Kiedy AI kłamie na temat marki. „Firmy konkurują dziś o obecność w jednej kluczowej odpowiedzi” [WYWIAD]

Zaczynałaś od SEO, dziś zajmujesz się widocznością marek w modelach językowych. Jak wygląda Twoja praca w Insightland?

Moja przygoda z Insightland rozpoczęła się od stanowiska specjalistki w content marketingu. Zajmowałam się wtedy strategiami content marketingowymi i optymalizacją serwisów pod SEO. Kilka lat temu era wyszukiwania była jeszcze mocno ograniczona do ekosystemu Google’a.

Od ponad dwóch lat jestem managerką w dziale content marketingu w Insightland. Z jednej strony zarządzam zespołem, z drugiej rozwijam obszar optymalizacji serwisów pod LLM-y. Współtworzymy strategie i procesy, które mają pomóc markom budować widoczność nie tylko w Google, lecz także w modelach językowych.

Dziś w dużej mierze koncentruję się na nowej erze wyszukiwania. Chodzi o przygotowanie marek na wyzwania, które wynikają z tego, że użytkownicy coraz częściej szukają informacji w AI.

Czy GEO staje się dziś dla marek tym, czym wcześniej było SEO?

Google nadal odpowiada za największy udział ruchu na serwisach klientów, z którymi współpracujemy. Tak wygląda też sytuacja rynkowa. Mówimy o gigancie i ekosystemie, do którego użytkownicy są przyzwyczajeni od lat. Korzystamy nie tylko z wyszukiwarki, lecz także z Gmaila, Google Sheets czy Google Docs.

Jednocześnie ostatnie dwa lata pokazują, że udział LLM-ów w wyszukiwaniu bardzo szybko rośnie. Gdy ChatGPT wchodził do Polski, mówiliśmy o około 3 milionach użytkowników. Z badań z końcówki 2025 roku wynikało już, że ta liczba wzrosła ponad trzykrotnie, do ponad 10 milionów użytkowników.

To kanał, który zyskuje na znaczeniu. Użytkownicy wykorzystują go do researchu, zapytań konwersacyjnych, zakupów, ale też do szybkiego uzyskania informacji w krótkiej, przystępnej i dobrze sformatowanej formie. Nie muszą otwierać kilku linków i przeklikiwać się przez wiele domen.

Jak modele językowe zmieniają ścieżkę zakupową użytkownika?

Kiedyś ścieżka zakupowa była znacznie dłuższa. Użytkownik szukał, porównywał, analizował, otwierał kilka lub kilkanaście stron, sprawdzał opinie i dopiero na końcu podejmował decyzję zakupową.

Dziś ta ścieżka przestaje być liniowym procesem. Staje się bardziej poszatkowana, bo część pracy użytkownik deleguje do modeli językowych. Research, analiza, porównanie produktów czy usług mogą odbywać się po stronie AI. Użytkownik otrzymuje gotową rekomendację.

W efekcie moment decyzji przesuwa się bliżej początku procesu. Maleje też liczba punktów styku z marką. Każda ścieżka staje się bardziej indywidualna, a w przyszłości będziemy zapewne mówić o mikroscenariuszach zakupowych, dopasowanych do konkretnego użytkownika, jego historii i kontekstu wyszukiwania.

Marki nie konkurują już wyłącznie o uwagę użytkownika na wielu etapach lejka. Coraz częściej konkurują o obecność w jednej kluczowej odpowiedzi AI.

W jakich branżach wpływ AI na decyzje zakupowe widać dziś najmocniej?

Największy udział zapytań, które przenoszą się do ekosystemu LLM-ów, odnotowuje się w branży elektronicznej. Z perspektywy użytkownika łatwiej zapytać czat generatywny o laptopa, słuchawki do biegania czy inny produkt techniczny, a następnie poprosić o porównanie parametrów i rekomendację.

Wysoko znajduje się też branża turystyczna oraz zakupy odzieżowe. Obserwujemy spadek udziału kliknięć i ruchu na treści poradnikowe, co wpisuje się w szersze zmiany w sposobie konsumpcji informacji – m.in. rozwój rozwiązań takich jak AI Overviews czy modele językowe. Blog przez lata pełnił funkcję edukacyjną, budował punkty styku z marką i odpowiadał na pytania użytkownika na wcześniejszych etapach ścieżki zakupowej.

Dziś część tych pytań trafia do LLM-ów. To nie oznacza, że blog stracił wartość. Wręcz przeciwnie, nadal jest ważny także w kontekście optymalizacji pod modele językowe. Zmienia się jednak jego rola i sposób, w jaki użytkownik dociera do informacji.

Jakie błędy najczęściej pojawiają się w odpowiedziach AI na temat marek?

Można wskazać trzy główne typy takich błędów.

Pierwszy to halucynacje. AI przypisuje marce cechy, funkcje lub oferty, które nie istnieją.

Drugi to nieaktualne informacje. Modele generatywne korzystają ze starych danych, nieaktualnych ofert, porzuconych stron, dawnych wizytówek lub dawno niepozycjonowanych domen. Mieliśmy sytuację, w której firma zmieniła domenę, a stara strona została zapomniana. LLM-y nadal bazowały na informacjach z tej dawnej strony. Mówimy o stronie z około 2003 roku, z innym adresem siedziby i zupełnie innym portfolio klientów.

Trzeci obszar to zniekształcenie wizerunku. AI upraszcza albo błędnie interpretuje to, czym marka się wyróżnia. Często wynika to też ze strategii marketingowych. Marki lubią używać pojęć, które dobrze brzmią, ale niewiele znaczą. Dla modelu językowego taki przekaz bywa trudny do jednoznacznej interpretacji.

Ważne jest przy tym, że AI nie kłamie intencjonalnie. Modele generatywne nie mają świadomości ani intencji. Generują odpowiedzi na podstawie danych. Jeśli dane są błędne, nieaktualne albo niespójne, odpowiedź może brzmieć wiarygodnie, ale być nieprawdziwa.

Co dzieje się, gdy AI pokazuje użytkownikowi błędną ofertę, cenę albo funkcję produktu?

Nie mieliśmy przypadku, w którym użytkownik zgłosiłby się do marki z konkretną ceną znalezioną w odpowiedzi AI i żądał jej realizacji. Nie jestem też osobą, która powinna oceniać takie sytuacje od strony prawnej.

Z perspektywy marki widzimy przede wszystkim ryzyko wizerunkowe i sprzedażowe. Użytkownik może trafić na ofertę z błędnym oczekiwaniem. Przykład: model informuje, że marka oferuje słuchawki do biegania, a po wejściu na stronę okazuje się, że takich słuchawek nie ma.

Rośnie wtedy ryzyko rozczarowania i utraty zaufania. W skrajnych przypadkach może dojść do błędnych decyzji zakupowych. Model porówna dwa produkty, wskaże cechy, których jeden z nich nie posiada, a użytkownik podejmie decyzję na podstawie takiej rekomendacji.

To szczególnie groźne w branżach, w których detale mają duże znaczenie. Dotyczy to m.in. produktów technicznych, finansów czy zdrowia.

Czy marki są dziś świadome tego, że AI może wpływać na reputację i sprzedaż?

Ta świadomość rośnie. Coraz więcej firm widzi, że pojawia się nowy kanał marketingowy. Gdy dwa/trzy lata temu zaczynaliśmy w Insightland pracę operacyjną nad przygotowaniem marek do wyszukiwania w LLM-ach, duże firmy o wysokiej świadomości marketingowej mówiły wprost, że nie chcą przespać tego momentu.

Nie chcą obudzić się w chwili, gdy konkurencja zdążyła już zbudować widoczność, uporządkować dane i wykorzystać nowy kanał jako przewagę. Problem pojawia się wtedy, gdy marka nie jest widoczna albo jej obraz w AI nie odpowiada temu, czym zajmuje się obecnie.

Może być tak, że wizerunek firmy utknął w 2015 roku, bo takie informacje ma do dyspozycji model językowy. Dlatego firmy coraz częściej chcą sprawdzać, jak są przedstawiane w odpowiedziach AI.

Jak sprawdzacie, co modele językowe mówią o marce?

Zaczynamy od audytu. To kluczowy etap, bo bez niego trudno ocenić, jak marka jest widoczna, co się o niej mówi i gdzie pojawiają się luki.

Analizujemy cztery główne obszary.

Pierwszy to prompty faktograficzne. Sprawdzamy podstawowe informacje o firmie: adres, siedzibę, zakres usług, model działania, to, czy usługi są świadczone zdalnie czy stacjonarnie. Pytamy też, jaką marką dana firma jest w oczach LLM-ów: premium, budżetową, specjalistyczną czy ogólną.

Drugi obszar to prompty opiniotwórcze. Badamy, jak oferta, produkty lub usługi są oceniane przez modele. Tu często pojawia się user generated content, czyli fora, serwisy z opiniami i inne źródła zewnętrzne.

Trzeci obszar to benchmarking. Porównujemy markę z konkurencją. Sprawdzamy, czy model rekomenduje markę X czy Y, jak opisuje różnice między nimi i gdzie umieszcza badaną firmę względem konkurentów.

Czwarty obszar to zapytania non-brandowe, czyli generyczne. Jeśli marka działa w biżuterii, sprawdzamy zapytania typu: jakiej marki biżuterię warto wybrać, gdzie kupić pierścionek zaręczynowy, gdzie znaleźć najlepszą biżuterię ze złota. W ten sposób widzimy, czy marka pojawia się w swojej kategorii bez podania nazwy.

Czym jest Brand Search Presence?

Na podstawie monitoringu tworzymy dokument Brand Search Presence, czyli obraz marki w oczach LLM-ów.

To dokument przydatny nie tylko dla działań SEO, link buildingu czy content marketingu. Często staje się też materiałem dla szerszych działań marketingowych, social media, komunikacji PR, a czasem także działań offline.

Jeśli z analizy wynika, że marka nie jest widoczna w segmencie premium, to informacja dla zespołów marketingowych, że trzeba popracować nad treściami i komunikacją budującą taki obraz. Jeśli w odpowiedziach pojawiają się problemy z obsługą w sklepie stacjonarnym, to sygnał operacyjny. Wtedy temat dotyczy nie tylko widoczności w AI, ale też realnego doświadczenia klienta.

Czy AI może wyciągać informacje, które marka wolałaby zostawić poza komunikacją sprzedażową?

Tak, choć nie przekładałabym tego zero-jedynkowo. Nie zawsze będzie tak, że pytając o ofertę marki, model zacznie wyciągać wszystkie kontrowersje czy problemy wizerunkowe.

Jeśli jednak marka miała duży kryzys, który odbił się szerokim echem medialnym, taki temat może pojawić się w odpowiedziach LLM-ów, zwłaszcza przy porównaniach ofert czy ocenie marki.

Mieliśmy też przykład z obszaru employer brandingu. Marka była pozytywnie oceniana pod kątem usług i oferty, ale w odpowiedziach pojawiały się negatywne opinie z serwisów typu GoWork. Dotyczyły wynagrodzeń i procesów rekrutacyjnych, a pochodziły sprzed kilku lat. Firma wcześniej nic z tym nie robiła.

Z perspektywy klienta taka informacja nie dotyczy bezpośrednio produktu, ale może wpłynąć na ocenę marki. Model potrafił pokazać firmę jako profesjonalną, ale jednocześnie zaznaczyć problemy w obszarze employer brandingu.

Czy transparentność firm będzie miała większe znaczenie w erze AI?

Myślę, że tak. Modele językowe zbierają informacje z różnych źródeł, nie tylko z oficjalnej komunikacji marki. Jeśli firma mówi o wysokiej jakości produktów, ale nie pokazuje certyfikatów, składu materiałów czy konkretnych dowodów, AI może zestawić ją z konkurencją, która komunikuje te elementy znacznie lepiej.

Pracowaliśmy przy przypadku marki odzieżowej, w której model porównywał jakość ubrań z konkurencją. W odpowiedziach pojawiała się informacja, że konkurencja posiada certyfikaty i mocno komunikuje materiały premium, a badana marka nie przedstawia tego wystarczająco jasno.

W rzeczywistości marka korzystała z wysokiej jakości materiałów i miała odpowiednie informacje, ale nie były one właściwie pokazane w serwisie i komunikacji. Trzeba było nasycić stronę konkretnymi danymi oraz wzmocnić komunikację zewnętrzną.

To dobry przykład tego, że AI premiuje jasność, spójność i konkret. Same hasła o wysokiej jakości nie wystarczają.

Co marka powinna zrobić po wykryciu błędów w odpowiedziach AI?

Po audycie analizujemy źródła, z których LLM-y czerpią informacje. Nie wszystkie modele pokazują źródła. Gemini często tego nie robi, bo bazuje głównie na wytrenowanych danych, bez trybu wyszukiwania. Z kolei Perplexity, Copilot czy ChatGPT częściej pokazują źródła, na których opierają odpowiedzi.

Dzięki temu widzimy, skąd pochodzą błędne, negatywne lub nieaktualne informacje. Potem przechodzimy do optymalizacji.

Pierwszy obszar to działania on-site, czyli praca na stronie klienta i kanałach własnych. Chodzi o jasne opisy produktów i usług, unikanie pustych haseł marketingowych, odpowiadanie na realne pytania użytkowników i porządkowanie informacji.

Ważne są też techniczne aspekty struktury treści. Sekcje FAQ są czytelne dla modeli językowych. Pomaga też spójne nazewnictwo i jednoznaczne definiowanie marki: czym jest, dla kogo działa i w czym się specjalizuje.

Drugi obszar to działania off-site, czyli obecność marki w zewnętrznych źródłach: artykułach, rankingach, porównaniach, publikacjach PR czy materiałach branżowych. Modele językowe muszą mieć zewnętrzne punkty odniesienia. Im łatwiej opisać markę i osadzić ją w konkretnym kontekście, tym większa szansa, że AI poprawnie ją zinterpretuje.

Jak mały błąd na stronie może przełożyć się na błędną odpowiedź AI?

Mieliśmy przypadek agencji PR, która specjalizowała się w branży IT, ale ten segment nie wybrzmiewał w odpowiedziach LLM-ów. Modele opierały się na starym portfolio klientów, sprzed wielu lat. Na nowej stronie były logotypy aktualnych klientów, ale nie były opisane tekstowo. Dla LLM-ów te informacje były trudne do odczytania.

W efekcie model nie rozumiał, że to agencja PR mocno osadzona w branży IT.

Inny przykład dotyczył marki biżuteryjnej. Na stronie znajdowała się infografika z komunikatem o wysyłce w 24 godziny. Model zinterpretował to błędnie jako wysyłkę dostępną 24 godziny na dobę. To pokazuje, że sposób przedstawienia informacji ma znaczenie. Jeśli komunikat jest nieprecyzyjny albo opiera się głównie na grafice, model może go zrozumieć źle.

Czy tworząc treści pod AI, marki nadal piszą dla ludzi?

W dobrej optymalizacji człowiek jest na pierwszym miejscu. Czasy keyword stuffingu i tekstów pisanych wyłącznie pod algorytmy są za nami. Nadmierne nasycanie treści słowami kluczowymi może zostać wychwycone przez algorytmy i przynieść więcej szkody niż korzyści.

Dobra struktura, porządek informacji i jasne odpowiedzi służą zarówno użytkownikom, jak i modelom językowym. Jeśli ktoś szuka informacji, jaki materiał będzie dobry na kurtkę, nie chce czytać tekstu na 10 tysięcy znaków, w którym odpowiedź znajduje się dopiero na końcu.

Użytkownik chce szybkiej, konkretnej i dopasowanej odpowiedzi. Tego samego potrzebują modele językowe, które analizują treści. Dlatego optymalizacja pod LLM-y nie musi oznaczać pisania dla maszyn kosztem ludzi. Dobrze przygotowany content powinien odpowiadać na realną intencję użytkownika.

Jakie pierwsze kroki powinna wykonać marka, która chce sprawdzić, co AI mówi o jej produktach?

Przede wszystkim nie próbować “hakować AI” i nie tworzyć sztucznych treści. Krótkoterminowo takie działania mogą przynieść efekt, ale długoterminowo prowadzą do chaosu w danych.

Marka powinna pracować nad jakością i spójnością informacji. Dotyczy to własnej domeny, social mediów, ale też źródeł zewnętrznych. Warto sprawdzić stare publikacje, dawne bazy firm, nieaktualne strony, profile i materiały PR. Jeśli oferta, strategia lub pozycjonowanie marki zmieniły się na przestrzeni lat, trzeba zaktualizować miejsca, które nadal zawierają stare dane.

Dobrym przykładem jest case Mobile Vikings. W zewnętrznym serwisie znajdowała się informacja, że operator nie posiada infolinii i nie można się z nim skontaktować w ten sposób. Zostało to wychwycone podczas audytu BSP. Klient skontaktował się z wydawcą i poprosił o aktualizację treści. Po czasie modele językowe także zaktualizowały błędną informację.

Marki powinny też regularnie komunikować swoją ofertę, usługi i specjalizacje. Znaczenie mają własna strona, social media, LinkedIn oraz publikacje zewnętrzne. W części projektów cytowania z własnej domeny stanowią tylko 5-10 proc. źródeł, z których korzystają modele. W innych przypadkach udział ten wynosi 30-40 proc. To zależy od branży i serwisu.

Nie wystarczy więc kontrolować tylko własnej strony. Trzeba wiedzieć, jak marka funkcjonuje w szerszym ekosystemie informacji. Opinie, publikacje zewnętrzne, działania SERM i employer branding także wpływają na to, jak AI opisuje firmę.