt nie optymalizował, lider przetrwał w 100% przypadków, przy jednym pretendencie w 19,8%, przy wszystkich dziewięciu w 93,8%. Sygnał przestał być sygnałem, gdy wszyscy go nieśli, a model wrócił do nazwy, którą znał.
Zysk na markę spadał z 0,802 dla pierwszego, który wykonał ruch, do 0,007 przy powszechnym stosowaniu, z czasem połowicznego zaniku mniej więcej 1,4 konkurenta. W 4745 próbach pretendenci, którzy nie optymalizowali, nie dostali żadnej rekomendacji. Autorzy nazywają to dylematem więźnia i mają rację. Taktyka, którą konkurent może skopiować w jedno popołudnie, daje zysk z czasem połowicznego zaniku mniej więcej jednego konkurenta. Prawdziwa różnica, którą potrafisz udowodnić, nie.
W rzeczywistości model musi najpierw znaleźć fakt
Każdy z powyższych warunków podaje modelowi czystą tabelę parametrów w prompcie. Prawdziwe silniki muszą ją zebrać i w tej luce leży praktyczna praca. W próbkowanej przez nas kategorii listicle stanowiły 44% tego, co ChatGPT cytował przy pytaniu o najlepsze produkty, serwisy z opiniami 24%, a strony dostawców 18%. To nasze liczby, dotyczące naszych prób, a nie ogólne prawo.
Liczy się kształt. Jeśli zestawienia odpowiadające na pytanie o twoją kategorię wymieniają cię bez oceny, bez liczby opinii i bez tego jednego parametru, w którym wygrywasz, to z punktu widzenia modelu jesteś w warunku identycznych parametrów. Nie przegrywasz porównania. W ogóle w nim nie jesteś.
- Znajdź jeden wymiar, w którym naprawdę wygrywasz z liderem kategorii, i sprawdź, czy pojawia się jako liczba na stronach osób trzecich cytowanych przez silniki, a nie tylko na twojej stronie.
- Wyciągnij odpowiedzi, w których rekomendację dostał konkurent, i przeczytaj, na czym według modelu polegała różnica.
Co z tym robimy
Proofsource próbkuje silniki wielokrotnie zamiast raz, ocenia każdą liczbę widoczności z przedziałem Wilsona, uzależnia alerty od tego przedziału, mapuje, które strony są cytowane obok ciebie, i sprawdza, czy crawlery w ogóle mogą czytać twoje strony.
Granica, powiedziana wprost: mierzymy, czy silniki cię wymieniają, co cytują, gdy to robią, oraz czy crawlery AI i ruch z poleceń AI docierają do twojej strony. Nie mierzymy, czy doszło do sprzedaży.
Gdzie możemy się mylić
Jedna kategoria, pielęgnacja skóry, wybrana dlatego, że kupujący nie mogą ocenić jakości przed zakupem. Replikacja dla dóbr, które da się ocenić przed zakupem, obejmuje tylko pierwszy eksperyment, a autorzy mówią, że nie testowali poza nią wyników dotyczących języka ani wielu marek. Trzy zamknięte modele, jedna persona kupującego, temperatura 0,7, z bootstrapem klastrowym na 24 blokach, który główne efekty wytrzymują.
Dziewięć z dziesięciu produktów w każdym zestawie było fikcyjnych. To czysto izoluje rozpoznawalność marki i usuwa wszystko, co ma prawdziwy konkurent: opinie w sieci, obecność w źródłach zewnętrznych, strony, które model może pobrać. 100% to nie jest prawdziwy rynek.
Większość tego testuje, co modele wiedzą, a nie co pobierają, a silniki, z których korzystają kupujący, to systemy pobierające. Własna próba pobierania w artykule jest minimalna, jeden model embeddingów i bez ponownego szeregowania, a autorzy odmawiają uogólniania na jej podstawie. Wskazuje ona w drugą stronę: warstwa pobierania nie dała prawdziwej marce żadnej premii za rozpoznawalność, a jej wskaźnik rekomendacji spadł do 0%.
Nasze 44% to jeden pomiar na naszej próbie, opublikowany jako nasz, a nie jako właściwość sieci.
