"Jak ChatGPT poleca restauracje?" w 2026 r. przeszło z teorii do codziennej praktyki. Klienci pytają chatbota o piątkową kolację i dostają realną listę. Jeśli Cię tam nie ma, tracisz klientów nieświadomie.
Skąd LLM-y czerpią dane
Dwa kanały: scrapowanie w czasie treningu (Common Crawl, publiczne blogi) i pobieranie sieci w czasie rzeczywistym (Bing/Google live).
Dlaczego schema.org
Strona z schema.org/Restaurant jest czytana 3-5× dokładniej. Pola: name, address, telephone, servesCuisine, priceRange, openingHoursSpecification, hasMenu, aggregateRating.
Praktyczne kroki
1. JSON-LD w <head> (thMenu generuje).
2. Pełny profil Google Business.
3. Menu w HTML/markdown, nigdy PDF.
4. Recenzje przez aggregateRating.
Częste błędy
Menu renderowane tylko po stronie klienta: niewidoczne. SSR wymagane. W robots.txt zezwolić GPTBot, PerplexityBot, ClaudeBot.
Nowa era SEO
Google nie jest już sam. LLM-y obejmą 35%+ zapytań podróżnych/kulinarnych. Test miesięczny: zapytaj ChatGPT o swoją restaurację.
Czy to było pomocne? Udostępnij.
Powiązane artykuły
QR statyczny vs dynamiczny: porównanie TCO na 3 lata
Bistro z 24 stolikami, 36 miesięcy: 21 000 TRY na druki vs 11 640 TRY abonament …
Omotenashi i QR: japońska gościnność bez utraty ludzkiego dotyku
Dlaczego Sukiyabashi Jiro w Tokio odrzuca menu QR, podczas gdy 68% średnich izak…
Podgląd AR potraw przez WebXR: 3D w przeglądarce bez aplikacji
Jak Dishoom Soho osiągnęło +22% średniej wartości rachunku dzięki model-viewer. …