Ponad 800 milionów użytkowników miesięcznie korzysta dziś z wyszukiwania opartego na AI. ChatGPT, Gemini, Perplexity i Google AI Overviews nie wyświetlają listy 10 niebieskich linków — generują jedną syntezę, rekomendują jedną firmę, cytują jedno źródło.

Dla polskich firm oznacza to fundamentalną zmianę reguł gry. Dotychczasowe inwestycje w SEO, content marketing i performance nie gwarantują widoczności w nowym kanale. AI-search to osobny ekosystem z własnymi regułami — i większość polskich firm nawet nie wie, że w nim nie istnieje.

Dlatego przeprowadziliśmy najszersze dotąd badanie widoczności polskiego biznesu w odpowiedziach generatywnych modeli AI. 400+ firm, 5 sektorów, 14 crawlerów, 6 kategorii analizy. Wyniki pokazują skalę problemu — i okno szansy dla tych, którzy zareagują pierwsi.

AIVS™ (AI Visibility Score) to autorski wskaźnik aixellence mierzący widoczność firm w odpowiedziach generatywnych modeli AI. Skala 0–100 agreguje wyniki z 6 ważonych kategorii, obliczana przez 14 crawlerów na bazie ponad 400+ polskich firm.

Każda firma jest oceniana w następujących kategoriach:

• AI Crawlability — czy boty AI mogą crawlować i indeksować stronę
• Structured Data & Schema — jakość danych strukturalnych (JSON-LD, schema.org)
• Content Readability — czytelność treści dla modeli językowych (SSR, semantyczny HTML)
• Entity & Brand Signals — siła sygnałów encji i marki w ekosystemie AI
• LLM-specific Files — obecność llms.txt, llms-full.txt i dedykowanych zasobów
• Reputation & Trust Signals — sentyment opinii, E-E-A-T, cytowania zewnętrzne

Średni wynik AIVS™ dla 400+ przebadanych polskich firm wynosi 40,6 na 100. To poziom „Closed Fortress” — firmy są częściowo widoczne, ale bariery techniczne i treściowe blokują ich potencjał w odpowiedziach AI.

Rozkład wyników:

• 66% firm uzyskało wynik poniżej 50 punktów
• 34% firm w przedziale 50–79 punktów
• 0% firm powyżej 80 punktów (poziom AI-Native)

Trzy najbardziej alarmujące odkrycia:

• 95% firm nie posiada pliku llms.txt — dedykowanego zasobu informacyjnego dla crawlerów AI
• 100% firm nie prowadzi świadomej strategii GEO — nawet te z najwyższymi wynikami osiągają je „przypadkiem” dzięki dobrej architekturze technicznej
• WAF-e i firewalle blokują crawlery AI — wiele firm aktywnie uniemożliwia botom AI dostęp do treści

Wyniki AIVS™ różnią się istotnie między sektorami. Najwyższą średnią osiąga bankowość (47,1), najniższą — ubezpieczenia (36,5). Rozstęp między najlepszą a najsłabszą firmą w każdym sektorze sięga 30–50 punktów, co pokazuje, że różnice wynikają z indywidualnych decyzji technicznych i treściowych, a nie z charakterystyki branży.

Warto zauważyć, że wszystkie sektory mieszczą się w przedziale „Closed Fortress” (35–59). Różnice wewnątrz sektorów są większe niż różnice między sektorami — co oznacza, że indywidualna firma może znacząco poprawić swoją pozycję niezależnie od branży.

Sektor telekomunikacyjny — czterech głównych graczy obsługujących dziesiątki milionów klientów — osiąga średnią zaledwie 39,5 punktów. To paradoks: firmy wydające setki milionów na marketing są słabo widoczne w kanale, który przejmuje coraz większy udział w decyzjach zakupowych.

Kluczowe odkrycie: Gdy użytkownik pyta ChatGPT o najlepszy abonament w Polsce, model nie cytuje żadnego operatora bezpośrednio. Zamiast tego odsyła do porównywarek, Reddita i blogów technologicznych. Operatorzy — mimo miliardowych budżetów reklamowych — oddają narrację o swojej ofercie pośrednikom.

T-Mobile i Orange prowadzą dzięki lepszej architekturze technicznej (SSR, schema.org), ale żaden z nich nie prowadzi świadomej strategii GEO. Ich przewaga jest „przypadkowa” — i łatwa do nadrobienia przez konkurencję, która zacznie działać celowo.

E-commerce to sektor, w którym widoczność w AI ma bezpośrednie przełożenie na sprzedaż. Gdy użytkownik pyta AI „Gdzie kupić laptopa do 3000 zł?”, cytowana platforma dostaje klienta — reszta nie istnieje.

Paradoks Allegro: Największa polska platforma e-commerce osiąga 62 punkty — najwyżej w sektorze, ale wciąż poniżej progu AI-Native. Allegro korzysta z ogromnej bazy treści i silnych sygnałów encji, ale nie optymalizuje celowo pod odpowiedzi AI.

Problem CSR (Client-Side Rendering): Media Expert z wynikiem 29 punktów to przykład firmy, której strona jest zbudowana z myślą o użytkowniku, ale renderuje treści po stronie klienta. Boty AI widzą pusty szablon — nie ofertę. To klasyczny „Invisible Giant”: duża marka, niewidoczna dla AI.

Bankowość osiąga najwyższą średnią spośród badanych sektorów (47,1), co wynika z wyższych standardów technicznych i regulacyjnych. Mimo to — żaden bank nie zbliża się do poziomu AI-Native.

Problem YMYL: Bankowość to kategoria „Your Money or Your Life” — modele AI są szczególnie ostrożne w rekomendacjach finansowych. To podnosi próg wejścia: aby być cytowanym, bank musi mieć nie tylko dobrą architekturę techniczną, ale też silne sygnały autorytetu (E-E-A-T), aktualne dane strukturalne i pozytywny sentyment w źródłach zewnętrznych.

PKO BP — największy bank w Polsce — osiąga zaledwie 49 punktów. Santander prowadzi dzięki lepszej warstwie technicznej, ale różnica jest niewielka i wynika z pojedynczych decyzji architektonicznych, nie ze strategii GEO.

Sektor ubezpieczeń osiąga najniższą średnią ze wszystkich badanych branż. To szczególnie niepokojące, biorąc pod uwagę, że pytania o ubezpieczenia należą do najczęstszych zapytań komercyjnych kierowanych do asystentów AI.

Przypadek Uniqa: Uniqa blokuje wszystkie crawlery AI w robots.txt. To świadoma decyzja, która skutecznie eliminuje firmę z odpowiedzi generatywnych modeli. W erze, w której coraz więcej klientów szuka ubezpieczeń przez asystentów AI, blokowanie botów to odpowiednik zamknięcia sklepu w godzinach szczytu.

PZU — lider polskiego rynku ubezpieczeniowego — osiąga zaledwie 38 punktów. Allianz prowadzi dzięki międzynarodowej infrastrukturze technicznej i lepszym sygnałom encji w ekosystemie globalnym.

Sektor mediów to specyficzny przypadek — treść jest ich core business, a jednocześnie to właśnie treść jest „pożyczana” przez modele AI do generowania odpowiedzi. Dylemat copyright vs. widoczność w AI jest tu najostrzejszy.

Dylemat copyright vs. AI: Media stoją przed fundamentalnym wyborem. Blokowanie crawlerów AI chroni treści przed „pożyczaniem”, ale jednocześnie eliminuje markę z odpowiedzi generatywnych. Onet i Benchmark osiągają najwyższe wyniki w sektorze, bo ich architektura techniczna sprzyja indeksowaniu — ale to nie znaczy, że świadomie optymalizują pod AI.

90minut z wynikiem 12 punktów to najniższy wynik w całym badaniu sektora mediów. Strona jest praktycznie nieczytelna dla crawlerów AI ze względu na intensywny Client-Side Rendering i brak podstawowych danych strukturalnych.

Poniżej zestawienie 10 firm z najwyższym i 10 firm z najniższym wynikiem AIVS™ spośród wszystkich 400+ przebadanych podmiotów w 5 sektorach.

Top 10 — najwyższe wyniki AIVS™

Bottom 10 — najniższe wyniki AIVS™

Rozstęp między najlepszym (T-Mobile, 64) a najsłabszym wynikiem (90minut, 12) wynosi 52 punkty. Co istotne — nawet lider rankingu jest daleko od poziomu AI-Native (80+). To pokazuje, że cały polski rynek jest w fazie pre-GEO.

1. Polski rynek jest w fazie pre-GEO. Żadna z 400+ przebadanych firm nie prowadzi świadomej strategii Generative Engine Optimization. Nawet najwyższe wyniki (60–64 pkt) są efektem dobrych decyzji architektonicznych, nie celowej optymalizacji pod AI. To oznacza, że okno szansy jest otwarte — firmy, które zaczną jako pierwsze, zbudują przewagę trudną do nadrobienia.

2. Bariery techniczne blokują widoczność bardziej niż brak treści. Większość firm ma dobre treści, ale bariery techniczne — Client-Side Rendering, brak SSR, blokowanie crawlerów AI przez WAF, brak llms.txt — uniemożliwiają modelom dotarcie do nich. Naprawa tych barier to najszybsza ścieżka do poprawy wyniku AIVS™.

3. Różnice wewnątrz sektorów są większe niż między sektorami. Średnie sektorowe różnią się o ok. 10 punktów (36,5–47,1), ale rozstęp wewnątrz każdego sektora sięga 30–50 punktów. To dowód, że indywidualne decyzje techniczne i treściowe mają większe znaczenie niż specyfika branży.

4. llms.txt to niskowiszący owoc — i nikt go nie zbiera. 95% firm nie posiada pliku llms.txt. To dedykowany zasób informacyjny dla crawlerów AI, analogiczny do robots.txt. Jego wdrożenie jest proste, tanie i daje natychmiastowy sygnał modelom, że firma jest „AI-aware”. A mimo to — prawie nikt tego nie robi.

5. Reputacja online staje się czynnikiem algorytmicznym. Modele AI korzystają z opinii na Trustpilot, Google Reviews i innych platformach jako sygnału zaufania. Negatywny sentyment nie tylko obniża wynik AIVS™, ale aktywnie blokuje rekomendacje. Zarządzanie reputacją przestaje być kosmetyką PR — staje się kluczowym czynnikiem widoczności w AI.

GEO jest dziś dokładnie tam, gdzie SEO było w 2010 roku. Niewielu graczy rozumie jego znaczenie, koszty wejścia są niskie, a potencjał budowania trwałej przewagi — ogromny. Ale okno się zamyka.

W ciągu najbliższych 12–24 miesięcy modele AI będą coraz precyzyjniejsze w swoich rekomendacjach. Firmy, które do tego czasu zbudują silne sygnały encji, wdrożą llms.txt, zoptymalizują architekturę pod crawlery AI i zadbają o reputację online — będą „zakodowane” w modelach jako domyślne odniesienia w swoich kategoriach.

Reszta będzie nadrabiać — wielokrotnie drożej i z mniejszymi szansami na sukces.