Jak ChatGPT decyduje, którą firmę polecić klientowi

Klient pyta ChatGPT: „Z kim powinienem skonsultować wdrożenie systemu ERP w firmie produkcyjnej?” — i dostaje trzy nazwy. Nie dziesięć linków do przejrzenia. Trzy konkretne firmy, przedstawione jako godne zaufania. Pytanie, które powinno spędzać Ci sen z powiek, brzmi: na jakiej podstawie model wybrał akurat te trzy — i dlaczego nie ma wśród nich Ciebie?

Odpowiedź nie jest magią ani loterią. To powtarzalny, zrozumiały mechanizm. Gdy go poznasz, przestaniesz traktować rekomendacje AI jako przypadek, a zaczniesz jako coś, na co masz realny wpływ.

ChatGPT nie ma „listy rankingowej”

Najpierw obalmy intuicję rodem z SEO. W Google istnieje pozycja: jesteś trzeci, siódmy, na drugiej stronie. ChatGPT nie operuje na liście pozycji. On generuje odpowiedź — zdanie po zdaniu, słowo po słowie — przewidując, co powinno paść dalej. Gdy w tej odpowiedzi pojawia się nazwa firmy, to dlatego, że model uznał ją za najbardziej prawdopodobną i adekwatną w danym kontekście.

To zmienia regułę gry. Nie walczysz o miejsce w rankingu. Walczysz o to, by model w ogóle uznał Twoją firmę za prawdopodobną odpowiedź na pytanie klienta. A to zależy od dwóch oddzielnych mechanizmów, które trzeba rozróżnić, bo działają inaczej i wymagają innej pracy.

Mechanizm 1: co model „wie” z pamięci

Model językowy był trenowany na gigantycznym zbiorze tekstu z internetu. Część wiedzy o świecie ma więc „w sobie” — w tak zwanej wiedzy parametrycznej. Jeśli Twoja firma pojawiała się w tym zbiorze często, w wiarygodnych kontekstach i powiązana z właściwymi tematami, model zna Cię i może przywołać z pamięci, nawet bez sięgania do internetu w danej chwili.

Tu działa pojęcie, które jest sercem całej dyscypliny: Entity Salience — siła, z jaką Twoja marka jest skojarzona z określonymi pojęciami w „umyśle” modelu. Firma o wysokiej istotności encji dla frazy „kancelaria prawa własności intelektualnej dla startupów” zostanie przywołana, gdy klient zapyta o coś bliskiego znaczeniowo. Firma o niskiej — pozostanie niewidoczna, choćby była najlepsza na rynku.

Jak model w ogóle „kojarzy” Twoją markę

Pod spodem działa Vector Embedding — model zamienia każde pojęcie, w tym Twoją markę, na punkt w wielowymiarowej przestrzeni znaczeń. Im bliżej ten punkt leży zapytania klienta, tym wyżej rośnie prawdopodobieństwo, że zostaniesz wymieniony. Bliskość w tej przestrzeni to bliskość znaczeniowa — i to ona, a nie gęstość słów kluczowych, decyduje o cytowaniu.

Problem z wiedzą parametryczną jest jeden: aktualizuje się rzadko. Model „pamięta” stan z momentu treningu, który mógł być wiele miesięcy temu. Dlatego istnieje drugi mechanizm — i to on jest Twoją najszybszą dźwignią.

Mechanizm 2: co model dociąga na żywo (RAG)

Gdy zadajesz ChatGPT pytanie wymagające aktualnych danych — a „którą firmę polecić” takim jest — model nie polega tylko na pamięci. Uruchamia wyszukiwanie w czasie rzeczywistym, pobiera kilka źródeł i buduje odpowiedź na ich podstawie. Ten mechanizm to RAG (Retrieval-Augmented Generation), i stoi za trybem wyszukiwania w ChatGPT oraz całym działaniem Perplexity.

RAG działa w kilku krokach:

1. Pytanie klienta zostaje zamienione na zapytanie wyszukiwania.
2. System przeszukuje indeks i pobiera kilka najtrafniejszych fragmentów treści.
3. Model generuje odpowiedź, opierając się na tych fragmentach — i często cytuje źródło.

Krok drugi to miejsce, w którym wygrywasz lub przegrywasz. Do puli źródeł trafiają treści, które są jednoznaczne, dobrze ustrukturyzowane i odpowiadają wprost na pytanie. Ogólnikowe „o nas” nie wystarczy. Strona, która precyzyjnie odpowiada na pytanie „ile trwa wdrożenie ERP w średniej firmie produkcyjnej”, ma realną szansę zostać pobrana i zacytowana.

Pułapka, której większość firm nie widzi

Jest jeden techniczny warunek, o który potyka się większość. Crawlery AI — GPTBot, ClaudeBot, PerplexityBot — w większości nie wykonują JavaScriptu. Jeśli treść Twojej strony doczytuje się dynamicznie po stronie przeglądarki, dla tych botów strona jest pusta. Nie pobiorą tego, czego nie widzą. Firma z technicznie „niewidoczną” stroną jest wykluczona z RAG, zanim w ogóle zacznie rywalizować merytorycznie.

Mechanizm 3: rola opinii i zewnętrznych źródeł

Klient pyta o rekomendację, bo szuka zaufania. Model to odzwierciedla: przy wyborze firmy do polecenia silnie waży sygnały wiarygodności pochodzące spoza Twojej własnej strony.

Liczą się tu trzy rzeczy. Po pierwsze, wzmianki w niezależnych, wiarygodnych źródłach — media branżowe, katalogi, publikacje. Model traktuje je jako potwierdzenie, że firma realnie istnieje i jest tym, za kogo się podaje. Po drugie, opinie i ich wydźwięk — nie tylko liczba gwiazdek, ale kontekst, w jakim klienci o Tobie mówią. Po trzecie, spójność danych w całym internecie: ta sama nazwa, adres, zakres usług wszędzie tam, gdzie się pojawiasz.

Te sygnały zasilają Knowledge Graph — strukturalną bazę, w której świat jest opisany jako sieć encji i relacji. To „Wikipedia dla maszyn”. Jeśli Twojej firmy w niej nie ma albo jest opisana niespójnie, model nie ma pewnego punktu odniesienia.

Co się dzieje, gdy danych brakuje

Brak jednoznacznych danych nie sprawia, że model milczy. Sprawia, że zgaduje — i tak powstają halucynacje AI. Model może podać Twój błędny adres, pomylić Twoją ofertę z konkurencją albo przypisać Ci usługi, których nie świadczysz. Każda taka pomyłka to lead utracony na podstawie fałszywego obrazu. Im słabszy cyfrowy ślad marki, tym większe ryzyko, że AI wymyśli o niej fakty — i tym mniejsza szansa, że w ogóle Cię poleci.

Złóżmy to w całość: ścieżka decyzji modelu

Gdy klient zadaje pytanie o rekomendację, w tle dzieje się — w uproszczeniu — to:

1. Model interpretuje intencję pytania i kontekst (branża, lokalizacja, problem klienta).
2. Sięga do wiedzy parametrycznej: które encje są silnie skojarzone z tym kontekstem.
3. Jeśli ma dostęp do wyszukiwania, uruchamia RAG i dociąga aktualne źródła.
4. Waży sygnały wiarygodności — wzmianki, opinie, spójność danych.
5. Generuje odpowiedź, wymieniając firmy, które najlepiej spełniają wszystkie powyższe naraz.

Kluczowy wniosek: żaden pojedynczy element nie wystarczy. Możesz mieć świetne opinie, ale jeśli Twoja strona jest niewidoczna dla crawlerów — wypadasz. Możesz mieć doskonałą stronę, ale bez obecności w Knowledge Graph model Ci nie zaufa. To system naczyń połączonych.

Co z tego wynika dla Twojej firmy

Jeśli czytasz to jako decydent, a nie z ciekawości, oto twarda konkluzja. Obecność w rekomendacjach AI nie jest przypadkiem i nie jest poza Twoją kontrolą. Jest wynikiem konkretnej pracy na czterech frontach jednocześnie:

• Encja — jednoznaczne dane strukturalne, które mówią modelowi, czym dokładnie jesteś.
• Treść — pisana pod realne pytania klientów, w formie, którą RAG może pobrać i zacytować.
• Technika — strona czytelna dla crawlerów AI, bez treści ukrytej za JavaScriptem.
• Autorytet — wzmianki i sygnały wiarygodności w wiarygodnych, zewnętrznych źródłach.

Firma, która zaadresuje wszystkie cztery, zaczyna pojawiać się w odpowiedziach AI jako zaufana opcja. Firma, która zignoruje choć jeden — pozostaje niewidoczna, niezależnie od tego, jak dobra jest naprawdę. Cały mechanizm, od podstaw, rozkładamy w przewodniku „Czym jest GEO”.