Jak wygląda raport AIScan

01 · Podsumowanie

Pierwsza sekcja merytoryczna raportu — wszystko, co decyzyjny czytelnik (CEO, dyrektor marketingu) potrzebuje wiedzieć w 30 sekund. Składa się z czterech elementów:

• Donut SVG „Organic SOV" — kluczowa metryka raportu. Procentowy udział marki klienta w odpowiedziach AI w trybie B z wykluczeniem kategorii „Marka wprost" i „Porównanie" (tam klient jest w pytaniu, więc gwarantowany w odpowiedzi — sztuczny szum). Kolor severity: zielony (>30%), bursztynowy (10–30%), czerwony (<10%).
• Subtitle Total SOV pod donutem — pokazuje pełny udział z wszystkimi kategoriami, jako referencja dla porównania (Total > Organic = miarą inflation z brand_direct).
• Card Brand recall — udział w kategorii „Marka wprost" (gdy AI dostaje nazwę firmy w pytaniu). Mierzy jak silnie AI zna markę przy bezpośrednim odpytaniu.
• Card luki — liczba kategorii zapytań z 0 wymienień klienta (priorytet wysoki).
• Organic SOV bar chart — top 5 marek w organicznym discovery, klient wyróżniony pomarańczowym.
• Podsumowanie analityczne — 4-zdaniowa narracja generowana przez Claude Opus 4.7 (flagship Anthropic) na podstawie liczb audytu. Faktograficzna proza B2B, zero rekomendacji.

W audycie BikeWorkshop sekcja pokazuje: donut 35,1% Organic SOV (bursztynowy, lider organicznego discovery), Total SOV 49,7%, Brand recall 100%, liczby konkurentów (Konkurent B 23,4% Organic, Konkurent A 20,4% Organic) i Opus prose:

„BikeWorkshop jest liderem organicznego discovery z 129 wymienieniami i 35,1% Organic SOV, wyprzedzając Konkurenta B (86 wymienień, 23,4%) o 11,7 punktu procentowego oraz Konkurenta A (75 wymienień, 20,4%) o 14,7 punktu. Pełen Total SOV (49,7%) jest sztucznie zawyżony przez kategorię „Marka wprost" gdzie marka pojawia się 100% — Organic SOV pokazuje realną pozycję w spontanicznym discovery klienta końcowego. Marka osiąga pełne Brand recall (100% w „Marka wprost") oraz pełne pokrycie w „Porównaniu" i „Deep research", natomiast w „Odkrywaniu" notuje 16/18. Asymetria między providerami uwidacznia się w kategorii „Problem", gdzie OpenAI GPT pokrywa 1/3 zapytań wobec 3/3 u Claude i Gemini."

02 · Pozycja Twojej marki vs najsilniejszy konkurent

Head-to-head między marką klienta a top konkurentem (drugą najczęściej wymienianą marką w trybie B). Pokazuje konkretny pojedynek: kategoria po kategorii — kto wygrywa, ile wynosi luka, ile unikalnych domen cytuje AI dla każdej z marek.

Kluczowy element wizualny to compare bars — równolegle 2 słupki na każdą kategorię intencji (audytowana marka pomarańczowa, konkurent teal). Widać w sekundzie, gdzie jest dominacja, gdzie luka.

Druga część sekcji to dywersyfikacja źródeł: ile unikalnych domen cytuje AI dla audytowanej marki vs konkurenta, top 5 domen po obu stronach. Pokazuje, czy marka żyje w ekosystemie AI z 1 domeny (własnej strony) czy z 5+ (recenzje, katalogi, media).

03 · Obserwacje i kierunki

Najważniejsza analitycznie sekcja raportu — zagregowane wzorce semantyczne, nie atomowe powtórki per provider. Maksymalnie 7 obserwacji, każda w formacie 6-polowym (wzorzec Gartner/Forrester):

1. Tytuł — krótki nagłówek, identyfikuje wzorzec.
2. Stan faktyczny — co konkretnie zmierzono, z liczbami.
3. Wzorzec w danych — kontekst, porównanie z konkurencją w tej samej kategorii.
4. Mechanizm działania AI — dlaczego AI tak odpowiada (definicja jak AI działa w danej kategorii).
5. Możliwe kierunki — neutralne wskazania obszarów do rozważenia (zawsze opcje, nigdy „rób to").
6. Weryfikacja — jak ponowny audyt za 90 dni pokaże zmianę.

Cztery wzorce automatycznie wykrywane:

• Universal blind spot — 0 wymienień klienta we wszystkich 3 modelach w danej kategorii (priorytet wysoki dla Odkrywanie / Problem / Deep research).
• Asymmetria binarna — ≥1 model widzi, ≥1 nie widzi (priorytet średni).
• Asymmetria skalowa — wszyscy widzą, ale jeden provider ≥2× rzadziej (priorytet średni dla high cats, niski dla medium).
• Konkurent przebijający w (Provider × Category × Tryb) — wartościowe nawet gdy klient jest globalnym liderem (np. lider 35,1% Organic SOV ale w niszowej Long tail u Claude konkurent X dominuje).

Forma informacyjna, nigdy doradcza: „Marka X niewidoczna w 0/9 promptach kategorii Problem we wszystkich 3 modelach AI" — bez „rekomendujemy", „powinieneś", „warto". Zgodnie z pozycją niezależnego audytora.

04 · Ślad decyzyjny AI

Najgłębsza warstwa pomiaru — pełny rozkład 8 najinformatywniejszych decyzji modelu AI (heurystyka pre-filtruje top 8 z 60–80 odpowiedzi trybu B per audyt, na podstawie sygnałów luki klienta).

Każdy ślad decyzyjny zawiera:

• Prompt klienta — oryginalne polskie zapytanie z kategorii i providera.
• Search queries wygenerowane przez model w tle do wyszukiwarki — pokazuje, jak AI „tłumaczy" prompt na zapytania.
• Top źródła cytowane — domeny + URL fragmentów, z których AI zbudował odpowiedź.
• Kolejność wymienienia marek — która marka pojawiła się jako #1, #2, #3 w odpowiedzi (pozycja często ważniejsza niż liczba wymienień).
• Klasyfikacja sygnałów uzasadnienia (Google Gemini 2.5 Flash-Lite post-processing, 11 typów): lokalizacja / specjalizacja / opinie / cennik / doświadczenie / produkty marki / godziny otwarcia / kontakt / rezerwacja online / gwarancja / inne.
• Brakujące dane — lista konkretnych faktów, których AI nie znalazł i które ograniczyły kompletność odpowiedzi.

To killer feature raportu. Widać konkretne ślady — np. trace #3: „Konkurent A wymieniony jako #1 z sygnałami: opinie, kontakt, rezerwacja_online, lokalizacja. Audytowana marka nieobecna w odpowiedzi. Brakujące dane: aktualny cennik, godziny otwarcia, numer telefonu". To jest empiryczna diagnoza w pojedynczej decyzji modelu, nie agregat.

05 · Mapa pokrycia (kategoria × model AI)

Wizualna mapa stanu widoczności klienta w 3 modelach AI × 6+ kategoriach intencji jednocześnie. Heatmap CSS-only z gradientem cool→warm (5 kubełków):

• 🔴 0% — alarm, brak widoczności
• 🟠 1–25% — luka znacząca
• 🟡 26–50% — luka umiarkowana
• 🟢 51–75% — pokrycie dobre
• 🟢 76–100% — pełne pokrycie

Widać w sekundzie cały obraz: które kategorie mają zielono u wszystkich providerów, które mają czerwone luki, gdzie asymmetria. W audycie BikeWorkshop heatmap pokazuje 8 kategorii × 3 providery = ~22 komórki (long_tail_chatgpt tylko OpenAI, long_tail_budget opcjonalna). Większość zielonych (lider rynku), ale jeden wyróżniający się czerwony — OpenAI GPT „Problem" 33% — natychmiastowy sygnał gdzie kierować uwagę.

06 · Analiza kategorii

Per kategoria intencji (Odkrywanie / Porównanie / Problem / Deep research / Marka wprost / Long tail / Long tail ChatGPT) — top 3 marki wymienione w odpowiedziach AI, z liczbami per provider i trybem B.

Pokazuje strukturę rynku w danej kategorii — kto jest dominantem w „Odkrywaniu" (zwykle inny niż w „Deep research"), kto wygrywa „Porównaniach", w której kategorii audytowana marka ma realny rozkład udziałów. Format tabularny — łatwy do skanowania, łatwy do cytowania w prezentacji.

Sekcja warunkowa — wyświetla tylko kategorie, w których jakiś provider miał ≥1 prompt (np. „Long tail ChatGPT" pokaże się tylko jeśli odpalono casual ChatGPT-style prompty).

07 · Dominanci rynku AI

Pełen ranking marek w trybie B (suma 3 providerów) — top 8 marek, ich liczby wymienień, procent SOV, czy audytowana marka jest na liście (highlight). Daje pełen obraz „gdzie jestem w rankingu rynku, kto stoi przede mną, kto za mną".

Liczby agregują wszystkie 3 modele AI — to jest zagregowana widoczność rynku, niezależnie od tego, którego modelu używa odbiorca końcowy. Ważna metryka strategiczna: nawet jeśli marka jest cytowana 3-4× rzadziej u OpenAI niż Claude, w globalnej widoczności liczy się suma.

08 · Ekosystem źródeł cytowanych przez AI

Top 12 domen, z których AI brał informacje przy odpowiadaniu na 184 zapytania audytu. Pokazuje krajobraz autorytetów w niszy audytowanej marki:

• Globalne platformy — Facebook, Instagram, Wikipedia, sites.google.com
• Lokalne katalogi i agregatory opinii — Trustpilot, Cylex, ZnaneFirmy, ZłotaFirma
• Branżowe media i autorytety — strony producentów, niezależnych serwisów, blogów eksperckich
• Domeny śledzonych marek — własna strona audytowanej marki + strony konkurentów

Druga tabela: domeny cytowane w odpowiedziach z każdą marką — top 5 domen per marka. Widać, czy autorytet konkurencji jest budowany na własnej stronie (.pl konkurenta), czy na ekosystemie zewnętrznym (Facebook, ZnaneFirmy, Wikipedia, agregatory).

09 · Co AI czyta na stronach konkurencji

Literalne fragmenty cited_text z Anthropic Claude (jedyny provider zwracający pełne 50–300-znakowe fragmenty stron). Pokazuje, którą część strony konkurenta AI uznał za autorytatywną odpowiedź na pytanie klienta.

To wartościowy research competitive — widać konkretny copy konkurencji, który „działa" w AI. Często to nieoczywiste fragmenty: opisy procesów, FAQ, sekcje cennikowe, opinie cytowane na stronie. Daje empiryczny benchmark, jakie treści są konsumowane przez AI.

Per marka pokazane są 2 najważniejsze fragmenty (z różnych URL-i, deduplikowane). Sekcja pokazuje konkretną treść, która buduje pozycję każdej marki.

10 · Jak modele AI tłumaczą polskie zapytania

Model AI w trybie B nie wysyła do wyszukiwarki literalnego promptu klienta — generuje własne search queries, „tłumaczące" intencję na frazy wyszukiwania. Sekcja pokazuje 6 reprezentatywnych próbek (po 2 per provider) z kategorii dyskrecjonarnych (Odkrywanie / Problem / Deep research).

Wartość biznesowa: sekcja pokazuje, jakie frazy AI faktycznie wyszukuje — często rozszerzone, dodające synonimy, lokalizację, atrybuty jakościowe. Te frazy to realne queries do których warto być widocznym w SEO — bo AI je wyszukuje przed sformułowaniem odpowiedzi.

Przykładowe queries wygenerowane przez OpenAI GPT z polskiego promptu „Gdzie zrobić serwis amortyzatorów rowerowych w Bielsku-Białej?":

• najpopularniejsze gabinety stomatologii estetycznej Wrocław opinie ranking
• Wrocław stomatologia estetyczna opinie ZnanyLekarz ranking
• Wrocław stomatologia estetyczna Google Maps najlepiej oceniane

11 · Per provider deep dive — Claude / OpenAI / Gemini osobno

Trzy osobne sekcje (Anthropic Claude, OpenAI GPT, Google Gemini) z identyczną strukturą:

• Pokrycie marki klienta — tryb A vs tryb B, per kategoria.
• Top 3 wymieniane marki per kategoria u tego konkretnego providera.
• Detale per kategoria — pełna analiza dla każdej z 6+ kategorii intencji u tego providera.

Po co osobne sekcje per provider? Bo każdy model AI używa innego źródła wiedzy:

• Claude trenowany na Common Crawl + RLHF Anthropic, web_search via Brave
• OpenAI GPT trenowany na własnym zestawie + Bing pod spodem dla web search
• Gemini trenowany na zasobach Google + native Google Search grounding

Marka niewidoczna u OpenAI Bing-search nie znaczy że jest niewidoczna u Claude Brave-search. Osobne sekcje pozwalają zaplanować strategie różne dla różnych ekosystemów AI.

12 · Metodologia i załączniki

Sekcja transparentności metodologii — pełna lista zadanych promptów (Załącznik A), pełna lista śledzonych marek (Załącznik B), opis trybów A i B, wersje konkretnych modeli użytych w audycie (np. claude-haiku-4-5 w trybie A, claude-sonnet-4-6 + web_search w trybie B), data wykonania audytu.

Disclaimer prawny: raport ma charakter informacyjno-analityczny. Pokazuje stan empiryczny widoczności marki w modelach AI w momencie wykonania audytu. Nie zawiera porad marketingowych, biznesowych ani prawnych. Decyzje pozostają po stronie odbiorcy raportu.

Każdy raport można dowolnie weryfikować — wszystkie odpowiedzi modeli AI są zachowane w surowym JSON (pakiet Standard i Enterprise) i można je odtworzyć w ChatGPT/Claude/Gemini niezależnie.