GEO dla producentów przemysłowych B2B: jak sprawić, by AI wskazywało Cię jako dostawcę

Inżynier w firmie z Niemiec szuka nowego dostawcy obudów ze stali nierdzewnej. Zamiast przeglądać katalogi targowe, pyta asystenta AI: „Którzy producenci w Polsce wykonują obudowy ze stali nierdzewnej IP66 w małych seriach?”. Dostaje trzy nazwy z krótkim opisem. Jeśli Twojej firmy tam nie ma, nie trafiasz nawet na listę do zapytania ofertowego. Nie zobaczysz tego w żadnym raporcie, bo nie było wizyty na stronie ani maila.

Przykład jest hipotetyczny, ale mechanizm jest realny. A w przemyśle problem zaczyna się wcześniej niż w innych branżach: u większości producentów strona w ogóle nie mówi maszynie, kim jest firma.

Co pokazało nasze badanie

17 października 2026 r. sprawdziliśmy w ośmiu testach technicznych strony główne 120 polskich firm z czterech branż. Pełne wyniki i metodologia. Producenci przemysłowi B2B wypadli najsłabiej ze wszystkich grup.

Wskaźnik (strony główne)	Producenci (n = 29)	Software house’y (n = 30)	Wszystkie (n = 117)
Średni wynik (0-100)	66,3	84,7	76,2
Brak opisu firmy w danych strukturalnych	69%	17%	36%
Brak jakichkolwiek danych strukturalnych	52%	13%	25%
Kompletny opis firmy	0%	20%	8%
Mniej niż 300 słów treści bez JavaScriptu	17%	3%	8%
Komplet metadanych	28%	70%	52%

Źródło: badanie GeoLead, pomiar 17.10.2026. Badanie mierzy gotowość techniczną, nie to, czy modele AI polecają firmy.

Dobra wiadomość: żaden producent nie blokował botów AI w pliku robots.txt. Drzwi są otwarte. Problem leży w tym, co bot znajduje po wejściu.

Dlaczego strony producentów są dla AI trudne

Z danych i z praktyki widać kilka powtarzalnych przyczyn. To nasze obserwacje, nie wynik pomiaru.

Strona jako katalog, nie jako źródło informacji. Strona główna to slider, logo certyfikatów i przycisk „Produkty”. Najważniejsze parametry są w plikach PDF albo na zdjęciach. Model dostaje mało tekstu, z którego mógłby zbudować zdanie „firma X produkuje Y dla Z”.

Treść ładowana przez skrypty. Konfiguratory, filtry produktów i katalogi w JavaScripcie wyglądają dobrze dla człowieka. Część programów, które zbierają dane dla AI, widzi tylko pustą ramkę.

Kilka domen i wersji językowych bez porządku. Osobna domena dla eksportu, osobna dla marki produktowej, wersje językowe pod jednym adresem z parametrem. Encja firmy rozpada się na kilka słabszych bytów, a model nie wie, który jest „prawdziwy”.

Dystrybutor wie o Tobie więcej niż Twoja strona. Opis produktu u dystrybutora albo w katalogu branżowym bywa pełniejszy niż u producenta. Wtedy AI cytuje dystrybutora, a czasem przypisuje mu Twój produkt.

Nikt nie odpowiada za ten obszar. Marketing w firmach produkcyjnych jest często mały, IT dba o systemy produkcyjne i ERP, a strona należy do agencji, która robiła ją kilka lat temu.

Jak wygląda zakup przemysłowy w odpowiedzi AI

Proces zakupowy w B2B przemysłowym jest długi i wieloosobowy: konstruktor, technolog, zakupy, jakość, czasem zarząd. Każda z tych osób może zadać asystentowi AI inne pytanie:

• Konstruktor: „producent przekładni ślimakowych z przełożeniem 1:100 w Europie”,
• Zakupy: „alternatywny dostawca odlewów aluminiowych w Polsce, małe serie”,
• Jakość: „producenci wiązek kablowych z certyfikatem IATF 16949 w Polsce”,
• Zarząd: „czy firma X jest wiarygodnym dostawcą, od kiedy działa”.

Każde z tych pytań wymaga innego fragmentu treści na stronie. Systemy AI z wyszukiwaniem wybierają do odpowiedzi pojedyncze akapity najbliższe znaczeniowo pytaniu (patrz Vector Embedding i RAG). Strona, która ma jeden ogólny opis „kompleksowych rozwiązań dla przemysłu”, nie odpowiada na żadne z nich.

Plan dla producenta: od fundamentów do źródeł

1. Opis firmy w danych strukturalnych

Na stronie głównej: JSON-LD typu Organization z pełną nazwą, logo, adresem, telefonem, rokiem założenia i polem sameAs z linkami do LinkedIn, KRS i profili w katalogach branżowych. To kilka godzin pracy i największa luka w naszej próbie. Szczegóły w haśle Knowledge Graph.

2. Strona na grupę produktów, z parametrami w tekście

Jedna strona na grupę produktów, z najważniejszymi parametrami w HTML, a nie tylko w PDF: materiały, zakresy wymiarów, normy, certyfikaty, wielkość serii, czas realizacji, rynki dostaw. Dane techniczne można dodatkowo opisać w JSON-LD typu Product z właściwościami (additionalProperty).

3. Nazwa firmy w zdaniach o kompetencjach

Zamiast „oferujemy szeroki zakres usług obróbki” pisz „Firma X wykonuje obróbkę CNC elementów ze stali nierdzewnej i aluminium w seriach od 10 do 5 000 sztuk”. Fragment z nazwą, technologią i zakresem łatwiej przypisać właściwej encji (patrz Entity Salience).

4. Porządek w domenach i językach

Jedna główna domena jako źródło prawdy o firmie, wersje językowe pod osobnymi adresami z poprawnym hreflang, spójne dane firmy we wszystkich wersjach. Dla eksportera to warunek, żeby model pytany po niemiecku czy angielsku znalazł tę samą firmę.

5. Sekcja pytań i odpowiedzi językiem kupujących

Pytania, które zadają klienci przy zapytaniu ofertowym: minimalna seria, czas realizacji, certyfikaty, rynki, możliwość wykonania według rysunku. Każda odpowiedź jako samodzielny akapit. To gotowe fragmenty do cytowania.

6. Źródła zewnętrzne

Spójny profil w katalogach branżowych i bazach dostawców, z których korzysta Twoja branża, aktualne dane u dystrybutorów, wpisy w katalogach targowych, artykuły w prasie branżowej. W pytaniach typu „najlepsi producenci…” modele często opierają się na takich zestawieniach i katalogach.

7. Pomiar na pytaniach kupujących

Stała lista 20-30 pytań, które zadają Twoi klienci, sprawdzana w kilku systemach AI w powtórzeniach. Bez tego nie wiesz, czy coś się zmieniło. Opis naszego protokołu jest w metodologii.

Czego się spodziewać, a czego nie

Kroki 1-5 dotyczą Twojej strony i zależą tylko od Ciebie. Efekt w systemach AI z wyszukiwaniem zwykle pojawia się szybciej niż w wiedzy samego modelu, która zmienia się z nowymi wersjami (patrz LLM). Krok 6 trwa dłużej, bo zależy od innych stron.

Nikt uczciwy nie zagwarantuje miejsca w odpowiedzi konkretnego modelu. Można natomiast usunąć przeszkody, które dziś sprawiają, że producent w ogóle nie ma szans trafić do odpowiedzi, i mierzyć, jak zmienia się jego obecność. Jeśli oddajesz tę pracę na zewnątrz, sprawdź wykonawcę przed podpisaniem umowy.

FAQ: GEO dla producentów

Czy producent B2B potrzebuje GEO, skoro sprzedaje przez handlowców?

Handlowiec wchodzi do gry, gdy klient już wie, że Twoja firma istnieje. GEO dotyczy wcześniejszego etapu: listy dostawców, którą klient tworzy sam, coraz częściej z pomocą asystentów AI. Jeśli nie ma Cię na tej liście, handlowiec nie dostaje zapytania.

Od czego zacząć przy ograniczonym budżecie?

Od opisu firmy w danych strukturalnych na stronie głównej i od tekstu z parametrami na stronach najważniejszych grup produktów. W naszym badaniu 69% producentów nie miało tego pierwszego elementu, a to praca rzędu kilku godzin.

Czy pliki PDF z katalogiem wystarczą?

Nie warto na nich polegać. Część systemów czyta PDF-y, ale najważniejsze informacje powinny być w treści strony, w HTML, z nazwą firmy i parametrami w tym samym akapicie.

Jak sprawdzić, czy AI wskazuje moją firmę jako dostawcę?

Stan techniczny strony sprawdzisz bezpłatnie Skanerem gotowości AI. Listę pytań dla swojej branży przygotuje Generator pytań zakupowych. Pomiar 20 pytań w 4 systemach AI z listą konkurentów i cytowanych źródeł to Audyt Start za 990 zł netto.