Transformacja nr 3: Od zaufania do marki do zaufania do firmy, ekspertów i źródeł zewnętrznych

Marka wciąż ma znaczenie w B2B. Rozpoznawalność zmniejsza postrzegane ryzyko, reputacja pomaga firmie znaleźć się wśród rozważanych dostawców, a ugruntowana nazwa daje kupującym pewność, że dostawca będzie nadal istniał kilka lat po rozpoczęciu złożonego wdrożenia.

Reputacja firmy staje się jednak tylko jednym z elementów oceny. Kupujący mogą przeanalizować wiedzę samej firmy, sprawdzić jej członków zarządu i ekspertów merytorycznych, zapoznać się z dowodami od klientów, zapytać innych klientów o opinię, przejrzeć komentarze analityków i porównać niezależne źródła. Równolegle research wspierany przez AI pobiera i syntetyzuje informacje z wielu tych samych miejsc.

Krótka odpowiedź

Autorytet w B2B coraz bardziej rozkłada się na wiele źródeł. Kupujący coraz częściej sprawdzają, czy firma pokazuje rzeczywistą wiedzę, czy konkretne osoby potrafią wiarygodnie ją reprezentować oraz czy klienci, partnerzy, analitycy, media lub inne niezależne źródła potwierdzają ją z zewnątrz.

Research wspierany przez AI to kolejny powód, dla którego ma to znaczenie. Systemy AI, które pobierają informacje, korzystają z wielu źródeł, aby budować odpowiedzi, porównania i rekomendacje. Google podaje na przykład, że jego wyszukiwarka oparta na AI może przed wygenerowaniem odpowiedzi wysłać wiele powiązanych zapytań dotyczących różnych podtematów i źródeł danych (Google Search Central, AI features and your website).

Nie oznacza to, że LLM „ufa” firmie, ponieważ ma ona widocznych ekspertów lub obecność w mediach. Różne systemy AI stosują różne mechanizmy pobierania informacji, rankingowania i cytowania, a żaden pojedynczy sygnał nie gwarantuje uwzględnienia firmy w odpowiedzi. Oznacza to natomiast, że firmy potrzebują jasno opisanej wiedzy, przypisanej do konkretnych osób wiedzy eksperckiej i wiarygodnych dowodów zewnętrznych w miejscach, w których zarówno kupujący, jak i systemy AI mogą je znaleźć i wykorzystać. Na tym polega rzeczywista transformacja.

Najważniejsze wnioski

• Reputacja firmy nadal ma wartość, ale sama rozpoznawalność marki daje niepełny obraz kompetencji i wiarygodności.
• Treści publikowane przez firmę pokazują, co firma wie i co potrafi udowodnić.
• Rozpoznawalni eksperci sprawiają, że wiedzę można przypisać do konkretnych osób o widocznych kompetencjach.
• Klienci, partnerzy, analitycy, media i inne niezależne źródła dostarczają dowodów spoza deklaracji samej firmy.
• Research wspierany przez AI pobiera informacje z wielu źródeł, dlatego rośnie wartość tego, aby wszystkie te rodzaje dowodów były widoczne i spójne.

Dlaczego zaufanie wykracza poza markę firmy

Tradycyjne budowanie marki opierało się na dość prostej hierarchii zaufania. Firma budowała rozpoznawalność, komunikacja korporacyjna kształtowała reputację, dział sprzedaży wzmacniał przekaz, a klienci w razie potrzeby udzielali referencji. Ten model zakładał, że obraz dostawcy powstaje głównie na podstawie informacji, które firma sama tworzy lub świadomie rozpowszechnia.

Współczesny kupujący działa w znacznie szerszym środowisku informacji. CMO oceniający platformę technologiczną może trafić na stronę dostawcy, artykuł jego CTO, post inżyniera na LinkedInie, raport analityka, opis wdrożenia u klienta, stronę partnera, wywiad w podcaście, dyskusje w społecznościach branżowych, recenzje oraz porównanie wygenerowane przez AI, które korzysta jednocześnie z kilku z tych źródeł.

Marka firmy nadal nadaje ramy temu doświadczeniu, ale już go nie kontroluje. Nowy model zaufania lepiej rozumieć jako system dowodów niż jako system komunikacji.

Dawniej i dziś: jak zmienia się zaufanie do firm

Najważniejsze słowo w ostatnim wierszu to spójnego. Obecność wszystkich trzech rodzajów dowodów gdzieś w internecie niewiele daje, jeśli opisują one coś, co wygląda jak trzy różne firmy.

Trzy warstwy, które kupujący oceniają coraz częściej

1. Wiedza firmy pokazuje, co organizacja rzeczywiście wie

Pierwszą warstwą zaufania pozostają informacje tworzone przez samą firmę, ponieważ kupujący potrzebuje źródła pierwotnego. Musi zrozumieć, czym firma się zajmuje, jakie problemy rozwiązuje, w czym ma kompetencje, jak działa jej metodyka, jakie dowody potwierdzają jej deklaracje, z jakimi przypadkami użycia ma doświadczenie, czego wymaga wdrożenie i w jakich sytuacjach jej rozwiązanie może w ogóle się nie sprawdzić.

Mogą to być badania, metodyki, Case Studies, dokumentacja techniczna, przewodniki wspierające decyzję, własne dane, informacje o wdrożeniu, logika ROI i szczegółowe porównania. Kluczowa jest różnica między produkcją treści a wiedzą organizacji. Firma może opublikować setki treści i jednocześnie sprawić, że jej kompetencje będą trudne do zrozumienia. Mniejszy zbiór jasnych, konkretnych i dobrze udokumentowanych materiałów często dostarcza znacznie więcej użytecznych dowodów.

Aktualne wytyczne Google wskazują w tym samym kierunku. Systemy wyszukiwarki Google mają promować pomocne i rzetelne informacje, a Google wprost pyta, czy treść zawiera oryginalne informacje, badania lub analizy i czy wnosi wartość wykraczającą poza przepisywanie istniejących źródeł (Google Search Central, Creating helpful, reliable, people-first content). Ta sama zasada dotyczy wyszukiwania wspieranego przez AI: jeśli najcenniejsza wiedza firmy nie jest jasno przedstawiona w dostępnych informacjach, system pobierający informacje ma mniej użytecznych dowodów, które mógłby pokazać.

Model E-E-A-T Google jest pomocnym kontekstem, ponieważ podkreśla doświadczenie, wiedzę ekspercką, autorytet i wiarygodność jako elementy jakości w wyszukiwarce. Nie należy go jednak przedstawiać jako uniwersalnego algorytmu cytowania przez LLM. Widoczne autorstwo, oryginalna wiedza ekspercka i jasno wskazane źródła poprawiają środowisko informacji, z którego mogą korzystać systemy pobierające dane, ale żaden pojedynczy sygnał nie gwarantuje cytowania.

2. Widoczni eksperci sprawiają, że wiedzę firmy można przypisać do konkretnych osób

Warstwa ludzka ma znaczenie dla obu grup odbiorców. Dla kupujących rozpoznawalny ekspert odpowiada na podstawowe pytanie: kto naprawdę zna się na tym temacie? W researchu wspieranym przez AI treści rozpoznawalnych ekspertów tworzą kolejny rodzaj źródła, które może zostać pobrane i zacytowane w kontekście konkretnych tematów.

Badanie Semrush LinkedIn AI Visibility Study dostarcza wyjątkowo konkretnych danych. W badaniu przeanalizowano 325 000 promptów i 89 000 adresów URL z LinkedIna cytowanych przez ChatGPT Search, Google AI Mode i Perplexity. W przypadku LinkedIna profile indywidualnych użytkowników odpowiadały za 59% cytowań zarówno w ChatGPT Search, jak i w Google AI Mode. Perplexity wykazywał odwrotny wzorzec: 59% jego cytowań z LinkedIna pochodziło ze stron firmowych.

Właśnie ten kontrast jest najciekawszy. Sugeruje, że wybór nie dotyczy tego, czy inwestować w treści firmowe, czy eksperckie, ponieważ oba rodzaje treści stają się materiałem dla researchu wspieranego przez AI. Semrush ustalił też, że 95% cytowanych postów z LinkedIna w analizowanym zbiorze stanowiły treści oryginalne, a nie udostępnienia, a dużą część cytowanych materiałów tworzyły treści edukacyjne i doradcze.

Nie należy z tego tworzyć formuły rankingowej, a już na pewno nie dowodzi to, że LLM preferują ludzi. Wyniki pokazują natomiast, że prawdziwe osoby publikujące użyteczną wiedzę już teraz stanowią znaczną część źródeł z LinkedIna, które pokazują najważniejsze wyszukiwarki AI. To zmienia strategiczną wartość wiedzy ekspertów merytorycznych.

3. Dowody zewnętrzne pokazują, czy historia firmy istnieje także poza nią

Trzecią warstwą jest niezależne potwierdzenie. Firma może deklarować kompetencje, a ekspert może je pokazywać, ale kupujący nadal chce wiedzieć, czy ktoś spoza organizacji je potwierdza. Takie dowody pochodzą od klientów, partnerów, analityków, z rekomendacji innych klientów, od stowarzyszeń branżowych, z niezależnych badań, recenzji, mediów, rankingów, społeczności zawodowych i innych wiarygodnych źródeł zewnętrznych.

Dowody zewnętrzne mają znaczenie psychologiczne, ponieważ zmniejszają zależność od tego, jak firma opisuje samą siebie. W środowisku, w którym pośredniczy AI, mają jeszcze jedno znaczenie: zwiększają liczbę i różnorodność źródeł, z których można pobrać informacje o firmie.

Google Research opisuje systemy retrieval-augmented generation jako dostarczające modelowi LLM kontekstu zewnętrznego, który może łączyć informacje z publicznych stron internetowych, prywatnych zbiorów dokumentów i grafów wiedzy (Deeper insights into retrieval-augmented generation). Badania nad tymi systemami pokazują też, dlaczego jakość źródeł i ich zgodność stają się ważnymi problemami technicznymi. Badacze Google zauważają, że pobrane źródła często zawierają sprzeczne informacje, i analizują, jak modele powinny je rozstrzygać ((D)RAGged Into a Conflict).

Nie dowodzi to, że komercyjne wyszukiwarki AI zawsze wymagają kilku niezależnych wzmianek, zanim zacytują firmę. Taka uniwersalna reguła nie została wykazana. Badania pokazują natomiast, że pobieranie informacji z wielu źródeł, wiarygodność źródeł i sprzeczne dowody to realne problemy inżynieryjne we współczesnych systemach AI. Wynika z tego praktyczny wniosek dla firm B2B: jeśli strona internetowa opisuje firmę w jeden sposób, jej eksperci w drugi, a źródła zewnętrzne kojarzą ją z czymś zupełnie innym, system AI ma do rozstrzygnięcia więcej niejednoznaczności, dokładnie tak jak kupujący.

Wiedza ekspertów ma znaczenie dla kupujących z tego samego powodu

Dane dotyczące kupujących wskazują w podobnym kierunku. Raport 2025 Edelman-LinkedIn B2B Thought Leadership Impact Report wykazał, że wśród ukrytych decydentów w badaniu przeprowadzonym w USA:

• 71% uważa, że Thought Leadership lepiej pokazuje potencjalną wartość dostawcy niż tradycyjne materiały marketingowe i sprzedażowe.
• 64% uważa, że Thought Leadership jest bardziej wiarygodną podstawą oceny możliwości i kompetencji niż materiały marketingowe i karty produktów.
• 95% deklaruje, że konsekwentnie wartościowy Thought Leadership sprawiłby, że byliby bardziej otwarci na działania sprzedażowe lub marketingowe danej firmy.

Te liczby nie dowodzą, że każda treść ekspercka automatycznie buduje autorytet. Raport wyraźnie odróżnia wartościowy Thought Leadership od zwykłych treści promocyjnych.

Dla CMO oznacza to, że wiedzą ekspercką nie należy zarządzać przede wszystkim jako widocznością zarządu ani programem employee advocacy. Prawdziwym zasobem jest wiedza przypisana do konkretnych osób: rynek widzi, kto zna temat, jakie ma poglądy, na jakich dowodach się opiera, skąd ma doświadczenie i czym jego sposób myślenia różni się od ogólnikowych komunikatów typowych dla kategorii.

Te same trzy pytania o zaufanie są dziś ważne dla kupujących i systemów AI

Jak trzy pytania o zaufanie działają w przypadku kupujących i researchu wspieranego przez AI

Dlatego ta transformacja jest szersza niż Thought Leadership. Dotyczy architektury wiarygodności całej firmy.

Co to zmienia w widoczności ekspertów

Najprostszą reakcją byłoby nakłonienie prezesa do częstszego publikowania na LinkedInie, ale to zbyt wąskie podejście. Dojrzała firma B2B potrzebuje, aby na zewnątrz czytelnych było kilka rodzajów wiedzy eksperckiej: strategiczna, branżowa, techniczna, wdrożeniowa, handlowa i związana z ryzykiem.

Gdy cały autorytet rynkowy skupia się na jednym prezesie lub założycielu, kupujący lepiej rozumieją założyciela niż firmę, a systemy AI natrafiają na tę samą nierównowagę w dostępnych informacjach.

Silniejszy model łączy ekspertów merytorycznych z obszarami, w których firma rzeczywiście ma kompetencje. CTO wyjaśnia architekturę, lider zespołu doradczego metodykę, inżynier realia wdrożenia, badacz publikuje własne wyniki, klient pokazuje efekt, a partner potwierdza dopasowanie do ekosystemu. Firma staje się wtedy widoczna dzięki wielu wiarygodnym punktom, a nie jednemu korporacyjnemu głosowi.

Co CMO powinni sprawdzić już teraz?

Punktem wyjścia nie powinno być pytanie, ile treści firma produkuje. Wybierz jeden ważny z handlowego punktu widzenia temat, rozwiązanie lub problem rynkowy i zadaj pięć pytań.

1. Czy wiedza firmy jest widoczna? Czy kupujący znajdzie merytoryczne materiały wyjaśniające, co firma wie na ten temat?
2. Czy wiedzę można przypisać do konkretnych osób? Czy da się wskazać w firmie wiarygodne osoby, które widocznie dysponują tą wiedzą?
3. Czy istnieją niezależne dowody? Czy klienci, partnerzy, analitycy, media lub inne wiarygodne źródła łączą firmę z tą kompetencją?
4. Czy te sygnały są ze sobą powiązane? Czy strona internetowa, eksperci i niezależne źródła wzmacniają mniej więcej ten sam obraz firmy, czy tworzą konkurencyjne wersje?
5. Czy research wspierany przez AI zbierze wystarczająco dużo dowodów? Zadaj realistyczne pytania zakupowe w kilku systemach AI.

W przypadku ostatniego punktu przydatne prompty to nie „Czym jest firma X?”, ale pytania, które rzeczywiście zadałby kupujący: które firmy rozwiązują ten problem, kto ma kompetencje w tym obszarze, jak firma X wypada na tle firmy Y, jakie dowody potwierdzają kompetencje firmy X i jakie ryzyka wiążą się z wyborem firmy X. Następnie sprawdź, z jakich źródeł korzystają systemy, gdzie pojawia się firma, jak jest opisywana i jakich dowodów brakuje. Takie ćwiczenie powie Ci znacznie więcej niż sprawdzenie, czy ChatGPT rozpoznaje nazwę firmy.

Dla zarządów kluczowe pytanie brzmi, czy strategiczna wiedza firmy jest czytelna na zewnątrz. Firma może wiedzieć znacznie więcej, niż potrafi udowodnić jej zewnętrzne środowisko informacji, dlatego jest to problem autorytetu, a dopiero w drugiej kolejności problem optymalizacji.

FAQ

Czy LLM bardziej ufają treściom eksperckim niż treściom firmowym?

Nie powinniśmy opisywać LLM jako „ufających” źródłom w ludzkim sensie, a w systemach AI nie obowiązuje jedna uniwersalna reguła. Możemy natomiast zaobserwować, że treści eksperckie już teraz są często pobierane i cytowane. W zbiorze danych z 2026 roku Semrush ustalił, że profile indywidualnych użytkowników odpowiadały za 59% cytowań z LinkedIna zarówno w ChatGPT Search, jak i w Google AI Mode, podczas gdy Perplexity częściej cytował strony firmowe.

Czy dodanie autora-eksperta gwarantuje cytowania przez AI?

Nie. Samo autorstwo nie gwarantuje pobrania ani cytowania. Znaczenie mają trafność, dostępność, jakość treści, zapytanie, system AI i jego mechanizm pobierania informacji. Same wytyczne Google jasno wskazują, że nawet spełnienie wymagań technicznych i jakościowych nie gwarantuje zaindeksowania ani wyświetlenia.

Dlaczego źródła zewnętrzne mają znaczenie dla AI Visibility?

Dostarczają dodatkowych, niezależnych informacji o firmie, na które mogą trafić systemy pobierające informacje. Badania nad RAG pokazują też, że wiarygodność źródeł i sprzeczności między pobranymi źródłami istotnie wpływają na generowanie odpowiedzi, choć komercyjne systemy AI różnią się sposobem traktowania tych sygnałów.

Czy E-E-A-T jest czynnikiem rankingowym GEO?

Nie w sensie uniwersalnego czynnika rankingowego dla LLM. E-E-A-T to model Google opisujący doświadczenie, wiedzę ekspercką, autorytet i wiarygodność jako elementy jakości w wyszukiwarce. To przydatna wskazówka redakcyjna, ale nie należy jej przedstawiać jako algorytmu cytowania stosowanego przez systemy AI w ogóle.

Czy to oznacza, że treści marki firmowej tracą znaczenie?

Nie. Informacje publikowane przez firmę pozostają głównym miejscem, w którym może ona pokazać głębię wiedzy, metodykę i dowody z pierwszej ręki. Zmiana polega na tym, że treści firmowe coraz częściej działają razem z wiedzą rozpoznawalnych ekspertów i niezależnymi potwierdzeniami, zamiast samodzielnie dźwigać cały ciężar wiarygodności.

Co jest teraz najważniejsze

Ta transformacja jest szersza niż samo przedkładanie ekspertów nad marketing korporacyjny. Środowisko informacji wokół firmy B2B się poszerzyło: kupujący mogą poznawać firmę przez jej wiedzę, ludzi i niezależne źródła, a research wspierany przez AI może pobierać i syntetyzować informacje z wielu tych samych miejsc.

Z tego wynika wspólny wymóg strategiczny. Firmy muszą sprawić, aby ich wiedza, rozpoznawalni eksperci i zewnętrzne potwierdzenia były widoczne, wiarygodne i ze sobą powiązane.

Tu przydaje się model HiFuture oparty na Company Authority Signals, Human Authority Signals i Third-Party Authority Signals, który nazywa te trzy warstwy. Opiera się na trzech prostych pytaniach: co firma wie i potrafi udowodnić, kto sprawia, że ta wiedza jest widoczna, i kto niezależnie ją potwierdza.

Wnioski dla CMO wykraczają daleko poza treści, Thought Leadership czy GEO. Marka mówi rynkowi, kim jest firma. Wiedza pokazuje, co firma wie. Eksperci sprawiają, że tę wiedzę można przypisać do konkretnych osób. Strony trzecie pomagają ją potwierdzić. Razem te sygnały kształtują to, co kupujący, a coraz częściej także systemy researchu oparte na AI, mogą o firmie odkryć, zrozumieć i potwierdzić.

Na tym polega przejście od zaufania do marki do zaufania do firmy, ekspertów i źródeł zewnętrznych.

Kolejna transformacja: wiedza firmy, widoczni eksperci i niezależne potwierdzenia mogą wzmacniać autorytet, ale tylko wtedy, gdy wzajemnie się wspierają, a nie wprowadzają zamieszania. Przeczytaj artykuł „Od rozproszonych informacji do Ecosystem Consistency”.

Źródła

Uwaga dotycząca źródeł: Wartości procentowe przedstawiamy w kontekście cytowanych badań. Badane populacje, definicje i metodologie się różnią, dlatego nie należy łączyć ich w uniwersalne wskaźniki dla rynku B2B.

• Semrush, LinkedIn AI Visibility Study 2026
• Edelman-LinkedIn, B2B Thought Leadership Impact Report 2025
• Google Search Central, Creating helpful, reliable, people-first content
• Google Search Central, AI features and your website
• Google Research, Deeper insights into retrieval-augmented generation
• Google Research, (D)RAGged Into a Conflict