Już po raz któryś ogłaszano koniec marek. AI miało wyrównać szanse w grze o konsumenta, w której wygrywać miał najlepszy obiektywnie produkt. Badania pokazują, że jest odwrotnie: AI preferuje silny brand kiedy produkt jest taki sam.

Już w 2014 roku głośna książka Absolute Value (Itamar Simonson, Emanuel Rosen) przewidywała, że dostęp do „niemal doskonałej informacji” w sieci, czyli recenzji, ratingów, porównywarek, w końcu odbierze markom znaczenie. Konsument uzbrojony w czternaście recenzji miał wybierać wyłącznie na podstawie faktów, nie rozpoznawalności.

Teoria zakładała, że łatwy dostęp do opinii i ocen pozwoli oceniać produkty obiektywnie, niezależnie od marki. Okazało się, że ludzie nie chcieli czytać czternastu recenzji pasty do zębów.

Kupowali tę, o której słyszeli.

Here we go again, but different: AI

Dziś słyszymy niemal identyczną prognozę, tylko z innym bohaterem: agenci AI, robiący zakupy w naszym imieniu, mieli wreszcie oceniać produkty czysto merytorycznie, bez sentymentu do logo. Badacze postanowili to sprawdzić wprost, zamiast zakładać.

Xi Chu i YuPeng Hou, w preprincie „Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems” (2026), przetestowali trzy modele językowe (GPT-4o-mini, Claude, Gemini) na kategorii kosmetyków do pielęgnacji skóry w tym na prawdziwej marce CeraVe, zestawionej z dziewięcioma fikcyjnymi konkurentami o identycznych parametrach: tej samej ocenie, cenie i liczbie recenzji.

Wynik badania?

Gdy specyfikacje produktów są identyczne, znana marka wygrywa w 100% z 670 przeprowadzonych prób, we wszystkich trzech modelach, w obu testowanych językach

Marka to przewaga, nie karta Monopoly

To najciekawszy niuans całego badania. Marka nie jest niepokonanym atutem a tym, po co model sięga, gdy nie ma żadnego innego sygnału do porównania. Autorzy nazywają to „warunkowym monopolem”: rozpoznawalność wygrywa dokładnie wtedy, gdy produkty wyglądają identycznie, i przestaje mieć znaczenie, gdy tylko pojawia się jakakolwiek różnica w danych.

Gdy dwa produkty wyglądają tak samo, model nie ocenia jakości -> sięga po nazwę, którą rozpoznaje. Czyli niemal dokładnie tak jak robimy to my na skomodyzowanych rynkach.

Stawka jest wyższa niż przy wyszukiwarce

Dlaczego to takie istotne? Wyszukiwarka dawała dziesięć linków do samodzielnego porównania. Agent daje jedną, gotową odpowiedź. W świecie dziesięciu linków bycie szóstym wynikiem wciąż dawało jakąś widoczność. W świecie jednej odpowiedzi jesteś tą odpowiedzią, albo jesteś niewidzialny, drugiej strony wyszukiwarki już nie ma.

Dlatego prognoza o „śmierci marki” myli się po raz kolejny z tego samego powodu, co w 2014 roku: zakłada, że więcej dostępnych danych automatycznie oznacza mniej znaczenia dla reputacji. W praktyce dzieje się coś przeciwnego-> im mniej miejsca na porównanie, tym mocniej liczy się to, co model już „zna”. Grawitacja „dużych” będzie coraz silniejsza.

Własny kawałek podłogi rynku

Marki, które sobie z tym radzą, nie próbują konkurować skalą z gigantami. Znajdują kategorię na tyle wąską, żeby to one były w niej oczywistym wyborem. Nie największym brandem na rynku, tylko największym w swojej niszy.

To nie jest strategia nowa ani odkrywcza. Ta sama logika napędzała pozycjonowanie w SEO na długo przed erą modeli językowych: wygrać nie z całym rynkiem, tylko z konkretną, wąską kategorią zapytań.

Różnica jest taka, że stawka tej gry właśnie wzrosła. Kiedyś bycie liderem niszy dawało dobrą pozycję w wynikach wyszukiwania. Dziś daje coś więcej: szansę na to, że to właśnie tę markę model językowy „rozpozna” jako oczywistą odpowiedź, zanim jeszcze zdąży rozważyć resztę rynku.

• Simonson, I. & Rosen, E. (2014). Absolute Value: What Really Influences Customers in the Age of (Nearly) Perfect Information
• Chu, X. & Hou, Y. (2026). Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems (preprint, arXiv:2606.17443)