AI visibility dla e-commerce – jak sprawić, żeby AI polecała Twoje produkty

AI nie poleca sklepów internetowych – poleca produkty. Kiedy klient pyta ChatGPT „jakie buty do biegania dla poczatkujacego?”, dostaje nazwy konkretnych modeli, nie liste linków do sklepów. Jeśli Twoje produkty nie pojawiają się w tych odpowiedziach, tracisz klientow, ktorzy nigdy nie odwiedza Twojej strony – bo AI ich do niej nie skieruje. W tym artykule pokazujemy, jak działa AI product discovery, czym różni się od tradycyjnego SEO e-commerce i co konkretnie zrobić, żeby Twoje produkty pojawiały się w rekomendacjach ChatGPT, Perplexity, Google AI Mode i Gemini.

Ruch z AI do sklepów internetowych wzrosl o 302% rok do roku według raportu Euromonitor z 2026 roku. Klienci, ktorzy trafiają do sklepu z rekomendacji AI, konwertują 4,4 razy częściej niż ci z tradycyjnego wyszukiwania organicznego – wynika z danych Semrush. A ponad 91% zapytan e-commerce w Google generuje juz wyniki AI (Eyeful Media, 2026). To nie prognoza – to stan obecny. Pytanie nie brzmi „czy AI wplynie na e-commerce”, tylko „czy Twoje produkty są juz widoczne w odpowiedziach AI”.

Dlaczego AI product discovery to zupełnie inna gra niż SEO e-commerce?

W tradycyjnym SEO e-commerce walczysz o pozycje w wynikach wyszukiwania. Klient wpisuje „buty do biegania”, dostaje liste 10 linków, klika w 2-3 sklepy, porównuje ceny i wraca do tego, który go przekonał. Cały proces zajmuje kilka sesji, kilkanascie klikniec i trwa dni. W AI product discovery ten proces jest skompresowany do jednej odpowiedzi.

Kiedy klient pyta ChatGPT „jakie buty do biegania dla poczatkujacego z plaskostopiem, budzet do 500 zl?”, AI nie zwraca listy linków. Zamiast tego syntetyzuje odpowiedź z wielu źródeł, wymienia 2-3 konkretne modele z nazwy, porównuje ich cechy i często podaje orientacyjne ceny. Klient dostaje gotowa rekomendacje – i albo ja akceptuje, albo prosi o doprecyzowanie. Nie otwiera 10 zakladek, nie porównuje stron – porównanie zrobila za niego AI.

To fundamentalnie zmienia role sklepu internetowego. W modelu tradycyjnym sklep byl miejscem porównania i decyzji. W modelu AI sklep staje się miejscem finalizacji zakupu – decyzja zapada wczesniej, w rozmowie z AI. Jak opisuje MIM:AGENCY w analizie nowej logiki e-commerce, ścieżka zakupowa zmienila się z „zapytanie -> lista stron -> porównanie -> wybor” na „dialog z AI -> gotowa rekomendacja -> potwierdzenie lub korekta”.

Co AI poleca – produkt czy sklep? I dlaczego to kluczowe rozróżnienie?

To najwazniejszy insight dla każdego właściciela sklepu internetowego: AI w odpowiedziach zakupowych poleca przede wszystkim produkty, nie sklepy. Kiedy klient pyta „jaki laptop do pracy biurowej?”, ChatGPT odpowiada „Polecam Lenovo ThinkPad E16 Gen 2 lub Dell Latitude 5540” – a nie „Sprawdź ofertę w Media Expert lub x-kom”. Nazwy sklepów pojawiają się dopiero jako miejsce zakupu, i to głównie w przypadku dużych platform (Allegro, Amazon, Zalando).

Dla mniejszych i średnich sklepów e-commerce oznacza to zmiane perspektywy. Nie optymalizujesz widoczności sklepu – optymalizujesz widoczności produktów. To produkt musi miec kompletne dane strukturalne, recenzje i treści, które AI może zrozumieć i zacytowac. Sklep jest infrastruktura, produkt jest bohaterem odpowiedzi.

Dlaczego AI tak działa? Bo uzytkownicy pytaja o rozwiazania problemów, nie o sklepy. „Jaki krem nawilzajacy dla suchej skory?” to pytanie o produkt. AI szuka informacji o konkretnych produktach – skladnikach, recenzjach, porownaniach – a nastepnie syntetyzuje rekomendacje. Zrodla, z których AI czerpie, to przede wszystkim: strony produktowe z danymi strukturalnymi, recenzje (Google, Trustpilot, Ceneo), treści porównawcze (rankingi, testy, blogi) i dane z Google Merchant Center.

Jakie dane strukturalne są konieczne, żeby AI polecała Twoje produkty?

Dane strukturalne są fundamentem widoczności produktów w AI – bez nich AI musi zgadywac, co sprzedajesz, i z reguly zgaduje zle lub pomija Cie całkowicie. Badanie SE Ranking wykazalo, że 65% stron cytowanych przez Google AI Mode i 71% cytowanych przez ChatGPT zawiera dane strukturalne. To nie gwarancja widoczności, ale warunek konieczny.

Minimalne Product schema, które wieksznosc sklepów ma wdrozone (name, price, availability), nie wystarczy w 2026 roku. AI shopping agents – w tym ChatGPT Shopping, Perplexity Shopping i Google AI Mode – potrzebują znacznie bogatszego zestawu danych, żeby moc pewnie polecić produkt. Chodzi o to, żeby AI miala wystarczająco duzo informacji, żeby odpowiedziec na pytanie z ograniczeniami: „najlepszy krem do twarzy z kwasem hialuronowym, bez parabenow, do 80 zl”.

Pełny zestaw pol Product schema dla AI obejmuje: name (pełna nazwa z marka producenta), description (minimum 150 znakow, z kluczowymi atrybutami), brand (jako zagniezdzone Brand z name), sku i gtin (identyfikatory produktu – bez nich AI nie może jednoznacznie rozpoznac produktu), image (minimum jedno, najlepiej kilka zdjęć), offers z price, priceCurrency i availability, oraz AggregateRating z ratingValue i reviewCount. Do tego dochodzi coraz wazniejsze: atrybuty fizyczne – color, size, material, weight – które pozwalaja AI filtrowac produkty po cechach.

W styczniu 2026 Google wprowadzil Universal Commerce Protocol (UCP) – otwarty standard, który pozwala agentom AI autonomicznie wyszukiwać, porównywać i kupować produkty. UCP opiera się na danych strukturalnych – jeśli Twój sklep ich nie dostarcza, agenci AI po prostu go pomijają. To nie jest futurystyczny scenariusz – ChatGPT Shopping juz teraz pobiera 83% danych z Google Shopping, co oznacza, że Twój feed w Merchant Center bezpośrednio wpływa na to, czy ChatGPT poleci Twoje produkty.

Jak wygląda Product schema, które AI rozumie? Przykłady kodu

Teoria to jedno – ale wielu właścicieli sklepów nie wie, jak wygląda poprawnie wdrożone Product schema w praktyce. Poniżej znajdziesz konkretne przykłady JSON-LD, które możesz zaadaptować do swojego sklepu. Każdy przykład pokazuje minimum wymagane przez systemy AI do cytowania produktów.

Przykład 1: Product + Offer + AggregateRating – to absolutne minimum, bez którego AI nie może pewnie polecić produktu. Zwróć uwagę na pola gtin13 (identyfikator globalny), brand (jako zagnieżdżony obiekt Brand, nie tekst) i AggregateRating z reviewCount.

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Nike Air Pegasus 41",
  "image": ["https://sklep.pl/img/pegasus-front.jpg",
            "https://sklep.pl/img/pegasus-sole.jpg"],
  "description": "But do biegania. React foam, drop 10 mm, waga 272 g.",
  "brand": {"@type": "Brand", "name": "Nike"},
  "sku": "DA2776-001",
  "gtin13": "0195869578421",
  "color": "Black/White",
  "material": "Mesh/React foam",
  "offers": {
    "@type": "Offer",
    "price": "549.00",
    "priceCurrency": "PLN",
    "availability": "https://schema.org/InStock",
    "itemCondition": "https://schema.org/NewCondition",
    "url": "https://sklep.pl/nike-pegasus-41/",
    "priceValidUntil": "2026-12-31"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.6",
    "reviewCount": "127",
    "bestRating": "5"
  }
}

Przykład 2: Review – pojedyncza recenzja zagnieżdżona w Product. AI analizuje treść recenzji (reviewBody) jako źródło atrybutów i opinii. Recenzja z konkretnymi cechami („świetna amortyzacja na asfalcie”) jest cenniejsza niż ogólna („polecam!”).

"review": [{
  "@type": "Review",
  "author": {"@type": "Person", "name": "Marek K."},
  "datePublished": "2026-03-15",
  "reviewRating": {
    "@type": "Rating",
    "ratingValue": "5",
    "bestRating": "5"
  },
  "reviewBody": "Amortyzacja na asfalcie. 400 km i React foam nadal trzyma. Rozmiar standardowy Nike."
}]

Przykład 3: ProductGroup z wariantami – jeśli sprzedajesz produkt w wielu rozmiarach lub kolorach. ProductGroup mówi AI: „to jest jeden produkt w różnych wariantach”. Pola variesBy określają, po jakich atrybutach różnią się warianty. Bez tego AI traktuje każdy rozmiar jako osobny produkt.

{
  "@context": "https://schema.org",
  "@type": "ProductGroup",
  "name": "Nike Air Pegasus 41",
  "productGroupID": "pegasus-41",
  "variesBy": ["https://schema.org/size",
               "https://schema.org/color"],
  "hasVariant": [
    {"@type": "Product", "size": "42", "color": "Black/White",
     "sku": "DA2776-001-42",
     "offers": {"@type":"Offer", "price":"549.00",
                "priceCurrency":"PLN",
                "availability":"https://schema.org/InStock"}},
    {"@type": "Product", "size": "43", "color": "Blue/Orange",
     "sku": "DA2776-002-43",
     "offers": {"@type":"Offer", "price":"549.00",
                "priceCurrency":"PLN",
                "availability":"https://schema.org/OutOfStock"}}
  ]
}

Dlaczego to ma znaczenie? Kiedy użytkownik pyta „Nike Pegasus 41 w rozmiarze 43, czy jest dostępny?”, AI z poprawnym ProductGroup może odpowiedzieć precyzyjnie: „rozmiar 43 w kolorze Blue/Orange jest niedostępny, ale w Black/White jest w stocku”. Bez wariantów w schema, AI odpowiada ogólnie „sprawdź na stronie sklepu” – co jest bezwartościową odpowiedzią.

Na co zwrócić szczególną uwagę: Pole gtin13 to globalny identyfikator, który pozwala AI jednoznacznie rozpoznać produkt i połączyć dane z wielu źródeł (Twój sklep, Ceneo, Google Shopping, recenzje). Bez identyfikatora AI traktuje Twój produkt jako „jakiś but Nike”, a nie jako konkretny model. Pole brand musi być obiektem Brand, nie zwykłym tekstem – AI buduje graf encji i potrzebuje struktury. AggregateRating z reviewCount daje AI sygnał social proof – produkt z 127 recenzjami i oceną 4.6 jest pewniejszą rekomendacją niż produkt bez ocen.

Jak pisać treści produktowe, które AI chce cytować?

Dane strukturalne mówią AI CO sprzedajesz. Treści produktowe mówią AI DLACZEGO warto to kupic. Oba są potrzebne, ale treści daja Ci przewage w pytaniach porównawczych i decyzyjnych – tam, gdzie AI musi uzasadnic rekomendacje, a nie tylko wymienic nazwe produktu.

Typowy opis produktu w polskim sklepie e-commerce wyglada tak: 2-3 zdania marketingowego błyskotliwego tekstu, lista wypunktowana z parametrami i tabela specyfikacji. Dla AI ten format jest problematyczny – błyskotliwy tekst nie niesie informacji, lista jest czescio redundantna z tabelka, a najwazniejsza informacja (dlaczego akurat ten produkt, a nie inny) jest nieobecna.

Treści produktowe zoptymalizowane pod AI maja inna strukture. Zaczynaja się od odpowiedzi answer-first – pierwsze zdanie mówi, dla kogo ten produkt jest najlepszym wyborem i dlaczego. Nastepnie: tabela porównawcza z 2-3 konkurencyjnymi produktami (AI uwielbia tabele porównawcze, bo może z nich wyciagnac strukturalne różnice), sekcja „dla kogo jest ten produkt” (odpowiada na pytania z ograniczeniami persona), i FAQ z pytaniami zakupowymi („Czy ten krem jest odpowiedni dla skory tradzikowej?”, „Czy można go stosowac pod makijaz?”).

Kluczowa zasada: pisz treści, które odpowiadają na pytania, jakie klienci zadaja AI. Nie „najwyzszej jakości produkt premium” (pusty marketing), ale „krem z 2% kwasem hialuronowym, bez parabenow, testowany dermatologicznie, odpowiedni dla skory wrazliwej i suchej, cena 65 zl za 50 ml”. AI potrzebuje faktow, atrybutów i kontekstu – nie sloganow.

Dlaczego recenzje są paliwem rakietowym dla widoczności produktów w AI?

Recenzje pelnia w AI podwojna role: są sygnalem zaufania DLA uzytkownika (social proof) i danymi treningowymi DLA modelu AI. Kiedy setki uzytkownikow pisza na Ceneo „ten krem świetnie nawilża”, AI traktuje to jako dowód na to, że produkt rzeczywiscie nawilża – i może pewniej go polecić w odpowiedzi na pytanie o nawilzanie.

Dane potwierdzają te zależność. Według PowerReviews produkty z 11-30 recenzjami konwertują o 68% wyzej niż produkty bez recenzji. Z perspektywy AI to tez ma sens – więcej recenzji to więcej danych, z których model może wyciagnac atrybuty i opinie. AI nie czyta pojedynczych recenzji jak czlowiek – agreguje sentymenty i wyciaga wzorce: „uzytkownicy konsekwentnie chwalili ten produkt za X, ale narzekali na Y”.

Praktyczne działania: zbieraj recenzje aktywnie (follow-upy po zakupie, programy lojalnosciowe), rozprowadzaj je po wielu platformach (Google Reviews, Trustpilot, Ceneo, opinie na karcie produktu), i – co wazne – odpowiadaj na recenzje negatywne. AI widzi odpowiedzi marki na krytyczne opinie jako sygnal authority i wiarygodnosci. Marka, która reaguje na krytke, wyglada na bardziej godna zaufania niż marka, która milczy.

Jak Google Merchant Center i feed produktowy wpływają na widoczność w ChatGPT?

Google Merchant Center stal się nieoczekiwanie jednym z najwazniejszych kanałów widoczności w AI – nie tylko w Google AI Overviews i AI Mode, ale tez w ChatGPT. Dane wskazuja, że 83% danych w karuzelach zakupowych ChatGPT pochodzi bezpośrednio z Google Shopping. To oznacza, że Twój feed produktowy w Merchant Center jest jednocześnie feedem dla ChatGPT Shopping.

Dlaczego to wazne? Bo wieksznosc sklepów traktuje Merchant Center jako kanal reklamowy – feed jest zoptymalizowany pod Google Ads, nie pod AI discovery. Tymczasem AI agents potrzebują bogatszych danych niż reklama: pełnych opisow, wielu zdjęć, kompletnych atrybutów (kolor, rozmiar, material), GTIN-ow i aktualnych cen z dostępnością. Feed, który wystarczał do kampanii Shopping, może byc za ubogi dla AI agents.

Universal Commerce Protocol (UCP), który Google wprowadzil w styczniu 2026, idzie jeszcze dalej. UCP pozwala agentom AI – w tym asystentom Google, ale potencjalnie tez innym platformom – nie tylko wyszukiwać i porównywać produkty, ale tez finalizować zakupy w imieniu uzytkownika. Cala transakcja może odbyc się bez wizyty na Twojej stronie. W tym modelu feed produktowy staje się Twoja główna „witryna” – to on decyduje, czy agent AI w ogole rozważy Twój produkt.

Konkretne kroki: sprawdź kompletność fedu w Merchant Center (uzyj raportu diagnostycznego), dodaj brakujące atrybuty (szczegolnie GTIN, material, kolor, rozmiar), upewnij się, że opisy w feedzie są unikalne (nie kopiuj z karty produktu – AI wykrywa duplikaty), i monitoruj, czy produkty pojawiają się w Google AI Mode na zapytania zakupowe.

Jakie treści porównawcze i poradnikowe budują widoczność produktów w AI?

Karty produktowe to fundament, ale to treści porównawcze i poradnikowe budują kontrolę narracji wokol Twoich produktów. Kiedy klient pyta AI „jaki ekspres do kawy do 2000 zl?”, AI nie szuka pojedynczej karty produktowej – szuka treści, która porównuje wiele opcji i daje uzasadniona rekomendacje. Jeśli ta tresc jest na Twojej stronie, AI cytuje Ciebie.

Trzy typy treści, które najlepiej działają w AI e-commerce: Rankingi kategoriowe („5 najlepszych ekspresow cisnieniowych do 2000 zl w 2026”) – AI traktuje je jako gotowe shortlisty, z których może wyciagnac rekomendacje. Poradniki „jak wybrac” („Jak wybrac ekspres do kawy – przewodnik dla poczatkujacych”) – odpowiadają na pytania procesowe i decyzyjne, które są czescia query fan-out. Porownania head-to-head („DeLonghi Magnifica S vs Saeco Lirika – co wybrac?”) – AI często generuje własne porównania i szuka źródeł, które potwierdzają lub uzupelniaja jego analize.

Kluczowa zasada: treści porównawcze musza byc uczciwe. Jeśli sprzedajesz DeLonghi i porównujesz go z Saeco, ale całkowicie pomijasz wady DeLonghi, AI to wykryje – ma dostęp do wielu źródeł i skontruje stronnicza tresc innymi danymi. Uczciwe porównanie z realnymi plusami i minusami buduje wiarygodnosc, która AI nagradza cytowaniami.

Jak mierzyć widoczność produktów w AI i jakie KPI śledzić?

Metryki tradycyjnego SEO – pozycja, CTR, ruch organiczny – nie mierza widoczności w AI. Potrzebujesz nowych wskaźników. Podstawowe trzy to: brand/product mention rate (w jakim procencie odpowiedzi AI pojawia się Twój produkt lub marka), citation share (Twój udzial w cytowaniach vs konkurencja w danej kategorii) i AI referral conversion rate (konwersja ruchu z AI vs inne kanaly).

Pomiar zaczynasz od recznego testowania. Wpisz 10-20 pytan zakupowych w ChatGPT, Perplexity, Gemini i Google AI Mode. Pytania powinny odpowiadac realnym zapytaniom Twoich klientow – „jaki [kategoria produktu] polecacie dla [persona]?”, „jaki [produkt] jest najlepszy w [przedzial cenowy]?”, „[Twój produkt] vs [konkurent] – co wybrac?”. Notuj, czy Twój produkt/marka pojawia się w odpowiedzi, na której pozycji i w jakim kontekscie (pozytywnym, neutralnym, negatywnym).

Systematyczny monitoring wymaga narzedzi. Na polskim rynku możesz uzyc podejscia, które opisaliśmy w artykule o observed visibility – buduj biblioteke promptow zakupowych i monitoruj brand rate na wielu silnikach. W GA4 warto ustawic segment ruchu z AI: filtruj sessionSource po wyrazeniach chatgpt, perplexity, claude.ai, gemini, copilot i mierz konwersje z tych źródeł osobno. W naszym doświadczeniu ruch z AI ma wyższa wartość koszyka, ale niższy wolumen – to quality traffic, nie mass traffic.

Czy mały sklep internetowy ma szansę w świecie AI product discovery?

Tak – ale strategia musi byc inna niż u dużych platform. Allegro, Amazon czy Zalando maja przewage rozpoznawalnosci marki i skali recenzji. Ale AI poleca produkty, nie sklepy. Mały sklep z unikalnymi produktami, pełnym Product schema i tresciami answer-first może byc cytowany obok gigantow – bo AI ocenia jakość informacji o produkcie, nie wielkosc sklepu.

Przewaga małych sklepów lezy w niszach. Duze platformy maja miliony produktów, ale treści porównawcze i poradnikowe tworzą głównie dla top kategorii. Jeśli sprzedajesz specjalistyczny sprzęt – np. maty do jogi z korka, obuwie barefoot czy kosmetyki naturalne z certyfikatem ECOCERT – i masz poglebione treści porównawcze w tej niszy, AI zacytuje Ciebie, bo nie ma lepszego źródła. To jest pozycjonowanie w AI w praktyce – nie walczysz o ogólne frazy, walczysz o niszowe pytania, gdzie Twoja ekspertyza jest niezastapiona.

Konkretna strategia dla małego sklepu: (1) Wybierz 5-10 produktów flagowych. (2) Uzupelnij Product schema o pełny zestaw atrybutów. (3) Napisz treści porównawcze – Twój produkt vs 2 konkurenci, uczciwie, z danymi. (4) Zbierz minimum 10-20 recenzji na każdy flagowy produkt. (5) Monitoruj prompty zakupowe w niszy co 30 dni. To nie wymaga dużego budzetu – wymaga systematyczności i znajomosci produktu, która mały sklep ma z natury.

Jak wyglądają karty produktowe topowych sklepów pod kątem AI? Audyt 5 branż

Zbadaliśmy kod źródłowy kart produktowych z 5 branż. Metodologia: pobraliśmy HTML każdej strony (curl z nagłówkami przeglądarki Chrome), sparsowaliśmy każdy blok <script type="application/ld+json">, zwalidowaliśmy strukturę Product/ProductGroup i sprawdziliśmy spójność między danymi w JSON-LD a widoczną treścią strony. Dodatkowo przepuściliśmy dostępne strony przez ecom_product_entity_matrix_audit z GSCGA MCP – narzędzie oparte o patent Google US11263400B2, które analizuje relacje encja-atrybut w trzech warstwach.

Co sprawdza narzędzie entity attribute matrix? Narzędzie pobiera HTML karty produktowej i bada ją na trzech poziomach. Pierwszy: widoczna treść (visible) – czy atrybuty produktu (cena, marka, wymiary, materiał) są jawnie napisane na stronie. Drugi: dane strukturalne (JSON-LD) – czy te same atrybuty istnieją w bloku Product schema. Trzeci: spójność (consistency) – czy wartości w obu warstwach się zgadzają. Wynik końcowy to EntityAttributeCompletenessScore (0-100), rozbity na critical coverage (cena, dostępność, dostawa), decision coverage (marka, materiał, wymiary) i supporting coverage (SKU, opinie, certyfikaty). To implementacja idei z patentu US11263400B2, który opisuje system identyfikowania relacji między encją (produkt) a atrybutem (cecha) w korpusach tekstowych.

Uwaga metodologiczna: Media Expert, MediaMarkt i Zalando blokują crawlery (Cloudflare challenge / 403 / timeout). Nie udało się pobrać kodu źródłowego ich kart produktowych. To samo w sobie jest findingiem – jeśli sklep blokuje crawlery, blokuje też boty AI, które próbują odczytać dane o produktach. Dla porównania: IKEA, Jula, Nike, Myprotein i Morele.net udostępniają swoje karty produktowe crawlerom.

Jula.pl (91/100, narzędzia) – najwyższy wynik. Pełny Product schema z ceną 399 zł, marką Stanley Fatmax jako obiektem Brand, SKU i AggregateRating 4.6/5 z 227 opiniami. Specyfikacja (moc 1800W, pojemność 24L, waga 30.6 kg) w HTML. Conflict: OutOfStock w JSON-LD, ale na stronie brak tej informacji.

IKEA (~85/100, meble) – najlepsza spójność widoczna/JSON-LD. Product z Brand IKEA (obiekt), SKU 604.035.84, ceną 699 zł, InStock. AggregateRating 4.8/5 z 482 opiniami plus 20 pełnych Review z reviewBody. Kolor, materiał, wymiary zarówno w HTML jak i w JSON-LD. Brak: GTIN.

Myprotein.pl (76/100, suplementy) – bogaty ProductGroup z 127 wariantami (wagi i smaki), Brand Myprotein jako obiekt, AggregateRating 4.97/5, 10 Review z treścią. Ale: cena i dostępność renderowane przez JavaScript – crawler widzi je tylko w JSON-LD, nie w HTML. Visible/JSON-LD consistency: 0%.

Morele.net (~70/100, elektronika) – Product schema z ceną 8749 zł, InStock, 12 zdjęciami i opisem 3254 znaków. Problem: pole Brand ustawione na „Morele.net” (nazwa sklepu) zamiast na producenta komputera (Game X). AI interpretuje to jako „marka produktu to Morele.net” – fundamentalny błąd w entity-attribute mapping. AggregateRating 5/5, ale z jednej opinii. Review body: 2 znaki. Brak koloru, materiału, GTIN.

Nike.com/pl (63/100, fashion) – ProductGroup z 23 wariantami (kolor + rozmiar), Brand Nike jako obiekt, cena 649.99 zł. Ale ZERO AggregateRating i ZERO Review w schema mimo milionów opinii na stronie. Brak availability na wariantach. Crawler dostaje redirect na niemiecki locale.

Media Expert, MediaMarkt, Zalando – nie udało się zbadać. Wszystkie trzy sklepy blokują crawlery (Cloudflare challenge, 403, timeout). To osobny problem – jeśli sklep blokuje crawlery, blokuje też boty AI próbujące odczytać dane o produktach. Dostęp botów AI do strony to pierwsza warstwa widoczności w AI.

Główny wniosek: nawet globalne marki mają fundamentalne luki. Nike nie podaje opinii w schema. Myprotein ma 0% consistency. Morele.net myli markę sklepu z marką producenta. To realna szansa – mniejszy sklep z kompletnym, spójnym Product schema może wyprzedzić gigantów w AI product discovery.

Co patenty Google mówią o przyszłości kart produktowych?

Trzy patenty Google z lat 2022-2026 pokazują, w jakim kierunku zmierza wyszukiwanie produktowe. To nie spekulacje – to opatentowane mechanizmy, które Google aktywnie rozwija. Każdy z nich zmienia reguły gry dla sklepów internetowych.

Patent US11263400B2 – Identifying entity attribute relations (Google LLC, granted III.2022, active do 2040). Patent opisuje system identyfikowania relacji między encją a atrybutem w korpusach tekstowych. Encja to dowolny obiekt – osoba, miejsce, organizacja, produkt. Atrybut to cecha opisująca tę encję. System analizuje zdania, w których występują encja i atrybut, generuje embeddingi dla słów między nimi, a następnie sieć neuronowa decyduje, czy dany atrybut faktycznie należy do encji. W kontekście e-commerce: produkt to encja, cechy produktu (kolor, materiał, rozmiar, zastosowanie, kompatybilność) to atrybuty. Google posiada więc opatentowane metody identyfikowania relacji encja-atrybut na podstawie tekstu, znanych par encja-atrybut oraz podobieństw między encjami. Brak jasno podanych cech produktu nie oznacza braku interpretacji – Google może próbować samodzielnie ustalić, jakie atrybuty są związane z produktem, kategorią lub marką. Ale wnioskowanie jest z natury mniej pewne niż deklaracja. Jeśli podasz atrybuty jawnie w Product schema i feedzie produktowym, AI ma pewność – i może pewniej polecić Twój produkt w odpowiedzi na pytanie z ograniczeniami.

Patent US20260087071A1 – Image Query Analysis (Google LLC, pending, publikacja III.2026). Patent opisuje system analizy obrazów w odpowiedzi na zapytania tekstowe lub głosowe. System przyjmuje zapytanie użytkownika, określa kategorię obrazów powiązaną z zapytaniem, wybiera podzbiór obrazów należących do tej kategorii, analizuje je pod kątem odpowiedzi i generuje odpowiedź na podstawie obrazów. Kluczowe jest to, że system może wybrać fragment obrazu (bounding box), który przedstawia dane odpowiadające zapytaniu, a następnie wyróżniać ten fragment w interfejsie – kadrować, cropować i usuwać części, które nie są istotne. Dla e-commerce oznacza to, że zdjęcia produktowe mogą działać jako źródła odpowiedzi, nie tylko element wizualny strony. Jeśli użytkownik szuka „plecak z kieszenią na laptopa” lub „buty z grubą podeszwą”, Google może próbować nie tylko przeczytać opis produktu, ale też wyodrębnić wizualny dowód z obrazu. Potrzebujesz zdjęć detali, nie tylko jednego „lifestyle photo”.

Patent US12536233B1 – AI-generated content page tailored to a specific user (Google LLC, granted I.2026). Patent opisuje system, w którym Google może utworzyć AI-warstwę pośrednią dla organizacji – alternatywny landing experience – gdy klasyczny landing page nie spełnia oczekiwań użytkownika. System oblicza „landing page score” na podstawie conversion rate, bounce rate, CTR, jakości designu i jakości contentu. Jeśli wynik przekracza próg – lub jeśli strona nie ma np. filtra produktów – Google może pokazać w SERP link do AI-generated page. W patencie wprost pojawiają się elementy bliskie e-commerce: CTA do strony produktu, product feed, AI chatbot, dynamicznie generowane treści i sitelink do strony szczegółowej produktu.

Trzy patenty razem tworzą obraz wyszukiwarki, która nie tylko indeksuje stronę produktową, ale próbuje samodzielnie zbudować odpowiedź z treści, danych, atrybutów i obrazów. Rola sklepu e-commerce przesuwa się z projektowania stron na dostarczanie jakościowych danych. Im lepsze dane dostarczysz (kompletne Product schema, bogate zdjęcia detali, pełne atrybuty w feedzie), tym większą kontrolę zachowujesz nad tym, jak AI prezentuje Twoje produkty.

Jakie błędy najczęściej popełniają sklepy e-commerce w optymalizacji pod AI?

Minimalne Product schema. Wiekszosc sklepów na WooCommerce czy PrestaShop ma wdrozone podstawowe Product schema – name, price, availability. To wystarczało w 2023 roku. W 2026 AI agents potrzebują brand, sku, gtin, atrybutów fizycznych (kolor, rozmiar, material), AggregateRating i wielu zdjęć. Sklep z minimalnym schema jest jak CV z samym imieniem i nazwiskiem – technicznie istnieje, ale nikt go nie wezmie pod uwage.

Kopiowane opisy od producenta. Jeśli 50 sklepów ma ten sam opis produktu skopiowany z karty producenta, AI nie ma powodu, żeby cytować akurat Twój. Unikalne opisy – napisane z perspektywy uzytkownika, z realnymi zaletami i wadami – wyróżniają Twoja stronę jako źródło wartosciowe. To nie musi byc długi tekst – 3-4 zdania własnej oceny pod standardowym opisem juz robia różnice z perspektywy extractability.

Brak recenzji lub recenzje tylko na własnej stronie. AI syntetyzuje dane z wielu źródeł. Recenzje tylko na karcie produktu maja ograniczony zasieg – AI może ich nie znalezc, jeśli bot nie ma dostępu do strony lub jeśli recenzje są renderowane przez JavaScript. Rozproszenie recenzji po Google Reviews, Trustpilot, Ceneo i własnej stronie daje AI więcej punktow danych i większe zaufanie do produktu.

Feed w Merchant Center traktowany jako „rzecz od Google Ads”. Merchant Center to juz nie tylko kanal reklamowy – to infrastruktura AI product discovery. Sklepy, które maja ubogi feed (brak GTIN, generyczne opisy, jedno zdjęcie), są niewidoczne nie tylko w Google AI Mode, ale tez w ChatGPT Shopping. Wzbogacenie feedu o pełne atrybuty to jedno z dzialano o najwyzszym ROI w 2026 roku.

Ignorowanie treści porównawczych. Karty produktowe odpowiadają na pytanie „co to jest?”. Ale klienci pytaja AI „co wybrac?”. Jeśli nie masz treści, która porównuje Twoje produkty z konkurencja, AI znajdzie takie porównanie gdzie indziej – i może polecić cos innego. Treści „X vs Y” i rankingi kategoriowe to nie mily dodatek, to strategiczny priorytet.

Blokowanie botow AI. Crawlability AI to osobna warstwa – sprawdź, czy GPTBot, PerplexityBot i Google-Extended maja dostęp do Twoich stron produktowych. Wiele sklepów blokuje boty AI w robots.txt, często nieświadomie (np. przez domyslne ustawienia pluginu bezpieczenstwa lub WAF).

Od czego zacząć – praktyczna checklista dla sklepu e-commerce

Ponizej znajdziesz 10 krokow, które prowadza od stanu zerowego do systematycznej widoczności produktów w AI. Każdy krok buduje na poprzednim – zaczynasz od fundamentow (schema, dostęp), a konczysz na monitoringu i iteracji.

1. Sprawdź dostęp botow AI – zweryfikuj robots.txt pod katem GPTBot, PerplexityBot, Google-Extended, ClaudeBot. Sprawdź, czy WAF ich nie blokuje.
2. Audytuj Product schema – na 10 najwazniejszych kartach produktowych sprawdź, czy masz: name, brand, sku, gtin, image, offers (price, availability), AggregateRating. Uzyj Google Rich Results Test.
3. Dodaj brakujące atrybuty – kolor, rozmiar, material, waga. Każdy atrybut to dodatkowy filtr, po którym AI może dopasowac produkt do pytania z ograniczeniami.
4. Napisz unikalne opisy – chocby 3-4 zdania własnej oceny z perspektywy uzytkownika pod każdym flagowym produktem. Nie kopiuj od producenta.
5. Wzbogac feed w Merchant Center – dodaj GTIN, unikalne opisy, wiele zdjęć, pełne atrybuty. Feed to Twoja witryna dla ChatGPT Shopping.
6. Zbierz recenzje – minimum 10-20 na każdy flagowy produkt, rozproszonych po Google Reviews, Trustpilot/Ceneo i własnej stronie.
7. Stworz treści porównawcze – 3-5 artykulow „X vs Y” lub rankingowych dla głównych kategorii. Uczciwe, z danymi, w formacie answer-first.
8. Dodaj FAQ na kartach produktowych – 3-5 pytan zakupowych z odpowiedziami. Uzyj FAQPage schema.
9. Przetestuj widoczność ręcznie – wpisz 10-20 pytan zakupowych w ChatGPT, Perplexity, Gemini i AI Mode. Sprawdź, czy Twoje produkty się pojawiają.
10. Uruchom systematyczny monitoring – buduj biblioteke promptow zakupowych, monitoruj brand rate co 30 dni, mierz ruch z AI w GA4.

Semgence oferuje pozycjonowanie w AI dla sklepów e-commerce – od audytu danych strukturalnych i treści produktowych po monitoring widoczności na 5 silnikach AI. Jeśli chcesz sprawdzic, jak Twoje produkty wypadaja w odpowiedziach ChatGPT, Perplexity i Google AI Mode, zacznij od audytu widoczności w AI.

FAQ