NAP Conflict Score — jak niespójne dane o firmie zwiększają ryzyko błędów i halucynacji AI?

Firma działa przy ulicy Długiej 18, ale w dwóch katalogach nadal widnieje Długa 12. Na stronie kontaktowej podano numer stacjonarny, którego nikt już nie odbiera, podczas gdy profil Google pokazuje aktualny numer komórkowy. Jeden serwis opisuje przedsiębiorstwo jako hurtownię, drugi jako producenta, a trzeci przypisuje mu usługi wycofane trzy lata temu. Dla człowieka to bałagan. Dla systemu AI — zestaw konkurujących ze sobą „faktów”, z których każdy może trafić do odpowiedzi.

Tak powstają komunikaty brzmiące pewnie, ale zawierające nieaktualny adres, błędne godziny pracy albo ofertę należącą do innej firmy. Problem nie sprowadza się więc do estetyki wizytówek internetowych. Niespójność informacji zwiększa ryzyko, że wyszukiwarka, asystent głosowy lub model generatywny nie rozpozna jednoznacznie podmiotu i połączy dane z kilku źródeł w jeden, częściowo fikcyjny profil.

Do pomiaru tego ryzyka można zastosować NAP Conflict Score — wskaźnik określający skalę i wagę sprzeczności w publicznych danych o marce. Klasyczny skrót NAP oznacza nazwę, adres i numer telefonu: Name, Address, Phone. W praktycznym audycie trzeba jednak wyjść poza te trzy pola i uwzględnić również godziny otwarcia, kategorie działalności, zakres usług, domenę, status oddziałów oraz relacje między marką a spółką.

Jak obliczyć NAP Conflict Score i nie zaniżyć wyniku

NAP Conflict Score powinien odpowiadać na jedno pytanie: jak duże jest prawdopodobieństwo, że na podstawie publicznie dostępnych źródeł system pomyli firmę, jej lokalizację albo ofertę?

Najprostsza użyteczna skala obejmuje 0–100 punktów, gdzie:

• 0–9 punktów oznacza dane spójne i niskie ryzyko błędnej identyfikacji;
• 10–24 punkty oznaczają drobne rozbieżności, które wymagają korekty, ale zazwyczaj nie zmieniają sensu odpowiedzi;
• 25–44 punkty wskazują na zauważalny konflikt danych i realne ryzyko podawania nieaktualnych informacji;
• 45–69 punktów oznacza wysoki poziom niespójności — firma może być mylona z innym podmiotem albo przedstawiana jako działająca w starej lokalizacji;
• 70–100 punktów oznacza krytyczny chaos informacyjny, przy którym automatyczne systemy nie mają stabilnej podstawy do zbudowania wiarygodnej odpowiedzi.

Punktacja nie może traktować wszystkich błędów jednakowo. Literówka w nazwie ulicy jest mniej groźna niż aktywna wizytówka zamkniętego oddziału. Dlatego każdej kategorii należy przypisać wagę odpowiadającą skutkom błędu.

Praktyczny model punktowy może wyglądać następująco:

• nieaktualny lub sprzeczny adres głównej siedziby: 20 punktów;
• aktywny profil zamkniętego oddziału: 18 punktów;
• dwa różne numery telefonu, z których jeden jest nieaktywny: 12 punktów;
• dawna nazwa firmy przedstawiana jako aktualna: 12 punktów;
• sprzeczne godziny otwarcia: 8 punktów;
• błędna główna kategoria działalności: 12 punktów;
• przypisanie nieoferowanej usługi: 10 punktów;
• brak rozróżnienia między marką, spółką i oddziałem: 10 punktów;
• inna domena lub stary adres strony przedstawiany jako oficjalny: 8 punktów;
• drobne różnice zapisu, takie jak „sp. z o.o.” i „Spółka z ograniczoną odpowiedzialnością”: 1–2 punkty.

Wynik należy naliczać za typ konfliktu, a nie bez ograniczeń za każde jego wystąpienie. Jeśli stary adres widnieje w 30 automatycznych katalogach kopiujących dane z jednego źródła, nie ma sensu przyznawać 30 razy po 20 punktów. Taki sposób natychmiast wybiłby wynik poza skalę i zaciemnił rzeczywiste ryzyko.

Lepsza jest zasada bazowego błędu i mnożnika rozpowszechnienia:

Punkty konfliktu = waga błędu × współczynnik zasięgu × współczynnik autorytetu źródła.

Współczynnik zasięgu można przyjąć na poziomie:

• 1,0 — konflikt występuje w jednym źródle;
• 1,2 — występuje w 2–3 niezależnych źródłach;
• 1,5 — występuje w 4–10 źródłach;
• 1,8 — występuje w ponad 10 źródłach.

Współczynnik autorytetu powinien uwzględniać znaczenie miejsca publikacji:

• 0,5 — mały, nieaktualizowany katalog;
• 1,0 — popularny katalog branżowy, portal rezerwacyjny lub profil społecznościowy;
• 1,3 — oficjalna strona firmy, profil Google, rejestr branżowy albo duża platforma, z której dane są często powielane.

Przykład: stary adres znajduje się w profilu Google, dwóch katalogach i na podstronie kontaktowej firmy. Bazowa waga wynosi 20 punktów, współczynnik zasięgu 1,5, a współczynnik autorytetu 1,3. Surowy wynik tego konfliktu wynosi 39 punktów. To dużo, ale słusznie: błędna informacja pojawia się nie tylko w katalogach, lecz także w źródłach, które system może uznać za oficjalne.

Aby zachować skalę 0–100, końcowy wynik trzeba ograniczyć do 100 punktów. Nie jest to wada metodologii. Wynik 100 nie oznacza „dwukrotnie większego chaosu” niż 50, lecz przekroczenie poziomu, przy którym dalsze rozbieżności nie zmieniają już decyzji: firma wymaga pilnej konsolidacji danych.

Najczęściej spotykany błąd audytowy polega na sprawdzeniu wyłącznie identyczności nazwy, adresu i telefonu. To za mało. Lokal może mieć poprawny adres, ale złą kategorię „restauracja włoska”, mimo że od dwóch lat działa jako piekarnia. AI odpowie wtedy poprawnie na pytanie „gdzie?”, a błędnie na pytanie „co można tam kupić?”. Spójność techniczna nie jest jeszcze spójnością znaczeniową.

Metodologia audytu: od źródła prawdy do testów odpowiedzi AI

Audyt powinien rozpocząć się od przygotowania karty danych referencyjnych, czyli jednego zatwierdzonego zestawu informacji o firmie. Bez tego kontrola szybko zamienia się w porównywanie błędnych źródeł między sobą.

Karta referencyjna powinna zawierać co najmniej:

• pełną nazwę marki używaną wobec klientów;
• nazwę prawną podmiotu;
• aktualny adres siedziby i adresy oddziałów;
• status każdej placówki: aktywna, czasowo zamknięta albo zlikwidowana;
• główny i zapasowy numer telefonu;
• standardowe oraz wyjątkowe godziny otwarcia;
• główną kategorię działalności;
• listę aktualnych usług i produktów;
• listę usług wycofanych;
• oficjalną domenę i właściwe profile społecznościowe;
• datę ostatniego potwierdzenia każdego pola.

Dane należy potwierdzić w dokumentach lub systemach operacyjnych firmy. Adres prawny można sprawdzić w KRS albo CEIDG, ale nie wolno automatycznie uznać go za adres obsługi klientów. W Polsce wiele spółek ma siedzibę rejestrową w biurze księgowym lub wirtualnym, podczas gdy działalność prowadzi w innym miejscu. Umieszczenie adresu rejestrowego w profilu lokalnym może formalnie wyglądać poprawnie, a praktycznie wysyłać klientów pod niewłaściwe drzwi.

Kolejny etap to lista źródeł. Dla firmy lokalnej sensowne minimum wynosi 15–25 miejsc, a dla marki z kilkoma oddziałami 30–60 miejsc. Kontrolą należy objąć:

• oficjalną stronę i wszystkie podstrony kontaktowe;
• profil Google każdej lokalizacji;
• Apple Maps, Bing Maps i popularne mapy używane w urządzeniach samochodowych;
• Facebook, Instagram, LinkedIn i YouTube;
• CEIDG lub KRS;
• katalogi branżowe;
• portale rezerwacyjne, marketplace’y i serwisy z opiniami;
• strony partnerów i dystrybutorów;
• komunikaty prasowe i stare landing page’e;
• dokumenty PDF indeksowane przez wyszukiwarki.

Każdy rekord trzeba opisać w arkuszu, podając źródło, adres podstrony, datę kontroli, wartość znalezioną, wartość prawidłową, rodzaj błędu, wagę oraz status korekty. Zrzut ekranu jest pomocny, szczególnie gdy platforma zmienia dane bez historii edycji.

Sam audyt katalogów nie odpowiada jednak na pytanie, czy niespójności faktycznie wpływają na odpowiedzi generowane przez AI. Potrzebny jest drugi pomiar: test widoczności i poprawności odpowiedzi.

Dla jednej firmy warto przygotować od 20 do 40 pytań testowych, podzielonych na pięć grup:

1. identyfikacja firmy;
2. adres i dojazd;
3. kontakt i godziny otwarcia;
4. oferta;
5. porównanie z podobnymi podmiotami.

Przykładowe pytania powinny brzmieć naturalnie:

• „Jaki jest aktualny adres firmy X?”
• „Czy firma X jest dziś otwarta po 18:00?”
• „Czy X wykonuje usługę Y?”
• „Jaki jest numer telefonu do oddziału X w Poznaniu?”
• „Czy firma X i firma Y to ten sam podmiot?”
• „Gdzie znajduje się najbliższy oddział marki X?”
• „Czy X nadal działa pod dawną nazwą Z?”

Test warto wykonać w co najmniej trzech różnych systemach AI, po kilka razy, używając nowej sesji i bez podpowiadania prawidłowej odpowiedzi. Jednorazowy test jest za słaby, ponieważ odpowiedzi mogą się różnić zależnie od modelu, daty, trybu wyszukiwania i sformułowania pytania.

Każdą odpowiedź należy ocenić w skali:

• 2 punkty — poprawna i jednoznaczna;
• 1 punkt — częściowo poprawna, ale niepełna lub nieprecyzyjna;
• 0 punktów — brak odpowiedzi albo wyraźne zastrzeżenie, że danych nie da się potwierdzić;
• –1 punkt — odpowiedź błędna;
• –2 punkty — odpowiedź błędna i podana z wysoką pewnością, bez zastrzeżenia.

Rozróżnienie między brakiem odpowiedzi a fałszywą odpowiedzią jest istotne. System, który mówi „nie mogę potwierdzić godzin”, jest mniej użyteczny, ale bezpieczniejszy niż system podający zmyśloną godzinę zamknięcia. Z perspektywy firmy drugi przypadek jest groźniejszy, bo klient może potraktować komunikat jako fakt.

Na podstawie testu można obliczyć trzy wskaźniki:

Accuracy Rate — odsetek odpowiedzi w pełni poprawnych;
Error Rate — odsetek odpowiedzi zawierających co najmniej jeden błąd;
Confident Error Rate — odsetek odpowiedzi błędnych, sformułowanych bez wyraźnej niepewności.

Przykład: wykonano 30 zapytań w trzech systemach, czyli łącznie 90 testów. W 54 przypadkach odpowiedź była poprawna, w 12 częściowo poprawna, w 9 system odmówił rozstrzygnięcia, a w 15 podał informację błędną. Oznacza to:

• Accuracy Rate: 60%;
• Error Rate: 16,7%;
• Confident Error Rate: zależny od liczby błędów podanych bez zastrzeżenia; jeśli było ich 11, wynik wynosi 12,2%.

Te wartości należy zestawić z NAP Conflict Score przed korektami i po nich. Nie wystarczy porównać dwóch przypadkowych pomiarów. Pytania, systemy, język, tryb dostępu do internetu i kryteria oceny muszą pozostać takie same. W przeciwnym razie nie będzie wiadomo, czy zmianę wyniku spowodowała poprawa danych, aktualizacja modelu czy inny zestaw pytań.

Jak konflikty danych zamieniają się w halucynacje i jak ustalić kolejność napraw

System AI nie musi „wymyślić” odpowiedzi od zera, aby powstała halucynacja. Częściej łączy prawdziwe fragmenty w fałszywą całość. Aktualna nazwa firmy zostaje zestawiona ze starym adresem. Numer telefonu zlikwidowanego oddziału trafia obok godzin nowej placówki. Usługa konkurenta zostaje przypisana marce, ponieważ obie firmy występują w tej samej kategorii i pod podobnym adresem.

W praktyce występują cztery główne mechanizmy błędu.

Pierwszy to wybór nieaktualnej wersji faktu. System znajduje kilka adresów, ale nie rozpoznaje, który jest obowiązujący. Data publikacji również nie zawsze rozwiązuje problem. Stara wizytówka może być regularnie odświeżana automatycznie, a poprawna informacja znajdować się na dawno nieedytowanej stronie kontaktowej.

Drugi mechanizm to scalanie podmiotów o podobnych nazwach. Dotyczy to zwłaszcza gabinetów, kancelarii, warsztatów i firm budowlanych używających nazwisk właścicieli. „Kowalski Serwis”, „Auto Serwis Kowalski” i „Kowalski Bosch Service” mogą zostać potraktowane jako jeden podmiot, choć działają w innych miejscowościach i mają innych właścicieli.

Trzeci to dziedziczenie dawnej oferty. Firma usuwa usługę ze strony głównej, ale pozostawia stare wpisy blogowe, cenniki PDF, kampanie reklamowe lub strony partnerów. Model widzi wielokrotnie powtórzoną informację i uznaje ją za aktualną. Tak powstaje odpowiedź, że klinika nadal wykonuje konkretny zabieg albo producent sprzedaje wycofany model.

Czwarty mechanizm to przeniesienie cechy z podmiotu sąsiedniego. Dwie firmy działają w jednym budynku, mają podobne kategorie albo występują obok siebie w zestawieniach. Przy słabym rozróżnieniu encji AI może przypisać jednej firmie godziny, usługi lub opinie drugiej.

Nie da się zagwarantować, że po uporządkowaniu wizytówek każdy model natychmiast zacznie odpowiadać poprawnie. Poszczególne systemy korzystają z innych źródeł, pamięci modeli i mechanizmów wyszukiwania. Aktualizacja może pojawić się po kilku dniach, ale w części miejsc potrwać kilka tygodni. Dlatego celem nie jest obietnica pełnej kontroli nad AI, lecz zmniejszenie liczby konkurujących wersji tej samej informacji i zwiększenie udziału źródeł jednoznacznych.

Naprawy trzeba prowadzić według wpływu, a nie wygody.

Priorytet pierwszy: błędy kierujące klienta w niewłaściwe miejsce lub uniemożliwiające kontakt. Obejmuje to stary adres, nieaktywny numer, zamknięty oddział oznaczony jako czynny oraz błędne godziny. Te konflikty bezpośrednio powodują stracone wizyty, telefony i zamówienia.

Priorytet drugi: błędna identyfikacja podmiotu. Trzeba usunąć dawne nazwy używane bez wyjaśnienia, rozdzielić profile różnych oddziałów i jasno wskazać relację między marką handlową a nazwą spółki. Przy rebrandingu dawna nazwa może pozostać w treści, ale powinna występować w zdaniu typu: „Do czerwca 2024 roku firma działała jako…”, a nie jako równoległa nazwa aktualna.

Priorytet trzeci: oferta i kategorie. Nieaktualne usługi należy usuwać przede wszystkim ze stron indeksowanych i profili o dużym zasięgu. Jeżeli usługa jest dostępna tylko w jednym oddziale, trzeba podać lokalizację wprost. Ogólne zdanie „firma wykonuje badania” jest błędne, jeśli robi to wyłącznie placówka w Gdańsku, a nie oddziały w Toruniu i Bydgoszczy.

Priorytet czwarty: kosmetyka zapisu. Różnice typu „al. Jana Pawła II” i „Aleja Jana Pawła II” mają mniejsze znaczenie, jeśli kod pocztowy, numer budynku i współrzędne są identyczne. Nie należy rozpoczynać miesięcznego projektu od poprawiania wielkich liter, gdy w profilu Google nadal widnieje numer telefonu dawnego najemcy.

Po korekcie źródeł wysokiego priorytetu trzeba odczekać ustalony okres i powtórzyć identyczny test. Dla profili lokalnych pierwsza kontrola po 14 dniach pozwala sprawdzić, czy zmiany zostały opublikowane i przejęte przez główne platformy. Drugi pomiar po 30–45 dniach pokazuje, czy poprawa dotarła szerzej. Nie warto wykonywać codziennie pełnego zestawu testów, ponieważ krótkoterminowe wahania mogą prowadzić do fałszywych wniosków.

Do oceny efektu można wykorzystać prostą tabelę:

To przykład sposobu raportowania, a nie uniwersalna obietnica poprawy. Najważniejsza jest zależność kierunkowa: czy wraz ze spadkiem konfliktów rośnie udział poprawnych odpowiedzi i maleje liczba pewnie podawanych błędów. Jeśli NAP Conflict Score spada, ale AI nadal popełnia te same pomyłki, trzeba sprawdzić, czy błędna informacja nie pozostaje w źródle o dużym autorytecie — na przykład w starym dokumencie PDF, profilu partnera albo osobnej wizytówce zamkniętej placówki.

Najbardziej irytującą częścią procesu jest brak pełnej kontroli nad katalogami. Niektóre platformy nie pozwalają właścicielowi samodzielnie usunąć wpisu, wymagają wieloetapowej weryfikacji albo ponownie importują stare dane. W takiej sytuacji trzeba udokumentować zgłoszenia i skupić się na źródłach, które firma kontroluje bezpośrednio: stronie, danych strukturalnych, profilach głównych oraz komunikatach o przeniesieniu lub rebrandingu. Dodatkowe informacje na: https://enees.pl

FAQ

Czy NAP Conflict Score jest oficjalnym standardem Google lub OpenAI?
Nie. To autorski model audytowy służący do porządkowania sprzeczności i ustalania kolejności napraw. Jego wartość zależy od konsekwentnego stosowania tej samej skali, zestawu źródeł i zasad testowania.

Jaki wynik powinien zaniepokoić właściciela firmy?
Wynik powyżej 25 punktów uzasadnia zaplanowanie korekt. Po przekroczeniu 45 punktów naprawa powinna mieć wysoki priorytet, szczególnie gdy konflikty dotyczą adresu, telefonu, statusu placówki lub nazwy podmiotu.

Czy jeden błędny katalog może powodować nieprawidłowe odpowiedzi AI?
Tak, jeśli jest często cytowany, regularnie indeksowany albo traktowany jako źródło referencyjne przez inne platformy. Mały katalog z zerowym ruchem zwykle ma mniejsze znaczenie niż błędny profil Google, oficjalna strona lub portal branżowy.

Jak często wykonywać audyt?
Dla stabilnej firmy lokalnej wystarcza kontrola co 3–6 miesięcy. Audyt trzeba również przeprowadzić po przeprowadzce, zmianie numeru telefonu, rebrandingu, zamknięciu oddziału, zmianie godzin albo istotnej modyfikacji oferty.

Czy wszystkie katalogi muszą zawierać identyczny zapis nazwy i adresu?
Nie muszą być identyczne znak w znak. Skróty typu „ul.” i „ulica” nie są krytyczne, jeżeli jednoznacznie wskazują ten sam adres. Niebezpieczne są różnice zmieniające podmiot, lokalizację lub sposób kontaktu.

Czy poprawienie strony firmowej wystarczy?
Zwykle nie. Oficjalna strona jest najważniejszym źródłem kontrolowanym przez firmę, ale modele i wyszukiwarki korzystają także z map, katalogów, serwisów społecznościowych, stron partnerów oraz starszych dokumentów. Korekta powinna objąć najpierw źródła o największym zasięgu i autorytecie.

Jak odróżnić halucynację AI od zwykłego powtórzenia starej informacji?
Z punktu widzenia klienta skutek jest podobny. W audycie warto jednak rozróżnić dwa przypadki: powtórzenie błędu istniejącego w konkretnym źródle oraz stworzenie odpowiedzi przez połączenie danych z kilku podmiotów. Drugi przypadek częściej wskazuje na problem z identyfikacją firmy.

Czy niski NAP Conflict Score gwarantuje poprawne odpowiedzi?
Nie. Zmniejsza ryzyko, ale go nie usuwa. Model może korzystać ze starszej wiedzy, nie mieć dostępu do aktualnych danych albo źle zinterpretować pytanie. Dlatego wynik trzeba łączyć z regularnym testem rzeczywistych odpowiedzi.

Pierwszym działaniem nie powinno być poprawianie drobnych różnic w zapisie nazwy. Najpierw należy wyszukać wszystkie aktywne profile zawierające stary adres, nieczynny numer telefonu lub zamkniętą lokalizację. To błędy o największym koszcie: kierują klienta do niewłaściwego miejsca i jednocześnie tworzą dla AI silną, alternatywną wersję rzeczywistości. Dopiero po ich usunięciu warto porządkować kategorie, opis oferty i kosmetykę zapisu.