Når AI-chatboten lyver om deg

En kunde ringte oss i vinter: ChatGPT påsto at de hadde stengt for to år siden. Det hadde de ikke. Her er hva vi faktisk gjorde, hva som virket etter 4–6 uker, og hva som ikke gjorde det.

Av

Publisert

Tjenester

Når ChatGPT finner på tjenester du ikke har

Du googler bedriften din. Alt ser greit ut. Så spør du ChatGPT om det samme, og plutselig står det at du holder åpent på søndager, at hovedkontoret ligger i Oslo og at dere selger en tjeneste dere la ned i 2019. En kunde ringer og er sur fordi prisen de fikk fra Perplexity ikke stemmer med tilbudet ditt. Hva gjør du da?

Stadig flere norske SMB-er får denne typen henvendelser. Vi har ryddet opp for en av dem de siste månedene, og det er ikke spesielt mystisk når man først skjønner hvor modellene henter fra. Det er heller ikke gjort på en ettermiddag.

Hvor kommer løgnen fra?

Det første spørsmålet er alltid det samme: hvor har modellen dette fra? Svaret er sjelden ett sted. Når vi gravde i kundens tilfelle, fant vi fire kilder som dro svarene i hver sin retning.

Wikipedia-artikkelen var sju år gammel og listet en daglig leder som sluttet i 2020. Proff.no hadde riktig org.nummer, men en bransjekode som ikke lenger stemte med det selskapet faktisk gjør. Tre gamle pressemeldinger fra 2017–2019 lå fortsatt indeksert hos en bransjenettside og beskrev en tjeneste som ble lagt ned. Og selskapets egen nettside hadde ingen schema.org-markup i det hele tatt, så modellene måtte tolke seg fram til hva som var hva.

Det siste er jo egentlig hovedpoenget. Når du ikke forteller maskinene hva som er sant om deg, plukker de opp det de finner. Og det de finner, er ofte det som er mest sitert, ikke det som er mest riktig.

Schema.org er grunnmuren

Schema.org er strukturert data som ligger som JSON-LD i HTML-en din. Det er ikke synlig for besøkende, men det er det språket søkemotorer og språkmodeller leser når de skal forstå hva slags virksomhet du er, hvor du holder til og hva du tilbyr.

For kunden vår la vi inn en Organization-blokk med juridisk navn, alternateName for vanlige skrivemåter, korrekt adresse, telefonnummer, åpningstider og lenker til offisielle profiler på LinkedIn og Brønnøysund. Vi la også inn Service-blokker for hver av de fire tjenestene de faktisk leverer i dag, med beskrivelser på 2–3 setninger hver. Pris-spennet la vi inn som priceRange, ikke som hardkodede tall, for det endrer seg.

Og så, det viktigste: sameAs-feltet. Der listet vi alle de stedene modellene allerede så bedriften omtalt – Wikipedia, proff.no, bransjeforeningens medlemsregister, Crunchbase. Poenget er å binde sammen identitetene slik at modellen forstår at «firma X på proff.no» og «firma X med ny logo på nettsiden» er samme selskap.

Slik rydder du opp i AI-svarene om bedriften din

En praktisk gjennomgang av rekkefølgen vi fulgte. Regn med 4–6 uker fra du gjør endringene til svarene faktisk endrer seg.

Total tid
Du trenger
  • Tilgang til nettsiden og kildekoden (eller utvikler som har det)
  • Konto på Wikipedia hvis det finnes en artikkel om bedriften
  • Tilgang til å oppdatere proff.no, LinkedIn og Google Business Profile
  • En liste over hva ChatGPT, Perplexity og Gemini faktisk sier om dere i dag

  1. Kartlegg hva modellene sier nå

    Spør ChatGPT, Perplexity, Gemini og Claude de samme fem spørsmålene om bedriften din. «Hva gjør X?», «Hvor holder X til?», «Hvilke tjenester tilbyr X?», «Hva koster X?», «Hvem leder X?». Kopier svarene inn i et dokument med dato. Du trenger en baseline før du måler om endringene virker.

  2. Spor opp kildene

    Be modellen om kildene den brukte. Perplexity oppgir dem alltid, ChatGPT med web-søk gjør det også. Skriv ned hver URL. Det vil typisk være Wikipedia, proff.no, en gammel pressemelding, en bransjekatalog og kanskje en LinkedIn-profil. Det er disse du skal jobbe med.

  3. Rett opp i kildene du eier

    Oppdater LinkedIn-siden, Google Business Profile og proff.no-profilen først. Det er de raskeste seierne. Be om å få fjernet utdaterte pressemeldinger der det er mulig, eller publisér en nyere som overskriver budskapet. Wikipedia er en egen øvelse – ikke rediger din egen artikkel selv, men foreslå endringer på diskusjonssiden med kilder.

  4. Legg inn schema.org-markup på nettsiden

    Implementer Organization, Service og eventuelt Person og FAQPage som JSON-LD. Test markupen i Google sin Rich Results Test og Schema.org sin validator. Husk sameAs-feltet med lenker til alle offisielle profiler – det er limet som binder identitetene sammen.

  5. Publiser én tydelig «om oss»-side

    Lag eller oppdater en side som svarer på de fem spørsmålene fra steg 1 i klartekst. Modellene henter ofte hele setninger herfra når andre kilder er motstridende. Skriv det du vil at de skal si, omtrent slik du vil at de skal si det.

  6. Vent, og mål på nytt

    Modellene oppdaterer ikke kunnskapen sin i sanntid. ChatGPT og Gemini henter via web-søk relativt raskt, mens den underliggende treningen henger etter i måneder. Kjør samme spørsmål-runde etter 4 uker og 6 uker. Noter hva som har endret seg og hva som henger igjen.

Hva som faktisk endret seg

Etter seks uker kjørte vi samme spørsmålsrunde på nytt. Resultatet var blandet, og det er verdt å være ærlig om det.

Perplexity var raskest. Allerede etter to uker siterte den den nye «om oss»-siden direkte, med riktig tjenesteliste og oppdatert ledelse. ChatGPT med web-søk fulgte etter rundt uke fire. Gemini brukte lengst tid, og siterte fortsatt den gamle Wikipedia-artikkelen i ett av fem svar etter seks uker.

Det som ikke virket: vi fikk ikke ut den gamle pressemeldingen fra bransjenettsiden. De svarte aldri på e-post. Vi prøvde å overskrive den med en nyere artikkel om samme tema, og det hjalp delvis – modellene siterte den nye i tre av fem tilfeller, men den gamle dukket fortsatt opp i resten. Det er en påminnelse om at du ikke har full kontroll, du kan bare endre vektingen.

Prisen i Perplexity-svarene ble korrekt etter at vi la inn priceRange i schema-markupen og oppdaterte tjeneste-sidene med pris-spenn i klartekst. Tidligere hadde modellen hentet et tilbud fra 2020 som lå indeksert hos en partner.

Det vi gjorde feil først

Vi startet med å skrive lange, optimaliserte sider som lå tett opptil hverandre i tema. Tanken var at jo mer innhold modellene har å hente fra, jo bedre svar. Det er feil. Modellene ble forvirret av at samme spørsmål kunne besvares fra tre forskjellige sider med litt ulike formuleringer, og plukket sammen svar fra alle tre.

Vi måtte rydde. Én side per spørsmål, ett tydelig svar per side, og resten av nettstedet pekte tilbake til den siden. Da ble svarene stabile. Det er litt det samme prinsippet som klassisk SEO med kanoniske URL-er, bare at her er det innholdet selv som må være kanonisk, ikke bare URL-en.

Hvor vi kommer inn

Vi sitter i Bergen og jobber med Wagtail-baserte nettsider hvor vi bygger schema.org-markup inn i selve publiseringsverktøyet – så redaktøren ikke trenger å tenke på JSON-LD når hun oppdaterer åpningstider eller priser. For kunder med større tjeneste-kataloger har vi koblet det sammen med Claude og GPT-stacker som overvåker hva modellene faktisk sier, og varsler når et svar begynner å drive vekk fra det som er sant.

Det er ikke magi. Det er en blanding av strukturert data, redaksjonell disiplin og tålmodighet i 4–6 uker.

Vanlige spørsmål om AI-svar og bedriften din

Hvor lang tid tar det før ChatGPT oppdaterer svarene sine?

Versjoner med web-søk (ChatGPT, Perplexity, Gemini med Google-integrasjon) plukker opp endringer i løpet av 1–4 uker etter at nettsiden din er oppdatert og indeksert på nytt. Den underliggende modell-treningen henger etter i måneder, så hvis noen spør uten web-søk kan gammel informasjon fortsatt dukke opp i et halvår eller mer.

Kan jeg få modellen til å glemme noe som er feil?

Du kan ikke be modellen om å glemme. Du kan bare endre vektingen ved å gjøre den riktige informasjonen mer tilgjengelig, mer sitert og mer entydig enn den gamle. Hvis kilden til feilen er en tredjepart som ikke vil rette, må du publisere nyere og mer autoritativt innhold som overskygger den.

Trenger vi schema.org når vi allerede ranker bra på Google?

Ja. Klassisk Google-ranking belønner relevans og lenker, mens språkmodeller belønner entydighet. Schema.org gir modellene en strukturert fasit som er mye lettere å sitere enn brødtekst. To forskjellige systemer, to forskjellige signaler.

Hva med Wikipedia – kan vi bare rette det selv?

Du kan, men du bør ikke. Wikipedia har regler mot at omtalte parter redigerer egne artikler, og det kan slå tilbake. Bedre å foreslå endringer på diskusjonssiden med pålitelige kilder (avisartikler, Brønnøysund-data, offisielle pressemeldinger) og la en uavhengig bidragsyter gjøre selve redigeringen.

Hvor ofte må vi sjekke hva modellene sier om oss?

For en SMB holder det med en kvartalsvis runde der dere spør de samme 5–10 spørsmålene til ChatGPT, Perplexity og Gemini. Endrer dere priser, tjenester eller ledelse, gjør en ekstra runde 4 uker etter at endringen er publisert for å sjekke at det har slått gjennom.

Sier AI-en noe rart om bedriften din?

Vi tar gjerne en prat om hva som faktisk står om dere – og hva som skal til for å rette det.

Snakk med oss

Relaterte prosjekter

Flere artikler