Właściciel warsztatu, kancelarii albo gabinetu stomatologicznego przez lata pilnował trzech rzeczy: Profilu Firmy w Google, opinii i pozycji w pakiecie lokalnym. W 2026 doszła czwarta warstwa. Coraz częściej pierwszy kontakt klienta z branżą nie zaczyna się w wyszukiwarce, tylko w oknie czatu, a model językowy wypluwa gotową krótką listę: dwie, trzy nazwy z uzasadnieniem. Reguły, które decydują o tym, kto na tej liście się znajdzie, tylko częściowo pokrywają się z klasycznym rankingiem Map.
Ten przewodnik rozkłada mechanizm na części: skąd asystenci biorą dane o lokalnych firmach, które źródła traktują jako wiarygodne, co realnie da się uporządkować po stronie firmy i w jakiej kolejności to robić. Jeżeli dopiero układasz fundamenty widoczności lokalnej, zacznij od tekstu Local SEO Polska 2026: PFG, opinie, lokalne entity, a tutaj wróć po warstwę związaną z AI.
Skąd AI bierze dane o lokalnych firmach
Asystenci nie mają własnej bazy firm w Polsce. Kiedy pytasz o hydraulika w Katowicach, model korzysta z trzech kanałów naraz, a każdy z nich zachowuje się inaczej.
Pierwszy to wiedza wbudowana w wagi modelu, czyli to, co zapamiętał z treningu. Dla lokalnych usług jest niemal bezużyteczna i bywa szkodliwa: model potrafi z pełnym przekonaniem podać adres sprzed czterech lat albo numer telefonu, który już nie działa. Drugi kanał to wyszukiwanie w czasie rzeczywistym. ChatGPT z włączonym wyszukiwaniem, Perplexity i Gemini wysyłają zapytanie do indeksu (odpowiednio Bing, własny crawler, Google), pobierają kilka do kilkunastu stron i dopiero z nich budują odpowiedź. Trzeci to integracje z danymi mapowymi, na razie najsłabiej udokumentowane i najbardziej zmienne.
Praktyczny wniosek jest niewygodny, ale prosty: nie optymalizujesz modelu, tylko materiał, który model znajdzie w momencie zadania pytania. Jeżeli w indeksie leżą trzy różne wersje twojego adresu, asystent wybierze którąś z nich albo, co gorsza, powie o twojej firmie mniej niż o konkurencie, bo nie ma na czym oprzeć zdania. Mechanizm powstawania takich przekłamań opisaliśmy szerzej w analizie dlaczego ChatGPT podaje nieaktualne dane o twojej firmie.
Profil Firmy w Google jako źródło prawdy
Profil Firmy w Google pozostaje najgęstszym pojedynczym zbiorem danych o lokalnym biznesie: nazwa, kategoria, adres, godziny, telefon, zdjęcia, opinie, atrybuty. Nawet jeżeli konkretny asystent nie odpytuje Map bezpośrednio, treść profilu przecieka do sieci przez agregatory, cytaty i strony, które ją kopiują.
Cztery pola decydują o najwięcej:
- Kategoria główna. Modele bardzo mocno opierają się na dopasowaniu typu usługi do zapytania. Kategoria „usługi budowlane” przy zapytaniu o hydraulika działa przeciwko tobie. Wybierz najwęższą kategorię, która opisuje to, z czego faktycznie żyjesz, resztę zepchnij do kategorii dodatkowych.
- Nazwa. Musi odpowiadać nazwie na szyldzie i na fakturze. Doklejanie fraz kluczowych do nazwy jest niezgodne z wytycznymi Google dotyczącymi reprezentowania firmy, a dodatkowo tworzy rozjazd między profilem a resztą sieci.
- Opis. To jedno z niewielu miejsc, gdzie piszesz pełnym zdaniem. Napisz je tak, żeby dało się zacytować: co robicie, dla kogo, na jakim obszarze, od kiedy.
- Godziny i wyjątki. Puste albo nieaktualne godziny są sygnałem porzuconego profilu i realnie zmniejszają szansę na rekomendację przy zapytaniach typu „otwarte teraz”.
Osobna sprawa to obszar działania. Firmy usługowe bez lokalu stacjonarnego często ustawiają promień 100 km, żeby „złapać więcej”. Efekt jest odwrotny: rozmyta relacja z konkretnym miastem sprawia, że model nie ma podstaw, żeby powiązać markę z żadną lokalizacją. Lepiej wskazać trzy, cztery miejscowości, w których naprawdę pracujecie.
Spójność nazwy, adresu i telefonu w katalogach
NAP, czyli name, address, phone, jest starą koncepcją z lokalnego SEO, ale w kontekście modeli językowych zyskała nowe znaczenie. Wcześniej niespójność kosztowała trochę zaufania algorytmu rankingowego. Teraz kosztuje możliwość jednoznacznego rozpoznania encji.
Model, który znajduje „Kancelaria Nowak i Wspólnicy, ul. Piękna 12” oraz „Nowak Legal, Piękna 12a”, nie ma jak stwierdzić, czy to jedna firma, czy dwie. W praktyce robi wtedy jedną z dwóch rzeczy: pomija oba wpisy i rekomenduje kogoś, kto ma czystą kartotekę, albo miesza dane i podaje adres jednej wersji z telefonem drugiej.
Uporządkowanie zaczyna się od wyboru wersji kanonicznej. Zapisz w jednym dokumencie dokładny zapis nazwy, adresu (z formą skrótu ulicy), numeru telefonu w jednym formacie i adresu e-mail. Potem przejdź listę miejsc: Profil Firmy, strona internetowa (stopka i strona kontaktu), Facebook, katalogi branżowe, portale z ofertami pracy, wizytówki w systemach rezerwacyjnych, KRS lub CEIDG. Każde miejsce ma używać identycznego zapisu, znak w znak.
Opinie i ich treść jako sygnał rekomendacji
W klasycznym lokalnym SEO liczyła się przede wszystkim średnia ocena i liczba opinii. Model językowy czyta opinie inaczej: przetwarza ich treść i wyciąga z niej powtarzające się motywy. To zmienia to, o co warto prosić klientów.
Opinia „Polecam, super obsługa” nie wnosi nic poza gwiazdką. Opinia „Wymiana rozrządu w Passacie B8, zrobione w dwa dni, cena zgodna z wyceną telefoniczną” daje modelowi trzy konkretne fakty: typ usługi, czas realizacji i przewidywalność ceny. Kiedy takich opisów uzbiera się kilkanaście, w odpowiedzi asystenta pojawia się zdanie w rodzaju „warsztat często wskazywany przy naprawach rozrządu, klienci chwalą trzymanie się wyceny”. To jest dokładnie ten format, w którym wygrywa się rekomendację.
Praktyczna zmiana w procesie: zamiast prosić o opinię ogólnie, poproś o wskazanie, jaka usługa była wykonywana. Wystarczy jedno zdanie w wiadomości po zakończeniu zlecenia. Nie sugeruj treści i nie oferuj nic w zamian, bo to łamie regulaminy i naraża profil na filtrowanie opinii.
Warto też pamiętać, że opinie w Google to nie jedyne źródło. Wątki na forach, w grupach lokalnych i na Reddicie bywają cytowane wprost, a ich waga rośnie tam, gdzie usługa jest niszowa i mało opisana. Szerzej o strukturze cytowań w odpowiedziach AI pisaliśmy przy okazji danych o tym, że strony produktowe zbierają 24% cytowań AI.
Strony lokalizacji: co musi znaleźć się w HTML
Strona lokalizacji jest jedynym elementem układanki, nad którym masz pełną kontrolę. Jednocześnie w większości firm jest zrobiona najgorzej: pięć zdań, mapka w iframe i formularz.
Minimum, które model potrafi wykorzystać:
- Adres w tekście HTML, nie tylko na obrazku i nie tylko w mapie. Crawler nie odczyta adresu z grafiki, a mapa ładowana skryptem bywa pomijana.
- Telefon jako link
tel:w tej samej, kanonicznej formie. - Godziny otwarcia wypisane tekstem, z wyjątkami świątecznymi jeżeli występują.
- Zakres usług na tej lokalizacji, wymieniony konkretnie. Nie „kompleksowe usługi”, tylko lista tego, co się faktycznie robi pod tym adresem.
- Obsługiwane okolice, wymienione z nazwy, o ile są prawdziwe. Lista trzydziestu dzielnic, w których nigdy nie byliście, to spam i działa na minus.
- Dane strukturalne typu
LocalBusinesslub węższego podtypu, zgodne z dokumentacją Google Search Central, z polamiaddress,telephone,openingHoursSpecificationisameAswskazującym na profile firmy w innych serwisach.
Pole sameAs zasługuje na osobną uwagę, bo to najtańszy sposób na powiedzenie wprost: profil na Facebooku, wizytówka w katalogu i ta strona opisują ten sam podmiot. Dla modelu, który próbuje scalić rozproszone wzmianki w jedną encję, jest to podpowiedź nie do przecenienia.
Zapytania typu blisko mnie w ChatGPT
Frazy „blisko mnie” w czacie zachowują się inaczej niż w wyszukiwarce. Asystent zwykle nie zna dokładnej lokalizacji użytkownika (albo zna ją bardzo zgrubnie, z adresu IP), więc albo dopyta o miasto, albo cicho przyjmie założenie.
Konsekwencja jest taka, że w praktyce rywalizujesz nie o „fryzjer blisko mnie”, tylko o „fryzjer Wrocław Krzyki” i podobne warianty z dopisaną lokalizacją. To dobra wiadomość, bo takie zapytania są przewidywalne i policzalne.
Druga różnica dotyczy formy pytania. W czacie ludzie piszą pełnymi zdaniami i dorzucają warunki: „szukam dentysty w Gdańsku, który przyjmuje w sobotę i robi leczenie kanałowe pod mikroskopem”. Model musi znaleźć źródło, w którym te trzy warunki występują razem. Firma, która na stronie ma osobno zakładkę o godzinach i osobno o endodoncji, przegrywa z tą, która ma jedno zdanie łączące oba fakty. Nie chodzi o upychanie fraz, tylko o to, żeby atrybuty, po których klienci filtrują, dało się przeczytać w jednym miejscu.
Checklista wdrożenia na 30 dni
Kolejność ma znaczenie, bo porządkowanie danych bez ustalonej wersji kanonicznej tylko mnoży warianty.
| Tydzień | Zadanie | Efekt |
|---|---|---|
| 1 | Ustal kanoniczny NAP, kategorię główną i opis firmy. Zapisz w jednym dokumencie. | Punkt odniesienia dla wszystkich pozostałych kroków |
| 1 | Audyt Profilu Firmy: kategorie, godziny, obszar działania, zdjęcia, atrybuty | Najgęstsze źródło danych zgodne z prawdą |
| 2 | Przegląd katalogów i profili społecznościowych, korekta rozjazdów | Jednoznaczna encja zamiast kilku wariantów |
| 2 | Przepisanie strony lokalizacji według listy z poprzedniej sekcji | Materiał, który crawler asystenta może zacytować |
| 3 | Wdrożenie schematu LocalBusiness z sameAs, walidacja w testerze wyników | Powiązanie profili w jedną tożsamość |
| 3 | Zmiana procesu proszenia o opinie na wersję z nazwą usługi | Opinie z treścią zamiast samych gwiazdek |
| 4 | Zestaw 15 pytań testowych do ChatGPT, Perplexity i Gemini, zapis odpowiedzi | Punkt zerowy do porównania za kwartał |
Jeżeli chcesz szerszą listę kontrolną obejmującą całą stronę, a nie tylko warstwę lokalną, przyda się checklista wdrożenia strony pod AI search.
Jak mierzyć efekty
To najsłabszy punkt całej dyscypliny i warto powiedzieć to wprost: nie istnieje dziś odpowiednik Search Console dla odpowiedzi asystentów. Dostępne są trzy przybliżenia i każde ma wadę.
Ruch odsyłający. W GA4 da się wyodrębnić sesje z domen chatgpt.com, perplexity.ai i podobnych. Wada: dla lokalnych usług wolumen jest zwykle na tyle niski, że pojedyncze wizyty nie tworzą trendu, a duża część rekomendacji kończy się telefonem, a nie kliknięciem.
Monitoring odpowiedzi. Zestaw stałych pytań zadawanych raz na miesiąc, z zapisem, czy firma się pojawiła i w jakim kontekście. Wada: odpowiedzi modeli są niedeterministyczne, więc dwie serie pytań tego samego dnia mogą dać różne listy. Sensowny odczyt wymaga kilku powtórzeń każdego pytania i patrzenia na częstość, nie na pojedynczy wynik.
Źródło pierwszego kontaktu. Najbardziej niedoceniane i najtańsze. Jedno pytanie przy przyjęciu zlecenia: skąd klient nas zna. Odpowiedź „z ChatGPT” pojawia się w polskich firmach usługowych coraz częściej i, w odróżnieniu od pozostałych metod, dotyczy realnego przychodu.
Do żadnego z tych pomiarów nie da się przypiąć wiarygodnego wskaźnika zwrotu w skali miesiąca. Realny horyzont oceny to kwartał, a przy wolniejszych branżach dwa. Jeżeli ktoś obiecuje raport z pozycjami w AI po dwóch tygodniach, sprzedaje liczby, które sam wymyślił.
Co z tego wynika
Warstwa AI w lokalnym marketingu nie wymaga nowego zestawu narzędzi. Wymaga za to rzeczy, którą wiele firm odkładało latami: jednej, spójnej wersji faktów o sobie, dostępnej w tekście, w kilku niezależnych miejscach i potwierdzonej treścią opinii. Model językowy nie ma jak nagrodzić firmy, o której nie potrafi powiedzieć nic konkretnego. Cała reszta, od schematu po monitoring, jest tylko obudową tej jednej zasady.
FAQ
Czy muszę mieć Profil Firmy w Google, żeby pojawiać się w odpowiedziach ChatGPT?
Formalnie nie, bo ChatGPT korzysta głównie z indeksu Bing i własnych pobrań stron. Praktycznie tak, bo profil jest najgęstszym i najczęściej kopiowanym źródłem danych o lokalnej firmie, a jego brak oznacza dużo mniej wzmianek, na których model mógłby oprzeć rekomendację.
Ile opinii potrzebuje lokalna firma, żeby model ją polecał?
Nie ma progu liczbowego, bo liczy się treść, nie tylko liczba. Kilkanaście opinii opisujących konkretne usługi daje modelowi więcej materiału niż dwieście krótkich „polecam”. Zacznij od zmiany sposobu proszenia o opinię, a nie od gonienia za liczbą.
Czy schema LocalBusiness gwarantuje pojawienie się w odpowiedziach AI?
Nie gwarantuje niczego. Dane strukturalne ułatwiają jednoznaczne odczytanie adresu, godzin i powiązanych profili, ale nie są przepustką. Jeżeli NAP jest niespójny w sieci, poprawny schemat tego nie naprawi.
Jak długo trzeba czekać na efekt uporządkowania danych?
Zmiany w Profilu Firmy bywają widoczne w ciągu kilku dni. Rozejście się poprawionych danych po katalogach i indeksach zajmuje zwykle kilka tygodni, a stabilna zmiana w odpowiedziach asystentów to horyzont jednego do dwóch kwartałów.
Czy warto tworzyć osobne strony dla każdej obsługiwanej miejscowości?
Tylko wtedy, gdy dla każdej z nich masz realnie odmienną treść: inny zespół, inny zakres, inne przykłady realizacji. Generowane masowo strony różniące się nazwą miasta są traktowane jako treść niskiej jakości i częściej szkodzą, niż pomagają.
Co zrobić, gdy asystent podaje o mojej firmie nieprawdziwe informacje?
Najpierw znajdź źródło błędu, czyli miejsce w sieci, gdzie ta wersja nadal istnieje, i popraw je u źródła. Poprawianie samego czatu nic nie da, bo przy kolejnym pytaniu model znowu sięgnie po ten sam materiał.