Audyt Brand Search Presence: Jak naprawiliśmy wizerunek Mobile Vikings w erze AI
Jak zidentyfikowaliśmy krytyczny błąd faktograficzny w odpowiedziach Gemini i poprzez interwencję w źródłach oraz systematyczne nasycanie treści – trwale zmieniliśmy narrację AI na temat Mobile Vikings.
(01) O projekcie
Kontrola nad tym, co AI mówi o marce
Kiedy zaczęliśmy współpracę z Mobile Vikings, przeprowadziliśmy audyt Brand Search Presence w najpopularniejszych modelach LLM: ChatGPT, Gemini oraz Perplexity. Naszym celem było zbadanie reputacji marki w środowisku AI, jej widoczności oraz wyeliminowanie ewentualnych halucynacji – błędów faktograficznych, które mogły negatywnie wpływać na decyzje zakupowe.
Szczegóły
Branża
Telekomunikacja
Rynek
Polska
Typ projektu
Audyt, Optymalizacja
Usługi
Brand Search Presence, AI Search Optimization
(02) Wyzwania
Kiedy AI mówi nieprawdę o Twojej marce
Analiza zapytań brandowych, non-brandowych i porównawczych (np. „Mobile Vikings czy nju mobile – kto ma tańszą ofertę?”) ujawniła poważny problem: Gemini systematycznie wskazywało brak tradycyjnej infolinii jako główną słabość Mobile Vikings, sugerując, że cała obsługa klienta odbywa się wyłącznie online.
Ta informacja była całkowicie błędna – Mobile Vikings posiada sprawnie działającą infolinię. Mimo to, dla użytkowników weryfikujących markę w LLM-ach, brak wsparcia telefonicznego mógł stanowić realną barierę przed skorzystaniem z oferty. Błąd pojawiał się konsekwentnie w odpowiedziach na zapytania opiniotwórcze i porównawcze – dokładnie tam, gdzie użytkownik podejmuje decyzję.
(03) Plan działania
Strategia naprawcza
Sprostowanie błędnych danych stało się naszym priorytetem. Aby trwale zmienić sposób, w jaki AI postrzega markę, działaliśmy na dwóch płaszczyznach:
Cel: wyeliminować błąd faktograficzny z odpowiedzi LLM i zastąpić go poprawnymi, dobrze zakorzenionymi informacjami.
Działania:
- Identyfikacja i interwencja w źródłach zasilających modele LLM
- Systematyczne nasycanie kontekstu poprzez treści blogowe (Data Feeding)
- Monitoring odpowiedzi AI w czasie
(04) Optymalizacja
Krok po kroku
Krok 1: Identyfikacja źródła błędu
Gemini nie zawsze podaje źródła swoich odpowiedzi, dlatego odnalezienie strony, z której czerpał nieprawdziwe dane, wymagało szczegółowego researchu. Udało nam się namierzyć konkretną stronę publikującą błędną informację. Na nasze zalecenie klient skontaktował się z wydawcą, który zaktualizował treść.
Krok 2: Data Feeding – nasycanie kontekstu
Wiedzieliśmy, że zmiana w jednym źródle może nie wystarczyć. Aby dostarczyć modelom LLM jak najwięcej sygnałów potwierdzających istnienie infolinii, regularnie zasilaliśmy firmowego bloga konkretnymi danymi: numerem telefonu oraz godzinami pracy infolinii. W ten sposób systematycznie „karmiliśmy” modele świeżymi, poprawnymi informacjami podczas kolejnych procesów indeksowania sieci.
Krok 3: Monitoring odpowiedzi AI
Na bieżąco śledziliśmy odpowiedzi Gemini na kluczowe zapytania, obserwując, kiedy i w jaki sposób narracja zaczęła się zmieniać.
(05) Rezultaty
Gemini zmieniło narrację
Po zaktualizowaniu źródła i kilkumiesięcznym zasilaniu treści blogowych model zmienił sposób odpowiadania na zapytania takie jak:
- Czy Mobile Vikings to dobry operator komórkowy?
- Gdzie przenieść numer – do Mobile Vikings czy nju mobile?
Gemini zaczęło podawać poprawne informacje o wsparciu telefonicznym, wskazując nawet konkretny numer kontaktowy. W zestawieniu wad marki zniknął argument o braku infolinii.
Dzięki tym działaniom wyeliminowaliśmy krytyczny błąd faktograficzny na ścieżce zakupowej. Poprawa reputacji w LLM-ach bezpośrednio wpłynęła na usunięcie bariery wejścia i odblokowała pełny potencjał marki w pozyskiwaniu nowych użytkowników za pośrednictwem kanałów AI.
