Jak mierzyć ruch z AI Overviews, skoro Google Search Console nie ma na to specjalnego filtra

Nie da się dziś uczciwie powiedzieć: „to jest dokładna liczba kliknięć z AI Overviews dla konkretnego zapytania”, jeśli opieramy się wyłącznie na standardowym widoku zapytań w Google Search Console. Da się natomiast zbudować sensowny system poszlak. Taki, który pokazuje, gdzie AI prawdopodobnie przejęło odpowiedź, gdzie tylko zmienił się układ SERP-a, a gdzie dane są zbyt rozmyte, żeby stawiać twardą tezę.

Stan na 9 czerwca 2026 r. jest bardziej skomplikowany niż kilka miesięcy wcześniej. Google 3 czerwca 2026 r. ogłosiło osobne raporty Search Generative AI performance reports w Search Console. Mają one pokazywać widoczność w funkcjach generatywnej AI, takich jak AI Overviews i AI Mode, ale są wdrażane stopniowo i najpierw tylko dla części witryn.

To ważna zmiana, ale nie magiczne rozwiązanie. Nowy raport pokazuje przede wszystkim wyświetlenia, strony, kraje, urządzenia i daty. Nie daje pełnej ścieżki: zapytanie → AI Overview → kliknięcie → sesja → konwersja. Dlatego w praktyce nadal trzeba pracować jak analityk, a nie jak ktoś, kto ślepo wierzy w jeden wykres.

Search Console po raporcie Gen AI: co już widać, czego nadal brakuje

Nowy raport Generative AI performance report (Search) pokazuje dane o tym, jak witryna pojawia się w generatywnych funkcjach Google Search. Google wymienia tu m.in. możliwość sprawdzenia zmian organicznych wyświetleń, stron z najwyższą lub najniższą liczbą wyświetleń oraz źródeł widoczności według kraju i urządzenia. Raport obejmuje AI Overviews oraz AI Mode, ale nie każdy właściciel strony ma do niego dostęp — przyczyną może być stopniowe wdrażanie albo zbyt mała liczba wyświetleń w funkcjach generatywnej AI.

Najważniejsze: ten raport nie zastępuje analizy zapytań. W dokumentacji jako wymiary raportu wymienione są Pages, Countries, Dates i Devices. Nie ma tam klasycznego wymiaru Queries, który pozwalałby powiedzieć: „ta konkretna fraza wygenerowała tyle widoczności w AI Overview”.

To oznacza, że trzeba rozdzielić trzy poziomy danych:

• raport Gen AI — dobry do sprawdzenia, które URL-e mają widoczność w funkcjach AI;
• standardowy raport skuteczności GSC — dobry do analizy zapytań, kliknięć, CTR i pozycji, ale z ruchem AI wymieszanym z resztą organicu;
• GA4 / CRM / sprzedaż — potrzebne do oceny, czy widoczność daje sesje, leady, sprzedaż albo tylko puste impresje.

Samo liczenie AI Overviews w GSC też ma kilka pułapek. Google podaje, że kliknięcie linku z AI Overview do zewnętrznej strony liczy się jako kliknięcie, wyświetlenie liczy się według standardowych zasad, a link musi zostać przewinięty lub rozwinięty do widoku. Co ważne, AI Overview zajmuje jedną pozycję w wynikach, a wszystkie linki w tym module dostają tę samą pozycję.

I tu zaczyna się problem z średnią pozycją.

W prostym modelu można by powiedzieć: jeśli wyświetlenia rosną, CTR spada, a pozycja jest stabilna, to mamy mocny sygnał AI Overview. To nadal dobry trop, ale nie dowód. Średnia pozycja w GSC jest metryką podatną na zniekształcenia, bo Google liczy ją w kontekście złożonego układu wyników, a sama dokumentacja ostrzega, że wartość pozycji może być myląca bez zrozumienia niuansów SERP-a.

Przykład z praktyki analitycznej: strona rankowała klasycznie na pozycji 4 dla długiego pytania. Potem zaczyna pojawiać się dodatkowo w AI Overview, który zajmuje jedną pozycję. W GSC średnia pozycja może wyglądać, jakby strona nagle awansowała, choć klasyczny niebieski wynik wcale się nie ruszył. W drugą stronę też działa to zdradliwie: jeśli URL zaczyna łapać bardzo popularne, nowe zapytanie na pozycji 8–10, średni CTR dla strony może spaść bez żadnego związku z AI.

Nie tylko AI Overview potrafi udawać ten sam objaw. Podobny wzór danych może dać:

• rozbudowanie sekcji People Also Ask;
• wejście strony do featured snippet;
• pojawienie się karuzeli wideo lub obrazów;
• sezonowy wzrost długich pytań;
• zmiana intencji zapytania;
• nowy artykuł konkurencji, który zmienia układ SERP-a;
• nagłe pojawienie się strony na wielu nowych, niskopozycyjnych frazach.

Sekcja People Also Ask jest szczególnie zdradliwa. Google opisuje ją jako rozwijane pytania i odpowiedzi, które mogą zawierać treść oraz link do strony. Samo rozwinięcie elementu nie liczy się jako kliknięcie, ale po rozwinięciu może zostać policzone wyświetlenie linku znajdującego się w tej sekcji.

Dlatego pierwszy filtr powinien brzmieć nie: „czy to AI Overview?”, tylko: czy to kandydat do ręcznej lub półautomatycznej weryfikacji?

Long-tail, anomalie i BigQuery: praktyczny model wykrywania AI Overviews

Najlepszy sygnał pośredni nadal siedzi w długim ogonie zapytań konwersacyjnych. Nie chodzi o klasyczne frazy typu „AI Overviews SEO”, tylko o pełne pytania i bardzo precyzyjne problemy użytkownika: „jak sprawdzić ruch z AI Overviews w Search Console”, „czy kliknięcia z AI Overview są wliczane do organicu”, „dlaczego CTR spadł przy wzroście wyświetleń w GSC”.

Takie zapytania częściej uruchamiają odpowiedzi generatywne, bo mają formę problemu, a nie tylko słowa kluczowego. Ale samo „długie pytanie” nie wystarczy. Trzeba szukać anomalii.

Najpierw budujesz filtr na zapytania konwersacyjne. Do pierwszej selekcji bierz frazy, które spełniają przynajmniej dwa warunki:

• mają 6 lub więcej słów;
• zaczynają się od: jak, czy, co, ile, kiedy, dlaczego, gdzie, jaki, jaka, jakie;
• zawierają modyfikatory: czy warto, co wybrać, różnica między, krok po kroku, ile kosztuje, jak sprawdzić, dlaczego spada;
• prowadzą do treści poradnikowej, porównawczej albo wyjaśniającej;
• nie są frazami brandowymi, SKU, numerami modeli ani czysto nawigacyjnymi zapytaniami.

W Google Sheets prosty filtr roboczy może wyglądać tak:

=COUNTA(SPLIT(A2;" "))>=6

oraz:

=REGEXMATCH(LOWER(A2);"^(jak|czy|co|ile|kiedy|dlaczego|gdzie|jaki|jaka|jakie)\b|czy warto|co wybrać|różnica między|krok po kroku|ile kosztuje|jak sprawdzić")

Potem porównujesz okresy. Najczęściej sens ma ostatnie 28 dni vs poprzednie 28 dni, bo tydzień bywa za krótki, a miesiąc zwykle wystarcza do wychwycenia zmiany. Dla sezonowych branż trzeba użyć porównania rok do roku albo przynajmniej sprawdzić trend w Google Trends i dane sprzedażowe. Nie analizowałbym też danych z ostatnich 24 godzin. Google podaje w dokumentacji API, że dane są zwykle dostępne po 2–3 dniach, więc świeże piki potrafią się jeszcze zmienić.

Najmocniejszy kandydat na wpływ AI Overview wygląda tak:

• wyświetlenia rosną co najmniej 3×;
• wzrost ma realną skalę, np. +50, +100 albo +500 wyświetleń, zależnie od wielkości serwisu;
• CTR spada o minimum 50%;
• kliknięcia nie rosną proporcjonalnie do wyświetleń;
• pozycja jest stabilna albo zachowuje się nielogicznie, np. gwałtownie „poprawia się” bez zmian w klasycznym rankingu;
• ten sam URL zbiera podobny sygnał na minimum 5–10 zapytaniach long-tail;
• strona pojawia się w nowym raporcie Gen AI, jeśli masz do niego dostęp.

Tabela interpretacyjna powinna być bardziej bezwzględna niż zwykłe „wzrost impresji = AI”:

Dla małej strony wystarczy eksport z interfejsu GSC. Trzeba jednak pamiętać o ograniczeniu: Google informuje, że dane pobierane bezpośrednio z raportu są przycinane do 1000 wierszy reprezentatywnych przykładów. Dla bloga eksperckiego to czasem wystarczy. Dla dużego sklepu — prawie nigdy.

Przy średnich serwisach można użyć Search Console API. Raporty skuteczności w API są ograniczone do 50 tys. wierszy dziennie na typ wyszukiwania i usługę, API obsługuje filtrowanie i sortowanie, ale nie daje swobodnego SQL-a. Google opisuje je jako dobre rozwiązanie dla średnich stron, które potrzebują więcej danych niż interfejs raportów.

Przy dużych serwisach, szczególnie e-commerce, marketplace’ach, portalach i serwisach z tysiącami adresów URL, sensowniejszą ścieżką jest Bulk Data Export z Search Console do BigQuery. Google opisuje go jako codzienny eksport danych skuteczności do BigQuery, z możliwością wykonywania złożonych zapytań. Eksport obejmuje dane dostępne w Search Console z wyjątkiem zapytań zanonimizowanych.

BigQuery rozwiązuje problem, którego nie rozwiąże arkusz: masowe klastrowanie long-taila. W tabelach eksportu GSC pojawiają się m.in. searchdata_site_impression, searchdata_url_impression i ExportLog; dane URL-owe mają pola takie jak query, url, country, device, impressions, clicks i sum_position. Google zaznacza też, że dane mogą mieć powtarzające się klucze, więc metryki trzeba agregować.

Przykładowy szkielet zapytania dla BigQuery:

SELECT
  url,
  query,
  country,
  device,
  SUM(impressions) AS impressions,
  SUM(clicks) AS clicks,
  SAFE_DIVIDE(SUM(clicks), SUM(impressions)) AS ctr,
  SAFE_DIVIDE(SUM(sum_position), SUM(impressions)) + 1 AS avg_position
FROM `project.searchconsole.searchdata_url_impression`
WHERE data_date BETWEEN DATE '2026-05-12' AND DATE '2026-06-08'
  AND search_type = 'web'
  AND is_anonymized_query = FALSE
  AND ARRAY_LENGTH(SPLIT(REGEXP_REPLACE(LOWER(query), r'\s+', ' '), ' ')) >= 6
  AND REGEXP_CONTAINS(
    LOWER(query),
    r'^(jak|czy|co|ile|kiedy|dlaczego|gdzie|jaki|jaka|jakie)\b|czy warto|co wybrać|różnica między|krok po kroku|ile kosztuje|jak sprawdzić'
  )
GROUP BY url, query, country, device
HAVING impressions >= 50
ORDER BY impressions DESC;

Nie odkładałbym konfiguracji BigQuery „na kiedyś”, jeśli serwis ma duży długi ogon. Pierwszy eksport GSC do BigQuery następuje do 48 godzin po poprawnej konfiguracji, a jeśli potrzebujesz danych historycznych sprzed konfiguracji, Google odsyła do API lub raportów. Innymi słowy: hurtownia zaczyna realnie pracować dopiero od momentu ustawienia eksportu.

Koszt też trzeba powiedzieć wprost. Dane w BigQuery podlegają kosztom przechowywania i zapytań, choć istnieje darmowy poziom użycia. Google zaleca ustawienie wygaśnięcia partycji, żeby dane nie rosły bez końca i nie generowały niepotrzebnych kosztów.

GA4 i konwersje: jak nie pomylić wpływu AI z szumem danych

Łączenie GSC z GA4 na poziomie strony docelowej jest przydatne, ale ma gruby margines błędu. Działa sensownie dla małych, wąskich URL-i, które zbierają ruch z kilkunastu albo kilkudziesięciu podobnych zapytań. Dla dużych podstron kategorii, poradników evergreen albo rankingów produktowych robi się niebezpiecznie.

Problem jest prosty: GA4 nie widzi zapytania z GSC jako źródła sesji. Widzi zwykle wejście z google / organic na konkretną stronę. Jeśli ta strona ma ruch z tysiąca fraz, a tylko piętnaście fraz zostało przejętych albo wzmocnionych przez AI Overview, to wynik w GA4 zostanie uśredniony z całą resztą ruchu. Możesz zobaczyć wzrost konwersji na URL-u, ale nie będziesz wiedzieć, czy odpowiada za niego AI, sezon, nowy link wewnętrzny, zmiana tytułu, kampania brandowa czy inna grupa zapytań.

Google w dokumentacji o łączeniu danych Search Console i Analytics wskazuje, że dla największej szczegółowości i ograniczania rozbieżności rekomendowane jest eksportowanie danych Search Console do BigQuery oraz łączenie ich z eksportem Google Analytics do BigQuery. To dobra rekomendacja, ale nie należy jej rozumieć naiwnie. BigQuery nie dopisze magicznej etykiety „AI Overview” do sesji. Pozwala tylko lepiej pracować na wspólnych wymiarach: URL, data, kraj, urządzenie, czasem segment strony albo typ treści.

W GA4 również są ograniczenia techniczne i kosztowe. Standardowe usługi GA4 mają limit 1 mln zdarzeń dla codziennego eksportu batch do BigQuery, a eksport strumieniowy nie ma limitu liczby zdarzeń, ale może zawierać luki i nie ma docelowego poziomu kompletności danych. Google podaje też opłatę za eksport strumieniowy do BigQuery: 0,05 USD za GB danych, przy czym 1 GB to orientacyjnie około 600 tys. zdarzeń Google Analytics, zależnie od ich rozmiaru.

W praktyce używałbym takiej hierarchii decyzji:

• Mały URL poradnikowy, wąski temat, kilka podobnych zapytań
  Analiza GSC + GA4 na poziomie strony może wystarczyć. Jeśli long-tail rośnie, CTR spada, a sesje z organicu nie rosną, to masz mocnego kandydata na odpowiedź konsumowaną w SERP-ie.
• Duży poradnik albo kategoria z setkami zapytań
  Nie wyciągaj wniosków z samego GA4. Segmentuj po kraju, urządzeniu, typie zapytań i porównuj z grupą kontrolną podobnych URL-i, które nie mają sygnału Gen AI.
• E-commerce z wieloma filtrami i podobnymi URL-ami
  Nie analizuj tylko sesji. Patrz na przychód na sesję, dodania do koszyka, lead quality, zapytania produktowe i frazy poradnikowe osobno. AI może zabrać ruch informacyjny, ale zostawić lub nawet wzmocnić ruch decyzyjny.
• Serwis leadowy B2B
  Same kliknięcia są drugorzędne. Jeśli po spadku ruchu rośnie odsetek zapytań ofertowych albo jakość leadów w CRM, AI mogło odsiać użytkowników, którzy i tak nigdy nie kupiliby usługi.

Najgorsza decyzja to optymalizacja na ślepo pod odzyskanie CTR-u. Spadek CTR może oznaczać stratę. Może też oznaczać, że Google przestało wysyłać użytkowników z czysto informacyjnymi pytaniami, a na stronę trafiają osoby z mocniejszą intencją. Dopiero zestawienie zapytanie → URL → sesje → konwersje → jakość leadów lub przychód pokazuje, czy jest o co walczyć.

Warto też mieć jasny próg interpretacji:

Najlepszy pierwszy krok jest prosty: sprawdź, czy masz raport Generative AI performance. Jeśli tak, wyciągnij URL-e z największym wzrostem wyświetleń. Następnie dla tych URL-i zrób analizę query + URL + kraj + urządzenie w standardowym GSC, API albo BigQuery. Dopiero na końcu oceniaj GA4 — i tylko z zastrzeżeniem, że widzisz wpływ na całą stronę docelową, nie na konkretne zapytanie z AI Overview.

FAQ: najczęstsze pytania o mierzenie ruchu z AI Overviews

Czy Google Search Console ma osobny filtr AI Overviews dla zapytań?
Nie w klasycznym raporcie zapytań. Google wdraża osobny raport Generative AI performance, ale pokazuje on głównie wyświetlenia i wymiary takie jak strony, kraje, daty oraz urządzenia, a nie pełną ścieżkę konkretnego zapytania do kliknięcia.

Czy nowy raport Gen AI rozwiązuje problem pomiaru?
Nie. To świetny krok do przodu przy analizie widoczności URL-i, ale nadal nie daje pełnej atrybucji na poziomie query → click → conversion.

Czy wzrost wyświetleń i spadek CTR oznaczają obecność w AI Overview?
Nie zawsze. To mocny sygnał, ale podobny wzór mogą dawać People Also Ask, featured snippets, karuzele wideo, nowe frazy na niskich pozycjach i sezonowość.

Kiedy użyć BigQuery zamiast eksportu z GSC?
Gdy standardowy eksport 1000 wierszy przestaje wystarczać albo serwis ma duży long-tail. Bulk Data Export z GSC do BigQuery daje codzienny eksport danych skuteczności, z wyjątkiem zapytań zanonimizowanych, i pozwala wykonywać złożone zapytania SQL.

Czy Search Console API wystarczy dla dużego sklepu?
Często nie. API ma limit 50 tys. wierszy dziennie na typ wyszukiwania i usługę oraz nie daje swobodnego SQL-a. Dla masowego klastrowania zapytań zwykle wygodniejsze jest BigQuery.

Czy średnia pozycja jest dobrym dowodem na AI Overview?
Nie. Średnia pozycja jest tylko sygnałem pomocniczym. AI Overview zajmuje jedną pozycję, a wszystkie linki w module dostają tę samą pozycję, więc metryka może wyglądać nielogicznie przy porównaniu z klasycznymi wynikami.

Czy GA4 pokaże ruch bezpośrednio z AI Overview?
Zwykle nie. GA4 najczęściej pokaże wejście jako google / organic na stronę docelową. Wpływ AI trzeba szacować przez połączenie URL-i, dat, krajów, urządzeń i danych z GSC, najlepiej w BigQuery przy większych serwisach.

Od czego zacząć analizę?
Najpierw sprawdź raport Generative AI performance. Potem wyeksportuj zapytania z ostatnich 28 dni i porównaj je z poprzednimi 28 dniami. Odfiltruj long-tail konwersacyjny, znajdź klastry zapytań ze wzrostem wyświetleń i spadkiem CTR, a dopiero potem oceniaj, czy na poziomie strony docelowej w GA4 widać realny wpływ na sesje, leady albo sprzedaż.