Widoczność w AI: dlaczego ChatGPT nie poleca Twojej firmy i jak to zmienić

AI poleca firmy, o których w sieci są spójne i łatwe do zacytowania informacje z wielu niezależnych źródeł. Jeśli model pomija Twoją firmę albo podaje o niej nieprawdę, problem zwykle leży w tych źródłach, a nie w samym modelu.

Lepszy prompt tu nie pomoże. Zmienia tylko odpowiedź, którą dostajesz Ty, a nie tę, którą ChatGPT da klientowi szukającemu dostawcy w Twojej branży.

A właśnie ta odpowiedź najczęściej rozczarowuje. Model poleca konkurencję, choć firma od lat działa na rynku. Albo wymienia markę, ale podaje nieaktualną ofertę, złą lokalizację lub usługi, których firma w ogóle nie świadczy. To realny problem sprzedażowy.

Klienci B2B coraz częściej zaczynają research od pytania zadanego AI. Jeśli firmy nie ma w odpowiedzi albo pojawia się z błędami, wypada z listy, zanim ktokolwiek wejdzie na jej stronę. Poniżej wyjaśniamy, skąd biorą się te błędy i co zrobić, żeby model mówił o firmie prawdę i polecał ją klientom.

Klienci B2B pytają AI, zanim skontaktują się z firmą

Duża część decyzji zakupowej w B2B zapada bez udziału handlowca. Kupujący sami zbierają informacje, porównują dostawców i tworzą krótką listę firm, z którymi chcą porozmawiać.

Nie przebiega to gładko. Według raportu Forrester „The State of Business Buying, 2024” sprawę komplikują ograniczone budżety, wpływ AI na sposób kupowania i sprzedawania, złe doświadczenia z samym procesem zakupu oraz długie cykle decyzyjne. Frustrację czują obie strony, zarówno kupujący, jak i sprzedawcy. Około 86% zakupów B2B utyka na którymś etapie, a blisko 81% nabywców jest niezadowolonych z wybranego dostawcy.

Coraz częściej ten samodzielny research zaczyna się od rozmowy z AI. Jak wynika z badania. Jak podaje ITwiz w artykule „Już 61% Polaków korzysta z chatbotów AI podczas zakupów”, sztuczna inteligencja stała się dla wielu osób stałym elementem zakupów. Dane dotyczą konsumentów, ale trudno oczekiwać, że ten nawyk znika w pracy. Menedżer, który przed zakupem telewizora pyta ChatGPT o rekomendację, najpewniej zrobi to samo, szukając dostawcy dla swojej firmy.

Zmienia się też sposób wyszukiwania. Zamiast wpisać w Google „agencja marketingowa B2B” i przejrzeć wyniki, kupujący pyta: „Jaką agencję marketingową wybrać do kampanii lead generation dla firmy produkcyjnej?” albo „Która agencja doradzi mi biznesowo i poprowadzi działania marketingowe?”. W odpowiedzi dostaje kilka konkretnych nazw. Firma, której na tej liście nie ma, traci szansę na pierwszy kontakt.

Wysoka pozycja w Google nie gwarantuje obecności w odpowiedzi AI. Przy bardziej złożonym pytaniu model może sięgnąć po zupełnie inne źródła niż te z pierwszej strony wyników.

Jaki model językowy tworzy odpowiedź o firmie?

Model językowy nie sprawdza faktów o firmie, tylko tworzy odpowiedź, która brzmi najbardziej prawdopodobnie na podstawie tekstów, które zna.

Duży model językowy (LLM) uczy się na ogromnej ilości tekstów: stron internetowych, artykułów, książek. Na tej podstawie przewiduje, jakie słowa powinny paść w odpowiedzi na pytanie.

Jeśli o firmie jest w sieci mało informacji albo są ze sobą sprzeczne, model może podać coś, co brzmi wiarygodnie, ale jest nieprawdą.

Do tego wiedza modelu kończy się w dniu, w którym zakończono jego trening. Jeśli firma później zmieniła ofertę, adres albo zakres usług, model o tym nie wie.

Dwa źródła wiedzy: trening i wyszukiwanie

AI korzysta z dwóch źródeł wiedzy o firmie: z danych, na których model był trenowany, i ze stron, które pobiera z internetu w chwili pytania.

Narzędzia takie jak ChatGPT Search, Perplexity, Gemini czy Google AI Overviews łączą model z wyszukiwaniem w internecie. Ten mechanizm nazywa się RAG (Retrieval-Augmented Generation). W skrócie: narzędzie pobiera aktualne strony i na ich podstawie pisze odpowiedź, często z linkami do źródeł.

Firma ma więc dwa sposoby, żeby wpłynąć na to, co AI o niej mówi:

1. Długofalowy: obecność marki w treściach, które trafią do danych treningowych kolejnych wersji modeli.
2. Bieżący: obecność w źródłach, które wyszukiwarki AI pobierają w chwili, gdy ktoś zadaje pytanie.

W obu przypadkach liczy się to samo: ile wiarygodnych, spójnych i aktualnych informacji o firmie można znaleźć w sieci.

Kogo AI cytuje? Niewielka grupa zbiera większość uwagi

ChatGPT Search, Gemini czy Perplexity mogą wskazać niemal każdą firmę. Regularnie pojawia się w ich odpowiedziach jednak stosunkowo wąska grupa marek.

Agencja Growtika przeanalizowała odpowiedzi ChatGPT na 1000 zapytań zakupowych z 10 branż. W odpowiedziach pojawiło się 3971 unikalnych domen. Zaledwie 48 z nich odpowiadało za 22,5% wszystkich cytowań, a 72% domen pojawiło się tylko raz. 

Dla większości firm obecność w odpowiedzi AI jest więc jednorazowym przypadkiem, a nie stałą widocznością.

„Nie jesteśmy rekomendowani w AI”. Skąd ten problem?

Brak firmy w odpowiedziach AI rzadko wynika z jednej przyczyny. Najczęściej składa się na to kilka czynników:

1. Brak obecności marki w źródłach zewnętrznych. Jeśli firma nie występuje w rankingach branżowych, katalogach, opiniach klientów, publikacjach eksperckich ani dyskusjach na LinkedInie, model nie ma z czego zbudować rekomendacji. Sama strona firmowa to zbyt mało.
2. Niejasne pozycjonowanie. Model łączy markę z kategorią i konkretnym zastosowaniem. Jeśli strona opisuje ofertę ogólnikami („kompleksowe rozwiązania dla biznesu”), AI nie wie, przy jakich pytaniach firmę wskazać. Konkurent, który jasno pisze, dla kogo i w czym się specjalizuje, ma przewagę.
3. Treści, których nie da się zacytować. Systemy AI wyciągają z tekstów krótkie, samodzielne fragmenty: definicje, odpowiedzi na pytania, konkretne dane. Długie akapity marketingowe bez faktów, liczb i jasnych stwierdzeń rzadko trafiają do odpowiedzi.
4. Bariery techniczne. Część firm nieświadomie blokuje roboty AI w pliku robots.txt (np. GPTBot, OAI-SearchBot, PerplexityBot, ClaudeBot) albo ma treści, które bez renderowania JavaScriptu są niewidoczne. Wtedy wyszukiwarka AI nie może się do nich odwołać. 
5. Słaba widoczność w tradycyjnym wyszukiwaniu. Wyszukiwarki AI korzystają z indeksów wyszukiwarek, np. Google czy Bing. Firma niewidoczna w wynikach organicznych ma mniejsze szanse, że jej treści zostaną pobrane i wykorzystane w odpowiedzi.

Widoczność w AI to efekt całego marketingu, nie jednego kanału

Wszystkie te przyczyny mają wspólny mianownik: model nie ocenia firmy na podstawie jednego źródła. Składa jej obraz z wielu sygnałów rozproszonych po sieci. Dlatego obecność w odpowiedziach AI to nie jest zadanie tylko dla SEO. Na to, czy i jak AI przedstawi markę, wpływa cały marketing mix.

Każdy kanał dokłada do tego obrazu swój fragment. Jeśli fragmenty do siebie pasują, model widzi spójną, wiarygodną markę i chętniej ją poleca. Jeśli każdy kanał mówi co innego albo któregoś brakuje, rekomendacja trafia do konkurenta, o którym model wie więcej.

Poprawę widoczności w AI najlepiej więc zacząć od spójnej komunikacji. Jedno jasne pozycjonowanie, konsekwentnie powtarzane na stronie, w mediach branżowych, w social mediach i w wypowiedziach ekspertów, działa lepiej niż intensywne działania w jednym kanale przy chaosie w pozostałych.

„AI pokazuje o nas nieprawdziwe informacje”. Skąd się biorą błędy?

Błędy o firmie w odpowiedziach AI mają zwykle jedno z czterech źródeł: nieaktualne dane, sprzeczne informacje w sieci, pomylenie z inną firmą albo luki, które model uzupełnia zgadywaniem. Do błędów możemy zaliczyć m.in: 

• Nieaktualne dane treningowe. Wiedza modelu kończy się w określonym momencie. Jeśli firma zmieniła ofertę, nazwę, adres lub zakres usług, model może latami powtarzać stary stan rzeczy, o ile w odpowiedzi nie korzysta z aktualnych stron.
• Sprzeczne informacje w sieci. Inny opis w Google Business Profile, inny na LinkedInie, inny w katalogu firm, a jeszcze inny na stronie. Model, który trafia na rozbieżne dane, może wybrać nieaktualną wersję albo połączyć kilka w jedną, nieprawdziwą.
• Pomylenie z inną firmą. Podobna nazwa, ta sama branża lub ta sama domena w innym kraju to częsta przyczyna przypisywania firmie cudzych usług, opinii czy danych.
• Luki uzupełniane zgadywaniem. Gdy informacji o firmie jest mało, model może „dopowiedzieć” brakujące elementy, np. cennik, liczbę pracowników czy listę klientów. Tak powstają halucynacje, czyli wiarygodnie brzmiące, ale nieprawdziwe stwierdzenia.

Odpowiedzi modelu nie da się poprawić bezpośrednio. Firma nie ma panelu, w którym zmieni to, co ChatGPT o niej mówi. Może natomiast poprawić źródła, z których model korzysta.

Jak sterować tym, co AI mówi o firmie?

GEO (Generative Engine Optimization) to działania, które zwiększają szansę, że modele AI wskażą firmę i podadzą o niej prawdziwe informacje. Nie da się zagwarantować, że model zawsze poleci firmę ani że nigdy się nie pomyli. Można natomiast wyraźnie zwiększyć szansę na trafną i częstą obecność w odpowiedziach.

Co można zrobić:

1. Zbadać punkt wyjścia. Przygotować listę 20–30 pytań, które zadaje klient na różnych etapach decyzji: pytania o kategorię („jaka firma do…”), porównania („X czy Y”), pytania o markę („czy firma X robi…”). Sprawdzić odpowiedzi w ChatGPT, Gemini, Perplexity i Google AI Overviews. Zanotować, kto jest wskazywany, jakie źródła są cytowane i jakie błędy pojawiają się na temat firmy. Jednorazowy test nie wystarczy, bo odpowiedzi różnią się w zależności od modelu, sformułowania pytania, lokalizacji użytkownika i dostępnych w danym momencie źródeł.
2. Ujednolicić dane o firmie. Nazwa, opis działalności, lokalizacja, zakres usług i dane kontaktowe powinny być takie same na stronie, w profilu Google Moja Firma, na LinkedInie, w katalogach i na portalach branżowych. Rozbieżności utrudniają modelom rozpoznanie marki i powiązanie jej z właściwą kategorią. 
3. Napisać ofertę tak, by dało się ją zacytować. Każda usługa powinna mieć osobną podstronę, która jasno mówi: co to jest, dla kogo, jaki problem rozwiązuje i czym różni się od alternatyw. Fakty o firmie, takie jak rok założenia, skala działalności, liczba klientów, zakres usług, wyniki czy nagrody, powinny być zapisane tekstem w HTML, a nie tylko w grafikach. Sekcję FAQ z odpowiedziami na rzeczywiste pytania klientów ułatwiają modelom wyciągnięcie gotowego fragmentu. 
4. Sprawdzić, skąd AI bierze rekomendacje konkurencji. Jeśli konkurent pojawia się w odpowiedziach częściej, trzeba ustalić, z jakich źródeł model korzysta, polecając go: rankingów, portali branżowych, Reddita, YouTube’a czy LinkedIna. To są miejsca, w których firma również powinna być obecna.
5. Budować obecność w źródłach zewnętrznych. Skoro większość cytowań pochodzi spoza stron firmowych, kluczowe są publikacje eksperckie w mediach branżowych, działania ePR, obecność w zestawieniach i katalogach oraz opinie klientów opisujące konkretne efekty współpracy. Dobry artykuł ekspercki pracuje nie tylko w dniu publikacji, ale też później, jako źródło dla odpowiedzi AI.
6. Usunąć bariery techniczne. Sprawdzić, czy robots.txt nie blokuje robotów wyszukiwarek AI, czy kluczowe treści są dostępne bez JavaScriptu i czy strona jest poprawnie indeksowana w Google i Bing.
7. Poprawiać źródła błędów. Gdy AI podaje nieprawdę, trzeba ustalić, skąd ją bierze. W Perplexity i ChatGPT Search widać cytowane strony. Należy zaktualizować nieaktualne wpisy w katalogach, zgłosić błąd autorowi lub wydawcy publikacji, a na stronie firmy opublikować jednoznaczny, aktualny opis. Jeśli źródło podaje dane w sposób zawiły, warto przygotować własną treść, która przedstawia je prosto.
8. Monitorować regularnie. Odpowiedzi modeli zmieniają się wraz z aktualizacjami i nowymi źródłami. Ten sam zestaw pytań warto sprawdzać co miesiąc lub kwartał, porównując: czy marka się pojawia, na której pozycji, na tle jakiej konkurencji i w jakim tonie (pozytywnym, neutralnym czy negatywnym). Do tego służą także wyspecjalizowane narzędzia do monitoringu widoczności w AI.

Podsumowanie

Dla większości firm obecność w odpowiedziach AI jest dziś przypadkowa. Stała widoczność zależy od trzech rzeczy: czy informacje o firmie są spójne we wszystkich kanałach, czy da się je łatwo zacytować i czy pojawiają się w źródłach, którym modele ufają. Sama rozpoznawalność marki nie wystarczy. Firmy, które zajmą się tym teraz, znajdą się na liście, którą klient B2B układa, zanim napisze do pierwszego dostawcy.