W skrócie: Od końca sierpnia 2026 r. reklamy w ChatGPT są dostępne. Nie kupuje się ich na słowa kluczowe. System dopasowuje je do sensu całej rozmowy, do treści strony docelowej i do opisu sytuacji, w której klient potrzebuje pomocy. Reklama wyświetla się bezpośrednio pod odpowiedzią modelu, więc jej skuteczność zależy także od tego, co ChatGPT powiedział o marce zdanie wyżej. Badania Brand Semantics w jedenastu branżach, od budownictwa i przemysłu po hotele, modę i usługi prawne, pokazują, że to tło rzadko jest neutralne. To zmienia zestaw kompetencji potrzebnych do prowadzenia kampanii: z zarządzania stawkami i frazami na zarządzanie znaczeniem, kontekstem i reprezentacją marki w modelach językowych. Poniżej wyjaśniam, jak ten kanał działa, dlaczego może zmienić zasady gry w konwersji i czego wymaga od firmy, która chce z niego skorzystać.
1. Co się właściwie wydarzyło
OpenAI ogłosiło reklamy w ChatGPT 9 lutego 2026 r. i przez pół roku testowało je w Stanach Zjednoczonych. 24 sierpnia 2026 r. kanał został uruchomiony w 31 krajach europejskich. Menedżer reklam (Ads Manager) działa w wersji beta. W Europie pierwsze kampanie ruszyły przez partnerów, a samoobsługa ma być udostępniana stopniowo.
Kilka faktów, od których warto zacząć, bo porządkują całą resztę:
Reklama pojawia się pod odpowiedzią ChatGPT, jest oznaczona jako sponsorowana i wizualnie oddzielona od tekstu modelu. Nie jest wplatana w odpowiedź.
Jeden format: nazwa marki z favikoną, nagłówek do 30 znaków, opis do 60 znaków, kwadratowy obraz 256×256 px i link do strony docelowej. Bez wideo, bez karuzeli.
Na razie widzą ją użytkownicy planów bezpłatnych (Free, a na rynkach, gdzie istnieje – także Go). OpenAI deklaruje, że nie wyświetla reklam na planach Plus, Pro ani Business, a także osobom poniżej 18 lat. Reklamy nie pojawiają się też w czatach tymczasowych i u użytkowników niezalogowanych. Warto o tym pamiętać przy planowaniu zasięgu. Warto też śledzić, czy ta polityka się zmieni.
Reklamodawca nie ma żadnego wpływu na odpowiedź modelu i nie dostaje żadnych danych o użytkowniku: ani treści rozmowy, ani historii, ani adresu e-mail.
Rozliczenie: CPM (za tysiąc wyświetleń), CPC (za kliknięcie; OpenAI rekomenduje stawki 3–5 USD) oraz – od sierpnia – oCPC, czyli optymalizacja pod konwersje. Wcześniejsze minimum budżetowe 50 tys. USD zostało zniesione.
Pomiar: wyświetlenia, kliknięcia, CTR, średni CPC i CPM, wydatki, konwersje. Kampanie można znakować parametrami UTM, a konwersje mierzyć pikselem i przez Conversions API. OpenAI zastrzega, że kanał nie ma jeszcze benchmarków skuteczności między branżami.
2. Jak ChatGPT dobiera reklamę. I dlaczego to nie jest „nowy Google Ads”
W wyszukiwarce mechanika jest znana od blisko ćwierć wieku: użytkownik wpisuje frazę, reklamodawca licytuje frazę, wygrywa ten, kto ma najlepszą kombinację stawki i wyniku jakości. Fraza jest wspólnym mianownikiem. Można ją kupić, wykluczyć, zmierzyć.
W ChatGPT tego mianownika nie ma. Według dokumentacji OpenAI system dopasowuje reklamę na podstawie czterech rzeczy naraz:
kontekstu i intencji całej rozmowy, a nie ostatniego zdania;
treści strony docelowej reklamy, którą OpenAI czyta własnym robotem (OAI-AdsBot) i sprawdza pod kątem zgodności z polityką reklamową;
tytułu i opisu reklamy;
wskazówek kontekstowych („context hints”) podanych przez reklamodawcę – oraz, jeśli użytkownik włączył personalizację, wybranych sygnałów z jego wcześniejszych rozmów.
Wskazówki kontekstowe to nie są słowa kluczowe. OpenAI pisze wprost, że nie działają jak dopasowanie ścisłe i nie gwarantują wyświetlenia w konkretnej rozmowie. To opis sytuacji potrzeby: kto pyta, o co, w jakim momencie decyzji. Zamiast frazy „system CRM” reklamodawca opisuje „zespół sprzedaży, który porównuje narzędzia do automatyzacji raportowania i chce ograniczyć pracę ręczną”. Ostateczną decyzję o emisji podejmuje model trafności OpenAI.
Do tego dochodzi aukcja. Jest to aukcja drugiej ceny ważona trafnością: stawka jest tylko jednym z wejść, a trafność reklamy i strony docelowej względem rozmowy współdecyduje o tym, kto wygra i ile zapłaci. Innymi słowy: jeśli strona docelowa jednoznacznie opisuje, czym jest produkt, dla kogo, w jakich sytuacjach i czym różni się od alternatyw, system ma na czym oprzeć dopasowanie, a reklama wygrywa taniej.
Element | Reklama w wyszukiwarce | Reklama w ChatGPT |
|---|---|---|
Jednostka zakupu | fraza kluczowa | sytuacja potrzeby opisana językiem naturalnym |
Sygnał dopasowania | zapytanie | sens całej rozmowy + strona docelowa + kreacja + wskazówki |
Kontrola reklamodawcy | wysoka (frazy, wykluczenia, dopasowania) | ograniczona (wskazówki bez gwarancji, geografia, platforma, listy własne) |
Co widzi użytkownik nad reklamą | listę linków | gotową odpowiedź modelu, często z rekomendacją |
Aukcja | stawka × wynik jakości | druga cena ważona trafnością |
Formaty | tekst, grafika, wideo, zakupy | jedna karta: nagłówek, opis, obraz, link |
Dane o użytkowniku dla reklamodawcy | ograniczone | żadne |
Konsekwencja jest prosta: w tym kanale nie da się „ustawić kampanii” na frazy. Trzeba wiedzieć, jak ludzie naprawdę rozmawiają z modelem o danej kategorii, w jakim momencie decyzji się to dzieje i co model odpowiada, zanim wyświetli reklamę.
3. Dlaczego konwersja może wyglądać inaczej niż w wyszukiwarce
Uczciwie: OpenAI nie publikuje benchmarków, a rynek dopiero zbiera pierwsze dane. Ale istnieją trzy niezależne przesłanki, które pozwalają rozumieć, dlaczego ten kanał ma potencjał konwersyjny inny niż klasyczne media.
Po pierwsze, moment. Użytkownik ChatGPT nie „szuka”; on już rozmawia. Zadał pytanie, dostał odpowiedź, często doprecyzował. Reklama pojawia się w chwili, w której potrzeba jest już nazwana, a kryteria wyboru omówione. To najbliżej momentu decyzji, jak reklama kiedykolwiek była.
Po drugie, jakość ruchu. Shopify podał, że w I kwartale 2026 r. ruch z asystentów GenAI konwertował o 49% lepiej na stronie produktu niż ruch z wyszukiwarki, a liczba wizyt z tego źródła wzrosła ośmiokrotnie rok do roku. Criteo, na próbie 500 sprzedawców, zmierzyło, że ruch odsyłany przez modele językowe konwertuje około 1,5 raza lepiej niż inne kanały referencyjne. To dane o ruchu organicznym, nie płatnym, ale pokazują, z jakim typem użytkownika mamy do czynienia: z osobą, która przeszła już etap porównywania w rozmowie.
Po trzecie, pierwsze testy płatne. Dwutygodniowy test SE Ranking na rynkach anglojęzycznych dał 1,30% CTR na ponad 97 tys. wyświetleń. Inny test, opublikowany przez kanadyjską agencję, dał 0,65% CTR przy koszcie kliknięcia ok. 4,4–4,9 CAD. Rozrzut jest duży i tak należy go traktować: jako sygnał, że kanał działa, a nie jako benchmark.
Jest też druga strona medalu, o której trzeba pisać równie wyraźnie. Reklamy docierają dziś do użytkowników planów bezpłatnych, a nie do abonentów Plus, Pro czy Business. Dwa opublikowane testy B2B sugerują, że decydenci biznesowi częściej niż przeciętny użytkownik korzystają właśnie z planów płatnych, czyli tych, na których reklam na razie nie ma. Kliknięcie kosztuje 3–5 USD. Inwentarz jest ograniczony, format jeden, a narzędzia optymalizacji młode. Każde nietrafione dopasowanie jest w tym kanale drogie. To dokładnie dlatego precyzja kontekstu przestaje być kwestią estetyki, a staje się warunkiem opłacalności.
4. Jedno okno, dwie warstwy: co model mówi nad Twoją reklamą
Tu dochodzimy do rzeczy, której nie ma w żadnym poradniku o ChatGPT Ads, a która – moim zdaniem – decyduje o wyniku kampanii.
Reklama wyświetla się pod odpowiedzią modelu. Użytkownik najpierw czyta, co ChatGPT sądzi o jego problemie, jakie rozwiązania poleca, jakie marki wymienia i jak je opisuje. Dopiero potem widzi kartę sponsorowaną. Oznacza to, że w jednym oknie są dwie warstwy komunikatu o marce: organiczna reprezentacja marki w odpowiedzi modelu i płatna karta. Reklamodawca kontroluje tylko tę drugą.
Rozważmy trzy typowe sytuacje, które obserwujemy w badaniach odpowiedzi modeli prowadzonych naszym narzędziem badawczym Semantio:
Sytuacja A: model poleca konkurenta. Użytkownik pyta o rozwiązanie w kategorii, model wymienia trzy marki i rekomenduje jedną z nich. Pod spodem pojawia się reklama czwartej marki – Twojej. Płatna karta walczy z rekomendacją, którą użytkownik właśnie przeczytał i której zaufał. Kliknięcie jest możliwe, ale reklama zaczyna z pozycji, którą model już przegrał za nią.
Sytuacja B: model podaje nieprawdziwe informacje o marce. W odpowiedzi pojawia się Twoja marka, ale z błędną ceną, nieistniejącym certyfikatem, złą lokalizacją albo cechą przypisaną od konkurenta. Reklama pod spodem prowadzi na stronę, która mówi co innego. Użytkownik dostaje sprzeczny komunikat i nie wie, komu wierzyć.
Sytuacja C: model nie zna marki. Odpowiedź jest o kategorii, ale Twoja marka w niej nie występuje. Reklama jest pierwszym kontaktem – i jedynym argumentem. To najdroższy scenariusz, bo cała praca perswazyjna spoczywa na 30 znakach nagłówka i 60 znakach opisu.
Jest też sytuacja D: model rekomenduje Twoją markę, a reklama to potwierdza. Wtedy dwie warstwy pracują razem: organiczna odpowiedź buduje zaufanie, płatna karta daje najkrótszą drogę do działania. To jedyny układ, w którym koszt kliknięcia ma szansę zwrócić się z nawiązką.
Co widzimy w badaniach: jedenaście branż, ten sam mechanizm
Poniższe przykłady pochodzą z badań reprezentacji marek, które w 2026 r. prowadziliśmy w Semantio dla klientów Brand Semantics oraz w ramach badania Fundacji AI Business Center na danych Semantio. Branże i skalę badania podajemy, bo to one pokazują, że mechanizm jest niezależny od sektora. Każdy wynik jest datowanym zdjęciem z jednego dnia badania – modele zmieniają odpowiedzi w czasie, dlatego pomiar się powtarza.
Branża (klient) | Skala badania | Co model robi w odpowiedzi, nad którą wyświetliłaby się reklama | Sytuacja |
|---|---|---|---|
Producent bram i drzwi (premium, budownictwo) | 150 odpowiedzi, 4 systemy | Sentyment 8,1/10, ale 0% bezpośrednich rekomendacji w fazie decyzji; w pytaniach ogólnych modele w 88% przypadków wskazują marki masowe i budżetowe. Dodatkowo modele „przyznają” marce dożywotnią gwarancję, której producent nie oferuje. | A + B |
Polski producent systemu ERP (B2B software) | 225 odpowiedzi, 5 systemów | Widoczność 9,3% w pytaniach ogólnych, 49–51% w porównaniach i decyzjach. 11 z 225 odpowiedzi zawiera nieprawdę – najgroźniejsza: przypisanie systemu konkurencyjnym producentom. | C, potem B |
Regionalny producent wędlin ze sklepem online | 120 odpowiedzi, 4 systemy | 0 z 40 odpowiedzi na ogólne pytania o zakupy z dostawą w regionie wymienia markę; modele wskazują sieci ogólnopolskie. Gdy pada nazwa: 24 ze 120 odpowiedzi zawiera nieprawdę (brak pieczywa w ofercie, brak dostawy tego samego dnia, dowóz do Warszawy) – wszystkie na etapie rozważania i decyzji. Model opiera odpowiedź na stronie marki tylko w 17% przypadków. | C + B |
Producent oświetlenia (dom i B2B) | 199 odpowiedzi, 4 systemy | 95% widoczności po nazwie, 40% bez nazwy. 18 odpowiedzi z alertem błędu lub problemu reprezentacji – 16 z nich przy wysokiej rekomendacji. Model poleca, ale z błędnymi informacjami. | D z ryzykiem B |
Producent wentylacji pożarowej (przemysł, B2B) | 130 odpowiedzi, 5 systemów | 0 z 30 odpowiedzi na pytania o kategorię wymienia markę; 82 ze 100 odpowiedzi z nazwą poleca ją „wysoko”. 14 odpowiedzi z nieprawdą, w tym czterokrotne przypisanie polskiej firmy do zagranicznych grup kapitałowych. W co trzeciej odpowiedzi: „brak publicznych danych, zapytaj producenta”. | C, D, B – zależnie od etapu |
Kancelaria prawno-doradcza (usługi profesjonalne) | 240 odpowiedzi, 4 systemy | Bez podpowiedzi nazwy marka pojawia się w 1 z 92 odpowiedzi – na ósmej pozycji listy. W 7 odpowiedziach model myli imię założyciela. W 51,5% pytań o dowody kompetencji odsyła klienta „do dalszej weryfikacji”. | C |
Hotel premium (Kraków, turystyka i MICE) | 225 odpowiedzi, 5 systemów | Widoczność 47%, sentyment 8/10, ale model redukuje obiekt do „hotelu wellness” i pomija go w scenariuszach konferencyjnych mimo rozbudowanego zaplecza. Ta sama lokalizacja w jednych odpowiedziach jest atutem, w innych wadą. | D w wellness, A w MICE |
Hotel butikowy (Kraków; badanie równoległe na rynek norweski) | 5 systemów, dwa rynki | Jeden z systemów zinterpretował nazwę własną hotelu jako kategorię obiektu i na tej podstawie wprost odradził go jako miejsce dla turystów z Norwegii. | B (błąd encji) |
Marka obuwia (moda, e-commerce) | 200 odpowiedzi, 5 systemów | Widoczność 55%, dobra rekomendacja w fazie rozważania, ale w fazie decyzji modele powtarzają wzmianki o problemach z trwałością i reklamacjami. Reklama pod taką odpowiedzią prowadzi klienta, który przed chwilą przeczytał ostrzeżenie. | A na decyzji |
Producent profili z tworzyw (przemysł, B2B, spółka w grupie międzynarodowej) | 180 odpowiedzi, 6 systemów | 0 z 60 scenariuszy świadomości; 82% rekomendacji, gdy marka już pada. Tylko 7% odpowiedzi cytuje polską domenę – modele przypisują referencje i certyfikaty zagranicznej spółce-matce. | C + B |
Centrum budowlane (handel, rynek lokalny) | audyt strony + Semantio | Roboty, którymi modele czytają internet, widzą na stronie firmy „pustą kartkę” – treść renderuje się dopiero w przeglądarce. Dla modeli oferta nie istnieje; rekomendacje zbiera konkurencja. | C – i landing page bez trafności |
Trzy rzeczy z tej tabeli mają bezpośrednie przełożenie na ChatGPT Ads.
Po pierwsze, „brak marki w pytaniach o kategorię” to norma, nie wyjątek. W ośmiu z jedenastu badań marka jest niemal nieobecna wtedy, gdy klient jeszcze nie zna jej nazwy, czyli dokładnie w tych rozmowach, w które reklama miałaby wejść. Reklama w takim kontekście działa w sytuacji C: jest jedynym argumentem i płaci pełną cenę za każde kliknięcie.
Po drugie, wysoka rekomendacja nie oznacza bezpiecznego tła. U producenta oświetlenia 16 z 18 błędów pojawiło się w odpowiedziach, w których model markę polecał. U producenta wentylacji modele polecały firmę i jednocześnie przypisywały ją obcej grupie kapitałowej. Reklama pod taką odpowiedzią wzmacnia rekomendację i błąd razem z nią.
Po trzecie, to samo pytanie w różnych systemach daje różne tło. U regionalnego producenta wędlin ocena rekomendacji (w skali 0–100) wahała się od 16 do 51 w zależności od systemu; u producenta wentylacji cztery systemy widziały markę w 20 na 20 pytań, a piąty w 13 na 20. Kampania w ChatGPT dotyczy jednego systemu, ale klient porównuje w kilku – i tło organiczne trzeba znać w każdym z nich.
Różnica między sytuacją A a D nie jest kwestią stawki ani kreacji. Jest kwestią tego, jak model reprezentuje markę, zanim kampania w ogóle wystartuje. A tego nie widać w żadnym panelu reklamowym. Żeby to zobaczyć, trzeba zadać modelom te same pytania, które zadają klienci – wiele razy, w wielu wariantach, w kilku systemach – i zmierzyć odpowiedzi. To jest właśnie przedmiot Generative Engine Optimization (GEO) i przedmiot pomiaru w Semantio.pro.
5. Cztery kompetencje, których wymaga ten kanał
Skoro ChatGPT nie dopasowuje reklam do fraz, tylko do znaczeń, to pytanie brzmi: kto potrafi pracować na znaczeniach? Z naszego doświadczenia potrzebne są cztery kompetencje. Warto sprawdzić, które z nich ma zespół prowadzący kampanię – wewnętrzny albo zewnętrzny.
5.1. Mapa encji i mapa twierdzeń – żeby strona docelowa była zrozumiała dla modelu
System OpenAI czyta stronę docelową i na jej podstawie ocenia trafność reklamy do rozmowy. Jeśli strona opisuje firmę jako „innowacyjnego partnera technologicznego”, model nie ma z czego wywnioskować, w jakich rozmowach reklama ma sens. Jeśli strona jednoznacznie mówi: jaki produkt, dla kogo, do jakiego problemu, w jakiej kategorii, z jakimi dowodami i czym różni się od alternatyw – model ma na czym oprzeć dopasowanie.
Dwa przykłady z naszych audytów pokazują, jak często ten warunek nie jest spełniony. Strona lokalnego centrum budowlanego renderowała całą treść dopiero w przeglądarce klienta – roboty, którymi modele czytają internet, widziały na niej „pustą kartkę”; jedyne, co potrafiły odczytać, to dwa słowa. Taka strona jako landing page reklamy w ChatGPT nie ma czym wygrać aukcji trafności, a robot OAI-AdsBot nie ma czego sprawdzić. Z kolei polski producent przemysłowy działający w grupie międzynarodowej miał w mapie strony 699 z 729 adresów prowadzących na domenę zagranicznej spółki-matki; modele cytowały polską domenę w 7% odpowiedzi i przypisywały referencje oraz certyfikaty innej firmie. Reklama takiej marki prowadziłaby na stronę, której model nie łączy z podmiotem, o którym mówi w odpowiedzi wyżej.
Nazywamy to semantyczną jednoznacznością. W praktyce oznacza rozdzielenie dwóch rzeczy: mapy encji (jakie obiekty tworzą świat marki: produkty, odbiorcy, problemy, konkurenci, dowody) i mapy twierdzeń (jakie zdania o tych obiektach mają być prawdziwe, potwierdzone źródłem i możliwe do przejęcia przez model). Tak przygotowana strona docelowa jest jednocześnie lepszą stroną w wyszukiwarce, lepszym źródłem dla modeli językowych i tańszym landingiem w aukcji ważonej trafnością. To jedna praca, trzy efekty.
5.2. Scenariusze intencji – żeby wskazówki kontekstowe wynikały z danych, nie z burzy mózgów
Wskazówka kontekstowa to opis sytuacji potrzeby: kto, jaka potrzeba, jaki kontekst, jaki moment decyzji. Żeby ją dobrze napisać, trzeba wiedzieć, jak klienci naprawdę pytają modele o daną kategorię – na etapie odkrywania („jak rozwiązać problem X”), porównywania („czym różni się A od B”) i decyzji („gdzie kupić, komu zlecić”).
W Semantio pracujemy dokładnie na takich jednostkach: scenariuszach, czyli pełnych pytaniach osadzonych w konkretnej personie, produkcie i etapie decyzji, kierowanych do wybranych systemów. Firma, która od miesięcy bada scenariusze zakupowe w kategorii klienta, pisze wskazówki kontekstowe z pomiaru: wie, które sytuacje kończą się rekomendacją, w których model wymienia konkurentów, a w których marka jest nieobecna. Zespół, który takiego pomiaru nie ma, pisze wskazówki z intuicji – i sprawdza je dopiero budżetem.
5.3. Pomiar reprezentacji marki – przed kampanią, w jej trakcie i po niej
To kompetencja, która odróżnia prowadzenie kampanii w ChatGPT od prowadzenia kampanii w jakimkolwiek innym medium. Ponieważ nad reklamą jest organiczna odpowiedź modelu, trzeba wiedzieć:
przed startem – w jakim odsetku scenariuszy zakupowych model wymienia markę, jak często ją rekomenduje, jaki ma Share of Voice wobec konkurentów, jakim tonem ją opisuje i czy nie podaje o niej nieprawdziwych informacji;
w trakcie – czy organiczna odpowiedź sprzyja reklamie (sytuacja D), czy z nią walczy (A, B, C); czy zmiany na stronie i w źródłach przesuwają odpowiedzi modelu; jakie źródła model cytuje, gdy mówi o kategorii;
po kampanii – co dokładnie model mówił o marce w dniu emisji, w formie, którą można pokazać zarządowi lub klientowi.
W praktyce ten pomiar zmienia decyzje kampanijne. U producenta bram i drzwi tło organiczne w fazie decyzji było neutralne (0% bezpośrednich rekomendacji przy sentymencie 8,1/10) – reklama ma tam sens dopiero razem z dowodami na stronie docelowej, które pozwolą modelowi uzasadnić wyższą cenę. U marki obuwia tło w fazie decyzji było wprost niekorzystne (wzmianki o reklamacjach) – kampania bez wcześniejszej pracy nad źródłami płaciłaby za kliknięcia klientów, którzy właśnie przeczytali ostrzeżenie. U hotelu premium tło było świetne w scenariuszach wellness i złe w konferencyjnych – wskazówki kontekstowe i strony docelowe muszą być inne dla każdego z tych segmentów.
Semantio mierzy te wymiary na żywych odpowiedziach ChatGPT, Gemini, Claude, Perplexity, Google AI Overview, Microsoft Copilot, Grok i DeepSeek: Visibility Rate, Share of Voice, poziom rekomendacji, sentyment, wpływ źródeł i wykrywanie twierdzeń sprzecznych ze zweryfikowanymi faktami o marce. Każdy wynik jest datowanym pomiarem konkretnego badania, nie prognozą z sygnałów na stronie. Dzięki temu kampania w ChatGPT nie jest prowadzona w ciemno: wiemy, na jakim tle organicznym wyświetla się reklama i czy to tło pracuje za nią, czy przeciw niej.
5.4. Dowód – żeby wynik dało się obronić
W kanale bez benchmarków i z 24–48-godzinnym opóźnieniem raportowania konwersji szczególnie ważne jest, żeby diagnoza i wnioski były audytowalne. W Semantio każda odpowiedź modelu jest zapisywana w logu wraz z metadanymi, klasyfikacją i cytowanymi źródłami, a wybrane odpowiedzi można utrwalić jako niezależnie weryfikowalny, zabezpieczony przed modyfikacją zapis tego, co dany system powiedział w danym dniu.
6. Jak prowadzimy kampanie w ChatGPT
W Brand Semantics prowadzimy kampanie ChatGPT Ads od diagnozy do raportu – z bezpośrednim dostępem do Ads Managera i na własnym narzędziu pomiarowym. Proces wygląda tak:
Diagnoza reprezentacji marki w modelach. Badanie w Semantio: realne scenariusze zakupowe w kategorii klienta, w języku rynku, w kilku systemach. Wynik: gdzie marka jest rekomendowana, gdzie przegrywa z konkurentami, gdzie modele się mylą, jakie źródła kształtują odpowiedź.
Mapa encji i przygotowanie strony docelowej. Uporządkowanie tego, co model ma o marce rozumieć, i przełożenie na stronę docelową: jednoznaczną, źródłową, przepuszczającą roboty OpenAI (OAI-AdsBot i OAI-SearchBot – blokada któregokolwiek oznacza odrzucenie reklamy lub zniknięcie z organicznych odpowiedzi).
Scenariusze → wskazówki kontekstowe i kreacje. Z pomiaru wynikają sytuacje potrzeby, w których reklama ma sens, i warianty nagłówków oraz opisów dopasowane do etapu decyzji.
Kampania w Ads Manager. Cel (zasięg, kliknięcia lub konwersje), geografia, platforma, budżet dzienny, pomiar konwersji pikselem i przez Conversions API skonfigurowany przed startem.
Monitoring dwóch warstw. Równolegle: wyniki kampanii z Ads Managera i cykliczny pomiar organicznych odpowiedzi modeli w Semantio. Jeśli tło organiczne pracuje przeciw reklamie – działania GEO na źródłach i treściach, nie tylko na stawkach.
Raport z dowodem. Co model mówił, co reklama zrobiła, co się zmieniło między pomiarami – z logami i weryfikowalnym zapisem odpowiedzi.
7. Kto powinien wejść teraz, a kto poczekać
Warto testować teraz, jeśli marka działa w kategorii, w której klient porównuje, pyta i wraca z kolejnymi pytaniami: e-commerce z produktami rozważanymi, elektronika, finanse osobiste (w granicach polityki reklamowej OpenAI), telekomunikacja, motoryzacja, podróże, edukacja, usługi wybierane po researchu, a także produkty do domu, produkty budowlane i wykończeniowe czy artykuły dla dzieci. Warto też, jeśli firma chce zdobyć doświadczenie w kanale, zanim zrobi to konkurencja – przy młodym kanale koszt nauki jest niższy niż koszt spóźnienia.
Warto poczekać, jeśli:
klienci to głównie decydenci B2B korzystający z płatnych planów ChatGPT – reklama na razie do nich nie dotrze; w tym przypadku ważniejsza jest organiczna reprezentacja marki w odpowiedziach, którą widzą wszyscy użytkownicy, niezależnie od planu. W badaniu producenta wentylacji pożarowej nazwaliśmy to „przetargiem przegranym przed przetargiem”: projektant pyta model, co wpisać do specyfikacji, dostaje listę bez marki – i marka wchodzi dopiero jako zamiennik na etapie wykonawczym, walcząc ceną. Tego nie naprawi karta sponsorowana, tylko obecność w samej odpowiedzi;
produkt to FMCG lub lokalna usługa o niskiej wartości koszyka – przy CPC 3–5 USD ekonomika się nie domyka;
branża podlega ograniczeniom polityki reklamowej (alkohol, hazard, treści polityczne są niedozwolone; zdrowie i usługi finansowe są ograniczone, a poza USA w większości niedopuszczone);
firma nie ma strony docelowej, którą model mógłby zrozumieć – wtedy pierwszym krokiem nie jest kampania, tylko uporządkowanie reprezentacji marki.
Niezależnie od tego, czy firma wchodzi w płatne reklamy, warstwa organiczna działa zawsze: użytkownik planu płatnego nie zobaczy reklamy, ale zobaczy, co model mówi o marce. Dla wielu firm B2B to dziś ważniejszy kanał niż jakakolwiek karta sponsorowana.
8. Lista kontrolna gotowości do ChatGPT Ads
Przed uruchomieniem kampanii warto odpowiedzieć na dziesięć pytań:
Czy wiemy, w jakim odsetku realnych pytań zakupowych w naszej kategorii ChatGPT w ogóle wymienia naszą markę?
Czy wiemy, kogo rekomenduje zamiast nas – i dlaczego (jakie źródła)?
Czy model podaje o nas nieprawdziwe informacje, które reklama by wzmocniła zamiast skorygować?
Czy strona docelowa jednoznacznie opisuje produkt, odbiorcę, problem i dowody – językiem, który model może przejąć?
Czy strona przepuszcza OAI-AdsBot i OAI-SearchBot?
Czy mamy scenariusze intencji dla trzech etapów decyzji, z których wynikają wskazówki kontekstowe?
Czy mamy kilka wariantów nagłówka i opisu, z których każdy pokazuje inną korzyść, a nie ten sam komunikat?
Czy pomiar konwersji (piksel, Conversions API, UTM) jest skonfigurowany przed startem, a nie po?
Czy nasi klienci korzystają z planu bezpłatnego ChatGPT?
Czy mamy sposób, żeby po kampanii pokazać zarządowi, co model mówił o marce w dniu emisji – w formie, którą da się zweryfikować?
Jeśli na pytania 1–3 odpowiedź brzmi „nie wiemy”, kampania wystartuje w ciemno – niezależnie od tego, kto ją poprowadzi.
9. Słownik pojęć
ChatGPT Ads – kanał reklamowy OpenAI, w którym karty sponsorowane wyświetlają się pod odpowiedziami ChatGPT użytkownikom planów bezpłatnych; dopasowanie opiera się na kontekście rozmowy, stronie docelowej, kreacji i wskazówkach kontekstowych reklamodawcy, a nie na słowach kluczowych.
Wskazówki kontekstowe (context hints) – opisy sytuacji potrzeby (kto, jaka potrzeba, jaki kontekst, jaki moment decyzji), które reklamodawca podaje w Ads Manager; nie są dopasowaniem ścisłym i nie gwarantują emisji.
Generative Engine Optimization (GEO) – dyscyplina następująca po SEO: zamiast pozycji na liście linków celem jest to, jak modele językowe opisują, porównują i rekomendują markę w gotowej odpowiedzi. Obejmuje porządkowanie encji i twierdzeń o marce, budowę źródeł, które modele cytują, oraz pomiar odpowiedzi.
Reprezentacja marki w odpowiedziach modeli językowych (LLM brand representation) – obserwowalny sposób, w jaki marka jest obecna, opisywana, porównywana, rekomendowana i źródłowana w odpowiedziach systemów GenAI w określonym badaniu. Widoczność jest tylko jednym z jej wymiarów.
Share of Voice (SoV) – udział marki w „czasie antenowym” odpowiedzi modelu wobec nazwanych konkurentów w danym zbiorze scenariuszy.
Halucynacja marki (brand hallucination) – twierdzenie modelu o marce sprzeczne ze zweryfikowanymi faktami: błędna cena, nieistniejący certyfikat, zła lokalizacja, cecha przypisana od konkurenta.
Mapa encji / mapa twierdzeń – narzędzia porządkowania reprezentacji marki: lista obiektów tworzących świat marki (produkty, odbiorcy, problemy, konkurenci, dowody) oraz lista zdań o tych obiektach, które mają być prawdziwe, źródłowo potwierdzone i możliwe do przejęcia przez model.
Semantio – platforma badawcza Brand Semantics do analizowania i monitorowania reprezentacji marek w odpowiedziach ChatGPT, Gemini, Claude, Perplexity, Google AI Overview, Microsoft Copilot, Grok i DeepSeek, na żywych odpowiedziach, w języku rynku, z logami i weryfikowalnym dowodem.
10. Najczęstsze pytania
Czy reklama w ChatGPT może zmienić to, co model mówi o marce? Nie. OpenAI oddziela system reklamowy od modelu. Reklamodawca nie może wpływać na treść, kolejność ani ton odpowiedzi. Zmiana organicznej reprezentacji marki jest możliwa wyłącznie przez pracę na źródłach, treściach i strukturze informacji – czyli przez GEO.
Czy da się kupić reklamę na frazę „najlepszy X w Warszawie”? Nie. Nie ma słów kluczowych. Można opisać sytuację potrzeby, w której reklama ma sens, i zadbać o to, żeby strona docelowa i kreacja były do niej trafne. Decyzję o emisji podejmuje model trafności OpenAI.
Ile kosztuje kliknięcie? OpenAI rekomenduje stawki CPC 3–5 USD. Pierwsze publikowane testy zagraniczne mieszczą się w tym przedziale. Polskich benchmarków jeszcze nie ma.
Czy widzą to moi klienci B2B? Jeśli korzystają z planu bezpłatnego – tak. Na planach Plus, Pro i Business reklam na razie nie ma; ich użytkownicy widzą natomiast organiczne odpowiedzi modelu o marce, i to one decydują o tym, czy marka trafi na shortlistę.
Od czego zacząć? Od pomiaru: co dziś ChatGPT i inne modele mówią o marce w realnych pytaniach zakupowych. Bez tego nie wiadomo, czy reklama będzie wzmacniać rekomendację, czy z nią walczyć.
