Product Comparability Score – jak sprawdzić, czy AI potrafi porównać Twoje produkty

AI generuje tabele porownawcze produktow w co trzeciej odpowiedzi zakupowej. Jezeli Twoj sklep nie dostarcza kompletnych, ustrukturyzowanych atrybutow – Twoje produkty wypadaja z tych tabel. Nie dlatego, ze sa gorsze. Dlatego, ze AI nie ma czego porownac. W tym artykule przedstawiam Product Comparability Score (PCS – wskaźnik porównywalności produktów) – autorski framework Semgence, ktory pozwala zmierzyc, na ile dane produktowe Twojego sklepu sa gotowe na porownania generowane przez ChatGPT Shopping, Google AI Mode i Perplexity. PCS to konkretny wskaznik od 0 do 100, ktory mozesz obliczyc dla kazdego produktu, kategorii i calego katalogu. CCS (Constraint Coverage Score) uzupełnia PCS o wymiar pokrycia constraintów z zapytań – więcej w artykule o SEO na wymagania i constraint-based search.

Jak AI porownuje produkty – mechanizm krok po kroku?

AI porownuje produkty w pieciu etapach: identyfikacja encji produktowych, zebranie atrybutow z dostepnych zrodel, znalezienie wspolnych cech miedzy produktami, ekstrakcja konkretnych wartosci i synteza oceny porownawczej w formie tabeli lub rankingu. Caly proces trwa ulamek sekundy i opiera sie wylacznie na danych strukturalnych – AI nie czyta marketingowej prozy, szuka data pointow (punktów danych).

Skala tego zjawiska jest juz ogromna. Wedlug analizy Evertune z marca 2026 przeprowadzonej na 21 000 odpowiedzi zakupowych ChatGPT, tabele porownawcze pojawiaja sie w jednej trzeciej wszystkich odpowiedzi zwiazanych z zakupami. To nie jest niszowa funkcja – to domyslny format prezentacji produktow w AI.

Co istotne, 88% tych tabel zawiera wiersz „Best for” (najlepszy do/dla) – krotka etykieta z superlatywem, ktora klasyfikuje produkt do konkretnego zastosowania. Najczesciej uzywane kategorie to „Budget/Cheapest” (43% tabel) i „Overall value” (19%). AI przydziela te etykiety na podstawie atrybutow, ktore udalo jej sie wyekstrahowac. Jezeli Twoj produkt nie ma wyraznej przewagi cenowej ani jasno opisanych cech – nie dostanie zadnej etykiety i staje sie „tym czwartym produktem w tabeli, ktory nie ma Best for”.

Mechanizm ekstrakcji atrybutow, ktory stoi za tym procesem, nie jest nowy. Google od lat rozwija technologie automatycznego wyciagania cech produktow ze strukturyzowanych dokumentow. Patent US8645391B1 opisuje system, ktory analizuje dokumenty o przewidywalnej strukturze – karty produktowe, specyfikacje techniczne, tabele parametrow – i automatycznie identyfikuje pary atrybut-wartosc. System rozpoznaje wzorce takie jak „Pojemnosc baterii: 5000 mAh” czy „Material: bawelna 100%” i konwertuje je na ustrukturyzowane dane nadajace sie do porownania.

To oznacza, ze AI nie „rozumie” Twoich produktow w ludzkim sensie. Przetwarza je jak baze danych – wiersz po wierszu, kolumna po kolumnie. Jezeli kolumna jest pusta, wiersz wypada z porownania.

Zeby zobaczyc ten mechanizm w dzialaniu, wystarczy wpisac w ChatGPT zapytanie typu „porownaj trzy najlepsze roboty sprzatajace do 2000 zl”. Odpowiedz bedzie tabela z kolumnami: cena, moc ssania, czas pracy na baterii, pojemnosc pojemnika, nawigacja, funkcja mopowania. AI wybierze te produkty, dla ktorych znajdzie wartosci we wszystkich kolumnach. Jezeli Twoj robot sprzatajacy ma doskonale parametry, ale na stronie PDP (strona produktowa) brakuje informacji o pojemnosci pojemnika – moze wypasc z tabeli na rzecz slabszego produktu, ktory te dane posiada.

Proces jest szczegolnie bezwzgledny w zapytaniach porownawczych typu „X vs Y”. AI musi znalezc te same atrybuty dla obu produktow, zeby wygenerowac sensowna tabele. Jezeli jeden produkt ma 15 atrybutow, a drugi 8 – AI zbuduje porownanie na 8 wspolnych atrybutach, ale moze tez calkowicie pominac produkt z mniejsza liczba danych, jezeli uzna, ze porownanie nie bedzie wartosciowe dla uzytkownika.

Dlaczego brakujace atrybuty oznaczaja wykluczenie z porownan?

Brakujace atrybuty to nie problem kosmetyczny – to bezposrednia przyczyna wykluczenia produktu z porownan AI. Modele jezykowe nie zgaduja brakujacych wartosci. Jak ujela to analiza WriteText.ai: jezeli kluczowe pole jest puste, agent nie probuje go uzupelnic – przechodzi do konkurenta, ktory to pole wypelnil.

Dane potwierdzaja to jednoznacznie. Produkty z kompletnym pokryciem atrybutow uzyskuja 89% wiecej rekomendacji ze strony AI niz produkty z lukami w danych. Sklepy, ktore systematycznie wypelniaja wszystkie pola specyfikacji, notuja 3-4-krotnie wyzsza widocznosc w odpowiedziach asystentow AI. To nie sa roznice marginalne – to przepasc miedzy byciem rekomendowanym a byciem ignorowanym.

Dlaczego tak sie dzieje? AI buduje tabele porownawcze na podstawie wspolnych atrybutow. Jezeli porownujesz trzy laptopy i jeden nie ma podanego czasu pracy na baterii, AI ma dwie opcje: pominac ten atrybut dla wszystkich (co zubozy porownanie) albo pominac produkt bez danych (co jest prostsze i daje lepszy wynik). W praktyce AI wybiera druga opcje.

Patent Google US8204797B2 opisuje system porownywania ofert merchantow na bazie ustandaryzowanych czynnikow wagowych. System pobiera produkty z roznych zrodel, mapuje je na wspolna taksonomie atrybutow i generuje porownanie. Kluczowy element: system przypisuje wagi poszczegolnym czynnikom porownawczym, co oznacza, ze nie wszystkie atrybuty sa rownie istotne. Cena i dostepnosc maja wyzsza wage niz kolor opakowania. Ale nawet atrybut o niskiej wadze, jezeli jest obecny u konkurentow a brakuje go u Ciebie, moze przechylic szale.

Analogia do Google Shopping jest tu celna. W feedzie produktowym Google Merchant Center puste pola obnizaja Quality Score (wynik jakości) reklamy. W swiecie AI mechanizm jest analogiczny, ale konsekwencje sa bardziej binarne – nie tracisz pozycji, tracisz obecnosc.

Problemem jest tez niespojnosc danych. Wyobraz sobie, ze w feedzie masz „Kolor: czarny”, na stronie PDP jest „Kolor: Black”, a w schema „Kolor: #000000”. AI moze potraktowac to jako trzy rozne wartosci albo – co gorsza – nie rozpoznac, ze to ten sam atrybut. Analiza Commercetools dotyczaca danych produktowych gotowych na agentic commerce podkresla, ze normalizacja atrybutow – uzywanie tych samych jednostek, formatow i slownictwa we wszystkich kanalach – to warunek konieczny widocznosci w porownaniach AI.

Pisalem o tym wiecej w kontekscie atrybutow konwersacyjnych w Google Merchant Center, gdzie pokazuje, jakie nowe pola Google wprowadza specjalnie z mysla o AI. Te pola – takie jak „lifestyle imagery”, „product highlight” czy „short description” – sa zaprojektowane pod katem ekstrakcji przez modele jezykowe.

Co to jest Product Comparability Score i jak go obliczyc?

Product Comparability Score (PCS) to autorski wskaznik Semgence, ktory mierzy, na ile kompletne, precyzyjne i porownywalne sa dane produktowe Twojego sklepu. PCS przyjmuje wartosci od 0 do 100 i sklada sie z pieciu skladowych, z ktorych kazda odpowiada za inny aspekt gotowosc danych do porownan AI.

PCS nie jest standardem branzowym – to narzedzie diagnostyczne, ktore opracowalismy na podstawie analizy mechanizmow porownawczych w ChatGPT Shopping, Google AI Mode i Perplexity. Jego celem jest dac polskim sklepom internetowym konkretna metryka do mierzenia i poprawiania widocznosci w porownaniach AI.

Piec skladowych PCS:

1. Attribute Completeness (AC) – waga 0.25 (kompletność atrybutów)

Procentowy udzial wypelnionych atrybutow w stosunku do benchmarku kategorii. Jezeli w kategorii „laptopy” standard to 18 atrybutow (procesor, RAM, dysk, ekran, bateria, waga, system, porty itd.), a Twoj produkt ma wypelnione 12 – AC wynosi 67%. Benchmark (punkt odniesienia) kategorii ustalasz na podstawie top 3 konkurentow w danej kategorii.

2. Attribute Precision (AP) – waga 0.20 (precyzja atrybutów)

Czy wartosci atrybutow sa numeryczne i ustandaryzowane, czy opisowe i niejednoznaczne. „5000 mAh” to wartosc precyzyjna. „Duza bateria” to wartosc bezuzyteczna dla AI. AP mierzy stosunek atrybutow z wartosciami maszynowo porownywalnymi do wszystkich wypelnionych atrybutow.

3. Cross-Product Consistency (CPC) – waga 0.20 (spójność międzyproduktowa)

Czy te same atrybuty istnieja w calej kategorii Twojego sklepu. Jezeli jeden laptop ma podana wage, a drugi nie – AI nie moze zbudowac spojnego porownania wewnatrz Twojego katalogu. CPC mierzy jednorodnosc struktury danych w obrebie kategorii.

4. Schema Coverage (SC) – waga 0.20 (pokrycie schematem)

Procentowy udzial produktow z pelnym oznaczeniem schema.org Product + PropertyValue (wartość właściwości w schema.org). Schema to jezyk, ktorym mowisz do robotow – bez niego AI musi zgadywac, co jest atrybutem, a co fragmentem opisu marketingowego.

5. Comparative Query Answerability (CQA) – waga 0.15 (zdolność odpowiedzi na zapytania porównawcze)

Czy dane produktowe pozwalaja odpowiedziec na zapytania typu „laptop X vs laptop Y”, „ktory telefon ma lepsza baterie” czy „najtanszy robot sprzatajacy z mopem”. CQA ocenia, ile typowych zapytan porownawczych Twoje dane sa w stanie obsluzyc.

Wzor na PCS:

PCS = 0.25 x AC + 0.20 x AP + 0.20 x CPC + 0.20 x SC + 0.15 x CQA

Przyklad: sklep z elektronika ma AC = 72, AP = 85, CPC = 60, SC = 45, CQA = 55.

PCS = 0.25 x 72 + 0.20 x 85 + 0.20 x 60 + 0.20 x 45 + 0.15 x 55 = 18 + 17 + 12 + 9 + 8.25 = 64.25

Wynik 64 oznacza, ze sklep ma solidne pokrycie atrybutow i dobra precyzje, ale kuleje na schema (brak PropertyValue) i spojnosci miedzy produktami. To typowy profil – sklepy zazwyczaj maja dobre dane produktowe w feedzie, ale nie przenoszily ich systematycznie do schema na stronach PDP.

Drugi przyklad: sklep z odzieza ma AC = 55, AP = 40, CPC = 75, SC = 30, CQA = 35.

PCS = 0.25 x 55 + 0.20 x 40 + 0.20 x 75 + 0.20 x 30 + 0.15 x 35 = 13.75 + 8 + 15 + 6 + 5.25 = 48

PCS ponizej 50 to sygnał alarmowy. Sklep ma dobra spojnosc wewnatrz kategorii (CPC 75 – wszystkie koszulki maja te same pola), ale niska precyzje atrybutow (AP 40 – duzo wartosci opisowych zamiast numerycznych, np. „delikatna tkanina” zamiast „100% bawelna, 160 g/m2”) i slaba implementacje schema (SC 30 – wiekszość PDP nie ma PropertyValue). CQA na poziomie 35 oznacza, ze na wiekszosc pytan porownawczych („ktora koszulka jest z grubszego materialu?”) dane nie daja jednoznacznej odpowiedzi.

Interpretacja PCS:

• 80-100: Doskonaly – produkty regularnie pojawiaja sie w porownaniach AI, dane sa kompletne i ustrukturyzowane
• 60-79: Dobry – produkty pojawiaja sie w porownaniach, ale z lukami; poprawa schema i precyzji atrybutow da szybkie efekty
• 40-59: Sredni – produkty sporadycznie wchodza do porownan; potrzebna systematyczna praca nad danymi
• 0-39: Slaby – produkty praktycznie niewidoczne w porownaniach AI; konieczna gruntowna przebudowa danych

Ktore atrybuty maja najwiekszy wplyw na porownywalnosc?

Nie wszystkie atrybuty sa rownie istotne dla AI. Kluczowe sa te, ktore pojawiaja sie najczesciej w zapytaniach porownawczych uzytkownikow i ktore AI wykorzystuje do budowania tabel. Atrybuty mozna podzielic na trzy poziomy.

Tier 1 – atrybuty krytyczne: Cena, dostepnosc (in stock / out of stock), marka, glowna kategoria produktowa i warianty (rozmiar, kolor, pojemnosc). Bez tych danych produkt w ogole nie wchodzi do porownan. Pisalem o znaczeniu wariantow w osobnym artykule – problem polega na tym, ze AI czesto nie rozumie relacji miedzy wariantami, co prowadzi do rekomendowania nieistniejacych konfiguracji.

Tier 2 – atrybuty porownywalne: Material, wymiary, waga, kompatybilnosc, certyfikaty, gwarancja, kraj pochodzenia. To dane, ktore robia roznice w porownaniach bezposrednich – kiedy uzytkownik pyta „ktory plecak jest lzejszy” albo „ktora pralka ma certyfikat A+++”.

Tier 3 – atrybuty wyroznijace: Use case (do czego sluzy), „best for” (dla kogo najlepszy), unikalne cechy technologiczne, porownanie z konkurencja. Te atrybuty decyduja o etykiecie „Best for” w tabelach ChatGPT.

Google odczytuje pola produktowe w okreslonej kolejnosci: tytul, opis, jawne atrybuty, dane kategorii, dane uzupelniajace, kontekst strony. Patent US20200151201A1 opisuje system automatycznej ekstrakcji, wnioskowania i normalizacji atrybutow produktowych. System nie tylko wyciaga atrybuty z tekstu – potrafi tez wnioskować brakujace wartosci na podstawie kontekstu (np. jezeli produkt jest w kategorii „buty zimowe” i ma opis zawierajacy „Gore-Tex”, system wnioskuje, ze jest wodoodporny). To oznacza, ze nawet jezeli nie podasz atrybutu jawnie, AI moze go wydedukować – ale wnioskowane wartosci maja nizsza pewnosc niz podane explicite.

Ponizej kluczowe atrybuty per branza:

Branza	Tier 1	Tier 2	Tier 3
Elektronika	Cena, marka, kategoria, warianty pamięci/koloru	Procesor, RAM, bateria, wyswietlacz, waga	„Best for gaming”, kompatybilność z ekosystemem
Fashion	Cena, marka, rozmiar, kolor	Material, kraj produkcji, instrukcja prania	„Best for: casual office”, zrownowazona produkcja
Dom i ogrod	Cena, marka, wymiary	Material, waga, nosnosc, certyfikaty	„Best for: male mieszkania”, latwosc montazu
Beauty	Cena, marka, pojemnosc	Sklad (INCI), typ skory, czas dzialania	„Best for: skora wrazliwa”, cruelty-free

W praktyce wiekszosc polskich sklepow ma dobrze wypelniony Tier 1 (bo tego wymaga Google Merchant Center), czescowo Tier 2 (bo to dane z kart produktowych dostawcow) i prawie calkowicie pusty Tier 3. Tymczasem to Tier 3 decyduje o tym, czy Twoj produkt dostanie etykiete „Best for” w tabeli ChatGPT. Wpisz „najlepsze sluchawki do biegania” – AI nie szuka najlepszych sluchawek ogolnie, szuka tych, ktore maja explicite opisany use case (scenariusz użycia) „bieganie” z konkretnymi cechami (wodoodpornosc IPX7, zaczepy na ucho, waga ponizej 30g). Jezeli Twoje sluchawki maja wszystkie te cechy, ale opis mowi tylko „doskonale brzmienie w kazdych warunkach” – AI wybierze konkurenta, ktory napisal „zaprojektowane do biegania, IPX7, 28g, zaczepy stabilizujace”.

Analiza ESEOspace dotyczaca mechanizmow porownywania produktow przez AI potwierdza, ze AI traktuje atrybuty Tier 3 jako kryterium rozstrzygajace. Gdy dwa produkty maja identyczne parametry Tier 1 i Tier 2, o kolejnosci w rekomendacji decyduje wlasnie dopasowanie do intencji uzytkownika – czyli Tier 3.

Jak ChatGPT i Google AI Mode roznia sie w porownywaniu?

Kazda platforma AI korzysta z innych zrodel danych i buduje porownania wedlug innych regul. Zrozumienie tych roznic to podstawa skutecznej optymalizacji – nie ma jednej strategii, ktora zadzialа wszedzie tak samo.

ChatGPT Shopping czerpie dane z dwoch glownych zrodel: product feed (plik z danymi produktowymi)ow (ktorych udzial wzrosl z 4.3% do okolo 20% odpowiedzi zakupowych) i scrapingu stron PDP. Wedlug analizy Profound na milion ofert zakupowych, product feedy to dzis dominujacy kanal – 99.9% produktow, ktore pojawiaja sie w feedzie, wyswietla sie jako pierwsza oferta w odpowiedzi. Jednoczesnie strony PDP nadal odpowiadaja za 88.29% wszystkich pozyskiwanych danych produktowych. ChatGPT preferuje feedy, ale gdy brakuje w nich danych, siega po PDP. Jezeli Twoj feed jest ubogi, a PDP nie ma schema – ChatGPT nie ma skad wziac atrybutow do porownania.

Google AI Mode korzysta z Shopping Graph – wlasnej bazy danych produktowych Google, zasilanej przez feedy Merchant Center, schema markup ze stron i dane z indeksu. To najbardziej rozbudowane zrodlo danych produktowych sposrod wszystkich platform AI, bo Google od lat gromadzi i normalizuje dane zakupowe. Jezeli masz dobrze skonfigurowany Google Merchant Center i poprawne schema na stronach – Google AI Mode prawdopodobnie juz ma Twoje dane.

Perplexity dziala inaczej – scrapuje strony bezposrednio i buduje odpowiedzi na podstawie wyekstrahowanych danych. Perplexity integruje sie z PayPal do realizacji zakupow, co oznacza, ze moze prowadzic uzytkownika od porownania do transakcji bez opuszczania platformy. Dla Perplexity kluczowa jest jakosc danych na stronie – schema, tabele specyfikacji, ustrukturyzowane opisy.

Microsoft Copilot jest we wczesnej fazie rozwoju mozliwosci zakupowych i nie ma jeszcze dedykowanego systemu porownan produktowych. Copilot korzysta z indeksu Bing i potrafi generowac porownania, ale nie ma zintegrowanego systemu feedow produktowych ani natywnego checkoutu. To platforma, ktora mozna na razie traktowac jako dodatkowa – optymalizacja pod ChatGPT i Google pokrywa wiekszosc potrzeb Copilota.

Badanie Yext na 17.2 miliona cytatow AI pokazalo, ze kazdy model cytuje inne zrodla. Produkt moze byc doskonale widoczny w ChatGPT (bo ma dobry feed) i calkowicie niewidoczny w Perplexity (bo strona PDP nie ma schema). Dlatego optymalizacja pod jedna platforme to polowa roboty.

Badania GEO-SFE z Uniwersytetu Tokijskiego (arXiv 2603.29979) z marca 2026 pokazaly, ze sama poprawa struktury danych – bez zmiany tresci – daje 17.3% wzrost cytowalnosci w odpowiedziach AI. To potwierdzenie, ze format i struktura danych sa co najmniej tak istotne jak sama tresc.

Zrodlo danych	ChatGPT	Google AI Mode	Perplexity	Copilot
Product Feed	Tak (rosnacy)	Tak (Merchant Center)	Nie	Czesciowo
PDP scraping	Tak (88.29%)	Tak	Tak (glowne)	Tak
Schema markup	Posrednio	Tak (Shopping Graph)	Tak	Tak
Shopping Graph	Nie	Tak	Nie	Nie
Checkout natywny	Tak (buy button)	Tak	Tak (PayPal)	Nie

Jak przeprowadzic audyt PCS wlasnego katalogu?

Audyt PCS mozesz przeprowadzic samodzielnie w pieciu krokach. Caly proces dla sklepu z katalogiem do 5000 SKU zajmuje 2-3 dni robocze. Dla wiekszych katalogow rekomenduje automatyzacje z uzyciem skryptow analizujacych feed i schema.

Krok 1: Eksport i inwentaryzacja

Wyeksportuj aktualny feed produktowy (CSV lub XML) i przygotuj liste atrybutow, ktore feed zawiera per kategoria. Policz, ile unikalnych atrybutow masz w kazdej kategorii i jaki procent produktow ma kazdy atrybut wypelniony.

Krok 2: Benchmark konkurencji

Sprawdz, jakie atrybuty maja top 3 konkurenci w Twoich kluczowych kategoriach. Wejdz na ich strony PDP, sprawdz tabelki specyfikacji, przeanalizuj schema markup (np. przez Rich Results Test). To okresli Twoj docelowy standard – benchmark, wzgledem ktorego obliczysz Attribute Completeness.

Krok 3: Gap analysis (analiza luk)

Porownaj swoje dane z benchmarkiem. Zidentyfikuj trzy typy luk: pola calkowicie puste, pola z wartosciami opisowymi zamiast numerycznych („duzy” zamiast „15 cm”) i pola, ktore istnieja u czesci produktow, ale nie u wszystkich w kategorii.

Krok 4: Scoring

Oblicz PCS per produkt, per kategoria i dla calego sklepu. Uzyj wzoru: PCS = 0.25 x AC + 0.20 x AP + 0.20 x CPC + 0.20 x SC + 0.15 x CQA. Dla kazdej skladowej potrzebujesz danych z kroku 1-3.

Krok 5: Priorytetyzacja

Zacznij od kategorii, ktore lacza dwa kryteria: najwyzszy revenue (przychód) i najnizszy PCS. To kategorie, gdzie poprawa danych da najwiekszy zwrot. Jezeli Twoja najpopularniejsza kategoria ma PCS ponizej 50, kazdy punkt poprawy przekłada sie na realna szanse wejscia do porownan AI.

Do audytu przydadza sie narzedzia takie jak Screaming Frog (audyt schema na stronach), Google Merchant Center (diagnostyka feedu) i panel Semgence.

Czeste bledy w audycie PCS:

Pierwszy blad to liczenie atrybutow bez sprawdzania ich jakosci. Pole „Material: patrz opis” jest technicznie wypelnione, ale bezuzyteczne dla AI. Attribute Precision lapia takie przypadki – wartosc musi byc maszynowo porownywalna, nie tylko niepusta.

Drugi blad to ustalanie benchmarku na podstawie wlasnego katalogu zamiast konkurencji. Jezeli Twoi trzej glowni konkurenci maja srednio 22 atrybuty na produkt w kategorii „laptopy”, a Ty masz 14 – Twoj benchmark to 22, nie 14. AC mierzy odleglosc od standardu rynkowego, nie od Twojej wlasnej sredniej.

Trzeci blad to ignorowanie CQA. Sklepy czesto koncentruja sie na uzupelnianiu danych (AC) i implementacji schema (SC), ale nie sprawdzaja, czy ich dane pozwalaja odpowiedziec na typowe zapytania porownawcze. CQA wymaga analizy realnych zapytan uzytkownikow – co ludzie faktycznie pytaja o Twoje produkty.

Jezeli chcesz kompleksowy przeglad widocznosci Twojego sklepu w AI – w tym audyt PCS – sprawdz nasz audyt widocznosci w AI.

Trzy formaty opisu produktu – kto je czyta i czego szuka?

Opis produktu musial dotad przemawiać do jednej grupy odbiorcow – ludzi. Dzis musi dzialac jednoczesnie dla trzech roznych „czytelnikow”, z ktorych kazdy szuka czegos innego. Analiza Genrise z maja 2026 sformulowala to precyzyjnie: optymalizacja pod jednego odbiorcę z zalozeniem, ze pozostali tez skorzystaja, to najczestszy blad.

Odbiorca 1: Czlowiek

Skanuje bullets, szuka korzysci, podejmuje decyzje w sekundach. Reaguje na emocje, social proof, wizualizacje. Nie czyta calego opisu – przeskakuje do tego, co go interesuje. Dla niego kluczowe sa: jasna propozycja wartosci, widoczna cena, zdjecia i opinie.

Odbiorca 2: Asystent AI

Szuka strukturyzowanych danych do cytowania. Potrzebuje answer-ready (gotowe do zacytowania) fragmentow – krotkich, faktograficznych stwierdzen, ktore moze wkleic do odpowiedzi. Nie interesuje go „ten produkt odmieni Twoje zycie” – interesuje go „bateria 5000 mAh, czas pracy 12h, ladowanie 65W”. Asystent AI to posredni miedzy uzytkownikiem a Twoja strona – jego zadaniem jest zbudowac porownanie, ktore uzytkownik oceni.

Odbiorca 3: Agent autonomiczny

To najnowsza kategoria, ktora dopiero sie krystalizuje. Agenty autonomiczne dzialaja w imieniu uzytkownika – otrzymuja zadanie („kup mi bezprzewodowe sluchawki do 300 zl z ANC”) i samodzielnie przeszukuja oferty, porownuja i podejmuja decyzje zakupowa. Agent ocenia, czy dany SKU przechodzi prog do automatycznego zakupu. Potrzebuje jednoznacznych, maszynowo czytelnych atrybutow i spelnienia minimalnych kryteriow ustawionych przez uzytkownika.

Patent US7996440B2 opisuje system ekstrakcji atrybutow i wartosci z dokumentow w jezyku naturalnym. System identyfikuje wzorce jezykowe, ktore wskazuja na pary atrybut-wartosc nawet w tekscie ciaglym – np. z zdania „Plecak wykonany z nylonu ripstop o pojemnosci 40 litrow” potrafi wyekstrahowac: material = nylon ripstop, pojemnosc = 40L. To wazne, bo pokazuje, ze AI nie jest calkowicie skazana na structured data – moze tez analizowac tekst swobodny. Ale wyniki ekstrakcji z tekstu sa mniej niezawodne niz dane z pola schema. Jezeli atrybut jest w schema PropertyValue, AI ma 100% pewnosci co do wartosci. Jezeli musi go wyekstrahowac z akapitu tekstu – pewnosc spada.

Implikacja jest jasna: opis produktu musi dzialac jednoczesnie na trzech poziomach. Ludzki czytelnik potrzebuje narracji i korzysci. Asystent AI potrzebuje ustrukturyzowanych faktow. Agent autonomiczny potrzebuje jednoznacznych, maszynowo czytelnych specyfikacji. Pisalem o powiazanym problemie w kontekscie freshness danych produktowych – AI potrafi rekomendowac produkty, ktore juz nie istnieja, bo dane sa nieaktualne. A w kontekscie zaufania do danych sprzedawcy wazna jest tez kwestia merchant trust score, ktory wplywa na to, czy agent w ogole uwzgledni Twoj sklep.

Praktycznie oznacza to, ze strona PDP powinna miec:

• Opis marketingowy z korzyściami i narracja (dla ludzi)
• Tabele specyfikacji z precyzyjnymi wartosciami (dla asystentow AI)
• Pelne schema Product z PropertyValue (dla agentow i crawlerow)
• Feed produktowy z kompletem atrybutow (dla ChatGPT Shopping i Google Shopping)

Blad, ktory popelnia wiekszosc sklepow, to optymalizacja wylacznie pod czlowieka. Opisy sa peine przymiotnikow i obietnic („niesamowity komfort noszenia”), ale nie zawieraja danych, ktore AI moze wyekstrahowac i wstawic do tabeli porownawczej. Odwrotny blad – suchy listing atrybutow bez narracji – odpycha ludzi, ale dobrze dziala dla AI. Cel to polaczenie obu podejsc na jednej stronie.

Przyklad dobrze zbudowanego opisu produktu (fragment):

„Plecak turystyczny Alpine Pro 45L jest zaprojektowany do wielodniowych wypraw gorskich. Wykonany z nylonu Cordura 500D o gramaturze 280 g/m2, waży 1.2 kg i pomiesci ekwipunek na 3-5 dni trekkingu. System wentylacji plecow AirFlow redukuje pocenie o 30% w porownaniu z tradycyjnymi konstrukcjami. Wodoodpornosc: IPX4. Pojemnosc glownej komory: 45 litrow. Liczba kieszeni: 8 (w tym 2 boczne na butelke).”

Ten opis dziala na wszystkich trzech poziomach: czlowiek dostaje kontekst uzycia i korzysci, asystent AI moze wyekstrahowac material (Cordura 500D), wage (1.2 kg), pojemnosc (45L), wodoodpornosc (IPX4), a agent autonomiczny moze odczytac jednoznaczne parametry do porownania z innymi plecakami.

Checklista: jak podniesc PCS w 30 dni?

Ponizej 10 krokow, ktore pozwola Ci systematycznie podniesc Product Comparability Score. Kolejnosc jest celowa – zaczynamy od zmian o najwyzszym wpływie i najnizszym koszcie implementacji.

1. Zaimplementuj schema Product z PropertyValue na wszystkich PDP Kazdy atrybut produktowy, ktory masz w feedzie, powinien byc tez w schema na stronie. PropertyValue to kluczowy element – pozwala AI odczytać pary atrybut-wartosc bez zgadywania. To pojedyncza zmiana, ktora podnosi skladowa SC nawet o 30-40 punktow.

2. Znormalizuj wartosci atrybutow w feedzie Zamien wartosci opisowe na numeryczne: „duzy” na „15 cm”, „lekki” na „350 g”, „pojemna” na „40L”. Kazda taka zmiana podnosi Attribute Precision.

3. Wypelnij puste pola w top 20% produktow (wedlug przychodu) Skoncentruj sie na produktach, ktore generuja najwiekszy przychod. Uzupelnij brakujace atrybuty Tier 1 i Tier 2.

4. Ujednolic strukture atrybutow w obrebie kategorii Jezeli jeden laptop ma „czas pracy na baterii” a drugi nie – dodaj ten atrybut do wszystkich laptopow. Cross-Product Consistency wymaga spojnosci wewnatrz kategorii.

5. Dodaj atrybuty Tier 3 do produktow flagowych Use case, „best for”, unikalne cechy – te elementy decyduja o etykietach w tabelach porownawczych ChatGPT.

6. Przetestuj porownania w ChatGPT i Perplexity Wpisz zapytania porownawcze dla swoich kluczowych produktow: „produkt X vs produkt Y”, „najlepszy [kategoria] do [zastosowanie]”. Sprawdz, czy Twoje produkty pojawiaja sie w odpowiedziach i jakie atrybuty AI wykorzystuje.

7. Zaktualizuj feed o pola konwersacyjne Google Merchant Center wprowadza nowe pola atrybutow dedykowane AI. Jezeli jeszcze ich nie uzywasz – to moment, zeby zaczac.

8. Dodaj tabele specyfikacji na PDP Tabela HTML z atrybutami to najprostszy sposob, zeby dac AI ustrukturyzowane dane do ekstrakcji – nawet bez schema.

9. Skonfiguruj monitoring PCS Ustaw cykliczny audyt (co miesiac) i sledz, jak PCS zmienia sie w czasie. Porownuj z widocznoscia w odpowiedziach AI.

10. Rozszerz optymalizacje na caly katalog Po przetestowaniu na top kategoriach – rozszerz proces na pozostale produkty. Priorytetyzuj wedlug kombinacji: przychod x odwrotnosc PCS.

Harmonogram 30-dniowy moze wygladac tak:

• Tydzien 1: Audyt PCS calego katalogu (krok 1-4), identyfikacja top kategorii do optymalizacji
• Tydzien 2: Implementacja schema Product + PropertyValue na PDP, normalizacja wartosci w feedzie
• Tydzien 3: Uzupelnienie brakujacych atrybutow Tier 1 i Tier 2, dodanie tabel specyfikacji na PDP
• Tydzien 4: Dodanie atrybutow Tier 3 do produktow flagowych, testy porownawcze w ChatGPT i Perplexity, pomiar PCS po zmianach

Efekty nie sa natychmiastowe. ChatGPT indeksuje feedy z opoznieniem kilku dni do tygodnia. Google AI Mode aktualizuje Shopping Graph w cyklach crawlowania. Perplexity scrapuje strony przy kazdym zapytaniu, wiec tu zmiany na PDP daja efekt najszybciej. Realistyczny czas na widoczne rezultaty to 2-4 tygodnie od wdrozenia zmian.

Jezeli potrzebujesz wsparcia w optymalizacji danych produktowych pod AI, sprawdz nasze pozycjonowanie sklepu internetowego – laczymy klasyczne SEO e-commerce z optymalizacja pod asystentow AI. Szersza perspektywa na temat widocznosci w wyszukiwarkach dostepna jest w ramach naszego pozycjonowania stron.