Jak persony pomagają budować widoczność w AI

Najważniejsze wyniki badania Semly

Widoczność marki w AI warto badać w odniesieniu do potrzeb osoby, która zadaje pytanie, oraz przebiegu jej rozmowy z modelem. Pojawienie się marki w odpowiedzi na ogólne zapytanie nie mówi jeszcze, czy system rekomenduje ją odbiorcy, dla którego oferta jest odpowiednia. W metodzie Semly Leon przyjmuje rolę użytkownika opisanego personą i buduje kontekst w rozmowie, zanim zada docelowe pytanie zakupowe.

W Semly rozwijamy ten kierunek z AI Agentem Leonem. Przez sześć miesięcy prowadziliśmy badania i eksperymenty dotyczące odpytywania ChatGPT i Gemini. Zestawienie przekazane do raportu obejmuje 1,2 mln odpytań, 24 rekordy zbiorcze i 12 par porównawczych. Analiza obejmuje sześć kohort oraz dwa warianty przygotowania treści: bez persony i z personą.

Średni czas osiągnięcia tego samego celu widoczności wyniósł 100 dni bez persony i 70 dni z personą. Oznacza to skrócenie czasu o 30%, czyli przeciętnie 30 dni. Trafność contentu wzrosła z 61,5% do 77,5% - o 16 punktów procentowych. W obu systemach obserwujemy ten sam kierunek różnic.

Wyniki wspierają zastosowanie person w planowaniu treści i analizie widoczności. Dają podstawę do bardziej konkretnego briefu: dla jakiego odbiorcy powstaje materiał, jakie kryteria wyboru powinien wyjaśniać i na które obiekcje odpowiadać. Powtarzalność odpowiedzi oraz wpływ na konwersję wymagają odrębnych wskaźników; nie podajemy dla nich liczbowego efektu na podstawie tego zestawienia.

Dlaczego samo pytanie nie opisuje potrzeb klienta

Zapytanie „Gdzie kupię wygodne buty do biegania?” nie określa nawierzchni, doświadczenia, budżetu ani sposobu użytkowania. Rekomendacja może więc odpowiadać na szeroką kategorię produktów, podczas gdy marka potrzebuje wiedzieć, czy dociera do osoby biegającej rekreacyjnie po lesie, początkującego użytkownika asfaltowych tras czy uczestnika zawodów.

Informacja „Biegam rekreacyjnie głównie po leśnych ścieżkach i szukam obuwia na krótkie treningi” zawęża sytuację. W podejściu Semly Leon może przedstawić taki kontekst podczas rozpoczęcia rozmowy, a po zinterpretowaniu odpowiedzi przejść do docelowego pytania. Główna potrzeba zakupowa pozostaje taka sama, lecz warunki pomiaru obejmują personę, intencję i wcześniejsze wiadomości w danej rozmowie. Ma to znaczenie przy interpretacji wzrostu lub spadku widoczności.

Persona określa rolę i scenariusz odbiorcy, które Leon wykorzystuje w rozmowie z modelem. Agent buduje w tej rozmowie własny kontekst, zbliżając badanie do sposobu korzystania z czatu przez człowieka. Nie jest to odtworzenie historii konkretnego rzeczywistego użytkownika. Warto zaczynać od potrzeb i ograniczeń związanych z produktem. Wiek, płeć czy inne cechy demograficzne powinny mieć uzasadnienie w badanym scenariuszu.

Oficjalne wytyczne OpenAI i Google wskazują, że istotny kontekst pomaga określić zadanie i jego ograniczenia [1][2]. Jest to podstawa do projektowania zapytań.

Jak AI Agent Leon łączy wiedzę o marce z kontekstem odbiorcy

Leon tworzy persony na podstawie wiedzy o marce, jej produktach, usługach i opracowanych treściach. Następnie pełni w badaniu rolę użytkownika odpowiadającego przyjętemu profilowi. Rozpoczyna rozmowę, przedstawia się modelowi i interpretuje otrzymaną odpowiedź. Na tej podstawie rozpoznaje, kiedy może zadać docelowy prompt z kontekstem oraz intencją. Wynik odpowiada na praktyczne pytanie: czy AI uwzględnia markę w rozmowie odbiorcy, którego potrzeby pasują do oferty?

Taka rola Leona pozwala połączyć monitoring z planowaniem contentu. W odpowiedziach można szukać kryteriów wyboru, obiekcji i informacji, które model wykorzystuje do uzasadnienia rekomendacji. Jeżeli dla określonego scenariusza brakuje danych na stronie marki, analiza może prowadzić do briefu opisującego potrzebę uzupełnienia treści.

Leon prowadzi rozmowę w roli użytkownika

Badanie prowadzone przez Leona ma przebieg rozmowy. Agent najpierw przedstawia się modelowi w roli badanego użytkownika, zgodnie z przyjętą personą. W ten sposób wprowadza sytuację i potrzeby odbiorcy. Po uzyskaniu odpowiedzi odczytuje jej treść i interpretuje ją w odniesieniu do celu rozmowy.

Interpretacja odpowiedzi jest częścią działania agenta. Leon ocenia, czy może już przejść do docelowego pytania. Moment jego zadania wynika z przebiegu rozmowy i otrzymanej odpowiedzi. Docelowy prompt zawiera kontekst oraz intencję użytkownika i pojawia się w rozmowie, w której model ma już wcześniejsze informacje o odbiorcy.

Ten sposób odpytywania jest bliższy korzystaniu z czatu przez człowieka. Użytkownik przedstawia swoją sytuację, czyta odpowiedź i na jej podstawie formułuje następne pytanie. Leon pełni tę rolę w badaniu, dzięki czemu rekomendację marki można analizować w kontekście rozwijającej się rozmowy.

Intencja określa, jaką decyzję użytkownik chce podjąć. W przykładowym scenariuszu biegowym kontekstem może być bieganie rekreacyjne po leśnych ścieżkach, a intencją wybór i zakup odpowiedniego obuwia. Leon przechodzi do pytania o rekomendację wtedy, gdy zinterpretował wcześniejszą odpowiedź i uznał, że może zadać pytanie docelowe.

Dla interpretacji wyniku istotna staje się cała historia danej rozmowy. Taki sam tekst końcowego pytania może prowadzić do różnych odpowiedzi, jeśli wcześniejsze wiadomości wprowadzają odmienne potrzeby. W badaniu należy więc identyfikować zarówno docelowy prompt, jak i rozmowę, w której został zadany.

Opis procesu wyjaśnia rolę Leona i powód zbliżenia badania do interakcji na czacie. Przekazane agregaty nie wyodrębniają jednak efektu samego przedstawienia się, interpretacji odpowiedzi ani wyboru momentu zadania pytania. Wyników 30% i 16 p.p. nie przypisujemy osobno żadnemu z tych etapów.

Co oznacza skrócenie czasu o 30 procent

Zestawienie przyjmuje wspólny poziom początkowy widoczności 20% i wspólny cel 40%. Widoczność zdefiniowano jako liczbę odpowiedzi rekomendujących markę podzieloną przez liczbę odpytań. Oznacza to przyrost o 20 punktów procentowych. Warianty opisują sposób przygotowania treści, a wynik oceniany jest względem tego samego celu i panelu pytań, zgodnie z założeniami zestawienia.

Średni czas do celu wynosi 100 dni w wariancie bez persony i 70 dni w wariancie z personą. Skrócenie liczymy jako (100 - 70) / 100 × 100%, czyli 30%. Różnica wynosi 30 dni. Precyzyjne sformułowanie wyniku to „czas do osiągnięcia tego samego celu krótszy o 30%”.

Dla zespołu budującego widoczność oznacza to potencjalnie krótszy cykl od rozpoznania potrzeb do osiągnięcia założonego wyniku. Interpretacja operacyjna jest istotna: lepiej ukierunkowany content może ograniczać potrzebę kolejnych poprawek. Zestawienie nie wyodrębnia jednak czasu pracy redakcji ani poszczególnych przyczyn różnicy, więc nie przypisujemy całego efektu wyłącznie automatyzacji Leona.

Udostępnione dane zawierają poziom początkowy, końcowy i czas do celu, bez dziennego szeregu widoczności. Wykres przedstawia więc czas dojścia do wspólnego wyniku. Nie rysujemy na jego podstawie krzywej, która sugerowałaby równomierne narastanie efektu.

Wykres 1. Średni czas do wspólnego celu 40% widoczności: 100 i 70 dni. Podstawa: 12 par porównawczych w danych Semly. Różnica: 30 dni, czyli skrócenie o 30%.

Trafność treści i precyzja odpowiedzi to różne miary

W zestawieniu trafność contentu oznacza udział treści uznanych za zgodne z potrzebami persony w liczbie ocenionych treści. Każdy rekord zawiera 100 ocen. Dla wariantu bez persony suma wynosi 738 trafnych treści na 1200 ocen, a dla wariantu z personą 930 na 1200. Daje to odpowiednio 61,5% i 77,5%.

Różnica wynosi 16 punktów procentowych. Względny przyrost wobec poziomu 61,5% wynosi około 26,0%. Są to dwa sposoby opisania tego samego zestawienia, ale nie ta sama jednostka. W tekście i na wykresie podstawową miarą pozostaje różnica w punktach procentowych.

Trafność contentu nie jest tożsama z prawdziwością odpowiedzi modelu. Odpowiedź może pasować do potrzeb użytkownika, a jednocześnie zawierać błędny parametr produktu. Precyzję odpowiedzi warto więc oceniać oddzielnie: czy model uwzględnia wymagania, czy rekomendacja jest właściwa i czy przywołane informacje znajdują potwierdzenie w źródłach.

Wynik 77,5% pokazuje wyższy udział materiałów odpowiadających na potrzeby odbiorców w wariancie z personą. Pozwala mówić o trafniejszym doborze contentu w analizowanym zestawieniu. Ponieważ udostępniono dane zagregowane bez ocen jednostkowych i szczegółowej rubryki, raport nie podaje istotności statystycznej ani nie utożsamia trafności treści z poprawnością faktograficzną wszystkich odpowiedzi AI.

Wykres 2. Trafność contentu: 61,5% i 77,5%, różnica 16 p.p. Podstawa: po 1200 ocen na wariant w danych Semly. Wskaźnik opisuje zgodność z potrzebami persony; nie jest współczynnikiem konwersji.

Wyniki dla ChatGPT i Gemini

Dla ChatGPT średni czas do celu wynosi 95 dni bez persony oraz 66,5 dnia z personą. Dla Gemini wartości wynoszą 105 oraz 73,5 dnia. W obu systemach oznacza to skrócenie czasu o 30%. Porównanie wskazuje ten sam kierunek różnicy w analizowanych grupach.

Trafność contentu w rekordach ChatGPT wynosi 60,5% bez persony i 76,5% z personą. Dla Gemini wynosi 62,5% i 78,5%. W każdym systemie różnica to 16 punktów procentowych. Każda kombinacja systemu i wariantu zawiera 600 ocen treści.

Rozdzielenie wyników według systemu pozwala sprawdzić, czy średnia zbiorcza nie ukrywa odmiennych rezultatów. W tym zestawieniu różnice między wariantami pozostają zgodne w ChatGPT i Gemini. Nie oznacza to jednak rankingu jakości samych modeli: czasy i trafność opisują analizowane działania oraz treści.

W praktyce warto prowadzić oddzielne profile widoczności dla każdego systemu. Te same treści i potrzeby odbiorców mogą być prezentowane w odmienny sposób. Rekomendacje Leona można wtedy oceniać względem określonego systemu i scenariusza, bez sprowadzania całej obecności marki do jednej liczby.

Wykres 3. Średni czas do wspólnego celu w ChatGPT i Gemini. Podstawa: po 6 par porównawczych na system, dane Semly. Wynik opisuje analizowane warianty działań, a nie ranking jakości modeli.

Wyniki w sześciu kohortach

Zestawienie obejmuje kohorty M1-M6. Średni czas do celu, liczony w każdej kohorcie dla obu systemów, wynosi bez persony kolejno 75, 85, 95, 105, 115 i 125 dni. Z personą jest to 52,5, 59,5, 66,5, 73,5, 80,5 oraz 87,5 dnia.

Różnica między wariantami jest widoczna przy krótszych i dłuższych czasach osiągania celu. W M1 wynosi 22,5 dnia, a w M6 37,5 dnia. We wszystkich parach dostarczonego zestawienia czas z personą stanowi 70% czasu bez persony. Stałą relację pokazujemy wprost; nie traktujemy jej jako miary powtarzalności odpowiedzi modeli.

M1-M6 opisują kohorty, a nie sześć kolejnych odczytów widoczności jednej marki. Rosnących czasów nie należy odczytywać jako pogorszenia skuteczności w kolejnych miesiącach. Do analizy sezonowości i zmian w czasie potrzebne są daty kalendarzowe oraz dzienne lub tygodniowe odczyty.

Dla pełnej oceny czasu do celu warto raportować również przypadki, które nie osiągnęły progu przed końcem obserwacji. Udostępnione zestawienie takich przypadków nie wyodrębnia. Ten zakres należy uwzględnić przy projektowaniu kolejnych porównań.

Wykres 4. Czas do celu w sześciu kohortach, średnia dwóch systemów, dane Semly. Kohorty M1-M6 nie są szeregiem miesięcznej widoczności jednej marki.

To samo pytanie w wielu personach

W ramach prac Semly badaliśmy również to samo pytanie bazowe dla wielu person. Leon przyjmuje rolę odbiorcy odpowiadającego danemu profilowi i prowadzi rozmowę przed zadaniem pytania docelowego. Pozwala to rozpoznawać, jak potrzeby, intencja i wcześniejszy kontekst wpływają na rekomendacje oraz informacje przydatne przy decyzji zakupowej. Dla pytania o buty do biegania można zestawić scenariusze początkującego biegacza na asfalcie, osoby biegającej rekreacyjnie w lesie i uczestnika dłuższych treningów terenowych. Poniższa macierz ilustruje sposób wykorzystania metody. Nie jest transkrypcją odpowiedzi z badania.

W każdej odpowiedzi warto odnotować rekomendowane marki, argumenty wyboru, wymagania techniczne, obiekcje i cytowane adresy. Zestawienie pokazuje, które informacje powtarzają się w różnych scenariuszach, a które występują tylko dla konkretnej potrzeby. Dzięki temu brief może obejmować wspólny rdzeń tematu i dodatkowe sekcje odpowiadające na różnice.

Obserwacje z pracy z wieloma personami Semly wykorzystuje jako podstawę trafniejszych rekomendacji contentowych. Udostępnione zestawienie nie zawiera jednak identyfikatorów person, pełnych promptów ani odpowiedzi modeli. Z tego powodu raport nie przypisuje liczbowego efektu konkretnej personie i nie przedstawia rankingu rekomendowanych przez nią marek.

Jak z odpowiedzi wielu person powstaje brief contentowy

Przebieg rozmowy może dostarczać informacji potrzebnych do briefu jeszcze przed końcową rekomendacją. Wcześniejsza odpowiedź modelu może ujawnić, jakie kryteria wymagają wyjaśnienia, a docelowe pytanie Leona wiąże je z intencją odbiorcy. Analiza całej rozmowy pozwala szukać treści przydatnych na kolejnych etapach podejmowania decyzji.

Najpierw trzeba oddzielić kryteria wyboru od nazw marek. Sama lista polecanych firm nie wyjaśnia, dlaczego pojawiają się w odpowiedzi. Więcej wartości dla redakcji ma informacja, że dany odbiorca potrzebuje porównania zastosowań, wyjaśnienia kompatybilności albo jasnych warunków zwrotu.

Następnie należy zestawić te potrzeby z materiałami marki. Brak odpowiedzi na ważne pytanie może uzasadniać aktualizację istniejącej strony. Rozbieżność między grupami odbiorców może uzasadniać odrębną sekcję lub porównanie. Decyzja powinna wynikać z przydatności dla człowieka, a nie z mechanicznego mnożenia stron pod każdą personę.

Przykładowy brief może zawierać: scenariusz odbiorcy, decyzję do podjęcia, najważniejsze kryteria, weryfikowalne dane o produkcie, obiekcje oraz źródła. Jeśli analiza dotyczy leśnych tras, materiał powinien wyjaśniać zastosowanie produktu i ograniczenia.

Tak przygotowana treść może być bardziej trafna dla osoby przychodzącej z odpowiedzi AI. To uzasadnia hipotezę lepszej konwersji. Potwierdzenie wymaga jednak porównania zachowania użytkowników i efektów sprzedażowych po wdrożeniu.

Powtarzalność wymaga wielokrotnych pomiarów

Stały opis persony i spójne reguły prowadzenia rozmowy mogą ułatwiać porównanie pomiarów. Ponieważ Leon interpretuje odpowiedź przed zadaniem pytania docelowego, trzeba kontrolować również historię rozmowy i zasady podejmowania tej decyzji. Powtarzalność procesu oraz zgodność odpowiedzi końcowych warto mierzyć oddzielnie.

W proponowanym teście należy zachować wersję modelu, tryb wyszukiwania, język, lokalizację i zasady rozpoczynania sesji. Warto porównywać zarówno pełne rozmowy uruchamiane według tej samej persony i celu, jak i odpowiedzi przy identycznie odtworzonym kontekście. Pierwsze porównanie ocenia zmienność całego procesu, drugie pomaga ocenić zmienność odpowiedzi końcowej. Panel bazowy oraz panel z personami należy prowadzić równolegle.

Można mierzyć stabilność obecności marki, zgodność zbiorów rekomendowanych marek i zgodność cytowanych źródeł. Dla dwóch zbiorów marek A i B prostą miarą zgodności jest udział wspólnych marek w zbiorze wszystkich marek z obu odpowiedzi. Przypadki, w których oba zbiory są puste, wymagają osobnej reguły raportowania.

Powtarzalność wewnątrz jednej persony i różnice między personami odpowiadają na różne pytania. Stabilne rekomendacje dla jednego profilu mogą współistnieć z wyraźnymi różnicami między profilami. Uporządkowanie opisów person przez Leona pozwala utrzymywać bardziej spójne warunki odpytywania. W przekazanym zestawieniu nie ma jednak miar zgodności kolejnych odpowiedzi, dlatego nie określamy wielkości poprawy powtarzalności.

Jak zweryfikować wpływ na konwersję

Pomiar biznesowy powinien oddzielać obecność marki w odpowiedzi, cytowanie jej strony, przejście użytkownika do serwisu i wykonanie działania. Każdy etap wymaga własnego wskaźnika. Liczba rekomendacji nie jest liczbą wizyt, a liczba wizyt nie jest liczbą zakupów.

Po wdrożeniu treści warto śledzić sesje z rozpoznawalnych źródeł AI, zaangażowanie, zapytania ofertowe, transakcje i przychód. Część ruchu może nie mieć jednoznacznego oznaczenia źródła, dlatego zakres rozpoznanych sesji trzeba opisać. Współczynnik konwersji należy liczyć względem jasno określonego mianownika, na przykład kwalifikowanych sesji.

Wiarygodniejszą ocenę umożliwia porównanie podobnych stron lub grup treści, przy zachowaniu spójnej definicji konwersji i okna obserwacji. Trzeba odnotować inne zmiany, takie jak promocje, ceny, dostępność produktów i kampanie. Bez tego wzrost sprzedaży może zostać błędnie przypisany zmianie strategii contentowej.

Raport stawia zatem konkretną hipotezę: treści powiązane z rzeczywistymi potrzebami odbiorców mogą pomagać im podjąć decyzję. Wielkość wpływu na sprzedaż pozostaje do zmierzenia. W arkuszu nie ma sesji, leadów ani transakcji.

Co zmiana metodologii oznacza dla wyniku widoczności

Wprowadzenie person oraz rozmowy prowadzonej przez Leona zmienia warunki zadawania pytań modelom. Odpowiedź na prompt docelowy uwzględnia także wcześniejsze wiadomości. Wynik może wzrosnąć, gdy marka lepiej odpowiada na opisane potrzeby, lub spaść, gdy system dopasuje inną ofertę. Porównania powinny więc uwzględniać zarówno treść pytania, jak i sposób przygotowania kontekstu rozmowy.

Najbardziej przejrzyste rozwiązanie to pokazywanie wyników panelu bazowego i panelu z personami obok siebie. Jeśli potrzebna jest wspólna średnia, udziały person powinny wynikać z jawnych założeń o odbiorcach. Równe wagi są prostym wariantem analitycznym, lecz nie dowodzą, że każda grupa ma równy udział w rzeczywistym popycie.

Zgodność z potrzebami ma znaczenie także przy wyborze person. Profil przygotowany wyłącznie z perspektywy oferty może pomijać bariery zakupu lub sytuacje, w których produkt nie pasuje. Warto uwzględniać scenariusze wymagające, zamiast budować panel wyłącznie wokół odbiorców, którym łatwo zarekomendować markę.

Podsumowanie raportu

Badanie Semly pokazuje, że uwzględnienie person pomaga lepiej dopasować treści do potrzeb odbiorców i skrócić czas budowania widoczności w AI. W analizowanym zestawieniu średni czas dojścia do wspólnego celu widoczności wyniósł 100 dni bez persony i 70 dni z personą - o 30% mniej. Trafność contentu wzrosła z 61,5% do 77,5%, czyli o 16 punktów procentowych. Ten sam kierunek różnic odnotowaliśmy w ChatGPT i Gemini.

Leon nadaje temu podejściu formę rozmowy. Agent pełni rolę użytkownika: przedstawia się zgodnie z personą, interpretuje odpowiedź modelu i rozpoznaje moment zadania docelowego pytania z kontekstem oraz intencją. Dzięki temu Semly analizuje rekomendacje w warunkach bliższych korzystaniu z czatu przez człowieka.

Odpytywanie tego samego pytania bazowego przez wiele person pozwala rozpoznać różne kryteria wyboru, obiekcje i potrzeby informacyjne. Z tych obserwacji mogą powstawać bardziej konkretne briefy, porównania i materiały pomagające odbiorcy podjąć decyzję. Wyższa trafność contentu wspiera ten kierunek pracy; wpływ na konwersję wymaga osobnego pomiaru zachowania użytkowników i wyników biznesowych.

Spójne persony i reguły prowadzenia rozmowy tworzą podstawę porównywalnego monitoringu. Powtarzalność odpowiedzi należy jednak oceniać w kolejnych pomiarach, z uwzględnieniem historii rozmowy i warunków odpytywania. Przedstawione wyniki nie określają liczbowej poprawy powtarzalności ani wzrostu konwersji.

Dla marek praktyczny wniosek jest jasny: warto badać, komu i w jakiej sytuacji AI rekomenduje ofertę, a następnie wykorzystywać te informacje do rozwoju treści. Semly łączy w ten sposób narzędzie do monitorowania widoczności z pracą badawczą nad kontekstem, intencją i rekomendacjami modeli.

Źródła

Materiał Semly: „Ponad milion odpytań, sześć miesięcy badań. Dlaczego Semly wprowadza persony do monitorowania widoczności w AI” oraz uzupełnienie Semly dotyczące rozmowy prowadzonej przez Leona - źródła opisu agenta i prac badawczych.

[1] OpenAI, Prompt engineering. Wytyczne dotyczące przekazywania istotnego kontekstu w zapytaniu. https://developers.openai.com/api/docs/guides/prompt-engineering

[2] Google AI for Developers, Prompt design strategies. Wytyczne dotyczące kontekstu i ograniczeń zadania. https://ai.google.dev/gemini-api/docs/prompting-strategies

[3] Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó, One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization, ACL 2026. https://aclanthology.org/2026.acl-long.2079/

Udostępnij:

Skopiuj link