Modele językowe podają błędne fakty o firmach, bo odtwarzają najczęściej powtarzany wzorzec w źródłach, a nie aktualny stan rzeczy. Halucynacje AI o firmie najczęściej dotyczą cennika, adresu, zakresu usług i składu zarządu, czyli danych, które zmieniają się szybciej niż internet je aktualizuje. Naprawa jest możliwa, ale prowadzi przez źródła, nie przez rozmowę z chatbotem.
W skrócie
- Model nie ma bazy faktów o Twojej firmie: składa odpowiedź z danych treningowych i z tego, co pobrał w czasie rzeczywistym.
- Trzy typy błędów wymagają trzech różnych napraw: stare dane, pomieszanie marek o podobnych nazwach, czysta konfabulacja.
- Dowód błędu (zrzut, data, pełny prompt, nazwa modelu) jest warunkiem jakiegokolwiek zgłoszenia.
- Najskuteczniejsza dźwignia to jedna jednoznaczna strona faktograficzna na własnej domenie plus spójne dane w katalogach zewnętrznych.
- Efekt w narzędziach z pobieraniem treści na żywo widać w 2–6 tygodni, w warstwie treningowej dopiero po kolejnym cyklu uczenia.
Skąd model bierze fakty o Twojej firmie
Są dwa niezależne kanały i mylenie ich prowadzi do błędnych wniosków o naprawie. Pierwszy to pamięć treningowa: statystyczny ślad po tekstach zebranych do pewnej daty odcięcia. Drugi to pobieranie w czasie odpowiedzi, czyli mechanizm retrieval, w którym model dostaje świeże fragmenty stron i cytuje je w odpowiedzi.
Odpowiedź w ChatGPT bez wyszukiwania, w trybie offline, pochodzi z pierwszego kanału. Perplexity, AI Mode i Copilot działają głównie na drugim. Opisaliśmy ten podział szczegółowo w materiale o tym, jak działa RAG w wyszukiwarkach AI, i to on wyznacza, którą ścieżkę naprawy wybrać.
Trzy typy błędów i ich sygnatury
Zanim cokolwiek zgłosisz, zaklasyfikuj błąd. Każdy typ ma inną sygnaturę i inny koszt naprawy.
| Typ błędu | Jak rozpoznać | Realna naprawa | Czas reakcji |
|---|---|---|---|
| Stare dane | Fakt był prawdziwy 2–3 lata temu (dawny adres, poprzedni cennik, wycofana usługa) | Aktualizacja własnych stron, katalogów i wpisów w rejestrach; usunięcie lub przekierowanie starych podstron | 2–6 tygodni w retrievalu |
| Mieszanie marek | Model przypisuje Twojej firmie dane podmiotu o podobnej nazwie, często z innego kraju lub branży | Rozróżnienie encji: pełna nazwa prawna, NIP, miasto, branża w danych strukturalnych i w treści | 4–10 tygodni |
| Konfabulacja | Fakt nigdy nie istniał: zmyślona nagroda, nieistniejąca lokalizacja, wymyślony certyfikat | Zasypanie luki informacyjnej: jednoznaczna strona z twardymi danymi tam, gdzie wcześniej nie było żadnego źródła | 6–12 tygodni |
Konfabulacje rosną tam, gdzie brakuje danych. Model zapytany o certyfikaty firmy, która nigdy ich nie opisała, nie odpowie „nie wiem”, tylko dopasuje najbardziej prawdopodobny wzorzec z branży. Pusta sekcja na stronie jest zaproszeniem do zmyślenia.
Jak udokumentować błąd, zanim zaczniesz go naprawiać
Bez dowodu nie da się ani zgłosić sprawy, ani później wykazać poprawy. Dokumentacja zajmuje kilkanaście minut i jest jedynym sposobem odróżnienia realnego problemu od jednorazowego losowego wyniku.
- Zapisz dokładny prompt, bez parafrazy. Drobna zmiana sformułowania zmienia odpowiedź.
- Zanotuj nazwę i wersję modelu oraz czy wyszukiwanie było włączone.
- Zrób zrzut ekranu całej odpowiedzi razem z listą cytowanych źródeł.
- Powtórz ten sam prompt trzy razy w odstępie kilku godzin. Jeśli błąd wraca, jest systemowy, a nie przypadkowy.
- Powtórz test w drugim narzędziu. Błąd obecny w dwóch niezależnych systemach prawie zawsze pochodzi ze wspólnego źródła w sieci.
- Dla błędów z cytowaniami otwórz każde źródło i sprawdź, które z nich faktycznie zawiera nieprawdę.
Ten ostatni krok rozstrzyga najwięcej spraw. W praktyce model rzadko zmyśla cennik od zera: zwykle wiernie przepisuje go z archiwalnej podstrony, starego artykułu w portalu branżowym albo nieaktualizowanego wizytownika. Metodę testowania marki w różnych modelach rozwijamy w tekście o tym, czy model zna Twoją markę.
Naprawa po stronie własnego serwisu
Własna domena jest jedynym źródłem, które kontrolujesz w całości, więc tu naprawa jest najszybsza. Celem nie jest „więcej treści”, a usunięcie każdej sprzeczności, którą model może pobrać.
Zbuduj jedną stronę faktograficzną (najczęściej rozbudowane „O firmie” albo osobna strona danych rejestrowych) i umieść na niej pełną nazwę prawną, numer rejestrowy, rok założenia, adres siedziby, liczbę pracowników w przedziale, listę usług i jasne zaprzeczenia tam, gdzie pojawiają się pomyłki. Zdanie typu „nie prowadzimy serwisu w Krakowie ani sprzedaży detalicznej” jest zrozumiałym sygnałem dla systemu pobierającego treść.
Następnie wyczyść sprzeczności: archiwalne cenniki, stare podstrony lokalizacji, nieaktywne landingi z poprzedniej oferty. Każda z nich jest nadal pobieralna i konkuruje z wersją aktualną. Usunięcie albo przekierowanie na stronę faktograficzną redukuje szum skuteczniej niż dopisywanie kolejnych akapitów.
Uzupełnij to danymi strukturalnymi typu Organization z polami legalName, taxID, foundingDate, address i sameAs wskazującym na profile zewnętrzne. Schema.org nie gwarantuje poprawnej odpowiedzi, ale daje maszynowo jednoznaczne powiązanie encji (opis pól w dokumentacji schema.org).
Sprawdź też, czy ta strona jest dostępna dla crawlerów AI i czy nie blokujesz ich w robots.txt: treść zamknięta przed botami nie naprawi niczego, co pokazuje przypadek z materiału o paywallu i chatbotach AI.
Naprawa po stronie źródeł zewnętrznych
Model waży zgodność wielu źródeł, więc jedna poprawiona strona przeciw pięciu nieaktualnym wpisom przegrywa. Kolejność prac wynika z tego, jak często dane źródło bywa cytowane w odpowiedziach z wyszukiwaniem.
- Wikipedia i Wikidane, jeśli firma ma tam wpis. To najczęściej cytowane źródło encji i każda nieścisłość rozchodzi się dalej.
- Profil firmy w Google oraz mapy: adres, godziny, kategoria, zakres usług.
- Rejestry i bazy gospodarcze, w których dane bywają zamrożone na wersji z momentu wpisu.
- Katalogi branżowe i wizytowniki, zwłaszcza te z wysoką widocznością w wynikach.
- Portale i artykuły prasowe z nieaktualnymi liczbami: prośba o erratę lub dopisek z datą aktualizacji.
- Profile w serwisach społecznościowych i na LinkedIn, gdzie opis firmy często pozostaje w wersji sprzed kilku lat.
Przy kontakcie z redakcjami działa krótka wiadomość z jednym żądaniem: wskazanie zdania, podanie poprawnej wersji i linku do strony faktograficznej jako źródła. Prośby o usunięcie całego artykułu są odrzucane niemal zawsze, prośby o sprostowanie jednej liczby bywają realizowane w kilka dni.
Jeśli po poprawkach model nadal cytuje konkurencję w kontekście Twojej oferty, problem przestaje być faktograficzny i staje się problemem widoczności. Rozkładamy go na czynniki w analizie przyczyn tego, dlaczego AI cytuje konkurencję.
Zgłoszenia do dostawców modeli: co faktycznie działa
Formularze zgłoszeń istnieją i warto z nich korzystać, ale nie są kanałem natychmiastowej poprawy. Każdy większy dostawca przyjmuje raporty o błędnych lub szkodliwych odpowiedziach, zwykle przez przycisk oceny odpowiedzi oraz formularz wsparcia. Skuteczność rośnie, gdy zgłoszenie zawiera dowód i wskazuje poprawne źródło publiczne.
Realistyczne oczekiwania wyglądają tak: zgłoszenie nie zmienia wag modelu, a w najlepszym razie trafia do zbioru danych do korekty na następny cykl uczenia lub do reguł ograniczających odpowiedź. Treści oczywiście zniesławiające i dane osobowe mają oddzielne, szybsze ścieżki. Przy danych osobowych działają procedury wynikające z RODO, w tym żądanie sprostowania, opisane w naszym przeglądzie zagadnień prawa i zgodności treści w erze AI.
Najczęstsze błędy przy prostowaniu faktów
- Dyskusja z chatbotem. Korekta w okienku rozmowy działa tylko w tej sesji i niczego nie zapisuje w modelu.
- Jeden test jako dowód. Modele są niedeterministyczne, więc pojedyncza zła odpowiedź może być szumem.
- Pozostawienie archiwalnych cenników. Najczęstsza przyczyna uporczywie powracającej starej ceny.
Monitoring po poprawce
Poprawka bez pomiaru jest nieweryfikowalna, a modele zmieniają odpowiedzi także bez Twojego udziału. Minimalny zestaw to lista 10–15 pytań kontrolnych, te same za każdym razem, zadawane raz w miesiącu w trzech narzędziach i zapisywane w arkuszu z datą.
Notuj trzy rzeczy: czy sporny fakt jest poprawny, jakie źródła zostały zacytowane i czy Twoja domena w ogóle się w nich pojawia. Drugi wskaźnik jest najbardziej diagnostyczny: zmiana zestawu cytowanych źródeł oznacza, że system ponownie pobrał dane i Twoje poprawki weszły do obiegu.
Dodaj kontrolę logów serwera pod kątem crawlerów AI, bo brak wizyt bota po kilku tygodniach wyjaśnia brak zmiany lepiej niż jakakolwiek hipoteza o treści. Sprawdź też, jak mierzy się samą obecność marki w odpowiedziach: metody zliczania opisuje analiza widoczności firmy w Copilocie.
Co dalej
Zacznij od klasyfikacji: jeden arkusz, trzy kolumny, każdy sporny fakt przypisany do typu błędu i do konkretnego źródła, które go podtrzymuje. Dopiero wtedy poprawki mają sens, bo widać, czy walczysz ze starym cennikiem, z inną firmą o podobnej nazwie, czy z pustką informacyjną. Praktyczny przykład takiej pracy u producenta maszyn pokazujemy w studium przypadku cytowań w Perplexity.
FAQ: najczęstsze pytania
Czy mogę wymusić na ChatGPT poprawienie informacji o mojej firmie?
Nie bezpośrednio. Korekta wpisana w rozmowie działa wyłącznie w tej sesji i nie trafia do modelu. Trwała zmiana wymaga poprawienia źródeł, z których system pobiera dane (własna domena, Wikipedia i Wikidane, profil firmy w Google, katalogi branżowe), oraz czasu na ponowne pobranie tych treści. Zgłoszenie błędu u dostawcy modelu warto wysłać, ale traktuj je jako dodatek do pracy nad źródłami, nie jako jej zamiennik.
Ile czasu mija od poprawki do zmiany odpowiedzi?
Dla narzędzi pobierających treść na żywo, takich jak Perplexity, AI Mode czy Copilot, realny przedział to 2–6 tygodni i zależy głównie od tego, kiedy crawler ponownie odwiedzi poprawione strony. Dla odpowiedzi generowanych z pamięci modelu, bez wyszukiwania, zmiana wymaga kolejnego cyklu uczenia, więc mowa o miesiącach. Dlatego pierwszy pomiar skuteczności rób nie wcześniej niż po 30 dniach.
Dlaczego model przypisuje mojej firmie dane innego podmiotu?
To problem rozróżniania encji. Przy nazwach rodzajowych lub powtarzalnych system nie ma jednoznacznych atrybutów, żeby odróżnić podmioty, więc łączy je w jeden profil. Naprawa polega na konsekwentnym publikowaniu danych rozstrzygających: pełnej nazwy prawnej, numeru rejestrowego, roku założenia, miasta siedziby i branży, w treści oraz w danych strukturalnych Organization. Pomaga też jawne zaprzeczenie pomyłce na stronie faktograficznej.
Co zrobić, gdy nieprawdziwy fakt pochodzi z artykułu w portalu branżowym?
Napisz do redakcji z jednym konkretnym żądaniem: wskaż zdanie, podaj poprawną wersję i link do własnej strony z danymi jako źródło. Prośba o sprostowanie jednej liczby lub dopisanie noty aktualizacyjnej bywa realizowana w kilka dni; żądanie usunięcia całego materiału jest zwykle odrzucane. Jeśli redakcja nie reaguje, zwiększ przewagę liczbową poprawnych źródeł, bo model waży zgodność wielu publikacji, nie autorytet jednej.
Jak odróżnić halucynację od nieaktualnych danych?
Sprawdź, czy sporny fakt kiedykolwiek był prawdziwy. Jeśli tak (dawny adres, poprzednia cena, wycofana usługa), to nieaktualne dane i naprawa sprowadza się do usunięcia lub zaktualizowania źródeł, które je utrwalają. Jeśli fakt nigdy nie istniał, to konfabulacja wynikająca z luki informacyjnej i wymaga opublikowania jednoznacznej treści tam, gdzie wcześniej nie było żadnego źródła. Rozstrzyga przegląd cytowań w odpowiedzi z włączonym wyszukiwaniem.