Jak ChatGPT poleca firmy w małym mieście: test 30 zapytań

Rekomendacje asystentów AI dla dużych miast są już nieźle opisane. Znacznie mniej wiadomo o tym, co dzieje się w miejscowościach, w których jeden hydraulik obsługuje pół powiatu, a lokalna konkurencja liczy trzy firmy. Sprawdziliśmy to na własnej próbce: 30 zapytań o usługi w miastach poniżej 50 tysięcy mieszkańców, zadanych w ChatGPT z włączonym przeszukiwaniem sieci. Poniżej metodyka, liczby i wnioski, które da się przełożyć na konkretne działania.

Metodyka testu i wybór miejscowości

Wybraliśmy sześć miejscowości z różnych województw, każdą w przedziale 12–48 tysięcy mieszkańców, celowo pomijając miasta powiatowe leżące w bezpośrednim sąsiedztwie aglomeracji. W każdej z nich zadaliśmy pięć zapytań o typowe usługi konsumenckie: elektryk, biuro rachunkowe, serwis komputerowy, fotograf ślubny oraz gabinet stomatologiczny. Zapytania formułowaliśmy naturalnie, po polsku, w formie, jakiej użyłby zwykły użytkownik: „polecisz dobrego elektryka w [miasto]?”.

Każde zapytanie zadaliśmy w świeżej sesji, bez historii i bez pamięci, żeby uniknąć efektu kuli śnieżnej, w którym model powtarza to, co sam wcześniej powiedział. Odpowiedzi zapisywaliśmy w całości, razem z linkami w cytowaniach. Testy przeprowadziliśmy w ciągu trzech dni, o różnych porach, co pozwoliło zobaczyć, jak bardzo wynik potrafi się zmienić przy tym samym pytaniu.

Warto zaznaczyć jedno: to nie jest badanie reprezentatywne. To sonda, która pokazuje mechanikę, a nie rozkład w populacji. Mechanika okazała się jednak zaskakująco spójna i pokrywa się z tym, co opisaliśmy wcześniej w tekście o tym, jak AI wybiera lokalne firmy.

Jak często model podaje konkretną firmę

Na 30 zapytań konkretna nazwa firmy z danymi kontaktowymi padła 11 razy. W kolejnych 9 przypadkach model wymienił nazwę bez adresu lub telefonu, często z zastrzeżeniem, że dane warto zweryfikować. W pozostałych 10 odpowiedziach nie pojawiła się żadna firma: zamiast tego dostaliśmy poradnik, na co zwracać uwagę przy wyborze wykonawcy, plus sugestię sprawdzenia map.

Rozkład wewnątrz branż był wyraźnie nierówny. Fotografowie ślubni i gabinety stomatologiczne otrzymywali nazwy najczęściej (łącznie 8 z 12 zapytań), elektrycy i serwisy komputerowe najrzadziej (3 z 12). Różnica ma prozaiczne wytłumaczenie: fotograf i dentysta prowadzą zwykle stronę z nazwiskiem, portfolio i opiniami, a elektryk bywa obecny wyłącznie w ogłoszeniu na portalu z usługami.

Ciekawszy od samego rozkładu jest jego rozrzut w czasie. Przy pięciu zapytaniach powtórzonych następnego dnia odpowiedź zmieniła skład listy, a w dwóch przypadkach firma wskazana jako pierwsza zniknęła zupełnie. Nie znaleźliśmy śladów zmian po stronie tych firm, więc najprostsze wyjaśnienie jest takie, że zmienił się zestaw stron pobranych przy danym zapytaniu. Dla właściciela oznacza to jedno: pojedyncze sprawdzenie niczego nie dowodzi, a wnioski warto wyciągać z serii pomiarów rozłożonych na kilka tygodni.

Skąd pochodzą wskazywane firmy

Prześledziliśmy cytowania przy każdej odpowiedzi zawierającej nazwę. Źródła rozkładają się na cztery grupy, które warto rozdzielić, bo wymagają zupełnie innej pracy po stronie firmy.

• Profil Firmy Google i wyniki map: najczęstsze źródło, obecne przy 14 z 20 nazwanych firm.
• Własna strona firmy: 11 przypadków, prawie zawsze łącznie z profilem w mapach, rzadko samodzielnie.
• Katalogi i portale branżowe: 7 przypadków, głównie przy usługach remontowych i technicznych.
• Lokalne media i fora: 3 przypadki, w tym jeden artykuł w portalu powiatowym sprzed czterech lat.

Widać z tego jeden wniosek: model rzadko poprzestaje na jednym źródle. Firma, która istnieje wyłącznie w mapach, pojawia się w odpowiedzi jako suchy wpis. Firma, której nazwa powtarza się w profilu, na własnej stronie i w katalogu, dostaje pełniejszy opis i częściej trafia na pierwsze miejsce listy. To dokładnie ten sam mechanizm potwierdzania danych, który opisywaliśmy przy okazji schematu Organization i właściwości sameAs.

Dlaczego czasem odsyła do wyszukiwarki

Dziesięć odpowiedzi bez nazwy firmy to nie przypadek ani awaria. W każdym z tych przypadków dało się wskazać konkretny powód, a najczęściej powodów było kilka naraz.

Po pierwsze, w trzech miejscowościach po prostu brakowało materiału: wyszukiwanie zwracało ogłoszenia bez nazwy własnej albo strony agregatorów, na których pierwszy wynik zmienia się przy każdym odświeżeniu. Po drugie, model bywa ostrożny przy usługach zdrowotnych i finansowych, więc zamiast polecić konkretny gabinet dorzuca ostrzeżenie i sugestię sprawdzenia uprawnień. Po trzecie, sprzeczne dane potrafią zablokować odpowiedź: jeśli ta sama firma figuruje pod trzema adresami i dwoma numerami telefonu, bezpieczniej jest nie podawać żadnego.

Ostatni punkt ma praktyczne znaczenie, bo jest w pełni naprawialny po stronie firmy. Spójność nazwy, adresu i telefonu w mapach, na stronie i w katalogach nie jest kosmetyką, tylko warunkiem wejścia. Szerzej rozpisaliśmy to w przewodniku o tym, jak firmy lokalne trafiają do odpowiedzi ChatGPT.

Co wyróżniało firmy, które padały najczęściej

Pięć firm pojawiło się w więcej niż jednej sesji dla tego samego zapytania, mimo że sesje były rozdzielone i zadawane o różnych porach. Porównaliśmy je z firmami, które wypadły z odpowiedzi przy drugim podejściu. Różnice układają się w krótką listę.

1. Kompletny profil w mapach: kategoria główna dopasowana do usługi, godziny otwarcia, zdjęcia z ostatnich miesięcy, opisane usługi.
2. Liczba opinii powyżej lokalnej mediany: nie chodzi o setki, w tych miejscowościach wystarczało 30–60 recenzji przy średniej konkurencji na poziomie kilkunastu.
3. Strona z jawnym adresem i zakresem działania: miasto i okoliczne gminy wypisane tekstem, nie tylko na grafice w stopce.
4. Nazwa własna, a nie opisowa: „Elektryk Nowak” wygrywał z „usługi elektryczne tanio szybko”, bo model ma co zacytować.
5. Obecność w co najmniej jednym niezależnym źródle: katalog branżowy, izba rzemieślnicza albo lokalny portal.

Żaden z tych punktów nie jest odkrywczy z perspektywy SEO lokalnego. Nowe jest to, jak brutalnie działa tu próg wejścia: w dużym mieście niekompletny profil oznacza gorszą pozycję, w małym oznacza brak firmy w odpowiedzi. Konfigurację profilu krok po kroku opisaliśmy w tekście o optymalizacji Profilu Firmy Google pod AI.

Wnioski dla firm z mniejszych miejscowości

Dobra wiadomość jest taka, że konkurencja o miejsce w odpowiedzi jest tu nieporównanie mniejsza niż w Warszawie czy Krakowie. Zła jest taka, że model musi mieć z czego zbudować zdanie, a w wielu miejscowościach nie ma.

Kolejność działań, która wynika z testu, jest dość jednoznaczna. Najpierw profil w mapach doprowadzony do kompletu, z prawidłową kategorią i realnymi zdjęciami. Potem strona z jednoznacznym adresem, spisem usług i wymienionymi z nazwy miejscowościami obsługi. Dopiero na trzecim miejscu opinie, bo bez dwóch pierwszych kroków nie mają czego wzmacniać. Na końcu dane strukturalne typu LocalBusiness, opisane w dokumentacji Google Search Central, oraz konsekwentne powtórzenie tych samych danych w dwóch, trzech wiarygodnych katalogach.

Warto też zarezerwować sobie prosty rytuał kontrolny: raz w miesiącu zadać asystentowi to samo pytanie, które zadałby klient, i zapisać odpowiedź. To zajmuje kwadrans, a pokazuje ruchy, których żadne narzędzie do monitoringu pozycji jeszcze nie raportuje sensownie.

Osobno warto potraktować firmy usługowe bez stałego lokalu, czyli takich, które dojeżdżają do klienta. W naszej próbce wypadały wyraźnie słabiej, bo profil bez widocznego adresu daje modelowi mniej materiału do zacytowania. Rozwiązaniem nie jest podawanie fikcyjnego adresu, tylko dokładne wypisanie obszaru działania w profilu oraz osobna sekcja na stronie, w której miejscowości obsługi występują w normalnym tekście, a nie w obrazku czy w rozwijanej liście.

Ograniczenia testu

Trzy zastrzeżenia, o których trzeba pamiętać, zanim ktoś przełoży te liczby na własny rynek. Próbka 30 zapytań w sześciu miejscowościach nie pozwala wnioskować o skali zjawiska w całym kraju, a tylko o jego kierunku. Odpowiedzi modeli są niedeterministyczne, więc ten sam prompt w innym dniu może dać inny wynik, co zresztą sami zaobserwowaliśmy w pięciu przypadkach. Wreszcie testowaliśmy jeden model z jednym trybem wyszukiwania, a Perplexity czy Gemini korzystają z innych zestawów źródeł i ich wyniki potrafią się różnić.

Mimo to jeden wzorzec powtórzył się na tyle konsekwentnie, że warto go zapamiętać: w małym mieście o widoczności w AI decyduje nie przewaga nad konkurencją, tylko sama kompletność i spójność danych. Definicję typu LocalBusiness, na której opiera się większość tych danych, znajdziesz w specyfikacji schema.org.

FAQ