"Hvordan anbefaler ChatGPT restauranter?" er gået fra teoretisk til dagligdag i 2026. Gæster spørger en chatbot om hvor man skal spise fredag aften og får en reel liste. Hvis du ikke er der, mister du kunder uden at vide det.
Hvor LLM henter data
To kanaler: scraping ved træning (Common Crawl, offentlige blogs) og runtime web-hentning (Bing/Google live).
Hvorfor schema.org
En side med schema.org/Restaurant-markup læses 3-5× mere præcist. Felter: name, address, telephone, servesCuisine, priceRange, openingHoursSpecification, hasMenu, aggregateRating.
Praktiske trin
1. JSON-LD i <head> (thMenu genererer det).
2. Komplet Google Business-profil.
3. Menu i HTML/markdown, aldrig PDF.
4. Anmeldelser via aggregateRating.
Almindelige fejl
Klient-side-renderede menuer er usynlige. SSR påkrævet. I robots.txt tillade GPTBot, PerplexityBot, ClaudeBot.
Ny SEO-æra
Google er ikke alene. LLM'er overtager 35%+ af rejse/mad-forespørgsler. Månedlig test: spørg ChatGPT om din restaurant.
Var dette nyttigt? Del det.
Relaterede artikler
Statisk QR vs dynamisk QR: samlede ejeromkostninger over 3 år
Bistro med 24 borde, 36 måneder: 21.000 TRY i genoptryk vs 11.640 TRY dynamisk a…
Omotenashi møder QR: japansk gæstfrihed uden at miste den menneskelige touch
Hvorfor Tokyos Sukiyabashi Jiro afviser QR-menuer, mens 68% af mellemklasse-izak…
AR-madforhåndsvisning via WebXR: browser-3D uden app
Hvordan Dishoom Soho opnåede +22% gennemsnitsregning med model-viewer. Sub-200KB…