Wyszukiwanie miejsca zwrotu butelek w konkretnym mieście, zamiast ogólnych informacji o systemie kaucyjnym, zmienia widoczność i kolejność sieci handlowych prezentowanych przez AI. Raport „System kaucyjny oczami AI” pokazuje, że obecność marki w odpowiedziach modeli zależy również od tego, czy użytkownik zadaje ogólne pytanie o zwrot opakowań, czy szuka miejsca zwrotu butelki w konkretnym mieście.
Lokalna część badania objęła Warszawę, Kraków, Wrocław, Poznań, Łódź, Gdańsk i Katowice. W każdym mieście sprawdzano odpowiedzi na pytanie o to, gdzie oddać butelki kaucyjne. Monitoring prowadzono od 13 sierpnia do 20 września 2026 r. w ChatGPT, Gemini, Perplexity, DeepSeek i Claude. Pomiary powtarzano co trzy dni, uzyskując 14 punktów pomiarowych dla każdego zapytania. Łącznie w części lokalnej przeanalizowano 490 odpowiedzi, po 70 dla każdego miasta. Taki sposób badania pozwala obserwować powtarzalność wskazań. Pojedyncza odpowiedź może pokazać, jak model przedstawił markę w danym momencie, ale nie wystarcza do oceny jej obecności w różnych narzędziach i terminach.
Lokalna czołówka bardziej wyrównana
W pytaniach lokalnych Lidl i Kaufland uzyskały po 80 punktów AI Visibility. Biedronka i Carrefour otrzymały po 78 punktów, a Auchan 76. Pierwszą i piątą sieć dzieliły więc zaledwie 4 punkty. Wskaźnik, wyrażany w skali 0-100, opisuje, jak mocno marka jest wyeksponowana i polecana w badanych odpowiedziach AI.
Różnice występowały również między miastami. Według zestawienia w raporcie Lidl zajmował pierwsze miejsce w sześciu badanych miastach, a Biedronka w Katowicach. Wyniki pokazują sposób prezentowania sieci przez modele. Badanie nie mierzy jednak, czy wskazania przekładają się na wybór konkretnego punktu zwrotu.
Kiedy konsument pyta AI o miejsce zwrotu butelki w swoim mieście, oczekuje konkretnej wskazówki, która pomoże mu załatwić codzienną sprawę. Nasze badanie pokazuje, że dodanie lokalizacji do pytania potrafi zmienić zestaw i kolejność prezentowanych sieci. Dlatego ogólna widoczność marki w AI nie wystarcza do oceny tego, czy pojawi się ona również w odpowiedzi na lokalną potrzebę użytkownika. Firmy powinny sprawdzać zarówno swoją obecność w takich odpowiedziach, jak i poprawność informacji o możliwości zwrotu opakowań. Warto robić to regularnie i w kilku modelach, ponieważ pojedyncze zapytanie daje zbyt wąski obraz sytuacji – mówi Szymon Kania, CEO BrandinAI.
Analiza odpowiedzi lokalnych może uzupełniać ocenę działań informacyjnych i public relations. Pozwala sprawdzić, czy komunikaty o zasadach zwrotu i lokalizacjach punktów są obecne także w odpowiedziach narzędzi, z których użytkownicy mogą korzystać przy planowaniu codziennych spraw. Warto przy tym oddzielać obecność marki od poprawności praktycznej wskazówki. Wymienienie sieci nie potwierdza jeszcze, że konkretny sklep przyjmie dane opakowanie. Dlatego sprawdzanie odpowiedzi AI powinno obejmować zarówno sposób prezentowania firmy, jak i kontekst informacji przekazywanej konsumentowi – dodaje Bartosz Sosnówka, partner zarządzający w agencji doradczej 2PR.
Aldi z największą różnicą między pytaniami ogólnymi a lokalnymi
Największą różnicę AI Visibility odnotowało Aldi, z 27 punktów w pytaniach ogólnych do 67 punktów w pytaniach lokalnych. Auchan uzyskał odpowiednio 44 i 76 punktów, Stokrotka 18 i 49, a Carrefour 49 i 78. Netto osiągnęło 33 punkty w ujęciu ogólnym i 53 w lokalnym. Sieci zajmujące dalsze miejsca w pytaniach ogólnych przy pytaniach o konkretne miasta zmniejszały więc dystans do czołówki.
Nie każda marka uzyskała jednak wyższy wynik lokalny. Lidl otrzymał 80 punktów wobec 84 w pytaniach ogólnych, a Dino 37 wobec 46. Żabka uzyskała natomiast 69 punktów w pytaniach lokalnych i 59 w ogólnych. Te różnice dotyczą kontekstu zapytania, a nie zmiany wyników marki w czasie.
Nazwa miasta zmienia kontekst rekomendacji
Różnice między modułem ogólnym a lokalnym nie opisują wzrostu lub spadku pozycji rynkowej sieci. Pokazują, jak zmienia się odpowiedź modelu przy innej intencji użytkownika. Pytanie o miejsce oddania butelki w danym mieście wymaga bardziej praktycznej wskazówki niż ogólne pytanie o sieci uczestniczące w systemie. Dla konsumenta znaczenie ma możliwość wykonania konkretnej czynności w dogodnej lokalizacji. Dla sieci handlowej istotne staje się zatem to, czy informacje o zwrotach są przedstawiane w sposób pozwalający powiązać markę z lokalną potrzebą użytkownika.
Sama rozpoznawalność firmy ani skala jej działalności nie wystarczają, aby przewidzieć wynik takiego zapytania. Modele tworzą własny zestaw wskazań na podstawie informacji dostępnych w ich środowisku. Raport wskazuje większe znaczenie źródeł lokalizacyjnych, takich jak mapy punktów zwrotu i wykazy sklepów, jako jedno z możliwych wyjaśnień różnic. Badanie nie rozstrzyga jednak, co je powoduje. Z perspektywy firm oznacza to potrzebę rozdzielenia kilku pytań. Czy model wymienia markę? Jak często to robi? Na którym miejscu ją przedstawia? Dopiero zestawienie tych informacji pozwala dokładniej opisać jej obecność w odpowiedziach AI.
Wyniki dotyczą siedmiu badanych miast, określonego zestawu pytań oraz okresu monitoringu. Nie stanowią rankingu rzeczywistej dostępności punktów zwrotu, jakości obsługi ani udziałów sieci w zbiórce opakowań. Nie należy ich uogólniać na wszystkie miejscowości w Polsce.
BrandinAI odpowiadał za pomiar i dane, a agencja 2PR za koncepcję redakcyjną i interpretację wyników. Link do pełnego raportu: www.systemkaucyjnyoczamiai.pl
Źródło informacji: 2PR
