Firma remontowa z dużego miasta wojewódzkiego, dwanaście osób w zespole, dwie ekipy w terenie. Przez mniej więcej pół roku ChatGPT, zapytany o „firmę od remontu łazienki w okolicy”, albo jej nie wymieniał, albo wymieniał pod nazwą sprzed rebrandingu i dopisywał usługi, których firma od dawna nie świadczy. Ten tekst opisuje, jak to naprawiono. Uprzedzamy od razu: to przypadek złożony, zbudowany z kilku podobnych wdrożeń, a liczby są zaokrąglone. Chodzi o kolejność kroków i o to, co faktycznie przesunęło odpowiedzi modeli, a nie o wyniki jednego klienta.
Tło mechaniki, czyli skąd asystenci AI biorą informacje o usługodawcach i dlaczego mapy oraz katalogi ważą tu tyle co strona firmowa, opisaliśmy w tekście lokalna firma w wynikach AI w 2026 roku. Tutaj skupiamy się na praktyce.
Punkt wyjścia: co modele mówiły o firmie
Pierwszy krok nie miał nic wspólnego z optymalizacją. Zespół spisał, co dokładnie odpowiadają modele, zanim ktokolwiek cokolwiek zmienił. Bez tego punktu odniesienia nie dałoby się później powiedzieć, czy poprawa jest efektem prac, czy zwykłej zmienności odpowiedzi.
Obraz był mało pochlebny. W około jednej trzeciej odpowiedzi na pytania lokalne firma się pojawiała, ale w dwóch trzecich z tych wzmianek pod starą nazwą. Model przypisywał jej też montaż okien i docieplenia elewacji, czyli usługi, z których firma zrezygnowała trzy lata wcześniej. Na pytania o remont łazienki, który dziś stanowi większość jej przychodu, odpowiedzi wskazywały głównie konkurencję i dwa portale z ogłoszeniami wykonawców.
To typowy obraz. Model nie „wymyśla” firmy od zera, tylko składa ją z tego, co znajdzie w sieci. Jeśli w sieci krążą trzy wersje nazwy i dwa różne zakresy usług, odpowiedź będzie mieszanką. Szerzej o tym zjawisku piszemy w poradniku dlaczego ChatGPT podaje nieaktualne dane o firmie.
Inwentaryzacja źródeł, z których korzystały
Drugim krokiem było ustalenie, skąd modele mogą brać te informacje. W trybie z wyszukiwaniem ChatGPT i Perplexity pokazują źródła, więc część pracy sprowadzała się do zapisywania linków pod odpowiedziami. Resztę uzupełniło zwykłe wyszukiwanie nazwy firmy, starej nazwy, numeru telefonu i adresu.
Lista objęła ostatecznie 27 miejsc. Najważniejsze grupy wyglądały tak:
- Profil Firmy w Google: aktualny, ale z kategorią główną „firma budowlana” i opisem skopiowanym z dawnej strony.
- Katalogi branżowe i ogólne: jedenaście wpisów, z czego siedem ze starą nazwą, a cztery z nieaktualnym numerem telefonu.
- Portale z ogłoszeniami wykonawców: dwa profile założone lata temu przez poprzedniego wspólnika, z pełną listą dawnych usług.
- Artykuły zewnętrzne: lokalny serwis informacyjny i blog dewelopera, oba wspominające firmę przy starej nazwie.
- Własna strona: jedna podstrona „Usługi” z listą dziewięciu pozycji bez opisów oraz stary wpis blogowy o dociepleniach, wciąż zaindeksowany.
Ten etap zajął około tygodnia pracy jednej osoby i okazał się najbardziej wartościowy z całego projektu. Bez listy źródeł każda dalsza zmiana byłaby strzałem na ślepo.
Ujednolicenie danych firmy w sieci
Kolejność prac ustalono według prostej zasady: najpierw źródła, które same są często cytowane i z których inne serwisy kopiują dane, potem cała reszta. W praktyce oznaczało to start od Profilu Firmy w Google.
W profilu zmieniono kategorię główną na „firma remontowa” (dostępne kategorie zależą od kraju i języka, warto przejrzeć kilka wariantów), dodano kategorie pomocnicze związane z łazienkami i wykończeniami, przepisano opis i uzupełniono listę usług z krótkimi opisami. Nazwa została dokładnie taka, jak w rejestrze, bez dopisywania słów kluczowych. Google wprost zabrania takich dopisków w swoich wskazówkach dotyczących informacji o firmie, a za ich łamanie grozi zawieszenie profilu.
Następnie zespół przeszedł przez katalogi. Tam, gdzie dało się zalogować, dane poprawiono ręcznie. Tam, gdzie konto należało do byłego wspólnika, wysłano prośby o przejęcie albo usunięcie wpisu. Dwa portale z ogłoszeniami wykonawców udało się przejąć po około trzech tygodniach korespondencji. Jeden katalog nie odpowiedział w ogóle i jego wpis ze starą nazwą wisi do dziś.
Ważny szczegół: wszędzie wpisywano tę samą nazwę, ten sam adres w tej samej formie i ten sam numer telefonu. Chodzi o to, żeby dowolny crawler czy model, zestawiając kilka źródeł, dostał spójny obraz. Więcej o tym, które polskie katalogi i sygnały mają znaczenie, znajdziesz w przeglądzie Local SEO w Polsce w 2026 roku.
Strony usług przepisane pod konkretne pytania
Dopiero po uporządkowaniu danych zespół wziął się za własną stronę. Jedna lista dziewięciu usług zamieniła się w cztery osobne podstrony, odpowiadające temu, czym firma rzeczywiście się zajmuje: remont łazienki, remont kuchni, wykończenia mieszkań od dewelopera i drobne prace hydrauliczne.
Każda podstrona dostała ten sam układ:
- Jedno zdanie na górze, które odpowiada na pytanie wprost: co firma robi, gdzie i dla kogo.
- Zakres prac w punktach, z wyraźnym zaznaczeniem, czego firma nie robi.
- Orientacyjne widełki cenowe i czas realizacji (na przykład 3–5 tygodni dla łazienki do 6 m²).
- Obszar działania z listą dzielnic i sąsiednich gmin.
- Krótkie FAQ z pytaniami, które klienci zadawali przez telefon.
Stary wpis o dociepleniach nie został po prostu usunięty. Dostał na górze wyraźną informację, że firma nie świadczy już tej usługi, z datą zmiany. Takie zdanie łatwo przechwycić i zacytować, a model trafiający na stary tekst dostaje jasny sygnał zamiast sprzecznych danych.
Celowo nie powstały żadne nowe artykuły blogowe. Problem nie polegał na braku treści, tylko na tym, że istniejące treści mówiły rzeczy niezgodne z prawdą.
Opinie i ich rola w rekomendacji
Firma miała około 40 opinii w Google ze średnią 4,7, ale ostatnia pochodziła sprzed ponad roku, a większość dotyczyła dawnych usług. W odpowiedziach na pytania typu „polecana firma od łazienki” modele wyraźnie częściej sięgały po wykonawców, którzy mieli świeże opinie opisujące konkretną usługę.
Zespół wprowadził prostą procedurę: po odbiorze każdej realizacji kierownik ekipy wysyłał klientowi SMS z linkiem do opinii i krótką prośbą, żeby napisać, jaki był zakres prac. Bez gotowych szablonów i bez zachęt finansowych. W ciągu czterech miesięcy przybyło 31 opinii, z czego ponad 20 wspominało wprost o łazience lub kuchni. Firma odpowiadała na każdą, także na dwie krytyczne.
Ile opinii i jakiej treści faktycznie potrzeba, żeby przesunąć rekomendacje, rozbieramy osobno w tekście opinie Google a rekomendacje AI. W tym przypadku kluczowa okazała się treść opinii, a nie sama średnia.
Pomiar: zestaw promptów i harmonogram testów
Żeby oddzielić efekt prac od losowości, zespół przygotował stały zestaw 20 promptów. Połowa to pytania lokalne o usługę („kto zrobi remont łazienki w [miasto]”), część to pytania o samą firmę („czym zajmuje się [nazwa]”), a kilka to porównania z konkurencją.
Zasady testów były proste:
- Każdy prompt w nowej sesji, bez historii i bez zalogowanego konta z personalizacją.
- Trzy modele: ChatGPT z wyszukiwaniem, Perplexity i Gemini.
- Pomiar co dwa tygodnie, ten sam dzień tygodnia.
- Każdy prompt powtarzany trzykrotnie, bo pojedyncza odpowiedź niewiele mówi.
Dla każdej odpowiedzi zapisywano trzy rzeczy: czy firma się pojawia, czy pod właściwą nazwą i czy zakres usług jest poprawny. Arkusz z tymi trzema kolumnami okazał się czytelniejszy niż jakikolwiek wskaźnik zbiorczy.
Efekty po czterech miesiącach
| Wskaźnik | Przed | Po 4 miesiącach |
|---|---|---|
| Odpowiedzi lokalne, w których pada nazwa firmy | ok. 30% | ok. 55% |
| Wzmianki ze starą nazwą | ok. 2/3 | poniżej 1/10 |
| Odpowiedzi z błędnym zakresem usług | większość | pojedyncze |
| Opinie w Google | ok. 40 | ok. 70 |
Zmiany nie przyszły równo. Przez pierwsze sześć tygodni odpowiedzi wyglądały prawie tak samo jak przed startem. Wyraźny przeskok nastąpił mniej więcej w drugim miesiącu, po przejęciu profili na portalach z ogłoszeniami i aktualizacji Profilu Firmy. Strony usług na własnej witrynie zaczęły pojawiać się jako źródło w odpowiedziach Perplexity później, w trzecim miesiącu.
Dwie rzeczy nie zadziałały. Wpis w katalogu, którego nie udało się poprawić, nadal od czasu do czasu wraca w odpowiedziach ze starą nazwą. Gemini zmieniał się wolniej niż pozostałe modele i po czterech miesiącach wciąż czasem przypisywał firmie docieplenia.
Najważniejszy wniosek jest mało efektowny: większość poprawy dała praca porządkowa poza własną stroną. Nowe teksty nie były potrzebne. Potrzebne było to, żeby wszystkie istniejące źródła mówiły to samo.
FAQ
Ile trwa, zanim ChatGPT zacznie podawać poprawne dane o firmie?
W opisanym przypadku pierwsze wyraźne zmiany pojawiły się po około dwóch miesiącach od poprawienia głównych źródeł. Tryby z wyszukiwaniem reagują szybciej niż odpowiedzi oparte wyłącznie na wiedzy modelu, która aktualizuje się dopiero przy kolejnych wersjach.
Czy trzeba pisać nowe artykuły, żeby firma pojawiała się w odpowiedziach AI?
Nie zawsze. Jeśli model podaje błędne dane, zwykle winne są sprzeczne źródła, a nie brak treści. Najpierw warto ujednolicić dane w profilach i katalogach oraz przepisać strony usług, a dopiero potem rozważać nowe teksty.
Co zrobić z wpisem w katalogu, którego nie da się edytować?
Spróbować przejąć konto albo poprosić administratora o usunięcie lub poprawkę. Jeśli to się nie uda, pozostaje zadbać, by pozostałe źródła były na tyle spójne i liczne, że pojedynczy nieaktualny wpis traci znaczenie.
Jak mierzyć widoczność lokalnej firmy w ChatGPT?
Najprościej stałym zestawem kilkunastu promptów, uruchamianych w nowych sesjach w tych samych odstępach czasu, z kilkoma powtórzeniami każdego pytania. Warto zapisywać nie tylko to, czy firma się pojawia, ale też czy pod właściwą nazwą i z poprawnym zakresem usług.
Czy opinie w Google wpływają na rekomendacje modeli AI?
W tym przypadku wyraźnie tak, przy czym znaczenie miała treść opinii, a nie sama średnia ocen. Świeże opinie opisujące konkretną usługę pomagały modelom powiązać firmę z właściwymi pytaniami.