Co AI mówi o Twojej firmie i ile w tym prawdy? Fact-check 378 twierdzeń o 21 markach

Sprawdziliśmy 449 odpowiedzi siedmiu silników AI na pytania o firmy z naszego portfolio. W 156 z nich marka rzeczywiście pada w tekście, a z tych odpowiedzi wyciągnęliśmy 378 twierdzeń o konkretnych firmach i każde porównaliśmy ze źródłem. Wynik: 73% sprawdzalnych twierdzeń jest prawdziwych, 27% ma jakiś problem, a 5,7% to twarde błędy – nieprawdziwa cena, nieaktualny adres, pomylona firma. Najwięcej błędów dotyczy cen (39% twierdzeń z problemem), a najbardziej niepokojące jest coś innego: 42% odpowiedzi, w których marka się pojawia, zawiera co najmniej jedno nieścisłe twierdzenie, a prawie połowa z nich to odpowiedzi, w których AI poleca markę jako pierwszy wybór. AI może więc jednocześnie rekomendować Twoją firmę i mówić o niej nieprawdę. Jeśli chcesz to sprawdzić u siebie, zacznij od sprawdzenia, jak Twoja marka wygląda w odpowiedziach AI, a dopiero potem od optymalizacji pod kolejne prompty.

Ten tekst to najdłuższy materiał, jaki opublikowaliśmy na podstawie danych z AI Monitor, naszego narzędzia do śledzenia odpowiedzi ChatGPT, Gemini, Perplexity, Claude, Copilota, Google AI Mode i AI Overviews. Pokazujemy w nim wyniki liczbowe, kilkanaście przypadków z prawdziwymi cytatami odpowiedzi AI, mechanizmy, które prowadzą do błędów, i listę rzeczy, które firma może z tym zrobić. Marki klientów są zanonimizowane – opisujemy je przez branżę. Pod własną nazwą występujemy tylko my, bo AI myli się także w sprawie Semgence.

Najważniejsze wnioski w skrócie

• 73% sprawdzalnych twierdzeń AI o firmach jest prawdziwych, 27% ma problem, a 5,7% to twarde błędy: zła cena, nieaktualny adres, pomylona firma.
• 42% odpowiedzi, w których pada marka, zawiera co najmniej jedno nieścisłe twierdzenie – także te, w których AI poleca markę jako pierwszy wybór.
• Najsłabsze kategorie to ceny (39% z problemem), porównania z konkurencją (44%) i superlatywy, które prawie nigdy nie mają pokrycia.
• Gdy AI cytuje stronę firmy, myli się w 24% twierdzeń. Gdy opiera się wyłącznie na obcych źródłach albo nie ma żadnego źródła o marce – w 41-44%.
• Większość błędów nie jest wymysłem modelu. AI powtarza niespójne treści ze strony firmy, stare artykuły, wpisy w rejestrach, wizytówki i autopromocję.
• Narzędzia do monitoringu nie sprawdzają prawdziwości. Automatyczny sentyment zgadzał się z oceną człowieka w 56% przypadków.
• Firmy SaaS i technologiczne B2B mają 35% twierdzeń z problemem, sklepy i marki konsumenckie – 13%. Na poziomie marek rozrzut wynosi od 8% do 46%.
• Marki bez panelu firmy w Google miały 43% twierdzeń z problemem, marki z panelem – 26%. Sama kompletność danych strukturalnych Organization wyników nie różnicowała.
• Wizytówki z Map Google trafiają do odpowiedzi Google AI Mode i AI Overviews także przy pytaniach nielokalnych.

Jak sprawdziliśmy, co AI mówi o firmach?

Punktem wyjścia była baza AI Monitor. Na dzień analizy zawierała ponad 362 tysiące udanych odpowiedzi AI i 2,68 mln cytowań z siedmiu silników. Z tej bazy wybraliśmy 28 projektów firm z naszego portfolio i do 8 monitorowanych pytań (promptów) na projekt – łącznie 81 promptów. Dla każdego promptu bierzemy najnowszą odpowiedź każdego silnika i kilka starszych, żeby zobaczyć, czy odpowiedzi zmieniają się w czasie. Daje to 449 odpowiedzi z okresu od czerwca do połowy listopada 2026 roku.

• 28 projektów firm z naszego portfolio i 81 monitorowanych promptów
• 449 odpowiedzi z siedmiu silników: ChatGPT, Gemini, Perplexity, Claude, Copilot, Google AI Mode i AI Overviews
• 156 odpowiedzi, w których marka faktycznie pada w tekście, dotyczących 21 firm
• 378 twierdzeń o tych firmach, każde sprawdzone ręcznie ze źródłem
• 1360 cytowań z tych odpowiedzi i 10 113 wizytówek z map z 16 projektów

Pierwsze sito było proste: czy marka w ogóle pada w treści odpowiedzi. Brzmi banalnie, ale już tu narzędzie i człowiek się rozjeżdżają, o czym piszemy dalej. Marka pojawiła się w tekście 156 razy i dotyczyło to 21 firm. Pozostałe projekty albo nie miały aktywnych promptów, albo AI w ogóle ich nie wymieniało – to osobny problem widoczności, ale nie temat tego tekstu.

Z każdej z 156 odpowiedzi wypisaliśmy wszystkie twierdzenia o marce: co firma oferuje, ile to kosztuje, gdzie jest, od kiedy działa, kim są ludzie, jakie ma certyfikaty i jak wypada na tle konkurencji. Każde twierdzenie sprawdziliśmy ręcznie na stronie firmy, w rejestrach, katalogach i źródłach, które AI zacytowało. Twierdzenie dostawało jeden z siedmiu werdyktów: prawda, częściowo prawda, nieprawda, nieaktualne, pomylona firma, superlatyw bez pokrycia albo nie da się sprawdzić.

Werdykt	Co oznacza	Przykład z danych
Prawda	Twierdzenie zgodne z aktualnym źródłem	Cennik usługi podany co do złotówki
Częściowo prawda	Rdzeń się zgadza, ale AI coś dopisało lub uogólniło	Prawdziwa lista zastosowań plus dwa, których firma nie oferuje
Nieprawda	Twierdzenie sprzeczne ze źródłem	Cena kilkukrotnie niższa niż w oficjalnym cenniku
Nieaktualne	Było prawdą kiedyś, dziś nie jest	Stary adres kancelarii albo staż sprzed kilku lat
Pomylona firma	AI przypisało marce cechy innej firmy	Producent dachów opisany jak producent regałów
Superlatyw bez pokrycia	„Lider”, „najlepszy”, „jeden z największych” bez niezależnego źródła	Autoranking podany jako uznanie rynku
Nie da się sprawdzić	Brak publicznego źródła, które potwierdza lub obala	Opłata aktywacyjna, której firma nie publikuje

Werdykty liczymy dwojako. „Twierdzenia z problemem” to wszystko poza prawdą i twierdzeniami niesprawdzalnymi, czyli także częściowa prawda i superlatywy bez pokrycia. „Twarde błędy” to wyłącznie nieprawda, informacje nieaktualne i pomylona firma – rzeczy, które klient może wziąć za fakt i na ich podstawie podjąć złą decyzję. Odsetki liczymy od twierdzeń sprawdzalnych (334 z 378), bo „nie da się sprawdzić” nie oznacza ani prawdy, ani fałszu.

Osobno, na tych samych 156 odpowiedziach, oceniliśmy ton wypowiedzi o marce (pozytywny, neutralny, mieszany, negatywny), jej rolę w odpowiedzi (polecana jako pierwsza, wymieniona na liście, jako alternatywa, tylko jako źródło) i intencję pytania. Wszystko to zestawiliśmy z tym, co o tych samych odpowiedziach mówi sam system monitoringu: flagą „marka wymieniona”, sentymentem i informacją, czy AI zacytowało domenę firmy.

Ile prawdy jest w odpowiedziach AI o firmach?

Wyniki dla wszystkich 378 twierdzeń wyglądają tak:

• 245 prawdziwych
• 44 częściowo prawdziwych
• 26 superlatywów bez pokrycia
• 12 nieprawdziwych
• 6 nieaktualnych
• 1 o pomylonej firmie
• 44, których nie dało się sprawdzić

Po odjęciu tych ostatnich zostaje 334 twierdzenia, z których 73% jest prawdziwych. Twarde błędy stanowią 5,7%, czyli mniej więcej co osiemnaste sprawdzalne twierdzenie.

Na pierwszy rzut oka to dobra wiadomość – większość tego, co AI mówi o firmach, się zgadza. Problem w tym, że błędy nie rozkładają się równo. Kumulują się w informacjach, które najmocniej wpływają na decyzję zakupową: w cenach, porównaniach z konkurencją i ocenach typu „najlepszy w mieście”. A klient czytający odpowiedź nie wie, które zdanie jest tym jednym fałszywym na osiemnaście.

Nasze wyniki są zbliżone do innych badań, choć metodologie się różnią:

• Searchable przeanalizował 32 556 faktów o 1704 markach ocenionych przez pracowników tych firm i 9,2% z nich oznaczono jako nieprawdziwe („9.2% as incorrect”, jak podaje raport). Co ważne, do kategorii fałszu autorzy zaliczyli też informacje nieaktualne i pomylenie marek, czyli te same typy błędów, które znaleźliśmy w naszej próbie. W tym badaniu małe firmy (do 50 osób) miały 9,4% fałszywych faktów, średnie 7,4%, a duże 6,3%. Najwyższy odsetek fałszu miały ceny (13,5%), a dalej finanse, integracje i partnerzy – czyli informacje, które zmieniają się najczęściej.
• Badanie Empirank opisane przez PPC Land wskazało tylko 1,9% twierdzeń jako nieprawdziwe, ale 38,1% jako niepotwierdzone – z zastrzeżeniem autorów, że „unsupported does not mean false” – a co dziewiąta firma polecona przez model OpenAI z wyszukiwaniem miała w opisie co najmniej jedno twierdzenie sprzeczne ze źródłami.
• Międzynarodowe badanie nadawców publicznych koordynowane przez EBU i BBC wykazało, że „45% of all AI answers had at least one significant issue” – poważny problem miało 45% odpowiedzi asystentów AI na pytania o wiadomości.
• Najbliższe metodą naszemu jest badanie holenderskie. Timmermans Media zadało ChatGPT, Gemini i Perplexity 185 pytań klientów o 37 holenderskich marek i oceniło 1917 odpowiedzi. Perplexity dawało błędną odpowiedź w 9,2% pytań, ChatGPT w 2,7%, a Gemini w 1,1%. 62% wszystkich błędów to informacje nieaktualne, a tylko 11% – wymyślone. Autorzy podsumowali to wprost w tytule raportu: „AI rarely invents facts, but it sells yesterday’s prices”.
• Profound przeanalizował ponad 158 tysięcy twierdzeń o markach i podał odsetek nieprawdziwych na poziomie 4,3-6,8% w zależności od silnika. Ceny i rozliczenia stanowiły 12% wszystkich twierdzeń, ale aż 24% nieprawdziwych.

Wspólny wniosek z tych badań i naszych danych jest taki, że odsetek „czystych” błędów jest niewielki, ale odsetek odpowiedzi, które w jakimś miejscu mijają się z prawdą, jest duży. Różnica wynika z tego, czy liczymy pojedyncze zdania, czy całe odpowiedzi, i z tego, co robimy ze zdaniami, których nie da się sprawdzić. Nasza próba jest mniejsza niż w badaniach międzynarodowych, ale ma dwie zalety. Dotyczy polskich firm i polskich pytań. Każde twierdzenie zweryfikował człowiek, a nie inny model językowy.

Jak wypadamy na tle badań z innych krajów?

Badanie	Próba	Odsetek błędów	Najczęstszy problem
Semgence, Polska, XI 2026	378 twierdzeń, 21 marek, 7 silników, weryfikacja ręczna	5,7% twardych błędów, 27% z problemem	ceny, porównania, superlatywy
Timmermans Media, Holandia, VII 2026	1917 odpowiedzi, 37 marek, 3 silniki	1,1-9,2% pytań z błędną odpowiedzią	nieaktualne ceny i warunki
Searchable, VII 2026	32 556 faktów, 1704 marki, ocena pracowników firm	9,2% faktów	ceny, finanse, integracje
Profound, VIII 2026	ponad 158 tys. twierdzeń	4,3-6,8% twierdzeń	ceny i rozliczenia
Empirank, VIII 2026	1257 twierdzeń, 182 firmy lokalne, 1 silnik	1,9% nieprawdziwych, 38,1% niepotwierdzonych	akredytacje bez dowodów

Wszystkie badania, łącznie z naszym, wskazują ten sam najsłabszy punkt: ceny i inne informacje, które często się zmieniają. Różnią się za to w dwóch sprawach. Pierwsza to wielkość firmy. Searchable znalazł więcej błędów u małych firm, a w badaniu holenderskim ta zależność się nie pojawiła. W naszej próbie są niemal wyłącznie firmy małe i średnie, więc tego nie rozstrzygniemy. Druga to ranking silników. U Holendrów najgorzej wypadło Perplexity, a w naszych danych jest w środku stawki. Profound wskazuje, że Claude myli się ponad 1,3 razy częściej niż ChatGPT, co jest zgodne z naszym wynikiem. Wniosek: ranking silników zależy od rynku, języka i rodzaju pytań, więc nie warto go traktować jak stałej prawdy.

O czym AI myli się najczęściej?

Typ informacji ma większy wpływ na trafność niż silnik AI. Najlepiej wypadają rzeczy stabilne i jednoznaczne: lokalizacja (5% twierdzeń z problemem), ludzie i zespół (0%), historia firmy (11%). Najgorzej – rzeczy, które się zmieniają, które trzeba porównać albo które ktoś musi ocenić.

Ceny to najsłabszy punkt. Na 31 sprawdzalnych twierdzeń o cenach 39% ma problem, a 7 to twarde błędy – najwięcej ze wszystkich kategorii. W liczbach bezwzględnych oferta i usługi dają więcej błędów, bo to największa grupa (162 twierdzenia), ale tam odsetek problemów wynosi 19%, a twardych błędów jest 6. Ceny w odpowiedziach AI pochodzą bardzo często z artykułów zewnętrznych, starszych wersji strony albo z zestawień konkurencji, a nie z aktualnego cennika. Jeśli firma nie publikuje cen, AI i tak je poda – z najbliższego źródła, które je zawiera. Te same proporcje widać w badaniu holenderskim: informacje zależne od czasu, takie jak ceny, abonamenty i oferty, miały błędną odpowiedź w 6,8% pytań, a dane stałe, takie jak adres czy rok założenia, w 2,5%. 88% błędów cenowych wynikało z nieaktualnych danych, a nie z wymysłu modelu.

Superlatywy to osobna historia. Na 29 sprawdzalnych twierdzeń typu „lider”, „najlepszy”, „jeden z największych w Europie” 28 nie miało niezależnego potwierdzenia. W prawie każdym przypadku źródłem była sama firma: hasło ze strony głównej, ranking opublikowany przez nią samą albo wynik z jednego katalogu reklamowego. AI nie odróżnia autoprezentacji od opinii rynku i podaje ją jako fakt.

Porównania z konkurencją (44% z problemem) i wielkość firmy (40%) to małe próby, ale kierunek jest wyraźny. Gdy AI ma zestawić dwie firmy, łatwo przenosi cechy jednej na drugą, a gdy ma ocenić skalę firmy, sięga po słowa „duży”, „wiodący” albo „popularny”, za którymi nie stoją żadne liczby.

Które firmy AI opisuje najmniej dokładnie?

Między markami różnice są większe niż między silnikami. Pogrupowaliśmy 21 firm w cztery typy i policzyliśmy odsetek twierdzeń z problemem. Najgorzej wypadły firmy SaaS i technologiczne B2B (35%) oraz producenci B2B (31%). Usługi profesjonalne – kancelarie, biura rachunkowe, agencje – miały 22%, a sklepy i marki konsumenckie tylko 13%.

Na poziomie pojedynczych marek rozrzut jest jeszcze większy: od 8% u marki suplementów diety do 46% u giełdy transportowej B2B. Siedem z piętnastu marek z co najmniej dziesięcioma sprawdzalnymi twierdzeniami przekroczyło 30%.

Skąd taka różnica? Dane pokazują kilka powodów, które się na siebie nakładają:

• Sklepy publikują fakty w prostej formie. Cena, wymiary, skład, dostawa są na karcie produktu, często w danych strukturalnych. W grupie B2C 89% twierdzeń pochodziło z odpowiedzi cytujących domenę marki, u producentów B2B – 74%.
• Firmy B2B często nie publikują cen. Wtedy AI bierze je z artykułów, porównań i konkurencji. Wśród twierdzeń o SaaS B2B było 23 o cenach, wśród marek B2C – tylko 5.
• B2B więcej mówi o sobie superlatywami. W grupie SaaS było 13 superlatywów bez pokrycia, u producentów B2B 8, a w grupie sklepów i marek konsumenckich – ani jednego.
• Pytania o B2B częściej dotyczą porównań. Producenci B2B mieli 31 twierdzeń z promptów porównawczych, a to typ pytania z najwyższym odsetkiem problemów.
• Oferty B2B są złożone. Integracje, warianty licencji, opłaty aktywacyjne, warunki umów – im więcej elementów, tym więcej miejsc, w których AI może coś dopisać.

Ostatnie zastrzeżenie: grupy różnią się też rodzajem monitorowanych pytań, więc część różnicy wynika z tego, o co pytaliśmy, a nie tylko z samych firm. Kierunek jest jednak spójny z badaniami Searchable i Profound, w których najczęściej mylone są ceny, integracje i warunki – typowe elementy ofert B2B.

Który silnik AI myli się najczęściej?

Różnice między silnikami są widoczne, ale mniejsze, niż można by się spodziewać. Najwięcej twierdzeń z problemem mają Google AI Overviews (39%) i Claude (36%), najmniej Gemini (20%), ChatGPT i Copilot (po 22%). Twarde błędy rozkładają się inaczej: najwyższy odsetek ma Claude (11%) i ChatGPT (9%), najniższy Google AI Mode (2%).

Przy interpretacji trzeba uważać na wielkość próby. Dla ChatGPT mamy 23 sprawdzalne twierdzenia, dla Claude 28, a różnica kilku twierdzeń zmienia wynik o kilkanaście punktów procentowych. Pewniejsze są wnioski jakościowe.

• Google AI Overviews chętnie dopowiadają szczegóły, których nie ma w źródłach: liczbę lat doświadczenia, dodatkowe branże klientów, „zautomatyzowane linie produkcyjne”.
• Copilot najczęściej przenosi dane z wizytówek i katalogów, łącznie z adresami i godzinami otwarcia.
• Perplexity cytuje źródła przy każdym zdaniu, ale potrafi przypisać źródłu liczbę, której w nim nie ma.
• Claude najczęściej opiera całą charakterystykę firmy na jednym źródle – jednej recenzji, jednym badaniu, jednej podstronie.

Poniżej profil każdego silnika z naszej próby. Liczby dotyczą tylko odpowiedzi, w których marka pada w tekście.

Silnik	Długość odpowiedzi (mediana słów)	Marek na liście (mediana)	Marka polecana jako pierwsza	Domena marki wśród cytowań	Twierdzenia z problemem	Twarde błędy
ChatGPT	93	3,5	7 z 16	35%	22%	9%
Gemini	476	5,5	12 z 28	13%	20%	4%
Perplexity	130	2	12 z 22	26%	26%	5%
Claude	174	4	6 z 13	20%	36%	11%
Copilot	276	2	13 z 23	16%	22%	6%
Google AI Mode	261	4	8 z 27	18%	29%	2%
Google AI Overviews	273	3	5 z 27	16%	39%	6%

Dane: AI Monitor, 156 odpowiedzi z marką w tekście, 1360 cytowań, 334 sprawdzalne twierdzenia, VI-XI 2026. „Domena marki wśród cytowań” to udział adresów z domeny firmy we wszystkich cytowaniach danego silnika.

Z tabeli wynikają dwie rzeczy, które warto znać przed rozmową o „widoczności w AI”. Copilot i Perplexity podają krótkie listy, zwykle z dwiema firmami, więc marka częściej staje się w nich pierwszym wyborem – w ponad połowie odpowiedzi. Google AI Overviews robią to najrzadziej (5 z 27). Gemini pisze najdłużej i wymienia najwięcej firm, a przy tym najrzadziej cytuje stronę samej firmy – jego obraz marki powstaje głównie ze stron rynku. ChatGPT pisze najkrócej i najczęściej sięga po domenę firmy, ale przy małej próbie jego wynik twardych błędów (9%) to zaledwie dwa twierdzenia.

Praktyczny wniosek: nie wystarczy sprawdzić, co o Twojej firmie mówi jeden silnik. ChatGPT może mówić prawdę, a AI Overviews w tym samym czasie dopisywać firmie usługi, których nie ma. W naszej próbie nie ma silnika, który byłby wolny od błędów.

Czy rodzaj pytania zmienia jakość odpowiedzi?

Tak, choć inaczej, niż zakładaliśmy. Podzieliliśmy prompty na pięć intencji: pytanie o markę wprost („czym zajmuje się X”, „ile kosztuje X”), prośbę o polecenie („jaki producent…”, „gdzie kupić…”), porównanie („X czy Y”), pytanie informacyjne, w którym marka pojawia się jako źródło, i zapytanie lokalne („kancelaria w [mieście]”).

Najwięcej twierdzeń z problemem dają porównania (44%) i prośby o polecenie (29%). To logiczne: w obu przypadkach AI musi zestawić kilka firm, a przy tym łatwo pomylić, która ma jaką cechę, i sięgnąć po superlatywy. Ale twarde błędy – nieprawdziwe ceny, nieaktualne dane, pomylona firma – padają najczęściej przy pytaniach o markę wprost: 12 z 19 wszystkich twardych błędów. Kiedy użytkownik pyta wprost „ile kosztuje abonament w X”, AI musi podać konkret, a jeśli go nie znajdzie na stronie firmy, weźmie go skądinąd.

To ważne dla każdej firmy, która myśli o widoczności w AI wyłącznie przez pryzmat rekomendacji. Pytania brandowe zadają osoby, które już rozważają zakup. Właśnie przy nich błąd kosztuje najwięcej, a jednocześnie rzadko ktoś je monitoruje, bo „przecież nas znają”. O tym, jak dobrać pytania do monitoringu, żeby obejmowały oba typy intencji, piszemy w tekście o generowaniu promptów do monitorowania marki w AI.

Czy AI mówi o firmach dobrze czy źle?

Ręcznie oceniliśmy ton każdej ze 156 odpowiedzi wobec marki. Ani jedna nie była negatywna. 76 było neutralnych, 64 pozytywne, a 16 mieszanych, czyli takich, w których pochwały przeplatają się z zastrzeżeniami („dobra jakość, ale mała rozpoznawalność”).

Sama pozycja marki też wygląda dobrze:

• w 63 odpowiedziach była polecana jako pierwsza,
• w 71 wymieniona na liście,
• w 5 podana jako alternatywa,
• w 16 pojawiła się tylko jako źródło informacji.

Mediana pozycji marki na liście to 1 w każdym silniku. Różni się natomiast długość list: Gemini wymienia w medianie 5-6 firm, ChatGPT, Claude i AI Mode po cztery, AI Overviews trzy, a Copilot i Perplexity dwie.

Brak negatywnych odpowiedzi nie oznacza, że wizerunek jest bezpieczny. Błędy rzadko przychodzą w formie krytyki. Najczęściej przychodzą w formie pochwały, która zawiera nieprawdę: „najwyżej oceniana kancelaria w mieście”, „abonament już od kilku euro”, „idealne dla właścicieli zwierząt”. Klient, który przyjdzie z takim oczekiwaniem, zderzy się z rzeczywistością dopiero w rozmowie z firmą.

Policzyliśmy, ile odpowiedzi z marką w tekście zawiera co najmniej jedno twierdzenie z problemem. Wyszło 65 na 156, czyli 42%. W tej grupie 36 odpowiedzi ma pozytywny ton, 29 to odpowiedzi, w których marka jest polecana jako pierwsza, a w 50 AI cytuje domenę samej firmy. To chyba najważniejsza liczba w całym badaniu. AI nie myli się wtedy, gdy marki nie zna. Myli się także wtedy, gdy ją poleca i powołuje się na jej własną stronę. Widoczność w AI i poprawność tego, co AI mówi, to dwie osobne rzeczy i trzeba je mierzyć osobno. Praca nad tym, żeby AI w ogóle polecało markę, to pozycjonowanie w AI – ale bez kontroli faktów może ono wzmacniać także błędny obraz firmy.

Dlaczego narzędzia do monitoringu AI przekłamują obraz marki?

To część badania, której się nie spodziewaliśmy, a która dotyczy każdego, kto mierzy widoczność w AI automatycznie – również nas. Porównaliśmy to, co system monitoringu zapisał o każdej odpowiedzi, z tym, co jest w niej naprawdę napisane. Różnice są na tyle duże, że raport z narzędzia bez ręcznej weryfikacji może prowadzić do błędnych wniosków.

Pierwszy problem to samo wykrycie marki. Na 182 odpowiedzi, w których system lub my podejrzewaliśmy obecność marki, w 152 obie strony się zgadzały. Ale w 22 przypadkach system oznaczył markę jako wymienioną, choć w tekście odpowiedzi jej nie ma. 19 z nich to Copilot, który dopisuje marki do przypisów i listy źródeł, a system liczy to jako wzmiankę. W jednej z takich odpowiedzi narzędzie naliczyło pięć wzmianek o sklepie sportowym i pozytywny sentyment, choć sklep pojawił się tylko w numerowanych przypisach. W drugą stronę – 4 razy marka była w tekście, a system jej nie zauważył. Za każdym razem chodziło o inny zapis nazwy: firmę po rebrandingu, nazwę pisaną wielkimi literami ze spacją albo starą nazwę agencji.

Odwrotny błąd jest groźniejszy, niż wygląda. Dystrybutor opakowań z naszego portfolio przeszedł rebranding i AI pisze o nim już pod nową nazwą. Monitoring śledzący starą nazwę pokazuje, że marka znika z odpowiedzi, choć w rzeczywistości jest w nich obecna. Podobnie działa nazwa ogólna: warsztat, którego marka brzmi jak nazwa usługi, dostawał fałszywe trafienia w pięciu z siedmiu silników, bo każda odpowiedź o tej usłudze „zawierała” jego nazwę.

Drugi problem to sentyment. Zgodność automatycznej oceny tonu z oceną człowieka wyniosła 56% (87 na 156 odpowiedzi). W 40 odpowiedziach system uznał ton za neutralny, a my za wyraźnie pozytywny – na przykład tam, gdzie marka była polecana jako pierwsza z uzasadnieniem. W 107 przypadkach na 156 ocena systemu miała domyślną pewność 0,35, czyli w praktyce model nie był pewny niczego. Zdarzył się też odwrotny przypadek: odpowiedź oznaczona jako negatywna, w której jedyne zastrzeżenie dotyczyło całej kategorii produktów, a nie marki.

Trzeci, najważniejszy problem: żaden system nie sprawdza prawdziwości. W odpowiedzi, w której ChatGPT pomylił producenta pokryć dachowych z firmą produkującą regały, system zapisał „marka wymieniona” i neutralny sentyment. Z punktu widzenia dashboardu wszystko było w porządku: jest wzmianka, jest cytowanie, nie ma negatywów. Z punktu widzenia klienta, który przeczytał tę odpowiedź, firma produkuje coś zupełnie innego.

Nie piszemy tego, żeby zniechęcać do monitoringu. Bez niego nie dałoby się zebrać tych danych. Piszemy to dlatego, że wskaźniki takie jak share of voice, liczba wzmianek czy średni sentyment mierzą widoczność, a nie poprawność. Jeśli chcesz wiedzieć, co AI naprawdę mówi o Twojej firmie, musisz czytać odpowiedzi. Różnicę między tym, co deklaruje narzędzie, a tym, co faktycznie widać w odpowiedziach, opisujemy szerzej w tekście o observed visibility.

Jakie błędy AI popełnia w praktyce? Przypadki z naszego portfolio

Liczby pokazują skalę, ale dopiero konkretne odpowiedzi pokazują, jak te błędy wyglądają i skąd się biorą. Poniżej kilkanaście przypadków z naszej próby. Cytaty są dosłowne, z wyjątkiem nazw marek, które zastąpiliśmy opisem, i drobnych szczegółów, po których dałoby się rozpoznać firmę.

Producent dachów opisany jak producent regałów

Najpoważniejszy błąd w próbie to pomylenie dwóch firm o podobnych nazwach. Na pytanie o producenta pokryć dachowych ChatGPT odpowiedział na początku września opisem, w którym połączył obie nazwy w jedną: „Z tego, co widać w materiałach firmy, [marka] podkreśla przede wszystkim: (…) zastosowania użytkowe: regały, meble metalowe, wyposażenie biur, magazynów, warsztatów”. Producent blach dachowych nie robi regałów. Robi je inna firma o niemal identycznej nazwie, której strona trafiła do źródeł odpowiedzi.

To klasyczny problem encji: AI nie rozróżnia dwóch podmiotów, bo nic w sieci nie mówi mu wyraźnie, że to dwie różne firmy. System monitoringu nie wykrył pomyłki, bo nazwa marki w odpowiedzi była. Taki błąd może przetrwać miesiącami, dopóki ktoś nie przeczyta odpowiedzi. Jak budować encję, którą AI odróżnia od innych, opisujemy w tekście o entity citability.

Lekcja: Jeśli istnieje firma o podobnej nazwie, napisz wprost na stronie, czym się zajmujesz, a czym nie. Wzmocnij encję: dane strukturalne Organization z sameAs, spójne wpisy w rejestrach i katalogach.

Cena z artykułu zamiast z cennika

Platforma logistyczna B2B z naszego portfolio publikuje cennik startowy dla transportu krajowego i międzynarodowego. Mimo to w sierpniu Copilot i Google AI Mode zgodnie podawały, że abonament „zaczyna się od” kwoty kilkukrotnie niższej niż oficjalna. Źródłem był przewodnik po usłudze na regionalnym portalu informacyjnym. Copilot powtarzał tę cenę przez ponad 20 dni. W innej odpowiedzi Copilot podał cenę, której nie ma ani na stronie firmy, ani w cytowanych artykułach – najpewniej wziął ją z opisu konkurencyjnej giełdy i przypisał nie tej marce. Gemini z kolei pisał, że pełny dostęp kosztuje „od około 150 euro miesięcznie”, czyli wyraźnie więcej niż w cenniku.

Trzy silniki, trzy różne ceny, żadna zgodna ze stroną firmy. Do tego AI Mode wymieniło szczegółowe opłaty aktywacyjne i dopłaty za stanowiska, których firma publicznie nie podaje. Nie wiemy, czy są prawdziwe, i klient też tego nie wie. Ten przypadek dobrze pokazuje, że opublikowanie cennika nie wystarcza, jeśli w sieci krąży artykuł z inną liczbą, który AI uzna za bardziej konkretny.

Lekcja: Cennik musi dać się zacytować: tekst na stronie, a nie grafika czy PDF, z datą aktualizacji. Artykuły z nieaktualną ceną trzeba znaleźć i poprosić o korektę – AI wybiera źródło bardziej konkretne, nie bardziej oficjalne.

Stary adres z rejestru i „najwyżej oceniana kancelaria w mieście”

Na pytanie o najlepszą kancelarię adwokacką w dużym mieście Copilot w sierpniu postawił naszego klienta na pierwszym miejscu: „Najwyżej oceniana kancelaria w [mieście] (10/10), oferująca kompleksowe usługi w zakresie spraw rodzinnych, spadkowych i cywilnych”. Brzmi świetnie, ale ma dwa problemy. Ocena 10/10 pochodzi z jednego lokalnego katalogu firm, a w dużym miejskim katalogu ta sama kancelaria jest na 15. miejscu. A adres w odpowiedzi był nieaktualny – kancelaria działa dziś pod innym adresem, który podają jej strona i katalogi, ale stary wciąż widnieje w rejestrze adwokatów i to stamtąd trafił do odpowiedzi.

Perplexity w lipcu poszło o krok dalej i z tej samej oceny z jednego katalogu zrobiło „lidera w rankingu ogólnym”. Claude z kolei zbudował cały obraz kancelarii na podstawie jednej opinii klienta. Żadna z tych odpowiedzi nie była negatywna, a każda wprowadzała w błąd – albo co do adresu, albo co do pozycji kancelarii na rynku.

Lekcja: Rejestry zawodowe i katalogi aktualizuj tak samo jak stronę. Ocenę z jednego katalogu AI potrafi zamienić w ranking całego miasta.

Ta sama odpowiedź, inna cena po sześciu tygodniach

Biuro rachunkowe specjalizujące się w transporcie jest dobrym przykładem tego, jak niestabilne są odpowiedzi AI. Na to samo pytanie o koszt rozliczania kierowcy Perplexity w połowie sierpnia podało cennik firmy co do złotówki. Pod koniec września ten sam silnik na to samo pytanie napisał: „[marka] podaje też, że ich księgowość dla transportu zaczyna się od 330 zł/mies.”. Strona usługi podaje „od 500 zł netto”, a kwoty 330 zł nie ma nigdzie w źródłach.

W tej samej odpowiedzi AI przypisało artykułowi firmy widełki cenowe, które dotyczyły czegoś innego – ogólnej obsługi kadrowej, a nie kierowców. Copilot w tym samym czasie w ogóle nie traktował marki jako biura rachunkowego, tylko jako darmowy kalkulator. Na stronie firmy jest jeszcze jeden problem: w cenniku usługi i w artykule blogowym widnieją dwie różne kwoty za rozliczenie kierowcy. AI miało z czego wybierać.

Lekcja: Jedna usługa, jedna cena w całym serwisie, także na blogu. Poprawna odpowiedź dziś nie gwarantuje poprawnej za sześć tygodni, więc pomiar musi się powtarzać.

Autoranking zamieniony w „uznanie rynku”

Firma inżynierska z branży FPGA i systemów wbudowanych opublikowała na swoim blogu ranking firm z tej branży, w którym sama zajęła pierwsze miejsce, z uczciwą adnotacją, że ranking jest publikowany przez firmę z listy. Copilot przetłumaczył to na: „Ranked best for custom FPGA and RTL design across AI acceleration, industrial automation, and embedded systems”. Gemini napisał „Recognized as a leading European engineering firm” – słowo „recognized” sugeruje zewnętrzne uznanie, którego nie było. Adnotacja o autorstwie rankingu w żadnej odpowiedzi się nie pojawiła.

Ciekawe jest to, co stało się potem. We wrześniu Copilot stawiał tę firmę na pierwszym miejscu, w listopadzie na piątym. Taka taktyka może więc dać krótkotrwały efekt, ale nie buduje trwałej pozycji, a przy okazji wprowadza do odpowiedzi AI twierdzenia, za które firma nie mogłaby odpowiadać w rozmowie z klientem.

Lekcja: Własny ranking daje krótkotrwały efekt i twierdzenia, których firma nie obroni w rozmowie z klientem. Lepiej działają zewnętrzne zestawienia, nagrody z nazwą organizatora i twarde dane.

Funkcja konkurenta przypisana marce

Platforma do rozliczeń i windykacji należności obsługuje między innymi szkoły, ale nie jest produktem wyłącznie dla edukacji. Na pytanie o system do rozliczania czesnego AI Overviews odpowiedziały, że to „dedykowany robot księgowy stworzony z myślą o placówkach edukacyjnych (szczególnie szkołach prywatnych i językowych)” i że rodzice mogą płacić „szybkim przelewem online, BLIK-iem lub tradycyjnie”. Szkół językowych ani BLIK-a nie ma na stronach firmy. Obie rzeczy są natomiast na stronie konkurencyjnej platformy, którą AI zacytowało w tej samej odpowiedzi.

To mechanizm, który nazywamy dopasowaniem do pytania. AI składa odpowiedź z kilku źródeł i dopasowuje cechy do tego, o co pytał użytkownik. Jeśli pytanie dotyczy szkół, a jedna z firm ma funkcje dla szkół, to cechy przeskakują między firmami. Ta sama marka była w ChatGPT najczęściej polecanym wyborem od sierpnia do października, a w połowie listopada zniknęła z jego odpowiedzi.

Lekcja: Opisz wprost, dla kogo jest produkt, jakie ma funkcje i metody płatności, a czego nie obsługuje. Pytania „czy obsługujecie X” w FAQ zostawiają AI mniej miejsca na doklejanie cech konkurencji.

Strona firmy sama sobie przeczy

Część błędów w ogóle nie jest błędami AI. Producent pokryć dachowych na stronie głównej i w opisie powłok pisze o dwóch powłokach premium, ale na podstronie z produktami wciąż widnieje stary tekst o „jednej z trzech powłok PRO”. Claude powtórzył wersję z trzema powłokami. Copilot w tym samym tygodniu napisał o dwóch. Oba silniki mówiły prawdę – o różnych podstronach tej samej firmy.

Podobnie producent pakietów akumulatorowych B2B. Firma działa od początku lat 90., ale tekst na stronie głównej mówi o „prawie trzydziestu latach”. AI Overviews powtórzyły za stroną „niemal 30-letnie doświadczenie”, a Gemini tego samego dnia napisał o „ponad 30-letnim” – co akurat jest prawdą, bo firma działa 34 lata. Dwa silniki, dwie wersje, a źródłem rozbieżności jest nieaktualne zdanie na stronie samej firmy. AI Overviews dodały jeszcze robotykę i wózki AGV do listy branż klientów oraz „zautomatyzowane linie produkcyjne”, których strona nie wymienia. Hasło „jeden z największych producentów w Europie Środkowo-Wschodniej” pochodziło ze strony samej firmy i trafiło do odpowiedzi jako fakt.

Platforma do monitoringu cen dla e-commerce miała podobny kłopot z datą przejęcia przez zagraniczną grupę: w jednym miejscu strony to rok 2024, w innym 2025. Claude powtórzył o niej, że ma „transparentny cennik”, choć podstrona z cennikiem zwraca błąd 404 – zdanie pochodziło z marketingowej strony porównawczej samej firmy. Napisał też, że firma „aktualnie” obsługuje klientów z ponad 24 krajów, choć ta liczba pochodzi ze starej recenzji, a sama firma podaje dziś ponad 30.

Lekcja: Raz na kwartał przejrzyj fakty w całym serwisie: liczby, staż, warianty usług, daty. Starsze podstrony, wpisy blogowe i PDF-y to najczęstsze źródło sprzeczności.

Wizytówka mapowa jako sklep stacjonarny

Marka suplementów diety sprzedaje przez sklep internetowy, a jej strona nie wspomina o żadnym punkcie stacjonarnym. Copilot napisał jednak: „Jeśli chcesz kupić suplementy osobiście w Polsce, dostępny jest punkt [marki]” i podał adres, godziny otwarcia od poniedziałku do piątku oraz telefon. Adres to siedziba spółki z regulaminu sklepu, telefon i godziny to obsługa klienta. Wszystko razem pochodziło z wizytówki w Bing Places, którą Copilot odczytał jako punkt sprzedaży. Klient, który pojedzie pod ten adres, nie kupi suplementów. W tej samej odpowiedzi pojawiły się zresztą nazwy przypadkowych miejscowości w USA – ślad geolokalizacji serwera, z którego Copilot wykonywał wyszukiwanie.

Lekcja: Wizytówka w Google i Bing Places musi jasno mówić, czy pod adresem jest punkt obsługi klienta. Jeśli nie ma, adres siedziby nie powinien wyglądać jak sklep.

Drobne dopowiedzenia, które zmieniają obraz firmy

Najwięcej problemów w próbie to nie spektakularne pomyłki, tylko drobne dopisane szczegóły. Google AI Mode o producencie sof premium napisało, że jego tkaniny są „idealne dla rodzin i właścicieli zwierząt” – o zwierzętach strona nie wspomina. Gemini jednego dnia zaliczał tę samą markę do sklepów „w bardziej przystępnych cenach”, a dzień później w ogóle nie przypisywał jej segmentu cenowego. AI Overviews opisały operatora self storage jako firmę z boksami „od kilku do kilkudziesięciu m²”, choć największy boks ma nieco ponad 13 m². Sklep z roletami był w AI Overviews raz „producentem”, a trzy tygodnie później „portalem wnętrzarskim”. Platforma dla dietetyków dostała od AI Overviews certyfikat instytutu naukowego, którego nie da się potwierdzić. Producent domków letniskowych miał według AI „szczegółowe porównanie kosztów”, choć źródło zawiera jedną kwotę.

Każde z tych zdań osobno wydaje się niegroźne. Razem tworzą obraz firmy, który częściowo jest prawdą, częściowo życzeniem AI, a częściowo opisem konkurencji. Jeśli klient przychodzi z pytaniem o boks 30 m² albo o tkaninę odporną na pazury, firma musi najpierw wyprostować to, co obiecało za nią AI.

Lekcja: Konkretne liczby i zakresy (metraże, segment cenowy, grupa docelowa) w tekście strony zostawiają AI mniej miejsca na domysły.

Czy AI mówi to samo w każdym silniku i każdego dnia?

Nie. To jeden z najbardziej praktycznych wniosków z badania, bo podważa ideę jednorazowego „sprawdzenia, co AI mówi o firmie”. W naszej próbie widzieliśmy cztery rodzaje niespójności.

• Pierwsza to różne odpowiedzi różnych silników tego samego dnia. Platforma do monitoringu cen dostała 14 listopada trzy różne odpowiedzi na pytanie o integrację z popularnym systemem do obsługi sprzedaży: Gemini napisał, że integracji nie ma, Perplexity i Copilot – że klienci tego systemu mogą korzystać z usługi. Gemini i Perplexity tego samego dnia w sierpniu twierdziły odwrotnie w sprawie elastyczności umów platformy logistycznej.
• Druga to zmiany w czasie w tym samym silniku. Perplexity podało biuru rachunkowemu prawidłowy cennik w sierpniu i nieprawdziwy we wrześniu. Gemini zmieniał pozycjonowanie cenowe producenta sof z dnia na dzień. AI Overviews zmieniły opis sklepu z roletami w ciągu trzech tygodni.
• Trzecia to zmiany pozycji. Firma inżynierska spadła w Copilocie z pierwszego na piąte miejsce między wrześniem a listopadem. Platforma rozliczeniowa była przez trzy miesiące najczęściej polecana w ChatGPT, a potem zniknęła z jego odpowiedzi.
• Czwarta jest pozytywna: błędy się poprawiają. W naszym własnym przypadku Gemini na początku września opisywał nieaktualny model szkoleń, a w połowie listopada podawał już aktualną ofertę. To dowód, że odpowiedzi nadążają za źródłami, ale też ostrzeżenie: poprawka u jednego silnika nie oznacza poprawki u wszystkich, a stara wersja wciąż może krążyć w innych miejscach sieci.

Dla firmy oznacza to, że monitoring odpowiedzi AI musi być procesem, a nie audytem raz na rok. Te same pytania warto zadawać regularnie, w kilku silnikach, i porównywać nie tylko to, czy marka się pojawia, ale też co dokładnie AI o niej mówi. Jak to wpiąć w codzienną pracę SEO, opisujemy w tekście o monitoringu promptów w SEO i AI Search.

Co AI mówi o Semgence? Nasz własny przypadek

Uczciwość wymaga, żebyśmy pokazali też siebie. Semgence była w próbie jedną z marek z największą liczbą twierdzeń: 48 sprawdzalnych, z czego 9 (19%) miało problem, a 3 to twarde błędy. To wynik lepszy od średniej, ale błędy, które znaleźliśmy, są pouczające właśnie dlatego, że dotyczą firmy, która zawodowo zajmuje się widocznością w AI.

Jedno pytanie, siedem silników: „Czy Semgence prowadzi szkolenia SEO?”

Najlepiej widać to na jednym pytaniu zadanym tego samego dnia wszystkim siedmiu silnikom. 14 listopada każdy z nich odpowiedział „tak”, a sześć z nich zacytowało tę samą stronę ze szkoleniami SEO (dla AI Overviews lista źródeł nie została zapisana). Mimo to dostaliśmy siedem różnych opisów tej samej oferty: od 43 do 444 słów, z ceną albo bez, z czasem trwania od „6-8 godzin” po „dwa–trzy dni”. Poniżej pełne odpowiedzi z naszą weryfikacją – przełączaj zakładki.

Silnik	Długość	Cena	Czas trwania	Liczba wariantów	Twierdzenia z problemem
ChatGPT	43 słowa	brak	brak	brak	0
Gemini	202 słowa	od 4 900 zł	brak	1	1 (superlatyw)
Perplexity	58 słów	brak	dwa-trzy dni ✗	1	2
Claude	98 słów	od 4 900 zł	6-8 h + 1 h Q&A	3 ✗	2 (częściowo)
AI Mode	92 słowa	od 4 900 zł	brak	1	0
AI Overviews	86 słów	brak	brak	1	0
Copilot	444 słowa	4 900 i 7 900 zł	brak	2 + otwarte	0

Dane: AI Monitor, odpowiedzi z 14 listopada 2026 r. na prompt „Czy Semgence prowadzi szkolenia SEO?”. Prawidłowo: dwa warianty (od 4 900 i od 7 900 zł netto) plus szkolenia otwarte, 6-8 godzin plus sesja pytań.

Pierwszy błąd dotyczy czasu trwania szkoleń. Na pytanie, czy Semgence prowadzi szkolenia SEO, Perplexity odpowiedziało, że szkolenia „zwykle trwają dwa–trzy dni”. Na stronie szkolenia piszemy, że trwają zazwyczaj 6-8 godzin plus sesja pytań. Tego samego dnia Claude podał prawidłowe „6-8 godzin”, a Copilot w ogóle nie wspomniał o czasie. Skąd dwa-trzy dni? Gdy sprawdziliśmy własne źródła, znaleźliśmy w jednym z artykułów na naszym blogu tabelę z informacją „1–2 dni”, a na drugiej domenie, zgred.pl, wciąż opisane kursy jedno- i dwudniowe. AI zrobiło z tych dwóch wersji trzecią.

Drugi problem jest poważniejszy, bo dotyczy samej encji. Semgence działa od 2018 roku, a wcześniej, od 2006 roku, ta sama działalność funkcjonowała jako Zgred. Strona zgred.pl wciąż przedstawia się jako „Agencja SEO Zgred.pl”. Efekt: Claude w odpowiedzi o agencjach prowadzących szkolenia SEO w Warszawie wymienił na pierwszym miejscu „Zgred.pl – Butikowa agencja SEO w Warszawie”, a na piątym „Semgence – Agencja prowadząca szkolenia SEO w Warszawie”. Dla AI to dwie konkurujące firmy. Ten sam wzorzec znaleźliśmy w AI Overviews, Perplexity i ChatGPT. W pytaniach o agencję SEO w Warszawie Semgence nie pojawia się ani razu, za to Zgred.pl – tak. Siła marki, budowana przez lata pod starą nazwą, nie przechodzi na nową, bo nic w sieci nie mówi wyraźnie, że to ta sama firma.

Trzeci przypadek to autopromocja. Na stronie szkoleń piszemy, że „jako jedni z nielicznych w Polsce” szkolimy z SEO pod kątem AI Overviews. Gemini przepisał to w trzeciej osobie: „Semgence jako jedna z nielicznych firm w Polsce oferuje również szkolenia obejmujące optymalizację pod kątem wyszukiwarek opartych na sztucznej inteligencji”. W innych odpowiedziach na ten sam temat AI wymienia jednak kilka innych firm z podobną ofertą. Nasze zdanie stało się faktem tylko dlatego, że go nikt nie podważył.

Jest też ciekawostka, która nie jest błędem. Na pytanie, ile kosztuje szkolenie SEO w Polsce, Copilot i ChatGPT podały widełki „od ok. 4 900 zł netto” do 7 900 zł dla szkoleń dedykowanych – to dokładnie nasz cennik, podany jako cena rynkowa, z linkiem do naszej strony, ale bez nazwy marki. Ceny są prawdziwe, tylko AI uogólniło jedną firmę na cały rynek. Dobre przykłady też są: Claude opisał nasze konsultacje SEO poprawnie co do ceny, czasu trwania i zakresu, a Copilot poprawnie wymienił warianty szkoleń z cenami. Wnioski dla nas są takie same jak dla klientów: ujednolicić treści na obu domenach, wyraźnie powiązać Zgred z Semgence i nie pisać o sobie rzeczy, których AI nie powinno powtarzać jako faktów.

Skąd biorą się błędy AI o firmach?

Po przejrzeniu wszystkich przypadków widać, że tylko niewielka część błędów to halucynacje w potocznym sensie, czyli coś wymyślonego z niczego. Większość ma konkretne źródło w sieci. AI wiernie powtarza coś, co gdzieś jest napisane – tylko wybiera nie to źródło, którego oczekiwałaby firma.

1. Niespójna strona własna. Dwie liczby powłok na dwóch podstronach, nieaktualny staż w tekście na stronie głównej, dwie daty przejęcia, dwie ceny tej samej usługi w cenniku i na blogu. AI czyta wszystkie wersje i wybiera jedną, nie zawsze aktualną.
2. Artykuły na obcych portalach. Przewodnik po usłudze z ceną niezgodną z cennikiem, stara recenzja z liczbą klientów sprzed lat. Takie teksty są często bardziej konkretne niż strona firmy, więc wygrywają.
3. Katalogi, rejestry i wizytówki. Stary adres z rejestru zawodowego, wizytówka mapowa odczytana jako sklep stacjonarny, ocena z jednego katalogu reklamowego jako „najwyżej oceniana w mieście”.
4. Autopromocja. Hasła „lider”, „jeden z największych”, „jedni z nielicznych” i własne rankingi trafiają do odpowiedzi jako fakty, bez informacji o źródle.
5. Pomylone encje. Podobna nazwa innej firmy, rebranding, dwie marki tej samej firmy, nazwa brzmiąca jak nazwa usługi.
6. Dopasowanie do pytania. AI składa odpowiedź z kilku źródeł i przenosi cechy jednej firmy na drugą, jeśli pasują do tego, o co pytał użytkownik.

Szósty mechanizm ma dobrze udokumentowane podłoże. Według raportu AI Index 2026 Stanford HAI modele dobrze radzą sobie z fałszywym stwierdzeniem przedstawionym jako przekonanie innej osoby, ale gdy to samo stwierdzenie jest podane jako przekonanie użytkownika, ich trafność gwałtownie spada – w przypadku GPT-4o z 98,2% do 64,4%. Autorzy raportu ujmują to krótko: gdy fałsz jest podany jako przekonanie użytkownika, „performance collapses”. W odpowiedziach o firmach widać łagodniejszą wersję tego zjawiska. Pytanie o system do rozliczania czesnego w szkołach zakłada, że polecana firma jest systemem dla szkół, a AI chętnie to założenie potwierdza i dopisuje marce cechy innych firm z tej samej kategorii.

Te mechanizmy mają wspólną cechę: pięć z sześciu da się ograniczyć działaniami po stronie firmy. Na szósty firma ma mały wpływ, ale może zmniejszyć jego skutki, opisując swoją ofertę na tyle precyzyjnie, żeby AI nie musiało niczego zgadywać. O tym, jak systemy AI wybierają źródła, które potem cytują, piszemy w tekście o pipeline od pytania do cytatu, a o tym, jak sprawdzić, czy AI ma dość zgodnych dowodów, żeby coś stwierdzić, w tekście o consensus score.

Skąd AI bierze informacje o Twojej firmie: z Twojej strony czy z cudzych serwisów?

Skoro większość błędów ma źródło w sieci, trzeba sprawdzić, z jakich źródeł AI korzysta, gdy mówi o marce. Dla 153 odpowiedzi z marką w tekście, które miały listę cytowań, pobraliśmy wszystkie cytowania razem z tytułami stron – 1360 adresów. Każde przypisaliśmy do jednej z kategorii: domena własna marki, media i portale, katalogi i rejestry, social media, YouTube, marketplace, fora, wizytówki w mapach albo strony innych firm. Osobno oznaczyliśmy cytowania obcych serwisów, które dotyczą marki, czyli mają jej nazwę w tytule albo w adresie strony: profil firmy na LinkedIn, recenzję produktu, wpis w katalogu, wątek na forum.

W całej puli cytowań domena własna marki to 18% (251 adresów). Ponad połowa (53%) to strony innych firm – konkurentów, dystrybutorów, dostawców. Media i portale dają 10%, katalogi i rejestry 7%, wizytówki w mapach 3%, marketplace 3%, YouTube 2%, social media 2% i fora 1%. To pokazuje kontekst, w jakim AI wymienia markę: odpowiedź składa się głównie ze stron rynku, a strona firmy jest jednym z kilku-kilkunastu źródeł.

Ciekawsze jest jednak to, co dzieje się z cytowaniami, które dotyczą samej marki. Takich jest 341. Trzy czwarte z nich (251, czyli 74%) to domena własna firmy. Pozostałe 90 to obce serwisy:

• 31 – media, portale i prasa branżowa (recenzje, wywiady, artykuły sponsorowane, przewodniki),
• 23 – katalogi, rejestry i serwisy z opiniami (G2, Capterra, Trustpilot, GoWork, Oferteo, KRS w agregatorach),
• 13 – dealerzy i partnerzy handlowi,
• 10 – social media (profile firm na LinkedIn, Instagram, grupy na Facebooku),
• 5 – marketplace i porównywarki,
• 4 – wizytówki w mapach,
• 4 – fora dyskusyjne.

Wynik potwierdza intuicję, ale z ważnym zastrzeżeniem. Własna strona jest głównym źródłem wiedzy o firmie: w 131 ze 153 odpowiedzi (86%) AI zacytowało domenę marki. Obce serwisy o marce pojawiły się w 38 odpowiedziach, a w 7 były jedynym źródłem dotyczącym firmy. W 15 odpowiedziach marka została wymieniona, choć żadne cytowanie jej nie dotyczyło – AI pisało o niej na podstawie stron rynku albo własnej pamięci. Nasza metoda nie wyłapie obcych stron, które piszą o marce, ale nie mają jej w tytule ani adresie, na przykład rankingów „najlepsze firmy w branży”, więc udział źródeł obcych jest w rzeczywistości nieco wyższy.

Silniki różnią się tym, ile cytują stron firm. ChatGPT miał najwyższy udział domen własnych wśród wszystkich cytowań (35%), dalej Perplexity (26%) i Claude (20%). Google AI Mode, AI Overviews i Copilot cytowały domenę marki w 16-18% przypadków, a Gemini w 13%. Copilot najczęściej sięgał po obce strony o marce – 14% jego cytowań to artykuły, katalogi i wizytówki z nazwą firmy, wobec 4-10% w pozostałych silnikach. To spójne z tym, co widzieliśmy w przypadkach: właśnie Copilot przeniósł do odpowiedzi stary adres z rejestru, cenę z artykułu na portalu i godziny otwarcia z wizytówki.

Najważniejsze jest zestawienie źródeł z wynikami fact-checku. Podzieliliśmy odpowiedzi według tego, co o marce zacytowały, i policzyliśmy odsetek twierdzeń z problemem w każdej grupie.

Gdy odpowiedź cytowała tylko domenę własną marki, problem miało 24% twierdzeń, a twarde błędy 4%. Gdy obok domeny własnej pojawiały się obce źródła o marce, odsetek problemów był podobny (25%), ale twardych błędów było więcej (6,8%) – to w tej grupie są przypadki ceny z portalu i adresu z rejestru. Gdy AI opierało się wyłącznie na obcych źródłach, problem miało 41% twierdzeń, a gdy nie miało żadnego źródła o marce – 44%. W tych dwóch grupach twarde błędy dotyczyły 9-12% twierdzeń. Te dwie grupy są małe (17 i 32 twierdzenia), więc traktujemy wynik jako kierunek, nie jako dokładną miarę.

Sprawdziliśmy też, czy liczba źródeł w odpowiedzi ma znaczenie. Nie ma. Odpowiedzi z 0-2 cytowaniami miały 22% twierdzeń z problemem, z 3-5 – 30%, z 6-10 – 28%, a z 11 i więcej – 27%. Liczy się co innego: czy wśród źródeł jest strona firmy. Gdy jej nie ma, odsetek problemów rośnie do 43%. Gdy domena marki stanowi ponad połowę cytowań, spada do 21%.

Wniosek ma praktyczne znaczenie. Strona firmy nie chroni przed błędami całkowicie – przypominamy, że w 50 z 65 odpowiedzi z błędem AI cytowało domenę marki, a część błędów wynikała z niespójności samej strony. Profound doszedł do podobnego wniosku: 54% marek miało co najmniej jedno nieprawdziwe twierdzenie, w którym AI powoływało się na ich własne treści, a – jak piszą autorzy – „inaccurate claims came mostly from competitor and earned media citations”, czyli z cytowań stron konkurencji i mediów. Ale gdy AI ma dostęp do aktualnej strony firmy i z niej korzysta, myli się mniej więcej o połowę rzadziej. Dlatego w pracy nad tym, co AI mówi o firmie, trzeba zająć się obiema stronami: zadbać, żeby własna strona była cytowana i spójna, i jednocześnie wyczyścić obce źródła, które AI bierze, gdy własnej strony zabraknie. Więcej o tym, z jakich typów serwisów korzystają poszczególne silniki, piszemy w analizach 1,43 mln cytowań polskich stron i social mediów cytowanych przez AI.

Czy Google i AI rozpoznają Twoją firmę jako encję?

Wiele błędów z naszej próby to w gruncie rzeczy problemy z encją, czyli z tym, czy wyszukiwarka i model językowy wiedzą, że „ta firma” to jeden konkretny podmiot, odrębny od innych o podobnej nazwie. Google buduje taką wiedzę w swoim grafie wiedzy, a firmom daje dwa narzędzia, żeby na nią wpływać: dane strukturalne na stronie i profil firmy w Google. W dokumentacji danych Organization Google pisze, że takie oznaczenia pomagają mu lepiej zrozumieć dane administracyjne firmy i „disambiguate your organization in search results”, czyli odróżnić ją od innych w wynikach wyszukiwania, ale też, że nie gwarantuje wyświetlenia żadnego elementu, który z nich korzysta. Jak dokładnie graf wiedzy zasila odpowiedzi AI Mode i AI Overviews, Google nie ujawnia. Dlatego zamiast zgadywać, sprawdziliśmy, jak wyglądają encje firm z naszej próby i czy ma to związek z błędami.

Dla każdej z 21 marek pobraliśmy wyniki Google na zapytanie o nazwę firmy, sprawdziliśmy dane strukturalne JSON-LD na stronie głównej (dla 20 marek – jedna strona zablokowała pobranie) i wyszukaliśmy marki w Wikidata, czyli otwartej bazie wiedzy, z której korzystają między innymi wyszukiwarki i modele językowe.

• Panel firmy w Google ma 15 z 21 marek, ale prawie zawsze jest to wizytówka. 14 paneli to profile Google Business Profile z opisem typu „Agencja marketingowa w Warszawie” czy „Producent baterii, Piaseczno”. Tylko niemiecka platforma logistyczna ma panel przedsiębiorstwa z datą założenia i opisem – i jako jedyna ma własny wpis w Wikidata. Dla polskiej małej i średniej firmy encją w Google jest więc w praktyce jej wizytówka.
• Sześć marek nie ma panelu wcale. Wśród nich jest producent pokryć dachowych, którego ChatGPT pomylił z firmą od regałów, a także producent regałów, platforma dla dietetyków, sklep z armaturą (mimo czterech salonów stacjonarnych), sklep z roletami i szkoła językowa online.
• Wikidata praktycznie nie zna polskich firm z próby. Poza platformą logistyczną własnego wpisu nie miała żadna marka. Dystrybutor opakowań pojawia się tylko przez wpis zagranicznej grupy, do której należy.
• Nazwa marki często nie jest jednoznaczna. Przy ośmiu markach wyniki na samą nazwę firmy mieszały ją z innymi podmiotami o podobnej nazwie: spółkami z rejestrów KRS, aplikacjami, firmami z innych krajów. Dla AI to sygnał, że pod tą nazwą kryje się więcej niż jedna encja.

Zestawienie z fact-checkiem daje wyraźny wynik w jednym miejscu i brak wyniku w drugim. Marki z panelem w Google miały 26% twierdzeń z problemem, marki bez panelu – 43%. Twarde błędy: 5,3% wobec 7,4%. Grupa bez panelu jest mała i w połowie składa się z twierdzeń o jednej marce – producencie dachów – ale bez niego odsetek problemów w tej grupie jest jeszcze wyższy. Natomiast kompletność danych Organization na stronie głównej nie różnicowała wyników: marki z pełniejszymi danymi miały 24% problemów, z podstawowymi 29%, a marki bez żadnych danych Organization – 24%.

Wniosek nie brzmi „dane strukturalne nie działają”. Brzmi raczej tak: sam kod na stronie nie wystarczy, jeśli reszta sieci mówi o firmie co innego. Panel w Google powstaje z wielu źródeł naraz – wizytówki, strony, katalogów, opinii – więc jest raczej objawem spójnej encji niż jej przyczyną. Dobrze to widać, gdy przyjrzeć się, co dokładnie jest w danych strukturalnych firm z próby.

Element danych Organization	Ile marek ma (z 20)	Po co jest
Organization lub podtyp (LocalBusiness itp.)	17	Podstawowa deklaracja: to jest firma, a nie zwykła strona
Adres	15	Lokalizacja i odróżnienie od firm o tej samej nazwie
Telefon	10	Dane kontaktowe zgodne z wizytówką
sameAs (profile firmy w innych serwisach)	13	Powiązanie strony z LinkedIn, wizytówką, social media
foundingDate (data założenia)	4	Staż firmy – jedno z najczęściej mylonych twierdzeń
alternateName (inne nazwy, stara nazwa)	3	Powiązanie starej i nowej nazwy, skrótów, pisowni
NIP lub numer VAT	2	Jednoznaczny identyfikator podmiotu prawnego
KRS lub inny identyfikator rejestrowy	0	Powiązanie z rejestrem urzędowym

Dane: JSON-LD ze stron głównych 20 marek z naszego portfolio, pobrane 14 listopada 2026 r.

Najciekawsze są konkretne przypadki, bo w każdym z nich problem z encją ma bezpośredni odpowiednik w błędzie AI:

• Producent pokryć dachowych. Brak panelu w Google, dane Organization bez sameAs i bez niczego, co odróżniałoby go od firmy o niemal identycznej nazwie z innej branży. W wynikach na nazwę marki Google podsuwa też strony innej firmy o tej samej nazwie. To dokładnie ten przypadek, w którym ChatGPT opisał producenta dachów jak producenta regałów.
• Dystrybutor opakowań po rebrandingu. Polska strona ma w danych strukturalnych adres centrali we Francji, francuski numer telefonu, opis po francusku i kod pocztowy „Np. 02-234” – pozostałość po szablonie, której nikt nie uzupełnił. Brakuje też alternateName ze starą nazwą, pod którą firma była znana przez lata. Nic dziwnego, że monitoring i AI gubią się między starą a nową nazwą.
• Producent pakietów akumulatorowych. Dane Organization bez adresu i bez daty założenia, a na stronie głównej nieaktualne zdanie o „prawie trzydziestu latach”. AI Overviews powtórzyły właśnie tę wersję stażu.
• Semgence i Zgred. Strona zgred.pl opisuje w danych strukturalnych osobną organizację „Agencja SEO Zgred.pl”, prowadzoną przez freelancera, bez żadnego powiązania z Semgence. Semgence z kolei wskazuje zgred.pl tylko jako profil swojego założyciela, a nie jako dawną nazwę firmy. Dla maszyn to dwa różne podmioty – i AI tak je opisuje.

Jak to uporządkować? Kolejność jest ważniejsza niż kompletność kodu. Najpierw spójne dane w miejscach, które Google i AI czytają jako źródła o firmie: wizytówka w Google i Bing, rejestry, katalogi, LinkedIn. Potem dane strukturalne na stronie, które te miejsca ze sobą wiążą. Przykład dla firmy, która zmieniła nazwę i ma drugą domenę:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Organization",
  "@id": "https://www.twojafirma.pl/#organization",
  "name": "Nowa Nazwa",
  "legalName": "Nowa Nazwa sp. z o.o.",
  "alternateName": ["Stara Nazwa", "staranazwa.pl"],
  "url": "https://www.twojafirma.pl/",
  "logo": "https://www.twojafirma.pl/logo.png",
  "foundingDate": "2006",
  "description": "Producent X dla branży Y. Nie produkujemy Z.",
  "taxID": "1234567890",
  "vatID": "PL1234567890",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "ul. Przykładowa 1",
    "postalCode": "00-001",
    "addressLocality": "Warszawa",
    "addressCountry": "PL"
  },
  "telephone": "+48 22 000 00 00",
  "sameAs": [
    "https://www.linkedin.com/company/twojafirma/",
    "https://www.facebook.com/twojafirma/",
    "https://maps.google.com/?cid=TWOJ_CID",
    "https://www.staranazwa.pl/"
  ]
}
</script>

Kilka zasad do tego przykładu:

• Jedno @id dla firmy we wszystkich serwisach. Jeśli firma ma drugą domenę albo starą stronę, powinna ona opisywać tę samą organizację z tym samym @id, a nie osobną firmę.
• alternateName dla każdej nazwy, pod którą firma była znana. Stara nazwa po rebrandingu, nazwa domeny, popularny skrót, inna pisownia (na przykład ze spacją albo wielkimi literami).
• Identyfikatory urzędowe. NIP i numer VAT Google wymienia wprost jako zalecane właściwości. Najtrudniej je pomylić, bo w odróżnieniu od nazwy są unikalne.
• Opis, który odróżnia. Jeśli istnieje firma o podobnej nazwie z innej branży, jedno zdanie o tym, czego firma nie robi, kosztuje niewiele, a odcina najgroźniejszy typ błędu.
• Dane takie same jak w wizytówce. Nazwa, adres i telefon w kodzie strony, w Google Business Profile i w Bing Places muszą być identyczne. Kod z danymi innymi niż wizytówka wprowadza dodatkową sprzeczność.
• Wikidata tylko wtedy, gdy firma spełnia kryteria. Wpis wymaga niezależnych źródeł i encyklopedycznego znaczenia. Dla większości małych firm ważniejsza będzie spójność wizytówki, rejestrów i katalogów.

Szerzej o tym, które dane strukturalne mają realny wpływ na cytowania AI, piszemy w analizie danych strukturalnych w polskim e-commerce.

Czy AI pokazuje dane z Map Google i skąd bierze adresy oraz opinie?

Dane adresowe, czyli NAP (nazwa, adres, telefon), to klasyczny temat SEO lokalnego. W odpowiedziach AI wraca w nowej formie, dlatego sprawdziliśmy go osobno. AI Monitor zapisuje wizytówki z map jako osobny typ cytowania. Dla 16 projektów z naszego portfolio wyeksportowaliśmy wszystkie takie cytowania. W 12 z nich AI pokazywało wizytówki – łącznie 10 113 wizytówek w 1391 odpowiedziach.

Pierwsze odkrycie dotyczy tego, kto w ogóle pokazuje mapy. W naszych danych wizytówki z Map Google pojawiają się wyłącznie w odpowiedziach Google AI Mode (943 odpowiedzi) i AI Overviews (448 odpowiedzi). Pozostałe silniki nie mają osobnego modułu z wizytówkami, ale to nie znaczy, że nie korzystają z danych lokalnych. Copilot przepisuje do treści odpowiedzi adresy, telefony i godziny otwarcia z wizytówek Bing Places, a ChatGPT i Perplexity – z katalogów firm i rejestrów. Mediana to trzy wizytówki na odpowiedź, ale przy zapytaniach lokalnych AI Mode potrafi pokazać ich dwadzieścia.

Drugie odkrycie: wizytówki pojawiają się nie tylko przy zapytaniach typu „kancelaria w mieście”. W naszych danych AI Mode pokazywał mapy przy pytaniach o najlepsze szkolenia SEO w Warszawie (275 odpowiedzi), o producentów pakietów bateryjnych w Europie Środkowej (138), o miejsce, gdzie można postawić domek letniskowy (61), a nawet przy pytaniu „Co to jest audyt SEO?”. Wizytówka w Mapach Google działa więc jak źródło także dla firm, które nie uważają się za lokalne – producentów B2B, firm szkoleniowych, sklepów internetowych z salonem.

Branża (projekt)	Odpowiedzi z wizytówkami	Wizytówka marki w zestawie	Mediana pozycji wizytówki marki
Platforma monitoringu cen	38	97%	1
Operator self storage	221	96%	3
Kancelaria adwokacka	150	61%	4
Producent domków letniskowych	73	45%	2
Producent pakietów bateryjnych B2B	340	28%	1
Sklep z armaturą z salonami	25	24%	2,5
Semgence	474	20%	15
Producent sof z showroomem	54	0%	–

Dane: AI Monitor, cytowania typu „local” w Google AI Mode i AI Overviews, VI-XI 2026, projekty z co najmniej 25 odpowiedziami z wizytówkami.

Różnice są duże. Operator self storage pojawia się w zestawie wizytówek w 96% odpowiedzi z mapami, zwykle na trzecim miejscu. Producent sof premium ma showroom w dużym mieście, a na pytania „gdzie kupić sofę” jego wizytówka nie pojawiła się w żadnej z 54 odpowiedzi z mapami. Miejsce zajęły salony meblowe i sieci. Semgence pojawia się w 20% odpowiedzi z mapami i zwykle daleko, w medianie na 15. pozycji. To bardzo konkretna informacja dla firmy: jeśli wizytówka nie istnieje, nie jest kompletna albo nie pasuje do kategorii, której dotyczy pytanie, część odpowiedzi AI zostaje bez Ciebie, nawet jeśli Twoja strona jest dobrze widoczna.

Trzecie odkrycie dotyczy pierwszej litery NAP, czyli nazwy. W zestawach wizytówek przy pytaniu o kancelarię adwokacką w dużym mieście zebraliśmy 77 unikalnych nazw. Co trzecia (26) to nie nazwa firmy, tylko nazwa z dopisanymi słowami kluczowymi, w stylu „Kancelaria Adwokacka [nazwisko] | adwokat [miasto] | sprawy karne | rozwód | spadki”. Wizytówki z takimi nazwami częściej trafiały do pierwszej trójki (27% wystąpień wobec 13% dla czystych nazw). To korelacja, a nie dowód przyczyny, a wytyczne Google wprost zabraniają dopisywania słów kluczowych do nazwy firmy. Pokazuje jednak, że AI Mode przejmuje zestaw wizytówek z Map w takiej formie, w jakiej jest – razem z ich nadużyciami. Podobny obraz był przy pytaniach o agencje SEO w Warszawie: na liście dominowały nazwy w stylu „Pozycjonowanie stron – Tworzenie stron www, Agencja SEO, Agencja marketingowa”.

Jak AI radzi sobie z samymi danymi adresowymi? W treści odpowiedzi z marką znaleźliśmy 26 twierdzeń o lokalizacji i kontakcie. 19 dotyczyło lokalizacji (miasto, siedziba, salony, rynki działania) i tylko jedno miało problem. Na 7 twierdzeń o kontakcie 2 miały problem – i to były dwa najbardziej dotkliwe błędy w kategorii lokalnej: stary adres kancelarii z rejestru adwokatów i „punkt sprzedaży” marki suplementów z wizytówki Bing. Wniosek jest prosty. Gdy dane są spójne w kilku źródłach, AI podaje je poprawnie. Gdy jedno źródło, choćby urzędowe, ma inną wersję, AI może wybrać właśnie tę.

Opinie i oceny to osobny obszar. W odpowiedziach z naszej próby AI rzadko przytaczało ocenę gwiazdkową z Map Google. Częściej powoływało się na katalogi firm („10/10 w zestawieniu najlepszych prawników”), portale branżowe i agregatory opinii (ocena na G2, opinie na forach budowlanych, GoWork, Trusted Shops). Z 19 twierdzeń o opiniach i ocenach ponad połowa (10) była niesprawdzalna, bo portale z recenzjami blokują automatyczny odczyt albo źródło już nie istnieje. Z pozostałych część była prawdziwa (ocena w Trusted Shops, pozytywne opinie w katalogu), a część zawyżona: ocena z jednego katalogu reklamowego zamieniona w „najwyżej ocenianą kancelarię w mieście” albo w „lidera rankingu ogólnego”. Claude w jednej z odpowiedzi zbudował rekomendację kancelarii na dosłownie przepisanym fragmencie jednej opinii klienta.

Dla firm lokalnych płynie z tego kilka praktycznych wskazówek:

• Wizytówka w Mapach Google i Bing Places jest dziś źródłem danych dla AI, więc musi mieć te same dane co strona: nazwę, adres, telefon, godziny, kategorię i opis tego, czym firma się zajmuje.
• Jeśli firma nie ma punktu obsługi klienta pod adresem siedziby, wizytówka nie powinna sugerować, że go ma.
• Stare adresy w rejestrach zawodowych, katalogach i na profilach społecznościowych trzeba aktualizować tak samo jak stronę, bo AI nie wie, który wpis jest nowszy.
• Opinie warto zbierać tam, gdzie AI je czyta – w Mapach Google, ale też w katalogach branżowych i na portalach, które w Twojej branży pojawiają się w cytowaniach.

Więcej o tym, jak wygląda dziś widoczność lokalna, piszemy przy okazji pozycjonowania lokalnego.

Co zrobić, gdy AI podaje nieprawdziwe informacje o Twojej firmie?

Najczęstsza reakcja to próba „poprawienia AI”, czyli pisanie do ChatGPT, że się myli. To nie działa w skali, bo poprawka w rozmowie nie zmienia źródeł, z których model korzysta przy następnej odpowiedzi dla innego użytkownika. Skuteczne działania są mniej efektowne i polegają głównie na porządkowaniu źródeł. Poniżej kolejność, która wynika z przypadków z naszej próby.

Jak sprawdzić w 15 minut, co AI mówi o Twojej firmie?

Zanim zaczniesz cokolwiek poprawiać, zrób szybki test. Nie zastąpi stałego monitoringu, ale pokaże, czy problem w ogóle istnieje.

1. Wybierz pięć pytań z tabeli poniżej, po jednym z każdej grupy, i wstaw w nie nazwę firmy, kategorię, miasto i głównego konkurenta.
2. Zadaj je w ChatGPT, Gemini, Perplexity i w Google (AI Mode albo AI Overviews). Najlepiej w nowej rozmowie, bez historii i personalizacji.
3. Wypisz każde zdanie o firmie: cenę, ofertę, adres, liczby, staż, „najlepszy” i „lider”.
4. Przy każdym zdaniu zaznacz: prawda, nieaktualne, nieprawda albo nie wiadomo skąd.
5. Przy zdaniach błędnych kliknij źródła, na które powołuje się AI. Ta lista adresów to Twój plan poprawek.

Grupa pytań	Przykładowe pytania do skopiowania
Marka wprost	„Czym zajmuje się [marka]?” · „Ile kosztuje [usługa] w [marka]?” · „[marka] opinie – czy warto?”
Polecenie	„Jaka firma [kategoria] w Polsce jest najlepsza?” · „Polecisz [kategoria] dla [typ klienta]?” · „Gdzie kupić [produkt] dobrej jakości?”
Porównanie	„[marka] czy [konkurent] – co wybrać?” · „Jakie są alternatywy dla [konkurent]?” · „Czym [marka] różni się od [konkurent]?”
Konkretne fakty	„Czy [marka] ma integrację z [system]?” · „Od kiedy działa [marka] i kto nią kieruje?” · „Jakie warunki umowy lub zwrotu ma [marka]?”
Lokalne	„[kategoria] w [mieście] – kogo polecasz?” · „Adres i godziny otwarcia [marka]” · „Najlepiej oceniana [kategoria] w [mieście]”

Jeśli w tych pięciu pytaniach znajdziesz choć jedno nieprawdziwe zdanie, warto przejść przez pełną procedurę poniżej. Tabela pod nią pomaga szybko znaleźć źródło konkretnego błędu.

Siedem kroków naprawy

Zacznij od pomiaru. Spisz 10-20 pytań, które naprawdę zadają Twoi klienci: o markę wprost („czym zajmuje się X”, „ile kosztuje X”, „X opinie”), o polecenie w kategorii, o porównanie z konkurencją i o lokalizację. Zadaj je w kilku silnikach, bo jak widać wyżej, każdy myli się inaczej. Pytania brandowe są tu ważniejsze, niż się wydaje – to przy nich padło 12 z 19 twardych błędów.

Potem czytaj odpowiedzi, a nie tylko wskaźniki. Każde twierdzenie o firmie zapisz i sprawdź: czy jest prawdziwe, skąd mogło się wziąć, które źródło AI zacytowało. Prowadź to w arkuszu jako rejestr błędów: silnik, data, pytanie, dokładne brzmienie twierdzenia, zacytowane źródło i status poprawki – dzięki temu po kilku tygodniach zobaczysz, które błędy znikają, a które wracają. Flagi wzmianek i sentyment z narzędzi traktuj jako wskazówkę, gdzie szukać, a nie jako wynik. W naszym badaniu sentyment zgadzał się z oceną człowieka w nieco ponad połowie przypadków, a żadne narzędzie nie sprawdzało prawdziwości.

Trzeci krok to porządek na własnej stronie, bo tu jest najwięcej źródeł błędów, które da się usunąć od ręki. Jedna wersja ceny, stażu, oferty, adresu i liczb w całym serwisie, łącznie ze starymi wpisami na blogu, PDF-ami i drugimi domenami. Strona „O firmie” i cennik jako miejsca, w których te fakty są podane jednoznacznie, z datą aktualizacji. Dane strukturalne Organization lub LocalBusiness z nazwą, adresem, telefonem i powiązaniami sameAs do profili firmy. Jeśli firma ma starą nazwę albo drugą markę, napisz wprost na obu stronach, że to ta sama firma – inaczej AI zrobi z nich konkurentów, jak w naszym przypadku z Zgredem. O tym, które dane strukturalne pomagają w cytowaniach AI, piszemy w osobnym tekście o schema markup a widoczności w AI.

Czwarty krok to cudze źródła. Zacznij od tych, które AI cytuje przy Twojej marce: katalogów (Panorama Firm, Oferteo, katalogi branżowe), rejestrów, wizytówek w Mapach Google i Bing Places, profili na LinkedIn i w portalach branżowych. Zaktualizuj stare adresy w rejestrach zawodowych i w KRS lub CEIDG. Jeśli przewodnik na zewnętrznym portalu podaje nieaktualną cenę, poproś redakcję o poprawkę albo zaktualizowany tekst – to często prostsze, niż się wydaje. Sprawdź też, czy jakiś katalog nie przypisuje Ci oceny albo miejsca w rankingu, za którym nic nie stoi.

Piąty krok to profile w samych systemach AI. 10 listopada 2026 roku OpenAI uruchomiło w becie Businesses in ChatGPT – Business Hub, w którym firma może przejąć swój profil w ChatGPT, zweryfikować własność i zaktualizować informacje, a także zobaczyć, jak często ChatGPT ją wymienia. OpenAI opisuje to hasłem „Claim your business, keep your information current” – i to jest dokładnie ten problem, który pokazują nasze dane. Według zapowiedzi profil mogą przejąć kwalifikujące się firmy z krajów, w których działa ChatGPT, a więc także z Polski. OpenAI przedstawia profil jako sposób na aktualne informacje o firmie, a nie na lepsze miejsce w rekomendacjach – i tak warto go traktować. Dla firm, które mają problem z błędnymi danymi w ChatGPT, to pierwszy oficjalny kanał korekty. Przy pojedynczych błędnych odpowiedziach warto też używać przycisku negatywnej oceny – to nie poprawi źródeł, ale jest sygnałem dla dostawcy modelu.

Szósty krok: zastąp autopromocję dowodami. Każde „lider”, „najlepszy” i „jeden z największych” na Twojej stronie może trafić do odpowiedzi AI jako fakt. To brzmi jak zaleta, ale w praktyce tworzy twierdzenia, których firma nie obroni, gdy klient o nie zapyta. Lepiej działają rzeczy sprawdzalne: liczba klientów, lata działalności, certyfikaty z numerami, studia przypadków, recenzje w niezależnych serwisach. Takie dane AI też powtarza, tylko że wtedy powtarza prawdę. O tym, jakie sygnały wiarygodności AI bierze pod uwagę, piszemy w tekście o authority signals.

Siódmy krok to monitoring w czasie. Te same pytania co tydzień lub co dwa tygodnie, w tych samych silnikach, z zapisem odpowiedzi. Odpowiedzi zmieniają się z dnia na dzień, poprawki przechodzą do kolejnych silników z opóźnieniem, a nowe błędy pojawiają się po każdej zmianie w sieci. Jeśli nie masz na to czasu ani narzędzi, to dokładnie ten zakres obejmuje audyt marki w odpowiedziach AI, który robimy dla klientów: pomiar, ręczną weryfikację twierdzeń, listę źródeł do poprawy i plan monitoringu.

Gdzie szukać źródła konkretnego błędu?

Typ błędu	Gdzie zwykle jest źródło	Co poprawić
Nieaktualna lub zła cena	Artykuły na portalach, starsze podstrony i PDF-y, porównania konkurencji, wpisy na blogu	Jeden cennik w HTML z datą aktualizacji; prośba o korektę artykułów; aktualizacja lub usunięcie starych PDF-ów
Stary adres, telefon, godziny	Rejestry zawodowe, KRS lub CEIDG, katalogi firm, wizytówki Google i Bing	Aktualizacja wpisów i wizytówek; dane LocalBusiness na stronie
Pomylona firma	Strona firmy o podobnej nazwie, stara nazwa po rebrandingu, druga domena	Sekcja „kim jesteśmy, czym się nie zajmujemy”; Organization z sameAs i alternateName; informacja na starej domenie
Superlatyw bez pokrycia	Hasła na Twojej stronie, własne rankingi, katalogi reklamowe	Liczby, certyfikaty, nagrody z nazwą organizatora, zewnętrzne recenzje
Funkcja lub cecha konkurenta	Strona konkurenta cytowana w tej samej odpowiedzi	Lista funkcji i ograniczeń wprost; FAQ „czy obsługujecie X?”
Nieaktualna oferta lub staż	Starsze podstrony, blog, druga domena, stare opisy w katalogach	Przegląd faktów w całym serwisie; aktualizacja albo przekierowanie starych treści
Dopisane szczegóły (metraż, segment, grupa docelowa)	Brak precyzyjnych danych na stronie	Konkretne liczby i zakresy w tekście, nie tylko na grafikach

Podsumowanie

AI w większości mówi o firmach prawdę – w naszej próbie 73% sprawdzalnych twierdzeń było zgodnych ze źródłami. Ale 42% odpowiedzi, w których marka się pojawia, zawiera co najmniej jedną nieścisłość, a błędy kumulują się tam, gdzie mają największy wpływ na decyzję klienta: w cenach, porównaniach i ocenach. Najczęściej nie są wymysłem modelu, tylko powtórzeniem czegoś, co jest w sieci: niespójnej strony firmy, starego artykułu, wpisu w rejestrze, wizytówki albo autopromocji.

Narzędzia do monitoringu widoczności w AI pokazują, czy marka jest obecna, ale nie mówią, czy to, co AI o niej mówi, jest prawdą – a w części przypadków nie wykrywają nawet poprawnie samej obecności. Dlatego punktem wyjścia jest czytanie odpowiedzi i sprawdzanie twierdzeń, a dopiero potem praca nad źródłami: najpierw własna strona, potem cudze serwisy, wizytówki i rejestry, na końcu stały monitoring. To praca mniej efektowna niż optymalizacja pod kolejne prompty, ale to ona decyduje o tym, z jakim obrazem firmy klient przychodzi do pierwszej rozmowy.

Dane aktualne na 14 listopada 2026 r. Dane własne: AI Monitor – 449 odpowiedzi siedmiu silników AI (ChatGPT, Gemini, Perplexity, Claude, Copilot, Google AI Mode, Google AI Overviews) na 81 promptów z 28 projektów, VI-XI 2026; 156 odpowiedzi z marką w treści; 378 twierdzeń o 21 markach zweryfikowanych ręcznie ze źródłami; wyniki Google na nazwy 21 marek (DataForSEO), dane JSON-LD ze stron głównych 20 marek i wyszukiwanie w Wikidata, 14 listopada 2026 r.; 1360 cytowań z tych odpowiedzi sklasyfikowanych według typu źródła; 10 113 cytowań typu „local” z 16 projektów. Marki klientów zanonimizowane.

FAQ