Reputacja marki w AI - co zrobić, gdy ChatGPT mówi o Twojej firmie nieprawdę

W marcu 2025 klient firmy Wolf River Electric z Minnesoty zerwał kontrakt wart 150 tysięcy dolarów. Powód: AI Overview w Google twierdziło, że firma jest pozywana przez prokuratora generalnego stanu za oszukiwanie klientów. To nie była prawda - prokurator pozwał cztery inne firmy z branży, a model skleił fakty. Wolf River złożył pozew o zniesławienie, żądając od Google od 110 do 210 milionów dolarów. Nie trzeba jednak pozwu, żeby mieć problem: według badania Searchable z lipca 2026 aż 93% z 1704 sprawdzonych marek miało w odpowiedziach AI co najmniej jeden błędny lub brakujący podstawowy fakt.

W badaniu Searchable z lipca 2026 aż 93% z 1704 marek miało w odpowiedziach AI co najmniej jeden błędny lub brakujący fakt, a małe firmy dwa razy częściej dostawały zmyślenia. Skąd modele biorą nieprawdę o marce, jak zrobić audyt, pięć ścieżek korekty i co mówi prawo, gdy błąd kosztuje kontrakt.

Ten wpis jest o tym, co zrobić, gdy ChatGPT, Gemini albo AI Overviews mówią o Twojej firmie nieprawdę. Rozróżniam go świadomie od audytu widoczności w AI, który sprawdza, czy marka w ogóle pojawia się w odpowiedziach. Tutaj pytanie jest inne: co modele o Tobie mówią, skąd to biorą i jak to skorygować - od poprawienia źródła, przez własną stronę jako źródło prawdy, po kanały zgłoszeń i drogę prawną, gdy błąd jest poważny.

Jak często AI myli się co do marek

Badanie Searchable jest cenne z jednego powodu: każdy z ponad 32 tysięcy faktów ocenił pracownik firmy, której fakt dotyczył, a nie automat. Wynik: 9,2% faktów było fałszywych, a trzy na cztery marki, które sprawdziły się dokładnie, znalazły o sobie co najmniej jedną nieprawdę. W podziale na platformy: ChatGPT 8,1% fałszywych faktów, Perplexity 11,5%, AI Overviews 11,4%. Najbardziej narażone są małe firmy - co druga dostała przynajmniej jeden zmyślony fakt, wobec 32% dużych przedsiębiorstw, bo o małej firmie w sieci jest po prostu mniej danych, z których model mógłby skorzystać.

Szerszy kontekst daje raport EBU i BBC z października 2025: 22 nadawców publicznych z 18 krajów oceniło ponad 3000 odpowiedzi ChatGPT, Copilota, Gemini i Perplexity na pytania o bieżące wydarzenia. 45% odpowiedzi miało co najmniej jeden istotny problem, a najczęstszym było złe wskazywanie źródeł. Jeśli asystenci mylą się w prawie połowie odpowiedzi o wiadomościach, które są dobrze opisane w sieci, to przy mniej znanej marce ryzyko błędu tylko rośnie.

Skąd modele biorą błędne fakty o Twojej marce

Żeby skutecznie korygować, trzeba wiedzieć, który mechanizm wygenerował błąd. Model korzysta z dwóch źródeł wiedzy i każde naprawia się inaczej.

• Wiedza z treningu - to, co model „zapamiętał" z danych, na których go uczono. Jest zamrożona na dacie odcięcia danych i zmienia się dopiero w kolejnej wersji modelu, więc poprawka działa z opóźnieniem liczonym w miesiącach.
• Wyszukiwanie w czasie rzeczywistym (grounding) - gdy ChatGPT, Perplexity czy AI Overviews szukają w sieci i streszczają znalezione strony. Tu błąd ma zwykle konkretne źródło, które widać w cytatach, a poprawka u źródła może zadziałać w dni lub tygodnie.

W praktyce błędy układają się w cztery typy. Nieaktualne fakty (stary cennik, były prezes, zamknięty oddział) biorą się ze starych stron, które wciąż są w indeksie. Pomylone encje to przypadek Wolf River - podobna nazwa, ta sama branża, ten sam region i model łączy firmę z cudzą historią. Zmyślenia to klasyczne halucynacje, gdy danych jest za mało, a model i tak odpowiada. Przejęte negatywy to stare wątki na forach, pojedyncze recenzje albo nieaktualne artykuły, które model traktuje jak aktualny obraz firmy. Każdy z tych typów ma inne źródło, więc i inną ścieżkę naprawy - zaczynanie od zgłoszenia do OpenAI, gdy błąd siedzi w starym katalogu firm, to strata czasu.

Audyt: co AI mówi o Twojej marce

Zanim cokolwiek poprawisz, zbierz stan faktyczny. Zadaj modelom ten sam zestaw pytań i zapisz odpowiedzi z datą, nazwą modelu i trybem (z wyszukiwaniem lub bez). Pytania dzielą się na trzy grupy: fakty, reputacja i porównania.

FAKTY- Czym zajmuje się [marka]? Od kiedy działa i kto nią kieruje?- Ile kosztują usługi/produkty [marki]? Gdzie jest siedziba i jak się skontaktować?REPUTACJA- Jakie są opinie o [marce]? Czy były jakieś problemy, pozwy lub skandale?- Czy [marka] jest godna zaufania? Jakie są jej wady?PORÓWNANIA- [Marka] czy [konkurent] - co wybrać i dlaczego?- Kogo polecasz do [usługa] w [miasto/kraj]?

Każdą znalezioną nieprawdę oceń według wagi. Od niej zależy tempo i kanał reakcji:

Przy każdej odpowiedzi z wyszukiwaniem zapisz też cytowane źródła - to one wskazują, co trzeba naprawić. W odpowiedziach bez wyszukiwania źródeł nie ma, ale sama powtarzalność błędu w kilku modelach sugeruje, że siedzi on w danych treningowych.

Ścieżki korekty - od najskuteczniejszej

1. Popraw źródło. Jeśli odpowiedź cytuje konkretną stronę, zacznij od niej: stary artykuł, katalog firm, agregator opinii, profil w serwisie branżowym. Prośba do wydawcy o aktualizację albo sprostowanie działa często szybciej niż jakakolwiek interwencja u dostawcy AI, bo po ponownym zaindeksowaniu strony model przy wyszukiwaniu po prostu znajduje nową wersję.

2. Zrób z własnej strony źródło prawdy. Model sięga po źródła, które jednoznacznie odpowiadają na pytanie. Jeśli na Twojej stronie nie ma jasnej odpowiedzi na pytanie „ile to kosztuje" albo „kto kieruje firmą", model weźmie ją z miejsca, które ją ma - nawet sprzed pięciu lat. Konkretnie: strona „O firmie" z faktami (rok założenia, zarząd, lokalizacje, zakres usług), FAQ odpowiadające na pytania z audytu, pressroom z aktualnymi informacjami i dane strukturalne Organization z odnośnikami sameAs do oficjalnych profili. Przy konkretnym fałszywym zarzucie sprawdza się osobna, rzeczowa strona z wyjaśnieniem - napisana tak, żeby odpowiadała wprost na pytanie, które zadają użytkownicy.

3. Uspójnij profile i bazy wiedzy. Wizytówka Google, Merchant Center, LinkedIn, Wikidata i, jeśli firma spełnia kryteria encyklopedyczne, Wikipedia. Jak zbudować i utrzymać rekord w Wikidata, opisałem we wpisie o Wikipedii, Wikidata i panelu wiedzy. Sprzeczne dane w różnych miejscach to dla modelu sygnał, że żadnemu nie można w pełni ufać.

4. Zgłoś błąd dostawcy. Każda platforma ma kanał zgłoszeń, ale trzeba znać ich realne możliwości. W AI Overviews służy do tego ikona „kciuk w dół" i opcja zgłoszenia problemu, a przy treściach naruszających prawo - osobny formularz prawnego usunięcia treści. OpenAI przyjmuje przez portal prywatności wnioski dotyczące danych osobowych, ale w pomocy wprost zaznacza, że rozpatruje je zgodnie z prawem i możliwościami technicznymi modeli; zamiast poprawić fakt, może zablokować wyświetlanie informacji o danej osobie. Ten kanał chroni ludzi, na przykład prezesa, a nie firmę jako całość - przy błędach o spółce skuteczniejsze są punkty 1-3.

5. Wyprzyj złe źródła dobrymi. Jeśli negatywny obraz buduje kilka starych tekstów, najtrwalszą odpowiedzią są nowe, aktualne i wiarygodne wzmianki: publikacje w mediach branżowych, wywiady, rankingi, rzetelne recenzje. Mechanikę zdobywania takich wzmianek opisałem przy digital PR, a obecność w dyskusjach społeczności przy wpisie o Reddicie i forach.

Oczekiwania warto ustawić uczciwie: błąd oparty na wyszukiwaniu zwykle znika w ciągu dni lub tygodni od poprawienia źródeł, a błąd zapisany w wiedzy modelu może utrzymywać się do kolejnej wersji modelu. Dlatego ścieżki 1-3 robisz od razu, a efekt mierzysz osobno dla odpowiedzi z wyszukiwaniem i bez.

Gdy błąd jest poważny - co mówi prawo

Sądy dopiero wyznaczają granice odpowiedzialności za to, co generuje AI, a pierwsze rozstrzygnięcia idą w różnych kierunkach. W sprawie Walters przeciwko OpenAI sąd w Georgii w maju 2025 oddalił pozew o zniesławienie: uznał m.in., że rozsądny odbiorca nie traktował wyniku jako twierdzenia o faktach, że OpenAI nie działało w złej wierze, bo ostrzega przed błędami, i że powód nie wykazał szkody. W sprawie Robby'ego Starbucka Meta zawarła w 2025 ugodę, a jego pozew przeciwko Google w lipcu 2026 przeszedł przez wniosek o oddalenie i toczy się dalej. Wniosek dla firmy: kluczowa jest udokumentowana szkoda - jak utracony kontrakt Wolf River - i udokumentowane próby korekty.

W Europie dochodzi wymiar RODO. W marcu 2025 organizacja noyb złożyła w Norwegii skargę na OpenAI w imieniu mężczyzny, którego ChatGPT opisał jako mordercę własnych dzieci, powołując się na zasadę prawidłowości danych (art. 5 ust. 1 lit. d RODO). RODO chroni jednak osoby fizyczne - właściciela, prezesa, eksperta firmy - a nie samą spółkę. Firma w Polsce może opierać się na ochronie dóbr osobistych osób prawnych (art. 43 w związku z art. 23 i 24 Kodeksu cywilnego), w tym dobrego imienia. Jak ocenić szanse w konkretnym przypadku, powie prawnik; moja rola kończy się na tym, żeby dowody były zebrane poprawnie:

• zrzut ekranu z datą, godziną i dokładnym pytaniem,
• nazwa i tryb modelu, link do udostępnionej rozmowy, jeśli platforma na to pozwala,
• powtórzenie testu w kilku sesjach, żeby wykazać, że błąd nie był jednorazowy,
• kopie zgłoszeń do dostawcy i ich odpowiedzi,
• dowody szkody: utracone zapytania, zerwane umowy, wiadomości od klientów powołujących się na odpowiedź AI.

Monitoring - żeby dowiedzieć się przed klientem

Jednorazowy audyt pokazuje stan na dziś, a odpowiedzi modeli zmieniają się z każdą aktualizacją i każdym nowym tekstem w sieci. Stały zestaw pytań zadawany co miesiąc w kilku modelach, z automatyczną oceną faktów i sentymentu, zamienia reputację w AI z niespodzianki w mierzalny wskaźnik. Metodykę samego pomiaru opisałem przy Share of Voice w AI, a gotowe narzędzia porównałem we wpisie o monitorowaniu widoczności w AI.

Tak działa AnswerLyzer, system, który zbudowałem na wzorcu LLM-as-a-judge: zadaje modelom zestaw pytań o markę, a osobny model ocenia każdą odpowiedź według ustalonych kryteriów - czy marka się pojawia, w jakim kontekście i z jakim wydźwiękiem. W kontekście reputacji najważniejsza jest jedna funkcja: alert, gdy w odpowiedziach pojawia się nowe twierdzenie negatywne albo fakt sprzeczny z listą faktów o firmie. Taka lista, czyli kilkadziesiąt zweryfikowanych zdań o marce, jest zresztą tym samym materiałem, który trafia na stronę „O firmie" i do FAQ.

Plan działania krok po kroku

1. 1.Spisz listę faktów o firmie - 20-40 zweryfikowanych zdań: czym się zajmujesz, od kiedy, kto kieruje, gdzie działasz, ile kosztują kluczowe usługi.
2. 2.Zrób audyt zestawem pytań diagnostycznych w ChatGPT, Gemini, Perplexity i AI Overviews, z wyszukiwaniem i bez.
3. 3.Oceń wagę każdej nieprawdy i ustal kolejność reakcji.
4. 4.Zidentyfikuj źródła błędów z cytatów w odpowiedziach i poproś wydawców o korektę.
5. 5.Rozbuduj własną stronę: fakty, FAQ, pressroom, dane strukturalne Organization z sameAs.
6. 6.Uspójnij profile: wizytówka Google, LinkedIn, Wikidata, katalogi branżowe.
7. 7.Zgłoś błędy krytyczne dostawcom i zachowaj pełną dokumentację.
8. 8.Buduj nowe, wiarygodne wzmianki, które wyprą stare, negatywne źródła.
9. 9.Ustaw comiesięczny monitoring z alertem na nowe twierdzenia negatywne i sprzeczne fakty.

---

Pomagam firmom sprawdzić, co mówią o nich modele AI, i skorygować błędy - od audytu i listy faktów, przez poprawę źródeł i danych strukturalnych, po stały monitoring z alertami. Robię to w ramach optymalizacji pod AI (GEO). Napisz do mnie - zacznę od audytu odpowiedzi o Twojej marce w czterech modelach i listy błędów uszeregowanych według wagi.

Warto przeczytać dalej:

• Audyt widoczności w AI - czy ChatGPT poleca Twoją markę?
• Wikipedia, Wikidata i panel wiedzy - jak marka staje się encją, której ufa AI
• Digital PR i wzmianki o marce - nowa waluta widoczności w Google i odpowiedziach AI
• Jak mierzyć Share of Voice marki w modelach AI