Ruch z ChatGPT, Perplexity czy trybu AI w wyszukiwarce zachowuje się inaczej niż kliknięcie z reklamy. Użytkownik nie trafia na stronę po to, żeby dowiedzieć się, czym zajmuje się firma. On już to wie, bo model mu to streścił, i przychodzi zweryfikować jedno konkretne zdanie, które gdzieś przeczytał. To zmienia zadanie landing page’a: nie ma przekonywać od zera, tylko potwierdzić lub skorygować gotową tezę.
Czym różni się intencja użytkownika z AI
Przy kliknięciu z Google Ads intencja jest wciąż surowa. Ktoś wpisał frazę, zobaczył nagłówek reklamy, kliknął i dopiero na stronie zaczyna porównywać. Kolejność jest klasyczna: obietnica, argumenty, dowody, akcja. Landing musi zbudować całą narrację, bo poza nagłówkiem reklamy użytkownik nie ma o firmie żadnej wiedzy.
Z modelu przychodzi ktoś zupełnie inny. Odpowiedź, którą przeczytał, była już filtrem: wykluczyła część rynku, wskazała dwóch czy trzech dostawców i przypisała im konkretne cechy. Kliknięcie jest ostatnim krokiem, a nie pierwszym. Taki użytkownik wchodzi z pytaniem zamkniętym, nie otwartym. Nie szuka odpowiedzi na „kto to robi”, tylko na „czy to, co przeczytałem, jest prawdą”.
Praktyczny skutek jest taki, że ten ruch ma mniejszy wolumen i wyższą jakość. Sesje bywają krótsze, bo użytkownik szuka jednego faktu, a nie czyta całej strony. Jeśli oceniasz go klasycznymi progami czasu na stronie i liczby podstron, wyjdzie na słaby, choć konwertuje lepiej. Warto go liczyć osobno od początku, zanim wpadnie do jednego worka z resztą ruchu bezpośredniego.
Potwierdzenie obietnicy z odpowiedzi modelu
Najczęstszy powód odbicia tego ruchu jest banalny: model powiedział coś konkretnego, a na stronie tego nie widać. Ktoś przeczytał, że wdrażacie serwerowe śledzenie konwersji dla e-commerce, wchodzi i widzi hasło o kompleksowym marketingu. Nie ma sprzeczności, ale nie ma też potwierdzenia, więc użytkownik wraca do okna czatu.
Pierwszy ekran powinien więc zawierać zdanie, które da się przyłożyć jeden do jednego do tezy z odpowiedzi. Nie slogan, tylko opis zakresu: co robicie, dla kogo, w jakim modelu rozliczenia. Jeśli wiesz, w jakich kontekstach modele wymieniają twoją markę (wystarczy regularnie zadać im kilka pytań z twojej kategorii), to te właśnie sformułowania powinny wrócić na stronie.
Ta sama zasada działa przy tematach technicznych. Strona o Conversions API musi rzeczywiście mówić o zdarzeniach serwerowych i dopasowaniu zdarzeń, a nie o „nowoczesnych rozwiązaniach”. Rozwinięciem takiej obietnicy jest u nas tekst o tym, jak dziś ustawić Conversions API w Meta Ads, i to właśnie do takich podstron warto prowadzić z lądowania, zamiast zamykać wszystko na jednej stronie ofertowej.
Konkrety: ceny, warunki, dane techniczne
Modele świetnie streszczają, ale kiepsko zgadują liczby. Użytkownik, który przychodzi po cenę, przychodzi dokładnie dlatego, że jej nie dostał albo dostał ją z zastrzeżeniem. Brak widełek na stronie jest w tym scenariuszu kosztowniejszy niż w klasycznym PPC, bo alternatywą nie jest formularz, tylko powrót do czatu i inna rekomendacja.
Minimum, które warto podać wprost:
- widełki kwotowe albo próg wejścia, nawet szeroki, z informacją, co je przesuwa,
- model rozliczenia: abonament, projekt, stawka godzinowa, prowizja od budżetu,
- czas wdrożenia i moment, w którym widać pierwsze efekty,
- warunki brzegowe: minimalny budżet mediowy, wymagane dostępy, obsługiwane platformy,
- co wprost nie wchodzi w zakres.
Ostatni punkt wygląda na strzał w stopę, a jest odwrotnie. Jasne wykluczenie odsiewa zapytania, które i tak by się rozeszły, a przy okazji daje modelom materiał do precyzyjniejszego opisu firmy. Jeśli publikujesz konkretne stawki rynkowe, jak w zestawieniu kosztów reklamy na Facebooku w Polsce, zyskujesz dwa razy: użytkownik dostaje punkt odniesienia, a strona staje się cytowalnym źródłem.
Dowody i źródła na stronie
Użytkownik po rozmowie z modelem jest w trybie weryfikacji, więc reaguje na to, co da się sprawdzić. Działają nazwy klientów z branżą i skalą, liczby z podanym okresem i metodą pomiaru, cytowalne dokumenty w rodzaju case study z datą. Nie działają bezimienne opinie i procenty bez kontekstu, bo są dokładnie tym, czego model nie potrafił zweryfikować.
Dobrą praktyką jest podawanie źródeł także dla cudzych danych, na przykład do oficjalnej dokumentacji platformy albo do wytycznych w Google Search Central. To nie jest ukłon w stronę algorytmu, tylko sygnał dla człowieka, że strona nie boi się konfrontacji z oryginałem. Ten sam mechanizm zwiększa szansę, że twoja strona zostanie potraktowana jako źródło w kolejnej odpowiedzi.
Warto też zadbać o to, żeby dowody były tekstem, a nie grafiką. Liczba zapisana w obrazku nie istnieje ani dla czytnika, ani dla systemu, który będzie stronę streszczał.
Formularz i mikrokonwersje
Skoro użytkownik przychodzi z domkniętą częścią decyzji, formularz może być krótszy niż w klasycznym lądowaniu. Trzy pola zamiast siedmiu, bez pytań, na które odpowiedź i tak padnie na pierwszej rozmowie. Kwalifikację lepiej przenieść na jedno pole wyboru (budżet, branża, rodzaj projektu) niż rozbijać na kilka osobnych.
Równolegle warto dać wyjście dla tych, którzy jeszcze nie są gotowi. Mikrokonwersje w tym ruchu bywają ważniejsze niż lead: pobranie cennika, zapis na krótką checklistę, kliknięcie w rozwinięcie zakresu, przejście do artykułu technicznego. Każde z tych zdarzeń oznacza, że obietnica została potwierdzona, tylko decyzja jest odłożona.
Techniczna strona też ma znaczenie, bo ten ruch często przychodzi z urządzenia mobilnego i z aplikacji, a nie z przeglądarki na desktopie. Jeżeli pierwszy ekran renderuje się z opóźnieniem, tracisz użytkownika, który miał zająć na stronie kilkanaście sekund. Podstawy opisaliśmy w tekście o tym, jak poprawić Core Web Vitals w WordPressie, i przy lądowaniach dla ruchu z AI to nie jest kosmetyka.
Pomiar tego ruchu w analityce
Domyślnie duża część odwiedzin z modeli wpada do kanału bezpośredniego albo do odesłań z dziwnymi domenami. Bez wydzielenia tego segmentu nie ocenisz żadnej zmiany na landingu, bo rozmyje się w ruchu z newslettera i z wpisanego adresu.
Minimalna konfiguracja wygląda tak:
- lista domen odsyłających, które chcesz traktować jako AI (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com i kolejne, które zobaczysz w raporcie),
- osobny segment lub kanał niestandardowy oparty na tej liście,
- osobne zdarzenia dla mikrokonwersji, nie tylko dla wysłania formularza,
- raport porównujący ten segment z ruchem płatnym na tym samym adresie URL.
Przy niskim wolumenie patrz na liczby bezwzględne, nie na procenty. Trzy leady z dwustu sesji to wynik, którego współczynnik konwersji nic nie powie, bo przedział ufności jest szerszy niż sama wartość. Lepiej raportować liczbę zdarzeń miesięcznie i obserwować trend przez kwartał.
Test A/B na małym wolumenie
Klasyczny test A/B przy dwustu sesjach miesięcznie nie ma sensu: żeby wykryć różnicę rzędu jednego punktu procentowego, potrzeba tysięcy odsłon na wariant. Zamiast tego lepiej działają testy sekwencyjne na dużych zmianach. Podmieniasz cały pierwszy ekran, zostawiasz go na pełny miesiąc, porównujesz z poprzednim miesiącem i akceptujesz, że to obserwacja, a nie dowód.
Druga opcja to testowanie na poziomie strony, a nie elementu. Dwa osobne adresy URL o różnej konstrukcji, oba żyjące równolegle przez kwartał, dają czytelniejszy sygnał niż dziesięć drobnych wariantów nagłówka. Zysk jest dodatkowy: obie wersje mogą się indeksować i obie mogą trafić do odpowiedzi modelu.
Trzecia droga, często najtańsza, to wywiad zamiast testu. Pięć rozmów z osobami, które przyszły tą ścieżką i zapytanie wprost, czego szukały i czy to znalazły, powie więcej niż statystyka z takiej próbki. Wynik takiej rozmowy da się wdrożyć w godzinę, a nie po kwartale zbierania danych.
FAQ
Czy potrzebuję osobnego landing page’a dla ruchu z AI?
Na starcie nie. Wystarczy dopisać do istniejącej strony sekcję z konkretami (zakres, widełki, warunki) i wydzielić ten ruch w analityce. Osobny adres URL ma sens dopiero wtedy, gdy segment jest na tyle duży, że widać na nim różnicę w zachowaniu.
Jak sprawdzić, co modele mówią o mojej firmie?
Ręcznie i regularnie. Ułóż listę 10–15 pytań, które zadałby twój klient, zadaj je w kilku modelach raz w miesiącu i zapisz odpowiedzi. Interesuje cię, czy marka się pojawia, w jakim kontekście i jakie cechy jej przypisano. To te sformułowania powinny mieć potwierdzenie na stronie.
Czy ruch z AI konwertuje lepiej niż z Google Ads?
Zwykle ma wyższy współczynnik konwersji przy dużo mniejszym wolumenie, bo przechodzi przez filtr odpowiedzi modelu. Nie zastępuje jednak kampanii płatnych: nie da się go skalować budżetem ani sterować nim w krótkim okresie.
Czy publikowanie cen nie ułatwia pracy konkurencji?
Konkurencja zna stawki rynkowe niezależnie od twojej strony. Brak liczb kosztuje więcej, bo użytkownik, który nie znajdzie widełek, wraca do czatu i dostaje rekomendację kogoś, kto je podał.
Po jakim czasie ocenić zmianę na landingu dla tego ruchu?
Przy wolumenie poniżej kilkuset sesji miesięcznie licz na pełny kwartał. Krótsze okna pokazują głównie wahania losowe, zwłaszcza że liczba odesłań z modeli potrafi zmieniać się skokowo po aktualizacji samego narzędzia.