Dlaczego hooki z AI są słabe – i jak wygląda anatomia dobrego hooka

Poproś model AI o 10 hooków do rolki. Dostaniesz 10 zdań, które wyglądają różnie, a działają identycznie – czyli wcale. Sprawdziłem to na własnych kreacjach i na własnym narzędziu, więc nie zgaduję. I nie, AI wcale „nie umie pisać” – umie aż za dobrze.

Hooki z AI są słabe z trzech powodów: przez habituację odbiorców na wypalone formuły, przez monokulturę jednego mechanizmu psychologicznego i przez dryf modelu do statystycznej średniej internetu.

Rozbieram te trzy powody na części, kładę na stół liczby z własnej kampanii i podaję matrycę 4 osi, którą sam dobieram hooki. Przykłady biorę z kompendium ponad 130 mechanizmów przyciągania uwagi.

Najważniejsze wnioski

• Hook, czyli otwarcie treści, decyduje w 1,5–3 sekundy (wideo) albo w ~140 znakach (LinkedIn mobile) – to bramka dystrybucji, nie ozdobnik. Po aktualizacji Andromeda Meta wlicza jakość hooka do rankingu aukcji: silny hook = tańsze CPM.
• Powód 1: habituacja. Odbiorca widział „You won’t believe…” setki razy i jego mózg przestał reagować. W mojej kampanii wzrost częstotliwości kontaktu z kreacją z 6,4 do 15,7 zbił ROAS z 8,72 do 3,09 – to samo wygasanie reakcji, tylko w skali jednej kampanii.
• Powód 2: monokultura mechanizmu. AI podaje 10 hooków, które różnią się słowami, a psychologicznie są jednym chwytem – najczęściej luką informacyjną w 10 przebraniach.
• Powód 3: średnia ważona internetu. Model przewiduje najbardziej prawdopodobne kolejne słowo, więc generuje statystyczne tło. A hook działa wyłącznie wtedy, gdy od tła odstaje.
• Dobry hook to wybór, nie natchnienie: platforma × poziom świadomości odbiorcy × cel treści × temperatura ruchu. Ta matryca wskazuje mechanizm, zamiast zgadywać sformułowanie.
• Progi decyzyjne: retencja poniżej 50% po 3 sekundach – przepisz hook; hook rate poniżej 25% (Meta) lub 30% (TikTok) – wymień całą kreację.

Hook decyduje, resztę czyta algorytm

Umówmy się: nikt nie ogląda Twojej rolki „od początku do końca, bo była dobra”. Rolka najpierw musi przeżyć pierwsze 1,5–3 sekundy. Meta celuje hookiem w 1,5 sekundy. TikTok trzyma gilotynę na trzeciej: retencja w okolicach 70% otwiera szerszą dystrybucję, a spadek poniżej 40–60% ubija wideo już w puli testowej 200–500 osób. Tekst gra w tę samą grę, tylko walutą są znaki – LinkedIn na telefonie pokazuje ~140 znaków przed „…zobacz więcej”, a 60–70% czytelników tego przycisku nigdy nie dotknie.

Dochodzi do tego efekt kaskady, który Meta pokazała na własnych danych: niemal połowa osób, które przetrwały 3 sekundy, dociera do sekundy 30. Hook jest zdarzeniem progowym – albo bierzesz próg, albo algorytm chowa Cię do szuflady.

No i hajs. Aktualizacja Andromeda wepchnęła sygnały jakości kreacji, w tym hook rate, wyżej w rankingu aukcji Meta. Mocny hook realnie obniża CPM. Słaby oznacza coś gorszego niż „trochę słabszy wynik” – każdy tysiąc wyświetleń kosztuje Cię więcej.

Po czym poznać, że hook leży? Po liczbach. Hook rate to odsetek wyświetleń, które przetrwały pierwsze sekundy wideo:

Metryka	Słabo	Dobrze	Elita
Hook rate Meta (3 s)	<15%	25–30%	>40%
Hook rate TikTok (2 s)	<20%	~30%	40–45%
Retencja po 3 s (TikTok)	<40%	~70%	>85%
Post LinkedIn (długość)	<400 znaków	1301–2500 znaków	–

Meta liczy hook rate od 3 sekund, TikTok od 2 – tych platform nie porównasz wprost. Najlepszy benchmark to mediana własnego konta.

Stawka jest jasna. To czemu hooki z generatora tak często szorują po dnie? Trzy powody.

Powód 1. Habituacja – odbiorca widział ten hook 400 razy

Habituacja to wygasanie reakcji na powtarzany bodziec – i to ona ubija formuły, po które AI sięga najchętniej. Mózg przychodzi na świat z odruchem orientacyjnym: nowy bodziec – ruch, dźwięk, wzorzec spoza schematu – ściąga uwagę automatycznie, jeszcze przed jakąkolwiek myślą. Na tym odruchu stoi każdy motion hook i każdy pattern interrupt. Tyle że ta sama maszyneria ma bieg wsteczny. Powtarzany bodziec przestaje budzić reakcję, a odbiorca wcale nie myśli „znowu to samo” – jego filtr uwagi w ogóle przestał ten wzorzec zgłaszać do świadomości.

Ten los spotkał formuły, które kiedyś robiły wyniki: „You won’t believe…”, etykietę „POV”, nadużywane „Stop scrolling”, rytualne „Unpopular opinion”. Działały, dopóki były rzadkie. Potem skopiował je cały internet i odruch wygasł.

Mało kto pokazuje takie liczby, więc pokażę swoje. Kampania sprzedażowa kursu, czerwiec 2026, Meta Ads. Dopóki trzymałem częstotliwość kontaktu z kreacją na poziomie ~6,4 wyświetlenia na osobę, ROAS – czyli zwrot z każdej złotówki wydanej na reklamę – wynosił 8,72. W końcówce kampanii częstotliwość podskoczyła do ~15,7 i ROAS zjechał do 3,09.

Kreacja ta sama, audytorium to samo, zmieniła się wyłącznie liczba powtórzeń bodźca. Wygasanie reakcji zobaczyłem czarno na białym w przychodach. A to, co w pojedynczej kampanii robi częstotliwość, w skali internetu robią kopiowane formuły hooków.

I teraz najlepsze. Skąd AI bierze swoje hooki? Z korpusu treningowego, czyli z internetu. Im mocniej jakąś formułę kopiowano, tym gęściej siedzi w danych i tym chętniej model Ci ją poda. Pętla domyka się sama:

formuła działała → skopiowali ją wszyscy → zalała dane treningowe → AI proponuje ją każdemu → formuła wypala się do zera.

Model, któremu dajesz gołe „napisz hook”, serwuje Ci wzorce najbliższe śmierci. A tła przybywa z każdym miesiącem – ile dokładnie treści AI krąży już w sieci, rozpisałem na liczbach w tekście ile treści AI jest w internecie.

Twoje posty łapią coraz mniej reakcji? Habituacja odbiorców na schematy to jeden z głównych podejrzanych – rozbierałem to szerzej w artykule dlaczego klienci nie reagują na posty w social mediach.

Powód 2. Dziesięć hooków, jeden mechanizm

Drugi problem jest podstępniejszy, bo udaje różnorodność. Prosisz o 10 hooków, dostajesz 10 różnych zdań. Spójrz jednak na mechanizm, a nie na słowa:

„Jeden błąd, który zabija Twoje rolki…”
„Nikt Ci nie powie, dlaczego Twoje wideo umiera w 3 sekundzie…”
„Poczekaj, aż zobaczysz, co robi z zasięgami ta jedna zmiana…”
„Odkryłem, czemu 90% hooków nie działa – i to nie jest to, co myślisz…”

Cztery zdania, jeden chwyt: luka informacyjna. George Loewenstein opisał ją w 1994 roku – ciekawość rodzi się z rozziewu między tym, co wiemy, a tym, co chcemy wiedzieć. Curiosity gap, open loop i „wait for it” należą do jednej rodziny psychologicznej. Różne kostiumy, ten sam aktor.

Mało kto wie, że ten problem wyszedł mi w praktyce przy budowie własnego narzędzia. Pisałem skill /hooki – nakładkę na Claude’a, która proponuje otwarcia do kreacji – i pierwsze wersje zwracały 5 propozycji będących 5 przebraniami curiosity gap. Za każdym razem. Skończyło się na twardej regule wpisanej do instrukcji: „wybierz 5 typów możliwie odległych od siebie mechanizmem – nie bierz naraz curiosity gap, open loop i »wait for it«, bo to jedna rodzina”. Dopiero ten przymus zmusił model do sięgania po loss aversion, konkretną liczbę czy pattern interrupt. Zostawiony sam sobie, model uprawia monokulturę.

Czemu to boli? Bo rozwala testowanie. Wrzucasz 5 wariantów hooka do testu A/B w przekonaniu, że porównujesz 5 podejść. A porównujesz jedno podejście w 5 sformułowaniach – kupiłeś 5 razy ten sam bilet i dziwisz się, że wyniki wychodzą „dziwnie podobne”. Taki test niczego Cię nie nauczy o tym, który mechanizm rusza Twoje audytorium.

Mechanizmy naprawdę odrębne wyglądają tak:

• luka informacyjna (Loewenstein) – w głowie odbiorcy brakuje kawałka obrazka i to uwiera,
• loss aversion – strata boli ~2x mocniej, niż zysk cieszy: mistake hook, stakes,
• specificity effect – konkretna liczba bije ogólnik: „12 000 zł z jednego komentarza”,
• pattern interrupt / efekt von Restorffa – element odstający od feedu zostaje zauważony i zapamiętany,
• social proof / authority – dowód zamiast obietnicy,
• wysokie pobudzenie emocjonalne (Berger i Milkman) – zachwyt, gniew i lęk napędzają udostępnienia.

Pięć hooków do jednej kreacji ma sens wyłącznie wtedy, gdy każdy siedzi na innym koniu z tej stajni.

Powód 3. AI pisze średnią ważoną internetu

Trzeci powód siedzi w samej konstrukcji modeli językowych. LLM przewiduje najbardziej prawdopodobne kolejne słowo, więc całym sobą ciąży ku sformułowaniom statystycznie najczęstszym – najbezpieczniejszym, najbardziej „normalnym”. Przy pisaniu maila czy raportu to zaleta. W hookach to wyrok.

Hook żyje z odstawania od tła. Efekt von Restorffa mówi, że zapamiętujemy element różniący się od reszty; novelty bias dorzuca, że mózg płaci dopaminą za nowość.

Statystyczna średnia jest tłem z definicji. Gdy każesz modelowi napisać hook i nie dajesz mu wsadu, zamawiasz u maszyny wyspecjalizowanej w produkcji tła coś, co ma od tła odstawać. Sam widzisz, że to się nie spina.

Ten dryf widać w danych. Outbrain przeanalizował 65 000 nagłówków: wersje z pozytywnymi superlatywami („najlepszy”, „zawsze”) wypadały o 29% gorzej, z negatywnymi („nigdy”, „najgorszy”) o 30% lepiej, a CTR nagłówków negatywnych był o 63% wyższy. Pozytywy się wypaliły i brzmią nieautentycznie. Zgadnij, w którą stronę domyślnie ciągnie grzeczny, ugodowy model AI.

Medal ma też drugą stronę. Shulman, Markowitz i Rogers pokazali w „Science Advances” (2024, ponad 30 000 testów A/B z Washington Post i Upworthy), że czytelnicy konsekwentnie wybierają prostsze nagłówki – a doświadczeni dziennikarze zgadywali zwycięzców „nie lepiej niż przypadek”. Z tego badania płyną dwa wnioski naraz. Prostota wygrywa, więc barokowe fajerwerki odpadają. A skoro ludzcy eksperci nie umieją wytypować zwycięzcy, model tym bardziej – hooka zawsze weryfikuje test, nie intuicja.

Przezroczysty, statystycznie bezpieczny styl zdradza zresztą teksty z generatora także poza hookami – katalog tych sygnałów zebrałem w przewodniku po GPT-izmach.

Anatomia dobrego hooka – wybór, nie natchnienie

Dobry hook to decyzja podjęta na przecięciu czterech osi, w tej kolejności: platforma → poziom świadomości → cel → temperatura ruchu. Żaden błysk kreatywności, żadne natchnienie – wybór. Platforma ustala budżet i formę, świadomość ustala treść, cel ustala mechanizm, a temperatura koryguje odwagę obietnicy.

Oś 1: platforma ustala budżet i formę

Hook nie ma jednej długości. Ma budżet, który narzuca interfejs:

• LinkedIn: ~140 znaków na mobile; linia 1 do 8 słów, linia 2 do 12 słów; KPI: procent rozwinięć i save rate,
• Reels / TikTok / Shorts: 1,5–3 sekundy; hook to zawsze trójwarstwa naraz: obraz + pierwsze słowa + tekst na ekranie; KPI: hook rate,
• e-mail: temat 30–50 znaków plus preheader jako druga linia; KPI: open rate,
• blog / SEO: title i pierwszy akapit; prostota i konkret, bo power words w title obniżają CTR organiczny o 13,9% (Backlinko, 2019),
• YouTube long-form: tytuł otwiera lukę, pierwsze 15–30 sekund ją pogłębia; payoff, czyli domknięcie obietnicy, podany już w pierwszym zdaniu odbiera widzowi powód do oglądania.

Oś 2: poziom świadomości ustala treść

Eugene Schwartz rozpisał w 1966 roku pięć poziomów świadomości odbiorcy i ten model do dziś mówi, o czym hook ma gadać:

Poziom	Odbiorca	Hook mówi o…
Unaware	nie wie, że ma problem	symptomie, historii, zaskoczeniu – nie o produkcie
Problem-aware	czuje ból	bólu i jego koszcie
Solution-aware	zna kategorie rozwiązań	mechanizmie i różnicy podejść
Product-aware	zna Twój produkt	dowodzie i przewadze
Most-aware	chce kupić	ofercie wprost + bodziec (rabat, deadline)

Najczęstsza wtopa na rynku? Hook o produkcie strzelany do zimnego audytorium, które nawet nie wie, że ma problem. Hook o produkcie zaczyna działać dopiero od poziomu solution-aware. Wcześniej odbiorca scrolluje dalej, bo mówisz do niego językiem, którego on jeszcze nie rozumie.

Oś 3: cel ustala mechanizm

Inny cel = inny chwyt psychologiczny:

• zasięg: emocje wysokiego pobudzenia. Berger i Milkman przebadali ~7 000 artykułów NYT: wiralowość napędza pobudzenie (zachwyt, gniew, lęk), a smutek ją zabija,
• zapis i obserwacja: frameworki, checklisty, konkretne dane. AuthoredUp policzył na 372 126 postach: jeden zapis daje ~5x zasięg lajka, a zapisany post to +130% szansy na obserwację,
• klik: curiosity gap z payoffem; nawiasowe doprecyzowanie w nagłówku daje +38% klikalności (HubSpot i Outbrain, 3,3 mln nagłówków),
• konwersja: konkretny wynik z liczbą, social proof, loss aversion. Tu rządzi reguła Caplesa: wiarygodna liczba bije imponującą – „9 000 $ miesięcznie” sprzedało lepiej niż „110 000 $ rocznie”, bo mniejszą kwotę czytelnik umiał sobie wyobrazić.

Oś 4: temperatura ruchu koryguje odwagę

Zimny ruch (prospecting) daje thumbstop – odsetek osób, które zatrzymały kciuk na kreacji – rzędu 18–28%, z medianą ~22%.

Ciepły (remarketing) 30–45%, mediana ~36%.

Te ~14 punktów procentowych różnicy robi audytorium, nie kreacja, więc porównywanie hooków między temperaturami prowadzi prosto do błędnych wniosków. Na zimnym ruchu hook musi sam zbudować kontekst, żargon marki odpada, a obietnica ma być ostrożna. Na ciepłym wchodzisz od produktu i dowodu, a FOMO z deadline’em działa uczciwie wyłącznie tu.

Matryca w akcji: jeden wsad, trzy mechanizmy

Weźmy przykładowy wsad: rolka dla właścicieli agencji contentowych o tym, że automatyzacja skróciła produkcję artykułu z 6 godzin do 40 minut. Platforma: Reels, więc trójwarstwa w 1,5–3 s. Świadomość: problem-aware (wiedzą, że toną w produkcji).

Cel: zasięg z myślą o zapisach.

Temperatura: cold. Matryca odrzuca hooki o produkcie i FOMO, na stole zostają mechanizmy bólu, konkretu i kontrastu:

Hook 1 – konkretna liczba (specificity effect): obraz: zbliżenie twarzy + timer na ekranie; słowa: „6 godzin kontra 40 minut. Ten sam artykuł”; tekst na ekranie: „6 h → 40 min”.

Hook 2 – mistake hook (loss aversion): obraz: przewijana ściana faktur; słowa: „Przez dwa lata przepłacałem za każdy tekst na blogu. Policzyłem, ile mnie to kosztowało”; tekst: „ta pomyłka = 38 000 zł”.

Hook 3 – contrarian (pattern interrupt): obraz: kadr niepasujący do feedu, stop-klatka chaosu na biurku; słowa: „Automatyzacja contentu nie oszczędza czasu”; pauza; „Ona oszczędza decyzje”; tekst: „nie chodzi o czas”.

Trzy hooki, trzy odrębne mechanizmy, wszystkie w zgodzie z osiami. Test A/B takiego zestawu faktycznie czegoś uczy: zwycięska wersja mówi Ci, który chwyt działa na Twoich odbiorców, a nie które sformułowanie ładniej brzmiało.

Ta sama logika progu uwagi obowiązuje zresztą poza social mediami – na stronie internetowej za hook robi pierwszy ekran i to on rozstrzyga, czy ktoś w ogóle zacznie czytać. Pisałem o tym w tekście jak zatrzymać uwagę klientów na stronie internetowej.

Czego dobry hook nie robi

Granice są twarde, a pilnują ich algorytmy i regulatorzy:

• engagement bait („LIKE if…”, „oznacz 3 osoby”) – Meta demotuje od grudnia 2017, w ponad 25 językach, modelem uczenia maszynowego; recydywa oznacza systemową utratę zasięgu,
• clickbait, czyli luka otwarta i porzucona – dobry curiosity gap domyka pętlę wartościowym payoffem w treści; clickbait otwiera lukę i zostawia widza z niczym,
• dark patterns – DSA art. 25 obowiązuje od 17.02.2024, a UOKiK ukarał Amazon kwotą 31,85 mln zł m.in. za licznik odliczający czas mimo braku gwarancji dostawy; fałszywe liczniki i fikcyjna dostępność to dziś ryzyko prawne, nie sprytna sztuczka,
• przesadne obietnice – persuazja to mnożnik: słaba oferta razy mocna persuazja równa się szybszy odpływ klientów i spalone zaufanie.

Zasada nadrzędna: otwieraj luki, które domykasz wartością. Wszystko poniżej tej linii spłacisz później zasięgami i zaufaniem odbiorców.

Jak w takim razie używać AI do hooków

Ten tekst to żaden manifest „wyrzuć AI”. Sam używam modeli do hooków codziennie – tyle że na innych warunkach niż „napisz mi 10 hooków”:

1. Daj wsad. Realne liczby z Twojej pracy, cytaty klientów. Model dostaje surowiec, którego nie ma w danych treningowych – i z automatu przestaje klepać średnią internetu.
2. Prowadź go matrycą. Najpierw ustal platformę, poziom świadomości, cel i temperaturę, dopiero potem proś o propozycje. Cztery osie zawężają pole z „cokolwiek” do „to, co ma prawo zadziałać”.
3. Wymuś różne mechanizmy. Każda propozycja ma być innym chwytem psychologicznym, nazwanym po imieniu. Jeżeli dwie siedzą na luce informacyjnej, jedna wypada.
4. Testuj z progami. Trzy warianty na kreację. Retencja poniżej 50% po 3 sekundach? Przepisujesz hook. Hook rate poniżej 25% na Meta lub 30% na TikToku na sensownej próbce? Wymieniasz całą kreację, a nie kosmetykę.

Całą tę wiedzę – ponad 130 nazwanych mechanizmów, benchmarki z progami decyzyjnymi, anty-wzorce i matrycę wyboru – zebrałem w e-booku „Kompendium hooków”. Zostawiasz maila, dostajesz PDF:

A jeżeli pracujesz w Claude Code, matryca działa też jako skill /hooki – wklejasz wsad, dostajesz 5 propozycji różnymi mechanizmami z uzasadnieniami. Namiar na skill znajdziesz w środku kompendium.

Najczęściej zadawane pytania

Dlaczego hooki generowane przez AI brzmią tak samo?

Hooki z AI brzmią tak samo, bo model językowy przewiduje najbardziej prawdopodobne kolejne słowo, więc odtwarza formuły najczęstsze w internecie – czyli te najmocniej skopiowane i najbardziej wypalone. Na dokładkę model, któremu nie postawisz twardych wytycznych, podaje wiele wariantów jednego mechanizmu psychologicznego (najczęściej luki informacyjnej) zamiast kilku odrębnych chwytów.

Co to jest habituacja i jak zabija hooki?

Habituacja to wygasanie reakcji mózgu na powtarzany bodziec: wzorzec widziany setki razy przestaje się w ogóle przebijać do świadomości. Dla hooków oznacza to, że formuły typu „You won’t believe…” czy „POV” straciły siłę wraz z masowym kopiowaniem. W mojej kampanii na Meta Ads wzrost częstotliwości kontaktu z kreacją z 6,4 do 15,7 obniżył ROAS z 8,72 do 3,09 – ten sam mechanizm w miniaturze.

Czy AI może napisać dobry hook?

Może, pod trzema warunkami: dostaje wsad (realne liczby, cytaty, konkrety spoza danych treningowych), pracuje w ramach matrycy (platforma, poziom świadomości, cel, temperatura ruchu) i ma wymuszoną regułę odrębnego mechanizmu psychologicznego dla każdej propozycji. AI puszczone samopas generuje statystyczne tło – a hook ma od tła właśnie odstawać.

Co to jest hook rate i jaki wynik jest dobry?

Hook rate to odsetek wyświetleń, które przetrwały pierwsze sekundy wideo: Meta dzieli 3-sekundowe odtworzenia przez wyświetlenia, TikTok stosuje próg 2 sekund. Na Meta 25–30% to przyzwoity wynik, powyżej 40% elita, poniżej 15% słabo. Na TikToku odpowiednio: ~30% zdrowo, 40–45% elita. Obu platform nie porównasz wprost – najlepszym benchmarkiem jest mediana własnego konta.

Ile znaków ma hook na LinkedInie?

Około 140 znaków – tyle widzi użytkownik telefonu przed przyciskiem „…zobacz więcej” (na desktopie ~210 znaków). Praktyczna rama: linia pierwsza do 8 słów, linia druga do 12 słów, bo 60–70% czytelników nigdy nie rozwija posta. Sam post działa najlepiej w przedziale 1301–2500 znaków (AuthoredUp, analiza 372 126 postów).

Czym różni się dobry hook od clickbaitu?

Dobry hook otwiera lukę informacyjną i domyka ją wartościowym payoffem w treści; clickbait otwiera lukę i zostawia ją pustą. Różnicę da się zmierzyć: treść z payoffem broni retencji i zaufania, clickbait podbija kliknięcia jednorazowo, a potem rachunek wystawiają algorytmy (Meta demotuje takie treści) i sami odbiorcy.

Jak dobrać hook do poziomu świadomości odbiorcy?

Według modelu Schwartza: odbiorcy unaware dajesz historię, symptom albo zaskoczenie, problem-aware – ból i jego koszt, solution-aware – mechanizm i różnicę podejść, product-aware – dowód i przewagę, most-aware – ofertę wprost z bodźcem w rodzaju rabatu lub deadline’u. Hook mówiący o produkcie działa dopiero od poziomu solution-aware; wysyłanie go do zimnego audytorium to najczęstszy błąd rynku.

Kiedy wymienić hook, a kiedy całą kreację?

Hook przepisujesz, gdy retencja po 3 sekundach spada poniżej 50% – samo otwarcie nie łapie. Całą kreację wymieniasz, gdy hook rate na sensownej próbce nie przekracza 25% na Meta lub 30% na TikToku – wtedy optymalizowanie starego materiału to przepalanie budżetu. Testuj 3 warianty hooka na kreację, minimum 30 dni albo do istotności statystycznej.

Źródła danych

• Berger, Milkman, „What Makes Online Content Viral?”, Journal of Marketing Research 2012 (~7 000 artykułów NYT),
• Shulman, Markowitz, Rogers, „Science Advances” 2024 (ponad 30 000 testów A/B, Washington Post i Upworthy),
• Outbrain 2012 (65 000 nagłówków); HubSpot + Outbrain 2015 (3,3 mln nagłówków),
• Backlinko 2019 (5 mln wyników Google),
• Google/Kantar 2021 – framework ABCD (17 000+ kampanii),
• AuthoredUp IX 2025 – II 2026 (372 126 postów LinkedIn),
• AdSights 2025 (benchmarki thumbstop cold/warm),
• IAB Polska, „Polacy w social mediach”, styczeń 2026 (1 052 dorosłych),
• dane własne: kampania Meta Ads, czerwiec 2026; typologia 46 hooków i matryca wyboru z kompendium DBest Content, sierpień 2026.