Nieaktualne godziny otwarcia i adresy oddziałów w ChatGPT i Gemini? Jak szybko wykrywać i naprawiać błędne dane o firmie w wyszukiwarkach AI

TL;DR Błędne godziny i adresy w ChatGPT oraz Gemini to problem danych źródłowych, a nie "awaria modelu". Modele nie mają kanału edycji faktów: dane płyną z indeksów (Bing, Google), profili (GBP, Bing Places, Apple Business Connect), katalogów i schema. Skala jest wysoka: 93% firm w teście londyńskim miało co najmniej jeden błędny lub brakujący fakt, a u retailerów UK błędna była 1 na 16 odpowiedzi. Propagacja korekty jest warstwowa: Perplexity około 3 dni, AI Overviews 6, ChatGPT 7, Gemini 9, Copilot 11 (z IndexNow około 4), a model memory potrafi trzymać błąd ponad 90 dni. 61% trwałych błędów pochodzi ze źródeł trzecich, więc sama aktualizacja własnej strony nie wystarcza. Rozwiązanie to single source of truth (spójny NAP), schema LocalBusiness i monitoring ciągły, np. przez Semly i agenta Leona z metryką AI Accuracy Rate. Jednorazowy audyt nie działa, bo churn cytowań wynosi 40-60% miesięcznie.

Wstęp

Klient sprawdza w ChatGPT godziny otwarcia oddziału, przyjeżdża na miejsce i zastaje zamknięte drzwi. Takie scenariusze przestają być anegdotą. W teście 165 firm z Londynu 93% miało co najmniej jeden podstawowy fakt błędny lub brakujący w odpowiedziach AI, a wśród retailerów UK błędny kod pocztowy pojawiał się w 1 na 10 przypadków. To nie defekt modelu, lecz luka w danych źródłowych, z których AI korzysta. Poniżej znajdziesz pełną ścieżkę: jak wykryć błąd, jak naprawić łańcuch źródeł i jak wdrożyć monitoring widoczności w AI, który wychwyci rozjazdy, zanim klient trafi na zamknięty oddział.

Nieaktualne godziny otwarcia i adresy w ChatGPT i Gemini — dlaczego AI się myli

Nie istnieje oficjalne API ani panel, przez który firma "wysyła" dane do ChatGPT czy Gemini. Modele korzystają z trzech warstw: pamięci parametrycznej (fakty z treningu, odświeżane co miesiące lub kwartały), indeksu wyszukiwarki (strony crawlowane przez boty, dni do tygodni) oraz live retrieval (pobranie strony w momencie pytania, minuty). Każda platforma ma inne źródło pierwotne, dlatego ta sama lokalizacja bywa poprawna w AI Overviews, a błędna w ChatGPT.

Trzy typy błędów: nieaktualne fakty, martwe funkcje, halucynacje

Rozdzielenie typów jest kluczowe, bo każdy wymaga innej naprawy. Nieaktualne fakty to problem świeżości (stare godziny po zmianie). Martwe funkcje i usługi to zanieczyszczenie źródeł (AI cytuje nieistniejącą ofertę). Halucynacje to fakty wymyślone, które wymagają korekty narracyjnej, a nie tylko recrawlu. Skala jest istotna: w analizie 3 mln recenzji 90 aplikacji AI (Nature Scientific Reports, 2025) kategoria Factual Incorrectness odpowiadała za 38% zgłoszeń halucynacji, a średnia ocena recenzji z halucynacją wynosiła 1,8 gwiazdki wobec 3,5 bez niej.

Jak wykryć błędne dane o firmie w wyszukiwarkach AI — audyt krok po kroku

Audyt wymaga powtarzalnej procedury, nie pojedynczego pytania. Ustal stałą listę promptów (godziny, adres, telefon, "czy otwarte teraz", zakres usług), testuj na AI Overviews, AI Mode, ChatGPT, Gemini, Perplexity i Copilot, bez personalizacji i kontekstu. Powtarzaj każde pytanie kilkukrotnie, bo odpowiedzi są zmienne, i loguj prompt oraz odpowiedź z datą. Priorytet nadaj błędom blokującym wizytę: godzinom i informacji "zamknięte". Sprawdzony schemat takiego postępowania znajdziesz w audycie widoczności w AI krok po kroku.

Kluczowy test trybu: zadaj to samo pytanie z włączonym i wyłączonym web search. Odpowiedź z cytowaniami jest search-grounded i reaguje na recrawl. Odpowiedź bez cytowań pochodzi prawdopodobnie z model memory i nie zmieni się do odświeżenia modelu.

Sygnały ostrzegawcze:

• brak cytowań przy odpowiedzi o faktach firmy,
• cytowanie starego katalogu lub nieaktualnej recenzji,
• rozbieżność między platformami dla tej samej lokalizacji,
• brak godzin i telefonu w "location card".

Checklista audytu (10-12 punktów):

1. Zdefiniuj 8-12 stałych promptów klienta.
2. Testuj na 6 platformach: AI Overviews, AI Mode, ChatGPT, Gemini, Perplexity, Copilot.
3. Wyłącz personalizację i historię rozmowy.
4. Powtórz każdy prompt 3 razy w odstępie kilku godzin.
5. Wykonaj test web search ON/OFF.
6. Sprawdź obecność cytowań i ich datę.
7. Otwórz każdy cytowany URL i zweryfikuj treść.
8. Porównaj odpowiedzi z oficjalnym NAP.
9. Sklasyfikuj błędy: faktograficzne, braki, percepcja.
10. Nadaj priorytet błędom blokującym wizytę.
11. Zapisz wynik w arkuszu z datą i platformą.
12. Powtórz audyt po każdej zmianie danych.

Metryki: AI Accuracy Rate i rozdzielenie typów błędów

AI Accuracy Rate to odsetek odpowiedzi, w których AI podaje poprawne dane kontaktowe i godziny. Warto raportować go osobno dla błędów faktograficznych, braków i percepcji, bo tylko pierwsze dwie kategorie da się naprawić technicznie. Sposób liczenia takich wskaźników opisaliśmy w materiale o tym, jak mierzyć widoczność marki w AI. Dla kontekstu: w benchmarku Vectara najlepsze modele osiągają 1,8-3,3% halucynacji w zadaniach grounded summarization, a modele frontier 5-14%. W AA-Omniscience 121 z 167 modeli udzielało więcej błędnych niż poprawnych odpowiedzi, gdy nie znało faktu. Wynik poniżej 90% poprawności danych lokalnych należy traktować jako sygnał do natychmiastowej naprawy łańcucha źródeł.

Naprawa: łańcuch źródeł, NAP i dane strukturalne

Kolejność ma znaczenie: dla godzin, adresu i telefonu listingi są pierwszym lewarem, a własna strona drugim. Bing Places zasila Copilot i indeks Bing dla ChatGPT, Google Business Profile odpowiada za Gemini i AI Overviews, Apple Business Connect za Siri i Apple Maps, a Yelp oraz katalogi branżowe są cytowane jako źródła trzecie przez wszystkie platformy. Warunkiem skuteczności jest spójność NAP: identyczna nazwa, adres i telefon wszędzie. Niespójne katalogi powodują oscylację odpowiedzi AI między starym i nowym adresem przez wiele miesięcy.

Schema.org: LocalBusiness i OpeningHoursSpecification

Dane strukturalne w formacie JSON-LD to standard, który redukuje ryzyko błędnej interpretacji encji. Typ LocalBusiness wymaga pól name i address, a zaleca geo, telephone, url, openingHoursSpecification, priceRange oraz department. Specyfikacja OpeningHoursSpecification obejmuje dayOfWeek, opens i closes w formacie hh:mm:ss. Godziny nocne zapisujesz w jednej specyfikacji, całodobowe jako 00:00-23:59, zamknięte jako 00:00-00:00, a sezonowe przez validFrom i validThrough. Właściwość sameAs pomaga modelom jednoznacznie zidentyfikować firmę i odróżnić ją od podmiotów o podobnej nazwie. Schema nie wystarczy sama: fakty muszą być zduplikowane w widocznym tekście strony, bo live fetch potwierdza to, co mówią listingi.

7-krokowy playbook przyspieszający propagację

1. Umieść jednoznaczny fakt (godziny, adres) na górze strony i w schema.
2. Zaktualizuj lastmod i ponownie zgłoś sitemapę.
3. W dniu 0 pinguj indeksy: URL Inspection w Search Console oraz IndexNow.
4. Napraw strony trzecie, które są cytowane jako źródło.
5. Opublikuj datowany changelog lub ogłoszenie o zmianie.
6. Sprawdź robots.txt pod kątem OAI-SearchBot, PerplexityBot i Googlebot.
7. Weryfikuj codziennie i loguj momenty zmiany odpowiedzi.

Na co uważać 61% odpowiedzi wciąż błędnych po 30 dniach od zmiany na stronie cytowało źródło trzecie, którego nie kontrolujesz. OpenAI nie udostępnia portalu korekty faktów firmowych (portal privacy dotyczy danych osobowych). Model memory może utrzymywać błąd ponad 90 dni: w testach ChatGPT z wyłączonym web search nie zmienił odpowiedzi w 14 z 18 przypadków w ciągu 90 dni.

Monitoring ciągły: dlaczego jednorazowy audyt nie wystarcza

Churn cytowań w ChatGPT wynosi 40-60% miesięcznie, a mediana propagacji korekty na wszystkie platformy search-grounded to około 24 dni. Oznacza to, że dane poprawne dziś mogą przestać być cytowane w kolejnym miesiącu. Semly adresuje ten problem procesowo: agent Leon monitoruje marki w ChatGPT, Gemini, Claude, Google AI, Grok i Copilot, analizuje źródła oraz cytowania i generuje gotowy plan działania, a metryka AI Accuracy Rate pokazuje, czy AI podaje poprawne dane kontaktowe i godziny. Uzupełnieniem jest kwartalny przegląd profili i katalogów — więcej o pozycjonowaniu usług w AI znajdziesz w opisie możliwości platformy.

Lista kontrolna monitoringu:

• Co sprawdzać: godziny, adres, telefon, "czy otwarte teraz", zakres usług.
• Jak często: codzienna weryfikacja kluczowych promptów, pełny audyt co miesiąc.
• Gdzie logować: arkusz z datą, platformą, promptem, odpowiedzią i typem błędu.
• Kiedy eskalować: każdy błąd blokujący wizytę traktuj jako priorytet natychmiastowy.

Ryzyko biznesowe: co kosztuje nieaktualny adres w AI

45% konsumentów używa ChatGPT lub podobnych narzędzi do rekomendacji lokalnych firm, wobec 6% rok wcześniej (BrightLocal LCRS, 2025). Jednocześnie 88% firm pozostaje niewidocznych w rekomendacjach ChatGPT (Omni Eclipse, 2026). Błędne godziny i adres to bezpośrednia utrata wizyt, a nieaktualne dane mogą wykluczyć profil z trafnych zapytań lokalnych. Problem dotyczy zwłaszcza mniejszych podmiotów: w teście londyńskim 50% mniejszych firm otrzymało co najmniej jeden fałszywy fakt, wobec 32% większych. Dane agencyjne wskazują, że ruch z AI search konwertuje lepiej niż organiczny, ale ze względu na brak niezależnej replikacji należy traktować je jako orientacyjne.

Podsumowanie i pierwsze kroki

1. W ciągu 24 godzin: uruchom audyt 8-12 promptów na 6 platformach i zapisz wyniki.
2. W ciągu 48 godzin: ujednolić NAP na stronie, w GBP, Bing Places i Apple Business Connect.
3. W ciągu 3 dni: wdrożyć schema LocalBusiness z OpeningHoursSpecification i zduplikować fakty w widocznym tekście.
4. W ciągu 4 dni: zaktualizować lastmod, zgłosić sitemapę i pingować indeksy przez IndexNow.
5. W ciągu 7 dni: uruchomić monitoring ciągły i mierzyć AI Accuracy Rate.

Jednorazowa korekta nie utrzyma poprawności przy churnie cytowań 40-60% miesięcznie. Sprawdź, co AI mówi o Twojej firmie, i zamów darmowy raport widoczności w Semly.

Mini-słownik

• NAP — Name, Address, Phone; spójny zestaw danych identyfikujących firmę.
• GBP — Google Business Profile, profil firmy w Google.
• Schema — dane strukturalne (JSON-LD) opisujące encję dla wyszukiwarek.
• Model memory — fakty zapisane w parametrach modelu, odświeżane rzadko.
• Search-grounded — odpowiedź oparta na bieżącym wyszukiwaniu, reaguje na recrawl.
• Citation drift — zmienność źródeł cytowanych przez AI w czasie.