Jak sprawdzić, które strony mają najwięcej generative AI impressions w Search Console?

Najkrótsza odpowiedź: aby wskazać strony z największą liczbą generative AI impressions, trzeba porównać wymiar Pages dla jednego zakresu danych i uporządkować URL-e według liczby impressions. Taki wynik pokazuje mierzoną ekspozycję linków, a nie jakość strony, pozycję w AI Overviews lub AI Mode ani przyczynę uzyskanego wyniku.

Generative AI Performance Report w Search Console obejmuje obecnie dane z AI Overviews i AI Mode. Dla audytu wielu stron ważne jest rozdzielenie dwóch pytań: „które URL-e pojawiają się najczęściej?” oraz „co można z tego uczciwie wywnioskować?”. Pierwsze pytanie da się oprzeć na tabeli Pages. Drugie wymaga kontroli canonical, agregacji, statusu danych i ograniczeń raportu.

Jak sprawdzić, które strony mają najwięcej generative AI impressions?

Najprostszy audyt opiera się na jednym kryterium: liczbie generative AI impressions przypisanych do adresów widocznych w wymiarze Pages. Google wskazuje analizę stron z najwyższą i najniższą liczbą impressions jako jedno z zastosowań Generative AI Performance Report. Jeżeli potrzebujesz najpierw ustalić zakres dostępnych danych, osobny materiał wyjaśnia, co dokładnie mierzy Generative AI Report.

1. Ustal jeden okres analizy i nie zmieniaj go podczas porównania URL-i.
2. Otwórz Generative AI Performance Report dla właściwej usługi Search Console.
3. Przejdź do wymiaru Pages.
4. Porównaj strony według liczby impressions w tym samym zakresie.
5. Uporządkuj URL-e od najwyższej do najniższej liczby impressions.
6. Jeżeli analiza ma objąć dalsze obliczenia, użyj eksportu tabeli i zachowaj informację o zakresie dat oraz filtrach.

Tak uporządkowana lista jest rankingiem wyłącznie w sensie redakcyjnym: URL-e są ustawione według jednego jawnego kryterium, czyli liczby impressions. Nie jest to metryka pozycji strony w AI Overviews ani AI Mode.

Sam wynik nie powinien jeszcze prowadzić do zmian treści. Najpierw trzeba sprawdzić, czy porównywane wiersze rzeczywiście opisują ten sam rodzaj danych.

Co trzeba sprawdzić, zanim porównasz URL-e?

Lista Pages może wyglądać jednoznacznie, lecz kilka warunków wpływa na sens porównania. Błąd na tym etapie może prowadzić do fałszywego wniosku o przewadze jednego URL-a nad innym.

• Ten sam okres: wszystkie strony muszą być oceniane dla tego samego przedziału dat.
• Ten sam kontekst raportu: porównanie powinno dotyczyć tej samej usługi Search Console i tych samych filtrów.
• Canonical i finalny URL: wymiar Pages grupuje dane według finalnego adresu wskazanego przez funkcję generatywną, a większość danych Performance jest przypisywana do canonical URL.
• Status preliminary: najświeższe dane mogą być oznaczone jako wstępne i mogą ulec zmianie w kolejnych godzinach.
• Limit tabeli: raport może pokazywać maksymalnie 1000 wierszy. Przy większym serwisie widoczna tabela nie musi stanowić pełnego zestawu wszystkich URL-i z generative AI impressions.

Ta kontrola odpowiada na ważne pytanie: czy dwa wiersze tabeli można zestawić bez dodatkowego zastrzeżenia? Jeśli odpowiedź brzmi „nie”, wynik należy oznaczyć jako ograniczony metodologicznie, a nie interpretować go jak pełny obraz serwisu.

Dlaczego suma Pages może różnić się od wartości na wykresie?

Wykres i tabela Pages nie muszą dawać identycznych sum. Powodem jest inny poziom agregacji. Wykres może prezentować impressions zagregowane na poziomie całej usługi, natomiast tabela pogrupowana według Pages pracuje na poziomie stron. Google opisuje tę klasę problemów także w dokumentacji dotyczącej rozbieżności między wykresem i tabelą.

Przykład hipotetyczny: jeden wynik generatywny pokazuje dwa linki z tej samej witryny — URL A i URL B. Przy agregacji na poziomie usługi takie zdarzenie może zostać policzone jako jedno impression dla witryny. W tabeli Pages oba adresy są analizowane jako osobne strony. W efekcie suma wierszy może różnić się od liczby widocznej na wykresie.

Różnica nie oznacza automatycznie błędu raportu. Oznacza, że porównywane są dwa poziomy agregacji. Audyt URL-i powinien więc opierać się na jednej, jasno nazwanej jednostce, a suma tabeli nie powinna być traktowana jako prosty odpowiednik totalu całej usługi.

Co naprawdę oznacza URL z dużą liczbą AI impressions?

Duża liczba generative AI impressions oznacza, że link do danego URL-a był często pokazywany użytkownikom w funkcjach objętych raportem w badanym zakresie. Sama liczba nie mówi, czy strona jest „najlepsza”, czy zajmuje najwyższą pozycję, ani dlaczego Google ją wyświetlał.

Obserwacja	Co wiadomo	Czego nie wiadomo	Kolejny test
URL ma dużo impressions	Ma wysoką mierzoną ekspozycję w badanym zakresie	Nie wiadomo, czy wynik wynika z jakości treści, tematu, popytu, architektury serwisu czy innego czynnika	Sprawdź rolę URL-a, okres, segment i dalsze dane właściwe dla hipotezy
URL ma mało impressions	Ma niską mierzoną ekspozycję w badanym zakresie	Nie wiadomo, czy to problem, jeśli strona ma wąską intencję lub mały popyt	Porównaj wynik z rolą strony i oczekiwanym zakresem jej widoczności
URL nie występuje w widocznej tabeli	Nie ma go w aktualnie pokazanym zestawie wierszy	Nie wiadomo, czy ma zero impressions, czy został pominięty przez ograniczenia tabeli	Sprawdź zakres raportu i limit wierszy
Dwa URL-e mają podobny wynik	Ich liczba impressions jest zbliżona dla tego samego zakresu	Nie wiadomo, czy strony pełnią tę samą rolę biznesową lub odpowiadają na podobny popyt	Dodaj segmentację według typu strony albo tematu

Wysoką ekspozycję można więc traktować jako sygnał wyboru strony do dalszej analizy. Nie jest to ocena jakości treści ani dowód skuteczności określonej optymalizacji.

Bieżąca dokumentacja raportu wymienia AI Overviews i AI Mode jako objęte funkcje, ale nie opisuje wymiaru, który dzieliłby tabelę Pages według typu funkcji. Bez takiego wymiaru nie należy obiecywać osobnego zestawienia „TOP strony w AI Overviews” i „TOP strony w AI Mode”.

Jak sprawdzić, czy ekspozycja skupia się na kilku stronach?

Lista URL-i może powiedzieć więcej niż tylko to, który adres zajmuje pierwsze miejsce według impressions. Przydatne jest także sprawdzenie, jak duża część obserwowanej ekspozycji przypada na wybraną grupę najwyższych wierszy.

Można użyć prostego wskaźnika opisowego:

udział TOP N = suma impressions dla TOP N URL-i / suma page-level impressions w badanym zbiorze × 100%

Przykład hipotetyczny: analizowany zestaw zawiera 10 URL-i i łącznie 12 000 page-level impressions. Trzy pierwsze adresy mają razem 7 200 impressions. Udział TOP 3 w obserwowanym zbiorze wynosi 60%.

Taki wynik mówi jedynie, że 60% impressions z badanego zestawu przypada na trzy URL-e. Nie mówi, czy 60% jest wynikiem dobrym lub złym. Nie istnieje tu zatwierdzony benchmark Google, który pozwalałby nadać uniwersalny próg jakości.

Wskaźnik jest szczególnie użyteczny do porównania rozkładu wewnątrz jednego serwisu albo między okresami przygotowanymi według tej samej metodologii. Jeśli tabela została ograniczona liczbą wierszy, mianownikiem jest obserwowany zestaw page-level impressions, a nie całe portfolio serwisu.

Samo uporządkowanie URL-i według impressions nie kończy analizy. Poniższy schemat pokazuje, gdzie kończy się obserwacja ekspozycji i od którego momentu potrzebna jest dalsza diagnostyka. Transkrypcja infografiki: AI impressions na poziomie URL-i

Grafika porządkuje ścieżkę decyzyjną, natomiast dalsza część materiału pokazuje sposób doboru następnego testu dla konkretnego URL-a.

Jak przełożyć wynik audytu na dalszą diagnostykę?

Page-level audit nie powinien kończyć się na liście URL-i. Jego wartość pojawia się wtedy, gdy każda obserwacja prowadzi do właściwego rodzaju dalszego testu.

1. Nazwij obserwację. Przykład: „URL A ma najwyższą liczbę impressions w badanym okresie”.
2. Sprawdź jakość pomiaru. Zweryfikuj canonical, zakres, preliminary data i ograniczenie tabeli.
3. Oddziel fakt od hipotezy. Fakt dotyczy ekspozycji. Hipoteza może dotyczyć tematu, architektury treści, sezonowości albo innego mechanizmu.
4. Dobierz osobny test. Jeśli pytanie dotyczy zmiany w czasie, najpierw zapisz punkt odniesienia T0 dla widoczności w Google AI Search, a później wykonaj porównanie T0 i T1 po aktualizacji. Jeśli pytanie dotyczy koncentracji, analizuj rozkład URL-i. Jeśli dotyczy zachowania użytkowników, potrzebne będą inne dane niż same impressions.

Dla wysokiej ekspozycji właściwym ruchem jest ustalenie, jaką rolę pełni URL i czy wynik utrzymuje się w porównywalnym zakresie. Dla niskiej ekspozycji trzeba najpierw ustalić, czy dana strona w ogóle powinna mieć duży udział w generatywnej widoczności. Brak URL-a w widocznej tabeli nie powinien być automatycznie opisywany jako zero, szczególnie przy dużych serwisach.

Takie rozdzielenie ogranicza ryzyko najczęstszego błędu: zamiany obserwacji w gotową przyczynę. Tabela Pages wskazuje, gdzie znajduje się ekspozycja. Nie podaje kodu przyczyny dla poszczególnych URL-i.

Kiedy tabela Pages nie daje pełnego obrazu?

• Brak rozdzielenia według typu funkcji: bieżąca dokumentacja opisuje AI Overviews i AI Mode jako objęte raportem, lecz nie wymienia osobnego wymiaru dzielącego Pages według tych dwóch formatów.
• Limit wierszy: przy dużej liczbie URL-i tabela może nie pokazać całego portfolio. Widocznej listy nie należy wtedy nazywać pełnym zestawem stron z generative AI impressions.
• Dane preliminary: najświeższe wartości mogą ulec zmianie, więc bardzo krótki okres może być słabą bazą dla daleko idących wniosków.
• Agregacja: chart i tabela Pages mogą operować na innym poziomie agregacji, co wpływa na sumy.
• Canonical: raport przypisuje większość danych Performance do canonical URL, więc migracje, przekierowania i błędna interpretacja adresów mogą zaburzyć analizę pojedynczych stron.

Najbardziej użyteczny rezultat tego audytu nie brzmi więc „to jest najlepsza strona w AI”. Lepszy wniosek brzmi: „ten URL ma najwyższą mierzoną ekspozycję w zdefiniowanym zakresie i powinien zostać skierowany do określonego kolejnego testu”. Taki język zachowuje granice danych i pozwala budować dalszą diagnostykę bez przypisywania raportowi informacji, których nie pokazuje.