Raport widoczności marki Meblowo w silnikach AI

Domena: meblowo-demo.pl · Wynik GeoFolks: 41.5/100 · Zbadano 100 promptów w 5 silnikach AI.

Marka Meblowo jest obecna w 26% zbadanych odpowiedzi silników AI, w tym w 39% promptów zakupowych, podczas gdy konkurent IKEA pojawia się w 75% tych zapytań. Łączny wynik GeoFolks to 41.5/100 (przedział ufności 30.5–52.5) wobec benchmarku kategorii 55.0.

Top 5 problemów

• Rekomendacje marki: 12.5/100
• Widoczność usług: 16.8/100
• Obecność konkurencyjna: 25.6/100
• Widoczność w AI: 26.6/100
• Rynek globalny: 27.2/100

Top 5 szans

• Autorytet źródeł: 100/100
• Zaufanie AI: 99.2/100
• Dane strukturalne: 58.9/100
• Cytowalność treści: 44.4/100
• Widoczność produktów: 29.6/100

Najważniejsze rekomendacje

1. Skoncentruj działania na promptach kluczowych — Marka pojawia się tylko w 33% promptów oznaczonych jako kluczowe — to zapytania o najwyższej wartości biznesowej.
2. Stwórz treści porównawcze i rankingowe — W promptach porównawczych i rankingowych marka pojawia się tylko w 30% odpowiedzi.
3. Uzupełnij znaczniki schema.org — Audyt wykrył braki w danych strukturalnych: AggregateRating, LocalBusiness. Silniki AI polegają na nich przy identyfikacji oferty.
4. Udostępnij feed produktowy dla agentów AI — Audyt: brak feedu produktowego — agenci zakupowi nie mogą porównać oferty.
5. Oznacz autorstwo i daty publikacji (E-E-A-T) — Sygnały autorstwa (0.24) i dat (0.75) są słabe — modele preferują treści o jasnej proweniencji.
6. Opublikuj plik llms.txt z mapą treści dla modeli — Widoczność AI (26.6/100) można wesprzeć tanim, szybkim standardem llms.txt.
7. Opracuj strategię widoczności w silnikach AI (GEO) — Łączny wynik widoczności to 41.5/100 — marka przegrywa większość z 4 promptów, w których w ogóle się nie pojawia.

Priorytety 30 dni

• Skoncentruj działania na promptach kluczowych
• Stwórz treści porównawcze i rankingowe
• Uzupełnij znaczniki schema.org
• Udostępnij feed produktowy dla agentów AI
• Oznacz autorstwo i daty publikacji (E-E-A-T)

Priorytety 90 dni

• Opracuj strategię widoczności w silnikach AI (GEO)
• Zamknij lukę konkurencyjną w odpowiedziach AI
• Wzmocnij encję marki (spójność nazwy)
• Zbuduj hub treści edukacyjnych dla fazy odkrywania
• Zarządź negatywnym sentymentem w odpowiedziach AI

Badanie objęło 100 promptów odzwierciedlających realne zapytania klientów (13 kategorii intencji), zadanych w 5 silnikach AI (ai_overviews, chatgpt, claude, gemini, perplexity), po 3 przebiegi na prompt. Wynik GeoFolks (0–100) to ważona suma 12 komponentów zgodnie z metodologią w wersji 1.0.

Dane demonstracyjne: wyniki wygenerowano w deterministycznym trybie symulacji.

Łączny wynik: 41.5/100 (przedział ufności 30.5–52.5).

Najwyższą widoczność marka osiąga w silniku chatgpt (29%), najniższą w gemini (25%).

Marka radzi sobie najlepiej w intencji direct_recommendation (55%), a najsłabiej w alternative (9%).

W promptach lokalnych (PL) marka pojawia się w 28% odpowiedzi; w zapytaniach globalnych (EN) w 27%.

Marka pojawia się w 96 z 100 zbadanych promptów. Poniżej wskaźniki wzmianek per prompt oraz przykładowe pełne odpowiedzi.

Share of model marki wynosi 13% na tle 3 konkurentów.

Silniki AI cytowały 12 unikalnych domen. Najczęściej: ceneo.pl, wiadomoscihandlowe.pl, trustpilot.com. Obecność marki w tych źródłach bezpośrednio przekłada się na rekomendacje.

Audyt techniczny: 8/10 typów schema.org obecnych, 0 botów AI zablokowanych, 39% treści zależnych od JS, LCP 2.05s. Wykryto 4 problemów.

• [high] Brak kluczowych typów schema.org: AggregateRating. Silniki AI nie mogą jednoznacznie zidentyfikować oferty.
• [medium] Słabe sygnały cytowalności: tables, authorship, numeric_data. Treści rzadziej trafiają jako źródła odpowiedzi AI.
• [low] Brak oznaczeń autorstwa i dat publikacji — słabszy sygnał E-E-A-T.
• [medium] Braki w gotowości na agentic commerce: product_feed, mcp_server, ucp_manifest, acp_endpoints, stable_checkout.

Wskaźnik zaufania AI: 99.2/100. W 11 odpowiedziach wykryto błędy faktograficzne, a w 14 marka została przedstawiona negatywnie. Sygnały E-E-A-T: autorstwo 0.24, daty 0.75, dane liczbowe 0.24 (skala 0–1).

Gotowość na zakupy agentowe: 2/7 elementów checklisty spełnionych (feed, schema, MCP, UCP, ACP, polityka botów, checkout).

• ✗ product_feed — Brak feedu produktowego dostępnego dla agentów AI.
• ✓ schema_product — Znaczniki schema.org/Product z ceną i dostępnością.
• ✗ mcp_server — Brak serwera MCP — agenci nie mają programistycznego dostępu do katalogu.
• ✗ ucp_manifest — Brak manifestu UCP (Universal Commerce Protocol).
• ✗ acp_endpoints — Brak endpointów ACP — agenci nie mogą finalizować zakupów.
• ✓ bot_policy — Jawna polityka dostępu botów AI w robots.txt.
• ✗ stable_checkout — Checkout blokuje ruch automatyczny (captcha/anti-bot).

Łącznie 21 rekomendacji, w tym 10 typu quick win (wysoki wpływ, niska trudność).

1. Skoncentruj działania na promptach kluczowych [strategic, impact 4/5, difficulty 2/5, 30d]
   Priorytetyzuj 19 kluczowych promptów zakupowych i porównawczych, w których marka jest niewidoczna.
   Marka pojawia się tylko w 33% promptów oznaczonych jako kluczowe — to zapytania o najwyższej wartości biznesowej.
2. Stwórz treści porównawcze i rankingowe [content, impact 4/5, difficulty 2/5, 30d]
   Opublikuj rzetelne porównania 'brand vs konkurenci', tabele cech i przewodniki wyboru.
   W promptach porównawczych i rankingowych marka pojawia się tylko w 30% odpowiedzi.
3. Uzupełnij znaczniki schema.org [technical, impact 4/5, difficulty 2/5, 30d]
   Wdróż brakujące typy: AggregateRating, LocalBusiness (JSON-LD) na odpowiednich podstronach.
   Audyt wykrył braki w danych strukturalnych: AggregateRating, LocalBusiness. Silniki AI polegają na nich przy identyfikacji oferty.
4. Udostępnij feed produktowy dla agentów AI [commerce, impact 4/5, difficulty 2/5, 30d]
   Aktualny feed (ceny, dostępność) w standardzie Google Merchant / otwartym formacie.
   Audyt: brak feedu produktowego — agenci zakupowi nie mogą porównać oferty.
5. Oznacz autorstwo i daty publikacji (E-E-A-T) [content, impact 3/5, difficulty 1/5, 30d]
   Dodaj biogramy autorów, daty publikacji/aktualizacji i schema Article z polem author.
   Sygnały autorstwa (0.24) i dat (0.75) są słabe — modele preferują treści o jasnej proweniencji.
6. Opublikuj plik llms.txt z mapą treści dla modeli [technical, impact 3/5, difficulty 1/5, 30d]
   Zwięzły przewodnik po najważniejszych stronach i faktach o marce w formacie czytelnym dla LLM.
   Widoczność AI (26.6/100) można wesprzeć tanim, szybkim standardem llms.txt.
7. Opracuj strategię widoczności w silnikach AI (GEO) [strategic, impact 5/5, difficulty 3/5, 90d]
   Zdefiniuj docelowe intencje, kluczowe prompty i mapę treści pod silniki odpowiedzi (ChatGPT, Gemini, Perplexity).
   Łączny wynik widoczności to 41.5/100 — marka przegrywa większość z 4 promptów, w których w ogóle się nie pojawia.
8. Dodaj tabele i dane liczbowe do treści [content, impact 3/5, difficulty 2/5, 30d]
   Ustrukturyzowane tabele specyfikacji, cen i porównań zwiększają cytowalność w odpowiedziach AI.
   Heurystyki 'tables' (0.3) i 'numeric_data' (0.24) są poniżej progu cytowalności.
9. Wzmocnij treści lokalne i profil Google Business [content, impact 3/5, difficulty 2/5, 30d]
   Spójne dane NAP, strony lokalne i obecność w lokalnych katalogach zwiększają widoczność w promptach lokalnych.
   Sub-score rynku lokalnego to 27.4/100 przy promptach typu 'najlepszy ... w Polsce'.
10. Rozbuduj strony usług o konkretne dane [content, impact 3/5, difficulty 2/5, 30d]
    Zakres, cennik, czas realizacji i case studies na dedykowanych stronach usług.
    Widoczność usług to 16.8/100 — modele nie mają danych, by je rekomendować.
11. Wzbogać karty produktów o treści eksperckie [content, impact 3/5, difficulty 2/5, 30d]
    Specyfikacje, poradniki doboru i sekcje 'dla kogo' zwiększają obecność w promptach produktowych.
    Widoczność produktów to 29.6/100 w promptach zakupowych i produktowych.
12. Zamknij lukę konkurencyjną w odpowiedziach AI [strategic, impact 4/5, difficulty 3/5, 90d]
    Przeanalizuj prompty, w których pojawia się -, a Twoja marka nie, i przygotuj treści porównawcze.
    Share of model marki to 0.0%, podczas gdy - pojawia się w 0.0% wzmianek.
13. Wzmocnij encję marki (spójność nazwy) [strategic, impact 4/5, difficulty 3/5, 90d]
    Ujednolić nazwę marki we wszystkich źródłach: Wikipedia/Wikidata, katalogi, profile firmowe, schema Organization.
    W 31% wzmianek modele przekręcają lub aliasują nazwę marki — słaba encja obniża rozpoznawalność.
14. Zbuduj hub treści edukacyjnych dla fazy odkrywania [content, impact 4/5, difficulty 3/5, 90d]
    Poradniki, definicje i artykuły problemowe pozycjonujące markę jako eksperta kategorii.
    W promptach informacyjnych i doradczych marka pojawia się w zaledwie 21% odpowiedzi.
15. Wdróż comiesięczny monitoring promptów [strategic, impact 2/5, difficulty 1/5, backlog]
    Regularne badanie tych samych promptów pokazuje trend MoM i skuteczność wdrożeń.
    Wyniki silników AI zmieniają się z aktualizacjami modeli — bez monitoringu poprawa jest niemierzalna.
16. Zarządź negatywnym sentymentem w odpowiedziach AI [reputation, impact 3/5, difficulty 3/5, 90d]
    Zidentyfikuj źródła negatywnych opinii, odpowiedz na nie i zbuduj przeciwwagę świeżych pozytywnych recenzji.
    W 14 odpowiedziach marka jest przedstawiana negatywnie.
17. Kampania digital PR pod cytowalność w AI [reputation, impact 3/5, difficulty 3/5, 90d]
    Publikacje eksperckie, raporty branżowe i badania własne, do których modele chętnie linkują.
    Aktywne rekomendacje marki to tylko 12.5/100 — modele nie mają autorytatywnych powodów, by ją polecać.
18. Monitoruj elementy zakupowe w odpowiedziach AI [commerce, impact 2/5, difficulty 2/5, backlog]
    Śledź, kiedy silniki pokazują ceny/przyciski zakupu przy Twojej marce i konkurencji.
    Gotowość commerce to 29/100 — rynek zakupów agentowych rośnie i wymaga monitoringu.
19. Zbuduj widoczność na rynkach globalnych (EN) [strategic, impact 3/5, difficulty 4/5, 90d]
    Przygotuj anglojęzyczne wersje kluczowych treści i profile w międzynarodowych serwisach opinii.
    W anglojęzycznych promptach bez kontekstu geograficznego marka osiąga tylko 27.2/100.
20. Uruchom serwer MCP z dostępem do katalogu [commerce, impact 3/5, difficulty 4/5, 90d]
    Model Context Protocol pozwala asystentom AI przeszukiwać ofertę programistycznie.
    Audyt: brak serwera MCP — konkurenci wdrażający go pierwsi przejmą ruch agentowy.
21. Przygotuj checkout na zakupy agentowe (ACP) [commerce, impact 3/5, difficulty 4/5, 90d]
    Endpointy Agentic Commerce Protocol i checkout bez blokad anti-bot dla zweryfikowanych agentów.
    Audyt: proces zakupowy nie jest dostępny dla agentów AI (product_feed, mcp_server, ucp_manifest, acp_endpoints, stable_checkout).

30 dni

• Skoncentruj działania na promptach kluczowych (Head of Marketing, 1 tydzień)
• Stwórz treści porównawcze i rankingowe (Content Lead, 2-3 tygodnie)
• Uzupełnij znaczniki schema.org (Dev Lead, 1-2 tygodnie)
• Udostępnij feed produktowy dla agentów AI (E-commerce Manager, 1-2 tygodnie)
• Oznacz autorstwo i daty publikacji (E-E-A-T) (Content Lead, 1 tydzień)
• Opublikuj plik llms.txt z mapą treści dla modeli (Dev Lead, 2-3 dni)
• Dodaj tabele i dane liczbowe do treści (Content Lead, 1-2 tygodnie)
• Wzmocnij treści lokalne i profil Google Business (Content Lead, 2 tygodnie)
• Rozbuduj strony usług o konkretne dane (Content Lead, 2-3 tygodnie)
• Wzbogać karty produktów o treści eksperckie (Content Lead, 2-3 tygodnie)

90 dni

• Opracuj strategię widoczności w silnikach AI (GEO) (CMO, 3-4 tygodnie)
• Zamknij lukę konkurencyjną w odpowiedziach AI (Head of Marketing, 2 tygodnie)
• Wzmocnij encję marki (spójność nazwy) (Head of Marketing, 3 tygodnie)
• Zbuduj hub treści edukacyjnych dla fazy odkrywania (Content Lead, 4-6 tygodni)
• Zarządź negatywnym sentymentem w odpowiedziach AI (Marketing Manager, 4 tygodnie)
• Kampania digital PR pod cytowalność w AI (PR Lead, ciągłe)
• Zbuduj widoczność na rynkach globalnych (EN) (CMO, 6-8 tygodni)
• Uruchom serwer MCP z dostępem do katalogu (CTO, 4-6 tygodni)
• Przygotuj checkout na zakupy agentowe (ACP) (CTO, 6-8 tygodni)