OpenRankfor.AI
research

Category Ownership Index: zbiór danych stojący za naszymi 50 profilami marek

July 13, 2026
7 min read
n=3,750
Dmitrij Żatuchin
Category OwnershipAI RecommendationsOpen DatasetCOICompetitive VacuumCross-Model Agreement

Zadaj modelowi AI pytanie zakupowe bez nazwy marki ("najlepszy CRM dla małej firmy", "która firma doradcza do transformacji cyfrowej"), a wymieni marki. Zadaj je 3750 razy, w różnych modelach i powtórzeniach, a otrzymasz mapę tego, kto jest właścicielem którego pytania.

Ta mapa to zbiór danych Category Ownership. Ten artykuł wyjaśnia trzy metryki, które generuje, szczere zaskoczenie płynące z wyników oraz sposób odczytania 50 publicznych profili marek zbudowanych na jego podstawie. Dane i kod analizy są otwarte na licencji CC-BY-4.0 na Kaggle oraz Zenodo (10.5281/zenodo.20788142).

Założenia badania

250 pytań zakupowych kategorii bez nazw marek w pięciu branżach: SaaS, doradztwo, fintech, e-commerce i technologie ochrony zdrowia. Trzy modele: GPT-5.2, Gemini 3 Flash, Perplexity sonar-pro. Każde zapytanie powtórzone pięć razy w ramach protokołu stabilności dice-roll, ponieważ pojedyncza odpowiedź AI niczego nie dowodzi. Łącznie: 3750 odpowiedzi zmapowanych na 50 marek.

Trzy metryki

Category Ownership Index (COI) mierzy, jak dokładnie jedna marka dominuje w pytaniach swojej kategorii. EY jest właścicielem doradztwa z wynikiem 0.95, pojawiając się jako główna rekomendacja w 47 z 50 zapytań doradczych. Stripe prowadzi w fintechu z wynikiem 0.53, HubSpot prowadzi w SaaS z wynikiem 0.38. Rozstęp ma znaczenie: doradztwo zachowuje się jak monopol, SaaS jak rynek sporny.

Competitive Vacuum Index (CVI) wskazuje pytania, w których żadna marka nie zbudowała pozycji właściciela. 8.0% przestrzeni zapytań to próżnia: pytania kupujących, na które AI odpowiada ogólnymi poradami lub rotującymi nazwami. To najtańsze pytania do zdobycia, ponieważ ich wygranie nie wypiera nikogo.

Displacement Score (DS) szacuje, jak trudno byłoby wypchnąć obecnego właściciela z pytania, na podstawie tego, jak konsekwentnie modele go zwracają.

Szczere zaskoczenie: dominacja jest rzadsza, niż mówi narracja

Historia o tym, że "w wyszukiwaniu AI zwycięzca bierze wszystko", jest w skali zbiorczej w większości błędna. Średnia koncentracja Giniego w kategoriach wynosi 0.284, poziom umiarkowany, a przewaga marki-lidera nad drugim w kolejności zbiega się do około 1.3:1, dużo poniżej progu 3:1, który wyznaczyliśmy dla prawdziwej dominacji przed badaniem.

Monopole w stylu EY są realne, lecz wyjątkowe. Typowa kategoria to pole sporne z umiarkowanym liderem, długim ogonem i 8% pytań, których nie posiada nikt. Dla większości marek to dobra wiadomość: drzwi są otwarte szerzej, niż sugeruje dyskurs.

Dwa dodatkowe wyniki warte poznania: 4.2% odpowiedzi tworzyło emergentne klastry (grupowania marek, które modele wymyśliły i które nie pasują do żadnej taksonomii analitycznej), a trzy modele zgadzały się co do najlepszej marki dla danego pytania tylko w 41.6% przypadków. Ktokolwiek mówi ci, że sprawdził, "co poleca AI", pytając jeden model jeden raz, opisuje pogodę, a nie klimat.

Jak z tego korzystać

  • Znajdź swój COI. Jeśli twoja marka jest jedną z 50, twój profil na /brands pokazuje, które zapytania posiadasz, gdzie jesteś silny i gdzie cię nie ma.
  • Poluj na próżnie. Tabele CVI w zbiorze danych wymieniają pytania bez właściciela w podziale na branże. Treść, która wprost odpowiada na pytanie z próżni, to najbardziej opłacalna praca nad widocznością w AI, jaka jest dostępna.
  • Mierz ponownie, zawsze. Przy 41.6% zgodności między modelami każde twierdzenie o posiadaniu wymaga co najmniej trzech modeli i pięciu powtórzeń. Nasz darmowy Dice Roller uruchamia ten protokół na dowolnym pytaniu, bez konta.

Zbiór danych zawiera surowe odpowiedzi, wyekstrahowane wzmianki, wszystkie trzy macierze metryk, embeddingi odpowiedzi oraz notatnik, który odtwarza każdą tabelę i wykres. Towarzyszący artykuł jest w recenzji czasopisma; materiały preprintu znajdują się w rekordzie Zenodo.

Continue Reading

research

We Asked 3 AI Platforms About 24 Brands. They Could Not Agree on Anything.

The largest multi-industry study of AI reputation sourcing to date. 24 companies, 8 industries, 1,311 responses, 3,041 coded source attributions across GPT-5.2 and Gemini 3 Flash. Key finding: 70.2% of what AI "knows" about brands cannot be traced to any source. Models disagree on sentiment (0.83 vs 0.32), consistency averages just 0.54, and being publicly traded gives zero advantage. Published in Springer Discover Artificial Intelligence.

research

Cross-Model Response Stability Analysis: A Comparative Study of Brand Mention Consistency in Large Language Models

This study investigates response variability and brand mention consistency across three leading LLMs: Google Gemini 3 Flash, OpenAI GPT-5.2, and xAI Grok-4-1. Using 239 total samples across three prompt variations (husband, wife, 2025), we measured brand mention frequency, response consistency, and cross-model agreement.

article

The "Best Of" Trap: Why Self-Promotional Listicles Are Losing Google and Winning ChatGPT

Three signals in one week: Google penalized self-promotional listicles (SaaS brands losing 34-49% visibility), reduced crawl limits by 86.7%, while Ahrefs found 44% of ChatGPT citations come from those exact listicles. Google is shrinking, AI is expanding. Includes a 5-minute brand audit playbook and split strategy for navigating both discovery systems.

research

How We Measure AI Brand Reputation: The Method Behind the Rankfor Index 2026

The full method behind the Rankfor Index 2026: 66 brands, 12 languages, 3 AI models with live grounding, 35,640 responses, 131,667 citations. Five weighted components (sentiment, recommendation, source quality, consistency, stability) produce the 0-100 AI Visibility Score published on every brand page, plus the metrics only multilingual data can expose: bilingual penalty, citation concentration, and blind languages.

BeVisible Club

Get research like this before we publish it.

New AI visibility studies, ranking patterns, and source-stack data delivered to your inbox a week before they go public.

Join BeVisible Club

Want to Know How AI Sees Your Brand?

Rankfor.AI measures your brand's AI visibility across all major platforms and provides actionable recommendations.

About the Author

Dmitrij Żatuchin

Founder

Dmitrij Żatuchin is the founder of Rankfor.AI. A computer scientist with a PhD in semantic web technologies, he bridges the gap between how AI reasons about brands and how brands want to be understood. With over two decades of software architecture experience and academic roles at Estonian Business School and EUAS, Dmitrij builds the measurement infrastructure brands need to transition from optimizing for search engines to becoming visible for reasoning engines.

Używamy plików cookie

Używamy niezbędnych plików cookie do działania strony. Za Twoją zgodą możemy również używać plików cookie analitycznych, aby zrozumieć, jak korzystasz z naszych narzędzi (takich jak Dice Roller), dzięki czemu możemy je ulepszać. Dowiedz się więcej