15 pytań lokalnych sprawdza, czy ChatGPT wymienia twój warsztat

Zbieramy tu doświadczenia z wdrożeń i dajemy je za darmo — nie zastąpią spojrzenia prawnika ani księgowej na Twoją indywidualną sprawę. Gdy ktoś pyta ChatGPT albo Gemini o najlepszy warsztat samochodowy w Krakowie, asystent nie przeszukuje miasta. Przeszukuje sieć pod kątem sygnałów, które wcześniej zostawiły firmy, klienci i lokalne media. Właściciel warsztatu na 15 osób widzi w odpowiedzi konkurenta z sąsiedniej ulicy i pyta, skąd asystent wziął akurat tę nazwę. Oficjalna dokumentacja OpenAI podaje, że ChatGPT może użyć wyników lokalnych, stron firm, rankingów, opinii i katalogów, ale nie publikuje listy źródeł z wagami. To, co da się zrobić, to sprawdzić własną widoczność w 15 zapytaniach i po kolei domknąć źródła, które asystenci faktycznie cytują.

Program testowy: 15 pytań przez 4 tygodnie

Punktem wyjścia jest pomiar, nie optymalizacja. W praktyce sprawdza się zestaw 15 lokalnych promptów, które mieszają trzy poziomy: usługę, lokalizację i specjalizację. Dla warsztatu samochodowego to na przykład „polecany warsztat Kraków”, „dobry mechanik Kraków Zwierzyniec”, „najlepszy warsztat samochodowy Kraków”, „warsztat specjalizujący się w BMW Kraków”, „gdzie naprawić turbinę w Krakowie” i „warsztat Kraków opinie”. Test obejmuje cztery narzędzia: ChatGPT, Gemini, Perplexity i Google z AI Overviews. Każde pytanie należy zadać w 2–3 wariantach — innym szykiem, z dzielnicą lub bez niej.

Wyniki notuje się w arkuszu z pięcioma kolumnami: data, dokładne pytanie, wariant pytania, obecność firmy w odpowiedzi i cytowane źródło. Pojedyncza odpowiedź nie pokazuje trendu, dlatego pomiary prowadzi się przez 4 kolejne tygodnie. Po tym czasie widać, czy asystent w ogóle bywa blisko nazwy spółki, kogo wymienia zamiast niej i które domeny przechodzą do panelu źródeł. Dopiero z takim arkuszem ma sens przejście do zmian — wcześniej każda decyzja zgadywałaby przyczynę.

AIPilt on genereeritud tehisintellekti poolt.

Kolejność działań po pomiarze

Jeśli arkusz pokazuje, że warsztat nie pojawia się w odpowiedziach, pierwszym krokiem jest wizytówka Google — uzupełniona o pełną nazwę spółki, adres z dzielnicą, telefon, godziny otwarcia, kategorię i link do rezerwacji. To źródło, z którego asystent może pobrać dane lokalne, choć OpenAI nie gwarantuje, że to ono przeważy. Drugim krokiem jest schema.org LocalBusiness na stronie warsztatu z pięcioma polami: nazwa, adres, godziny otwarcia, obszar działania i opinie. Dane strukturalne nie dają gwarancji cytowania, ale ułatwiają modelowi rozpoznanie encji „ta firma = ten warsztat = ta lokalizacja”.

Trzeci element to minimum 20 opinii Google ze średnią 4.3 lub wyższą. Opinie powinny być prawdziwe i spójne z witryną — ta sama nazwa spółki, adres, telefon. Czwarty krok to 3 niezależne wzmianki w lokalnych mediach lub na forach, które zawierają dokładną nazwę spółki, adres lub dzielnicę, specjalizację i uzasadnienie rekomendacji. Według opracowania JazzSEO asystenci preferują zewnętrzne wzmianki nad autoprezentacją firmy; to rekomendacja branżowa, nie reguła OpenAI czy Google. Bez własnego pomiaru nie da się powiedzieć, że akurat trzy publikacje wystarczą.

Równolegle warto sprawdzić robots.txt i czy strona dopuszcza crawlowanie przez OAI-SearchBot. Samo dopuszczenie robota oznacza dostępność, a nie cytowanie, ale przy zablokowanym bocie asystent nie pobierze treści z witryny. Dokumentacja OpenAI opisuje mechanizm wyszukiwania i cytowania, a nasz wcześniejszy materiał pokazuje, jak Search Console widzi link w AI Overviews, nie wzmiankę o witrynie.

Rachunek: 0–300 złotych miesięcznie i 2–6 tygodni

Prowadzenie arkusza z 15 pytaniami w 4 narzędziach zajmuje pracownikowi 2–4 godziny tygodniowo. Jeśli robi to na darmowych kontach, koszt monitorowania wynosi 0 zł miesięcznie. Gdy firma chce wersji płatnych lub półautomatycznego zbierania wyników, koszt rośnie do 200–300 zł miesięcznie — zależnie od liczby kont i zakresu testów. Wdrożenie zmian po pomiarze to zwykle 2–4 dni pracy osoby od marketingu, a nie dostawcy zewnętrznego.

Pierwsza zmiana w odpowiedziach asystentów następuje zwykle po 2–6 tygodniach od aktualizacji wizytówki i danych na stronie. Czas zależy od tego, jak szybko boty ponownie odwiedzą witrynę, jak często zmieniają się wyniki lokalne i ile konkurencyjnych sygnałów zbiera asystent w danym mieście. Nie ma powtarzalnego progu, po którym warsztat zacznie być wymieniany. Własny arkusz z czterema pomiarami pokazuje natomiast, czy cokolwiek drgnęło, czy tylko zmieniły się pytania.

Co poszło nie tak w pierwszym przejściu

Pierwszy błąd w firmach lokalnych to zaczynanie od treści na stronie zamiast od pomiaru. Warsztat publikuje sekcję FAQ i wpisy o markach, a asystent nadal nie podaje jego nazwy — bo w arkuszu źródła w ogóle nie było wizytówki Google ani opinii. Drugi problem to liczenie na pojedynczą odpowiedź. Pytanie „najlepszy warsztat Kraków” jednego dnia pokazuje firmę A, drugiego B; dopiero 3–4 pomiary w odstępie tygodnia rozróżniają szum od trendu. Trzeci przypadek to zmiana wizytówki i schema.org bez testu źródła — po dwóch tygodniach nie wiadomo, czy odpowiedź zmieniła się dzięki opinii, wzmiance, czy przypadkiem.

Czwarty błąd pojawia się przy cytowaniach: asystent podaje nazwę i link, a pod spodem widnieje artykuł z datą sprzed trzech lat. Dokumentacja OpenAI wprost zastrzega, że cytowania mogą być niepełne, nieaktualne lub błędne. Każde wskazanie warsztatu trzeba więc sprawdzić w źródle — czy data się zgadza, czy lokalizacja faktycznie dotyczy Krakowa i czy tekst potwierdza rekomendację, czy tylko wymienia firmę przy okazji.

AIPilt on genereeritud tehisintellekti poolt.

Mida teeksime teisiti

Po pierwsze, rozdzielilibyśmy pomiar od zmian. Pierwsze cztery tygodnie to wyłącznie arkusz, bez dotykania strony. Potem jedna zmiana naraz — najpierw wizytówka, po dwóch tygodniach schema.org, po kolejnym okresie opinie — żeby zobaczyć, co odpowiada za ruch. Po drugie, testowalibyśmy dalej, niż nakazuje przyzwyczajenie. Pytanie „najlepszy warsztat Kraków” to co innego niż „mechanik od BMW w Krakowie” i co innego niż „gdzie naprawić klimatyzację Kraków”. Bez trzech wariantów na usługę arkusz nie pokazuje, w którym momencie firma faktycznie ma szansę.

Po trzecie, nie traktowalibyśmy asystenta jak wyszukiwarki. ChatGPT może korzystać z lokalizacji urządzenia i nazw miasta w pytaniu, ale nie publikuje rankingu lokalnych firm. To oznacza, że ta sama optymalizacja może dać inny wynik w Krakowie i w Lublinie — zależnie od liczby firm, opinii i lokalnych publikacji. Po czwarte, wzmianki w mediach i na forach zdobywalibyśmy z konkretnym uzasadnieniem: dlaczego warsztat, jaka specjalizacja, która dzielnica. Wzmianka bez powodu nie daje modelowi argumentu do rekomendacji.

Dla kogo ten scenariusz ma sens? Dla firmy usługowej na 10–50 osób, która ma wizytówkę Google i stronę, ale nie sprawdziła ani razu, czy asystent ją wymienia. Szczególnie dla warsztatów, klinik i kancelarii w miastach powyżej 100 tysięcy mieszkańców, gdzie pytania „najlepszy X w mieście” padają codziennie. Dla kogo nie? Dla firmy z jedną opinią i bez danych strukturalnych — najpierw trzeba domknąć podstawy, potem monitorować odpowiedzi. I dla kogoś, kto oczekuje gwarancji, że po wdrożeniu ChatGPT zacznie polecać spółkę. Tego nie zapewni żadna korekta wizytówki.

Monitoring lokalnej widoczności w AI to praca cykliczna, nie jednorazowy projekt. Arkusz z 15 pytaniami, aktualizowany raz w tygodniu, pokazuje skąd asystent bierze nazwę spółki — z wizytówki, opinii, wzmianki czy strony. Ile trwa zmiana po aktualizacji danych, da się powiedzieć dopiero po czterech pomiarach. Ale właśnie wtedy właściciel warsztatu przestaje zgadywać i zaczyna widzieć, które źródło ma sens poprawić w pierwszej kolejności.