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

Sist oppdatert

Tjenester

Ferdigheter

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.

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

Vanlige spørsmål

Hvorfor sier ChatGPT feil ting om bedriften min?

Modellene henter fra det som er mest sitert på nett, ikke det som er mest riktig. Gamle pressemeldinger, utdaterte Wikipedia-artikler og feil bransjekode på proff.no kan alle trekke svarene i feil retning. Når nettsiden din heller ikke har schema.org-markup, må modellen gjette seg fram til hva som er hva.

Hva er schema.org-markup, og hvorfor trenger jeg det?

Schema.org er strukturert data som ligger som JSON-LD i HTML-koden din. Det er ikke synlig for besøkende, men det er språket søkemotorer og språkmodeller leser for å forstå hva slags virksomhet du er, hvor du holder til og hva du tilbyr. Uten det må AI-assistenter tolke seg fram på egenhånd, og da er det lett å gå galt.

Hva er sameAs-feltet i schema.org, og hva brukes det til?

SameAs er et felt i Organization-blokken der du lister alle steder bedriften din er omtalt offisielt, som Wikipedia, proff.no, LinkedIn og Brønnøysund. Poenget er å binde identitetene sammen så modellen forstår at «firma X på proff.no» og «firma X med ny logo på nettsiden» er samme selskap.

Hvor lang tid tar det før AI-svarene om bedriften min endrer seg etter at jeg har gjort endringer?

Regn med 4–6 uker. Perplexity kan plukke opp endringer allerede etter to uker, mens ChatGPT med web-søk typisk følger etter rundt uke fire. Gemini er tregest, og den underliggende treningsdataen til modellene henger etter i måneder uansett.

Hvilke kilder bruker ChatGPT og Perplexity når de svarer på spørsmål om en bedrift?

Typisk Wikipedia, proff.no, LinkedIn, gamle pressemeldinger og bransjekatalogene. Perplexity oppgir kildene sine direkte, og ChatGPT med web-søk gjør det også. Be modellen om kildene den brukte, skriv ned URLene, og jobb deg gjennom dem én etter én.

Hvordan finner jeg ut hva AI-assistenter faktisk sier om bedriften min?

Spør ChatGPT, Perplexity, Gemini og Claude de samme fem spørsmålene: hva gjør dere, hvor holder dere til, hvilke tjenester tilbyr dere, hva koster det og hvem leder selskapet. Kopier svarene inn i et dokument med dato. Du trenger den baselinen før du kan måle om endringene virker.

Kan jeg redigere Wikipedia-artikkelen om bedriften min selv?

Nei, det bør du ikke gjøre. Wikipedia har regler mot at du redigerer din egen artikkel. Foreslå heller endringer på diskusjonssiden og legg ved kilder som underbygger det du vil endre. Det tar litt lenger tid, men det holder seg.

Hva gjør jeg hvis en gammel pressemelding sprer feil informasjon om bedriften min?

Prøv å kontakte nettsiden som har den og be om fjerning. Får du ikke svar, publiser en nyere artikkel om samme tema som overskriver budskapet. Det hjelper delvis – modellene vil da ha to kilder å velge mellom, og den nyere vinner som regel over tid.

Hva bør en god «om oss»-side inneholde for at AI-assistenter skal sitere riktig informasjon?

Siden bør svare i klartekst på de fem spørsmålene modellene stiller: hva dere gjør, hvor dere holder til, hvilke tjenester dere tilbyr, hva det koster og hvem som leder selskapet. Skriv det du vil at AI-assistentene skal si, omtrent slik du vil at de skal si det. Modellene henter ofte hele setninger herfra når andre kilder er motstridende.

Lønner det seg å bruke tid på AEO og GEO for en liten norsk bedrift?

Ja, særlig hvis du allerede får henvendelser basert på feil informasjon fra AI-assistenter. Kunder som spør om priser de fikk fra Perplexity, eller som tror dere holder åpent på søndager, er et konkret problem du kan løse. Tidsbruken er 4–6 uker totalt, og mye av arbeidet er ting du burde ha gjort uansett, som å oppdatere LinkedIn og Google Business Profile.

Hva er forskjellen på hvordan Perplexity og Gemini oppdaterer informasjon om bedrifter?

Perplexity er raskest og siterer gjerne en oppdatert «om oss»-side allerede etter to uker. Gemini bruker lengst tid og kan fortsatt sitere gamle kilder etter seks uker. ChatGPT med web-søk ligger et sted imellom og følger typisk etter rundt uke fire.

Hvordan setter jeg opp Organization-markup i schema.org for bedriften min?

Implementer en Organization-blokk som JSON-LD i HTML-en din. Den bør inneholde juridisk navn, alternateName for vanlige skrivemåter, korrekt adresse, telefonnummer, åpningstider, lenker til offisielle profiler og sameAs-feltet. Test den i Google sin Rich Results Test og Schema.org sin validator før du publiserer.

Hva gjør jeg hvis proff.no viser feil bransjekode eller utdatert informasjon om selskapet mitt?

Logg inn og oppdater profilen din direkte på proff.no. Bransjekoden er registrert i Brønnøysundregistrene, så du må eventuelt endre den der. Det er en av de raskeste seierne i prosessen, for proff.no er en kilde modellene stoler mye på.

Relaterte prosjekter

Flere artikler