Krótko: uruchom stały zestaw dziesięciu do dwudziestu pięciu zapytań w ChatGPT, Gemini i Perplexity w czystej sesji i zapisuj przy każdym pięć rzeczy: czy Was wymieniono, co twierdzono, czy to prawda, na jakie źródła się powołano i datę. Powtarzaj ten sam zestaw co miesiąc. Jedno uruchomienie nie mówi nic, bo odpowiedzi różnią się między przebiegami — wartość leży w porównaniu w czasie. A zanim cokolwiek poprawisz, ustal, czy błąd pochodzi ze znalezionej strony, czy z samego modelu: naprawić da się tylko to pierwsze.
Większość firm dowiaduje się, co mówią o nich asystenci, przypadkiem: klient wspomni w rozmowie albo ktoś z ciekawości wpisze nazwę. W tym momencie odpowiedź kształtuje decyzje kupujących już od miesięcy.
Alternatywa nie jest skomplikowana, ale wymaga systemu. Poniżej metoda: o co pytać, co notować i jak czytać to, co wróci.
Dlaczego jedno uruchomienie nic nie mówi o widoczności w AI
Pierwsza rzecz do zrozumienia: odpowiedzi asystentów nie są stabilne. Zadaj to samo pytanie dwa razy, a możesz dostać inne firmy, inne opisy i inne źródła. Zmień sesję, konto albo lekko przeformułuj pytanie — rozrzut się zwiększy.
Wynikają z tego dwie konsekwencje dla audytu.
Pierwsza: pojedyncze uruchomienie to wrażenie, nie pomiar. Wymienienie Was raz dowodzi, że tak bywa, a nie że tak zwykle jest. Brak wymienienia nie dowodzi niczego.
Druga: jednostką pomiaru musi być zestaw, nie zapytanie. Uruchomiliście dwadzieścia zapytań, pojawiliście się w sześciu odpowiedziach — to liczba, którą można porównać z przyszłym miesiącem. Jedno zapytanie nie daje materiału do porównania.
Jak zbudować zestaw zapytań do audytu odpowiedzi AI
Zestaw jest całą metodą. Zbuduj go raz porządnie i potem nie zmieniaj: poprawki między przebiegami niszczą porównywalność.
Roboczy zakres to od dziesięciu do dwudziestu pięciu zapytań czterech typów.
Markowe. Nazwa firmy wprost: czym się zajmuje, ile kosztuje, kto prowadzi, gdzie działa. Najszybciej ujawniają błędy faktograficzne i to je uruchamiają klienci przed rozmową.
Kategorialne. Usługa bez Waszej nazwy: kto robi to a to dla takich a takich tam a tam. Tu widać, czy w ogóle jesteście brani pod uwagę i kto jeszcze.
Porównawcze. Wasza firma kontra wskazany konkurent albo „alternatywy dla X". Niewygodne i najbardziej pouczające.
Problemowe. Sytuacja, którą opisuje kupujący, zanim zorientuje się, jakiej usługi potrzebuje — z ograniczeniami, branżą i miastem, jak napisałby żywy człowiek.
Formułujcie tak, jak ludzie piszą, a nie jak buduje się zapytania do wyszukiwarki. „Mamy gabinet stomatologiczny w Warszawie, strona nie przynosi zapytań, do kogo się zwrócić" to zapytanie do asystenta. „tworzenie stron stomatologia" to fraza wyszukiwarkowa, a asystenci zachowują się przy nich inaczej.
Co notować przy każdym zapytaniu w audycie odpowiedzi AI
Konsekwencja liczy się bardziej niż objętość. Przy każdym zapytaniu zapisujcie:
- Asystent i data — Odpowiedzi różnią się między platformami i zmieniają w czasie
- Wymieniono czy nie — Główna metryka całego audytu
- Co twierdzono o Was — Tu ujawniają się błędy faktograficzne
- Prawda / nieaktualne / błędne — Błędy sortuje się według wagi, nie kolejności znalezienia
- Kogo wymieniono poza Wami — Wasz realny krąg konkurencyjny w odpowiedziach AI, często inny niż zakładany
- Podane źródła — Punkt wyjścia każdej korekty
- Zrzut ekranu — Odpowiedzi się zmieniają; bez zrzutu nie udowodnicie, co padło
Wystarczy arkusz. Narzędzie znaczy tu znacznie mniej niż regularność.
Jak sprawdzać ChatGPT, Gemini i Perplexity osobno
Pracujcie w czystej sesji. Wylogujcie się albo użyjcie okna prywatnego. Konto z historią pamięta wcześniejsze rozmowy, a asystent, który już omawiał z Wami Waszą firmę, wymieni ją znacznie chętniej, niż zrobiłby to dla obcej osoby.
Uruchamiajcie każdą platformę osobno. ChatGPT, Gemini, Perplexity i odpowiedzi AI w Google opierają się na innych źródłach. Obecność w jednej nie mówi nic o pozostałych, a ten sam błąd może występować w jednej i nie występować w drugiej.
Notujcie, czy użyto wyszukiwania. ChatGPT odpowiadający z danych treningowych i ChatGPT odpowiadający po przeszukaniu sieci to praktycznie dwa różne systemy o różnych trybach awarii. Są odnośniki w odpowiedzi — było wyszukiwanie. Nie ma — patrzycie na pamięć modelu.
Sprawdzajcie w kilku językach. Dla polskiej firmy to warstwa, o której łatwo zapomnieć: asystent odpowiada w języku pytania i opiera się na źródłach w tym języku. Firma bywa opisana poprawnie po polsku i błędnie po angielsku — bo anglojęzycznych źródeł o niej prawie nie ma. Jeśli macie albo chcecie mieć klientów zagranicznych, audyt wyłącznie po polsku pokaże połowę obrazu.
Idźcie za cytowaniami. Gemini i Perplexity pokazują źródła, więc namierzenie jest proste — otwórzcie zacytowaną stronę, a błędne twierdzenie zwykle leży tam otwartym tekstem. ChatGPT często źródeł nie podaje; wtedy szukajcie samego błędnego twierdzenia i sprawdzajcie, która strona na nie rankuje.
Błąd wyszukiwania czy błąd modelu: jak je odróżnić
To rozróżnienie decyduje, czy naprawa jest w ogóle możliwa, i prawie wszędzie się je pomija.
Błąd wyszukiwania powstaje, gdy asystent szukał, znalazł stronę z błędnymi danymi i je powtórzył. Błędne twierdzenie istnieje gdzieś publicznie: nieaktualny profil, stara informacja prasowa, strona porównawcza konkurenta, katalog, którego nikt nie ruszał od trzech lat. To da się naprawić, bo da się naprawić źródło.
Błąd modelu powstaje, gdy asystent mówi z własnej pamięci, bez źródła. Firmę tak opisywano w danych, na których model się uczył, i to powtarza. Na poprawki źródeł takie błędy w najbliższym czasie nie reagują — utrzymują się do przetrenowania albo dopóki odpowiedzi z wyszukiwaniem ich nie przykryją.
Jak odróżnić: zadajcie to samo pytanie z włączonym i wyłączonym wyszukiwaniem tam, gdzie platforma na to pozwala. Jeśli z wyszukiwaniem odpowiedź się zmienia, poprawne dane są osiągalne, a problem polega na tym, że Wasze źródła nie są wystarczająco mocne. Jeśli błędne twierdzenie pojawia się w obu przypadkach, siedzi w modelu.
Wniosek praktyczny jest niewygodny, ale lepiej znać go od razu: części tego, co asystenci mówią o Was, w tym kwartale naprawić się nie da, a wysiłek włożony w próby jest zmarnowany. Da się natomiast sprawić, żeby poprawne fakty były na tyle konsekwentnie obecne w osiągalnych źródłach, by odpowiedzi z wyszukiwaniem pozostawały prawidłowe, dopóki pamięć modelu nadgania.
Jak czytać wyniki audytu odpowiedzi AI
Trzy pytania po kolei.
Czy w ogóle Was wymieniają? Jeśli pojawiliście się w dwóch odpowiedziach na dwadzieścia, problemem jest widoczność, a nie wiarygodność, a praca wygląda inaczej — opisuje ją artykuł o trafianiu do rekomendacji asystentów.
Gdy wymieniają, czy opis jest poprawny? Nie ta specjalizacja, nieaktualne usługi, zła geografia, cena sprzed dwóch lat. Sortujcie według skutków: najpierw to, co wpływa na decyzję zakupową — cena, możliwości, czy obsługujecie ich branżę albo kraj. Kosmetyczne nieścisłości poczekają.
Które źródła się powtarzają? Jeśli w większości odpowiedzi cytowane są te same trzy strony, to one są Waszą bazą dowodową — niezależnie od tego, czy je kontrolujecie. Stamtąd zaczyna się korekta i często nie jest to Wasza własna strona.
Jak często powtarzać audyt AI i jakich zmian oczekiwać
Raz w miesiącu to właściwa częstotliwość dla większości firm. Co tydzień daje szum: naturalny rozrzut między przebiegami przykryje każdą realną zmianę. Raz na kwartał jest za wolno, żeby złapać błąd, dopóki jeszcze ma znaczenie.
Uruchamiajcie identyczny zestaw w tych samych warunkach i porównujcie liczbę odpowiedzi z Waszą wzmianką oraz listę utrzymujących się błędów. Korekty nie pojawiają się natychmiast: zmienione źródła muszą zostać ponownie zeskanowane, a opóźnienie mocno różni się między platformami — systemy z wyszukiwaniem odzwierciedlają zmiany w tygodniach, a to, co siedzi w pamięci modelu, może nie zmienić się aż do przetrenowania.
Oczekiwania układajcie odpowiednio. To pomiar wolny, a wartość leży w trendzie z kilku miesięcy, nie w wyniku jednego.
Jak prowadzę audyt odpowiedzi AI o firmie
Co obejmuje praca: zbudowanie zestawu zapytań pod Wasz rynek i Waszych kupujących, przebieg bazowy na platformach i w językach, namierzenie każdego błędu do źródła, rozdzielenie tego, co naprawialne, od tego, co nie, oraz ustawienie pomiaru, żebyście widzieli trend, a nie zgadywali.
Granice powiem wprost: nie da się zagwarantować, co powie asystent, a część błędów nie ruszy się do przetrenowania modelu. Da się natomiast ustalić, co faktycznie się mówi, naprawić naprawialne i wiedzieć, co jest czym.
Od czego zacząć sprawdzanie, co AI mówi o Waszej firmie
Sprowadzając do jednej zasady: zbudujcie zestaw raz, uruchamiajcie w czystej sesji, notujcie te same pola i porównujcie miesiąc do miesiąca.
Krok praktyczny na dziś: napiszcie dziesięć zapytań, które realnie wpisałby Wasz klient — trzy markowe, trzy kategorialne, dwa porównawcze, dwa problemowe. Uruchomcie je w ChatGPT i Perplexity w oknie prywatnym i zapiszcie odpowiedzi. Ta godzina daje punkt odniesienia, a wszystko dalsze mierzy się od niego.
Jeśli chcecie wiedzieć, co asystenci mówią teraz Waszym klientom — napiszcie do mnie, przeprowadzimy audyt razem.
