Gorzej jest wtedy, gdy zna ją błędnie. Jeśli AI nic nie wie o firmie, po prostu jej nie wymienia, a klient trafia do tych, których system znalazł. To strata, ale uczciwa. Jeśli jednak AI zna firmę błędnie, nie milczy: wyciąga o niej wniosek i na jego podstawie decyduje, komu ją polecić, a komu nie. Właściciel niczego przy tym nie widzi, bo nikt nie wysyła mu raportu o tym, jak maszyna go zrozumiała.

Nie zna — milczy. Zna błędnie — decyduje za Ciebie.

Błędny obraz firmy zmienia nie opis, lecz rekomendację

Pomyłka w nazwie ulicy czy w godzinach otwarcia jest nieprzyjemna, ale łatwo ją zauważyć. Groźniejszy jest błąd w tym, czym firma się zajmuje, dla kogo pracuje i jak jest duża. To właśnie z tych faktów AI składa odpowiedź na pytanie klienta „do kogo mam się zwrócić”, dlatego źle zrozumiana specjalizacja czy skala prowadzą już do błędnego wniosku handlowego.

Taki scenariusz widzieliśmy w jednej polskiej firmie. Google w swoich odpowiedziach w praktyce złożył zamiast niej zupełnie inną firmę: przypisał jej biura w Malmö i Sztokholmie, dużych międzynarodowych klientów, duży zespół programistów oraz specjalizację w blockchainie i Web3. A potem wyciągnął wniosek logiczny dla takiego obrazu: firma wygląda na zbyt dużą i zbyt technologiczną, żeby polecać ją małej polskiej firmie usługowej. Błąd uderzył więc dokładnie w tych klientów, dla których ta firma pracuje.

W tym samym czasie inne systemy myliły się na swój sposób. Jeden przypisał firmie cudze projekty z innego kraju i uznał, że działa ona głównie na tamtym rynku. Drugi opisał jej inny zestaw usług i stwierdził, że mały lokalny biznes nie jest jej klientem. Trzy systemy, trzy różne wymyślone firmy — i żadna z nich nie pokrywała się z prawdziwą.

Kiedy właściciel zobaczył te odpowiedzi, pierwszą reakcją nie była ciekawość, tylko niepokój: czy naprawdę można tak po prostu przypisać firmie coś, czego ona nie ma? A jeśli to możliwe, taki wymysł może poważnie zaszkodzić jej reputacji.

Gdy AI nie zna firmy, firma po prostu wypada z odpowiedzi

Drugą sytuację również znamy z własnej praktyki. W jednym z pomiarów serwisu okien w Poznaniu Gemini i Perplexity w ogóle nie wymieniały tej firmy w swoich odpowiedziach. Dla klienta, który prosił je o radę, ta firma po prostu nie istniała.

To także utrata klientów, ale z jedną ważną różnicą: nie ma tu zniekształcenia. System nie ma czego poprawiać — musi dopiero po raz pierwszy dowiedzieć się, kim jest firma, czym się zajmuje i dla kogo pracuje. Dlatego zadanie jest tu prostsze: konsekwentnie zbudować prawidłowy obraz od zera.

Naprawienie błędnego obrazu trwa dłużej niż budowanie od zera

Kiedy błędny obraz już się utrwalił, do budowania prawidłowego dochodzi jeszcze jedno zadanie: ustalić, skąd wziął się ten błędny. Dopóki źródło pomyłki pozostaje na miejscu, system będzie do niego wracał raz za razem. Dlatego pracy jest tu więcej i trzeba ją sprawdzać: poprawić, a potem nowym pomiarem zobaczyć, czy w odpowiedziach coś się zmieniło.

Właśnie dlatego uważam błędny obraz za trudniejszy przypadek. Wydaje mi się, że budowanie bez błędów jest zawsze ciekawsze niż rozbieranie cudzej pomyłki i dopiero potem budowanie.

AI myli firmy, bo zestawia dane z różnych źródeł

Skąd w ogóle bierze się takie pomieszanie? Systemy muszą rozstrzygać, które informacje z różnych miejsc dotyczą jednej i tej samej firmy. Google w pomocy do swojej bazy wiedzy (Knowledge Graph) nazywa ten proces dopasowywaniem, czyli reconciliation, i osobno opisuje, kiedy się on psuje: gdy danych do dopasowania jest za mało, gdy jeden obiekt prawie pokrywa się z innym albo gdy kilka rekordów zaczyna być dopasowywanych do tego samego obiektu.

Badacze, którzy zajmują się tym zadaniem, dochodzą do tego samego. W przeglądzie z 2026 roku opublikowanym w czasopiśmie Data & Knowledge Engineering dopasowywanie encji opisano jako ustalanie, które rekordy z różnych źródeł odnoszą się do tego samego realnego obiektu. Autorzy pokazują, że jest to szczególnie trudne, gdy źródła są różnie zbudowane i różnie opisują to samo. W lokalnym biznesie zdarza się to często: wizytówka w Google, strona internetowa, media społecznościowe i katalogi opowiadają o firmie na różne sposoby, a czasem piszą o niej ci, których firma nawet nie zna.

Po miesiącu pracy żaden system nie mylił już firmy

Tę historię można by zakończyć niepokojąco, ale ma ona inne zakończenie. Popracowaliśmy nad tym, jak systemy rozumieją tę firmę, i po miesiącu zrobiliśmy ponowny pomiar. Wszystkie systemy opisały ją prawidłowo. Google przestał przypisywać jej szwedzkie biura i sam doprecyzował, że firma o podobnej nazwie w Szwecji to inna firma.

Stąd najważniejszy wniosek dla właściciela. Błędnego obrazu nie widać, dopóki firma nie zostanie sprawdzona, ale da się go naprawić. Problemem nie jest to, że błąd istnieje, tylko to, że nikt o nim nie wie.

Kiedy to Cię nie dotyczy

Jeśli firma jest zupełnie młoda i nie ma jeszcze prawie żadnej historii w internecie, to nie tylko słabość. To także szansa, żeby zbudować ją prawidłowo od samego początku: konsekwentnie wyjaśnić, kim jesteś, czym się zajmujesz, dla kogo pracujesz i z jakimi sprawami warto się do Ciebie zwracać. Im wcześniej firma zacznie budować spójny cyfrowy ślad, tym mniejsze ryzyko, że później trzeba będzie osobno mierzyć się z już utrwalonym błędnym obrazem.

I uczciwe zastrzeżenie: nikt nie może zagwarantować, co konkretny model będzie wiedział o firmie. Można sprawdzić, co systemy mówią dziś, i pracować z tym, z czego składają swoje odpowiedzi.

A Ty wiesz, jaką firmę widzą ChatGPT, Gemini i Google, gdy pytasz o Twoją — i czy to na pewno Twoja firma?

Źródła: Pomoc Google Search Console — Debugging entity matching issues; Data & Knowledge Engineering — Heterogeneity in entity matching: A survey and experimental analysis (2026).

Aby zobaczyć, czy Twoja firma pojawia się już w odpowiedziach AI, zobacz audyt widoczności firmy w AI

Chcesz sprawdzić, czy AI już poleca Twoją firmę?

Zaczynamy od diagnozy obecnej widoczności firmy i realnych scenariuszy wyboru klientów.

SPRAWDŹ AUDYT