Czy strona produktu udostępnia maszynie prawdziwe działania? Audyt action readiness

Action readiness strony produktu decyduje o tym, czy agent AI — Gemini Shopping, ChatGPT z plugin commerce, Perplexity Shopping — jest w stanie wykonać transakcję w Twoim sklepie bez interwencji człowieka. Patent Google US12561387B2 (rodzina „Indexing actions for resources”) opisuje mechanizm, w którym wyszukiwarka indeksuje nie tylko treść strony, ale dostępne na niej akcje: typ (buy, reserve, compare), parametry (product_id, wariant) i endpoint (target URL). Strona produktu, która nie eksponuje tych danych maszynowo, jest dla agenta AI niewidoczna — niezależnie od jakości opisu i zdjęć.

Audyt resource_action_indexability trzech kart produktowych sklepu meblowego daje score 89/100 na wykrywalności akcji, ale action_parameter_completeness spada do 72%. Brakuje parametrów w akcji „porównaj” i potentialAction w schema Product (schema.org/potentialAction). W erze agentic commerce — gdzie rynek agentów AI osiągnął 5,7 mld USD w 2025 i rośnie w tempie 35,7% CAGR — te braki oznaczają utracone transakcje. Nie dlatego, że produkt jest zły, ale dlatego, że maszyna nie wie, jak go kupić.

Czym jest action readiness strony produktu?

Action readiness to zdolność strony produktu do komunikowania maszynie, jakie działania można na niej wykonać, jakie parametry są do tego potrzebne i w jaki sposób je wywołać. Nie chodzi o widoczność przycisku „Dodaj do koszyka” dla ludzkiego oka — chodzi o to, czy bot indeksujący, system rekomendacji lub agent AI rozumie, że na tej stronie można wykonać akcję zakupu produktu o konkretnym ID, w konkretnej konfiguracji, po konkretnej cenie. Technicznie: action readiness deklaruje się przez właściwość potentialAction osadzoną w JSON-LD w schema Product, z typem akcji (BuyAction, ReserveAction, CompareAction) i elementem EntryPoint zawierającym urlTemplate z parametrami.

Patent US12561387B2 („Indexing actions for resources”, Google LLC, zgłoszony 2024, opublikowany 2026) to najnowsza kontynuacja w rodzinie patentowej obejmującej US10754908B2 (2020) i US12135755B2 (2024) — wszystkie autorstwa Steve’a Chena, Jasona B. Douglasa i Samuela Shoji Fukujimy Goto. Patent opisuje system, w którym wyszukiwarka indeksuje nie tylko treść strony, ale dostępne na niej akcje. Claim 1 definiuje proces: system otrzymuje dane opisujące akcje dostępne na zasobie (resource), dla każdej akcji określa typ (action type), parametry (action parameters) i indeksuje te informacje w indeksie przeszukiwalnym przez wyszukiwarkę.

W praktyce oznacza to, że Google potencjalnie rozróżnia strony, które jedynie opisują produkt, od stron, które umożliwiają wykonanie konkretnych działań na tym produkcie. „Dodaj do koszyka” to akcja typu buy z parametrem product_id. „Zarezerwuj” to akcja typu reserve z parametrem product_id i date. „Porównaj” to akcja typu compare z parametrami product_id_1 i product_id_2. Każda akcja ma target (URL endpoint), parametry (wymagane i opcjonalne) i kontekst (na jakiej stronie jest dostępna).

Ramka metodologiczna. Analiza opiera się na patencie US12561387B2 (Indexing actions for resources, Google LLC). Narzędzia GSCGA MCP: ecom_resource_action_indexability_audit, resource_action_indexability_audit. Scoring jest diagnostyczny — mierzy, czy strona eksponuje akcje w sposób czytelny dla maszyny. Nie jest wynikiem Google ani obietnicą lepszego rankingu. Zgłoszenie patentowe nie jest dowodem wdrożenia w algorytmie wyszukiwarki. Dodanie potentialAction do schema nie gwarantuje wyższej pozycji — ale jego brak może oznaczać niewidoczność dla systemów agentic commerce.

Co dokładnie indeksuje US12561387B2?

Patent opisuje pięcioetapowy proces indeksowania akcji, który wykracza daleko poza tradycyjne indeksowanie treści:

Etap 1: Odkrywanie akcji (Action Discovery). System przegląda zasób (stronę internetową, aplikację) i identyfikuje elementy, które reprezentują możliwe do wykonania działania. Nie ogranicza się to do przycisków — obejmuje formularze, linki z parametrami, elementy interaktywne. Patent wyraźnie mówi o „action data describing actions supported by each resource” — dane akcyjne opisujące akcje obsługiwane przez każdy zasób.

Etap 2: Klasyfikacja typu akcji (Action Type Classification). Dla każdej odkrytej akcji system określa jej typ. Patent wymienia przykłady: kupno (buy), rezerwacja (reserve), porównanie (compare), kontakt (contact). Typ akcji determinuje, jakich parametrów system oczekuje i jak prezentuje wynik w wyszukiwarce.

Etap 3: Ekstrakcja parametrów (Parameter Extraction). Każda akcja ma parametry — wymagane i opcjonalne. Dla akcji buy parametrem wymaganym jest product_id. Dla akcji reserve — product_id i date. System ekstrahuje te parametry z URL-i targetowych, formularzy i danych strukturalnych. To tutaj najczęściej pojawiają się luki: akcja istnieje wizualnie, ale jej parametry nie są czytelne maszynowo.

Etap 4: Mapowanie target URL (Target Resolution). Każda akcja ma endpoint — URL, który ją wykonuje. System weryfikuje, czy target URL jest poprawny, dostępny i czy akceptuje zadeklarowane parametry. Link /cart/add?product=OSLO-NAR-SZ jest jasny. Link /porownaj bez parametru product jest niejasny.

Etap 5: Indeksowanie w indeksie przeszukiwalnym (Searchable Index Storage). Zebrane dane — typ akcji, parametry, target URL — trafiają do indeksu, który jest przeszukiwalny przez wyszukiwarkę. To oznacza, że gdy użytkownik wyszukuje „kup sofę narożną”, system może nie tylko zwrócić strony opisujące sofy, ale strony, na których można wykonać akcję zakupu sofy. To fundamentalna zmiana: od indeksowania treści do indeksowania możliwości.

Dlaczego action readiness ma znaczenie teraz: kontekst agentic commerce

Action readiness nie jest abstrakcyjnym konceptem patentowym — to odpowiedź na realne zmiany w sposobie, w jaki użytkownicy kupują online. W 2025-2026 roku obserwujemy przyspieszenie trendu agentic commerce: systemów AI, które wykonują zakupy w imieniu użytkownika. Google Shopping z integracją Gemini, ChatGPT z plugin commerce, Perplexity Shopping — to już nie prototypy, to działające systemy, które potrzebują maszynowo czytelnych akcji na stronach produktowych.

W tradycyjnym SEO strona produktu musiała być zrozumiała dla człowieka. W agentic commerce musi być zrozumiała dla agenta AI, który podejmuje decyzję: „czy mogę dokończyć transakcję na tej stronie bez interwencji użytkownika?”. Agent potrzebuje: typu akcji (buy), parametrów (product_id, wariant, ilość), target URL (endpoint zakupowy), kontekstu (cena, dostępność, warunki dostawy). Jeśli któregokolwiek z tych elementów brakuje — agent pomija stronę i przechodzi do konkurencji, która te dane udostępnia.

Gartner prognozuje, że do 2028 roku 90% zakupów B2B będzie mediowanych przez agentów AI, przenosząc ponad 15 bln USD wydatków B2B do kanału agentic commerce. Dla sklepów e-commerce oznacza to, że action readiness przestaje być „nice to have” i staje się warunkiem koniecznym obecności w kanale agentic commerce. Sklep bez maszynowo czytelnych akcji jest dla agenta AI jak sklep bez strony internetowej dla przeglądarki — niewidoczny. Więcej o widoczności w systemach AI: pozycjonowanie AI i audyt widoczności w AI.

Case study: sklep meblowy — audyt action readiness 3 kart produktowych

Przeanalizowaliśmy 3 karty produktowe sklepu meblowego online (dane zanonimizowane): sofę narożną (3 499 zł, InStock), fotel skandynawski (1 299 zł, InStock) i stół rozkładany (2 199 zł, PreOrder). Łącznie 4 zdefiniowane akcje, 8 zapytań GSC, 277 kliknięć w ciągu ostatnich 90 dni.

Wyniki audytu: cztery warstwy diagnostyczne

Metryka	Score	Co mierzy	Interpretacja
resource_action_indexability_score	89/100	Czy akcje na stronie są wykrywalne przez maszynę	Wysokie — strony eksponują akcje w sposób czytelny
action_query_match_score	100/100	Czy zapytania z intencją akcji mają dopasowaną akcję na stronie	Wszystkie 3 zapytania akcyjne mają dopasowanie
action_parameter_completeness	72/100	Czy wszystkie parametry akcji są jawnie zadeklarowane	Luka — akcja „porównaj” bez parametru product
actionable_resource_coverage	100/100	Czy każda strona ma min. 1 akcję	Pełne pokrycie — każda karta ma co najmniej buy lub reserve

Score 89/100 wygląda dobrze, ale action_parameter_completeness na 72% ujawnia systemowy problem. Różnica między „maszyna widzi, że akcja istnieje” (89%) a „maszyna może tę akcję wykonać” (72%) to luka, którą agent AI interpretuje jako ryzyko — i przechodzi do konkurencji.

Analiza per akcja: gdzie spadają parametry

Akcja	Typ	Target URL	Parametry	Kompletność	Problem
Dodaj do koszyka (Sofa Oslo)	buy	/cart/add?product=OSLO-NAR-SZ	product ✓	80%	Brak parametru wariantu (kolor, konfiguracja)
Dodaj do koszyka (Fotel Bergen)	buy	/cart/add?product=BERGEN-FT	product ✓	80%	Brak parametru wariantu (kolor tapicerki)
Zarezerwuj (Stół Malmö)	reserve	/rezerwacja?product=MALMO-ST-160	product ✓	80%	Brak parametru daty dostawy
Porównaj (Sofa Oslo)	compare	/porownaj	brak	55%	Brak parametru product — maszyna nie wie, co porównywać

Akcje buy i reserve mają kompletność 80% — product_id jest jasny, ale brakuje parametrów wariantów. Sofa Oslo ma 5 kolorów tapicerki i 3 konfiguracje (lewy/prawy narożnik, bez narożnika). Maszyna widzi akcję „kup sofę Oslo” ale nie wie, który wariant dodać do koszyka. Dla agenta AI to decyzja, której nie może podjąć samodzielnie.

Akcja compare ma kompletność 55% — najniższą w audycie. Link /porownaj nie zawiera parametru product. Użytkownik klika przycisk na stronie sofy i widzi interfejs porównania. Ale bot widzi tylko link bez kontekstu. To jest dokładnie problem opisany w US12561387B2: akcja istnieje wizualnie, ale nie jest maszynowo czytelna.

Zapytania GSC z intencją akcji

Zapytanie	Kliknięcia (90 dni)	Intencja	Dopasowanie akcji	Kompletność parametrów
sofa narożna kup online	32	buy	✓ Dodaj do koszyka	80% — brak wariantu
porównanie sof narożnych	12	compare	✓ Porównaj	55% — brak product
fotel skandynawski cena	89	info → buy	✓ Dodaj do koszyka	80% — brak wariantu
stół rozkładany zamów	18	reserve	✓ Zarezerwuj	80% — brak daty dostawy
sofa narożna rozkładana kup	nowe	buy	✓ Dodaj do koszyka	80% — brak wariantu

Wszystkie zapytania z intencją akcji mają dopasowaną akcję na stronie (action_query_match: 100%). To znaczy, że strona teoretycznie może obsłużyć te intencje — ale kompletność parametrów (72% średnia) oznacza, że nie wszystkie akcje są w pełni wykonywalne bez interakcji użytkownika. Zapytanie „sofa narożna kup online” prowadzi do strony z przyciskiem „Dodaj do koszyka”, ale agent AI nie wie, który wariant dodać.

Action readiness vs tradycyjne SEO: co się zmienia

W tradycyjnym SEO strona produktu jest oceniana przez pryzmat treści: tytuł, opis, zdjęcia, opinie, dane strukturalne Product. Patent US12561387B2 dodaje nową warstwę: stronę produktu ocenia się również przez pryzmat dostępnych na niej akcji. To nie jest zastąpienie tradycyjnego SEO — to warstwa ponad nim.

Wymiar	Tradycyjne SEO	Action readiness
Cel indeksowania	Treść strony — co strona opisuje	Akcje strony — co można na stronie zrobić
Pytanie	Czy strona odpowiada na zapytanie?	Czy strona pozwala wykonać intencję zapytania?
Dane strukturalne	Product, Offer, Review	Product + potentialAction (BuyAction, ReserveAction)
Sygnał jakości	Kompletność opisu produktu	Kompletność parametrów akcji
Warianty	Opis wariantów w treści	Osobne parametry per wariant w urlTemplate
Odbiorca	Człowiek czytający stronę	Bot indeksujący, agent AI, agentic pipeline

Kluczowa zmiana perspektywy: w tradycyjnym SEO „strona produktu jest gotowa, gdy dobrze opisuje produkt”. W action readiness „strona produktu jest gotowa, gdy maszyna może wykonać na niej akcję zakupu bez interwencji człowieka”. To dwa różne standardy gotowości, i większość polskich sklepów e-commerce spełnia pierwszy, ale nie drugi.

Pięć warstw action readiness: pełna diagnostyka

Na podstawie analizy patentu US12561387B2 i audytów diagnostycznych Semgence identyfikujemy pięć warstw action readiness, od najłatwiejszej do najtrudniejszej:

Warstwa 1: Action Discovery (czy akcja w ogóle istnieje?). Minimalne wymaganie — strona produktu ma co najmniej jeden element akcyjny: przycisk „Dodaj do koszyka”, formularz zamówienia, link do rezerwacji. W naszym audycie: 100% pokrycia — każda z 3 kart ma co najmniej jedną akcję. Większość sklepów e-commerce spełnia tę warstwę domyślnie.

Warstwa 2: Action Typing (czy typ akcji jest jasny?). Maszyna musi rozróżnić buy (natychmiastowy zakup) od reserve (rezerwacja) od compare (porównanie). W naszym audycie: 4/4 akcji mają czytelny typ. Problem pojawia się, gdy przycisk „Zamów” prowadzi do formularza kontaktowego zamiast do koszyka — dla maszyny to różnica między BuyAction a ContactAction.

Warstwa 3: Parameter Completeness (czy parametry są kompletne?). Każdy typ akcji wymaga określonych parametrów. BuyAction wymaga product_id i opcjonalnie wariantu. ReserveAction wymaga product_id i daty. CompareAction wymaga dwóch product_id. W naszym audycie: tu jest najsłabszy punkt — 72%. Akcja „porównaj” bez parametru product (55%) ciągnie średnią w dół.

Warstwa 4: Schema Declaration (czy akcja jest zadeklarowana w danych strukturalnych?). potentialAction w schema Product to sposób, w jaki strona jawnie komunikuje maszynie swoje akcje. W naszym audycie: 0/3 kart ma potentialAction w schema. To najczęstsza luka w polskich sklepach e-commerce — mają schema Product z ceną i dostępnością, ale bez deklaracji akcji.

Warstwa 5: Action Executability (czy akcja jest wykonywalna end-to-end?). Najwyższy standard — agent AI może przejść od odkrycia akcji do jej wykonania bez interwencji człowieka. Wymaga: poprawnego target URL, kompletnych parametrów, walidacji dostępności w czasie rzeczywistym, obsługi wariantów. W naszym audycie: żadna z 3 kart nie spełnia tego standardu, głównie przez brak potentialAction i niekompletne parametry wariantów.

Co brakuje? Schema potentialAction w praktyce

Karta produktu sklepu meblowego ma schema Product z ceną i dostępnością — ale bez potentialAction. To oznacza, że Google (i systemy AI) widzą produkt jako obiekt informacyjny, ale nie jako obiekt z możliwymi działaniami. Zgodnie z dokumentacją Google Search Central schema Product z Offer to merchant listing — strona, na której klient może kupić produkt. Ale dopiero potentialAction jawnie komunikuje maszynie, jaka akcja jest dostępna, jaki jest jej endpoint i jakie parametry przyjmuje (zgodnie ze specyfikacją schema.org Actions).

Obecny stan schema na stronie sofy Oslo:

{
  "@type": "Product",
  "name": "Sofa narożna Oslo",
  "offers": {
    "@type": "Offer",
    "price": 3499,
    "priceCurrency": "PLN",
    "availability": "https://schema.org/InStock"
  }
}

Stan docelowy — z potentialAction:

{
  "@type": "Product",
  "name": "Sofa narożna Oslo",
  "offers": {
    "@type": "Offer",
    "price": 3499,
    "priceCurrency": "PLN",
    "availability": "https://schema.org/InStock"
  },
  "potentialAction": {
    "@type": "BuyAction",
    "target": {
      "@type": "EntryPoint",
      "urlTemplate": "https://sklep-meblowy.pl/cart/add?product={product_id}&variant={variant_id}",
      "actionPlatform": [
        "https://schema.org/DesktopWebPlatform",
        "https://schema.org/MobileWebPlatform"
      ]
    },
    "object": {
      "@type": "Product",
      "name": "Sofa narożna Oslo"
    }
  }
}

Różnica: w stanie docelowym maszyna wie, że na tej stronie można wykonać akcję buy, zna endpoint (/cart/add), zna wymagane parametry (product_id, variant_id) i wie, na jakich platformach akcja działa. Agent AI może samodzielnie skonstruować URL zakupowy.

potentialAction per typ akcji

BuyAction — dla produktów InStock. EntryPoint z urlTemplate zawierającym product_id i opcjonalnie variant_id. Nie deklaruj BuyAction na produkcie OutOfStock — to sygnał sprzeczny, który obniża jakość danych strukturalnych.

ReserveAction — dla produktów PreOrder lub usług wymagających rezerwacji. Stół Malmö w PreOrder (2 199 zł) powinien mieć ReserveAction zamiast BuyAction. Parametry: product_id, opcjonalnie preferred_date. Brak szacowanego czasu dostawy w schema to dodatkowa luka — agent AI potrzebuje tej informacji, żeby podjąć decyzję.

CompareAction — wymaga parametrów dwóch produktów do porównania. urlTemplate powinien zawierać {product_id_1} i {product_id_2}. Akcja „Porównaj” na stronie sofy Oslo ma kompletność 55% właśnie dlatego, że link /porownaj nie zawiera żadnego parametru product.

Warianty produktu: największe wyzwanie action readiness w meblach

Meble to kategoria, w której warianty produktu stanowią fundamentalne wyzwanie dla action readiness. Sofa narożna Oslo ma: 5 kolorów tapicerki (szary, granatowy, zielony, beżowy, bordowy), 3 konfiguracje (lewy narożnik, prawy narożnik, bez narożnika) i 2 rodzaje nóżek (drewniane, metalowe). To łącznie 30 kombinacji — każda potencjalnie z innym SKU.

Problem: akcja buy na stronie sofy ma target URL /cart/add?product=OSLO-NAR-SZ z jednym parametrem product. Ale maszyna nie wie, który z 30 wariantów dodać do koszyka. Dla agenta AI to moment decyzji: „nie mogę dokończyć transakcji, bo nie wiem, który wariant wybrać” — i przechodzi do strony konkurenta, który jawnie deklaruje warianty w schema.

Dwa podejścia do obsługi wariantów w potentialAction:

Podejście 1: Osobny BuyAction per wariant. Każdy wariant ma dedykowany BuyAction z jawnym urlTemplate. Sofa Oslo w kolorze szarym, lewy narożnik, nóżki drewniane → /cart/add?product=OSLO-NAR-SZ&color=grey&config=left&legs=wood. Jest to bardziej explicite, ale generuje więcej kodu w schema (30 BuyAction dla 30 kombinacji).

Podejście 2: Jeden BuyAction z parametrami wariantu. Jeden BuyAction z urlTemplate używającym zmiennych: /cart/add?product={product_id}&color={color}&config={config}&legs={legs}. Kompaktowe, ale wymaga, żeby system interpretujący umiał resolwować zmienne. Google obsługuje zmienne w urlTemplate zgodnie ze specyfikacją schema.org — to bezpieczniejsze podejście dla dużych katalogów.

Rekomendacja: dla sklepów meblowych z katalogiem 100+ produktów i wieloma wariantami — podejście 2 z jawną deklaracją dostępnych wartości wariantów w schema Product (np. przez additionalProperty z wartościami kolorów i konfiguracji).

Meble vs inne branże: specyfika action readiness

Action readiness w meblach różni się od innych branż e-commerce ze względu na kilka czynników:

Wysoka wartość koszyka. Sofa za 3 499 zł to inna kategoria ryzyka niż t-shirt za 79 zł. W branży fashion agent AI może podjąć decyzję zakupową na podstawie samego product_id i rozmiaru. W meblach — użytkownik (lub agent) potrzebuje dodatkowych sygnałów zaufania: polityka zwrotów dużych gabarytów, gwarancja, warunki dostawy. Te informacje powinny być zadeklarowane w schema jako MerchantReturnPolicy i deliveryLeadTime. Więcej o danych strukturalnych zwrotów: BuyAction i techniczne SEO akcji.

Złożone warianty. W elektronice wariant to zazwyczaj 1 wymiar (pojemność pamięci). W odzieży — 2 wymiary (rozmiar, kolor). W meblach — 3+ wymiary (kolor tapicerki, konfiguracja, nóżki, materiał). Im więcej wymiarów wariantu, tym trudniej o pełną kompletność parametrów w action readiness.

PreOrder i dostawa. Meble często mają status PreOrder z dostawą za 4-8 tygodni. Stół Malmö w PreOrder za 2 199 zł — akcja reserve zamiast buy. Ale strona nie deklaruje szacowanego czasu dostawy w schema (deliveryLeadTime). Systemy agentic commerce potrzebują tej informacji: „zamów stół z dostawą za 6 tygodni” wymaga daty, nie tylko statusu dostępności.

Usługi towarzyszące. Meble mają usługi, których inne branże nie mają: montaż, wniesienie, utylizacja starego mebla. Każda z nich to potencjalna akcja (ServiceAction) z parametrami: adres dostawy, termin, zakres usługi. Sklepy, które deklarują te usługi jako akcje w schema, dają agentowi AI pełny obraz oferty — nie tylko „kup sofę” ale „kup sofę z montażem i wniesieniem na 3 piętro w przyszły czwartek”.

Jak US12561387B2 łączy się z innymi patentami rankingowymi

Action readiness nie działa w izolacji. Patent US12561387B2 współgra z innymi patentami Google, które razem tworzą wielowarstwowy system oceny stron produktowych:

US8949228B2 (source-topic interaction). System buduje profil tematyczny źródła na podstawie interakcji użytkowników. Strona produktu z wysokim CTR i długim dwell time buduje silną asocjację źródło-temat. Ale jeśli użytkownik klika „Dodaj do koszyka” i opuszcza stronę bez finalizacji (bo wariant jest niejasny) — to sygnał niskiej jakości interakcji. Action readiness bezpośrednio wpływa na jakość interakcji mierzoną przez source-topic interaction. Więcej: diagnostyka source-topic interaction.

US20200349181A1 (information gain). Strona z pełnym potentialAction (BuyAction z parametrami wariantów, ReserveAction z datą dostawy) dostarcza informację, której nie ma na stronach konkurencji z samym opisem produktu. To information gain — unikalna wartość, którą strona wnosi. Pusta akcja „porównaj” bez parametru product to zerowy information gain w wymiarze action readiness. Jak budować topical authority wokół tematów e-commerce: topical authority i klaster tematyczny.

US9031929B1 (site quality score). Jakość strony jest mierzona m.in. przez stosunek zapytań nawigacyjnych do ogólnych. Sklep, w którym użytkownicy wyszukują „[nazwa sklepu] dodaj do koszyka” bo akcja na stronie nie działa poprawnie — to sygnał niskiej jakości. Sklep z action readiness 100% nie generuje takich zapytań, bo akcja jest wykonywalna bez pośrednictwa wyszukiwarki.

US8661029B1 (implicit user feedback). System mierzy satysfakcję użytkownika przez zachowanie po kliknięciu wyniku wyszukiwania. Long click (użytkownik zostaje na stronie i wykonuje akcję) to sygnał pozytywny. Short click (użytkownik wraca do wyników) to sygnał negatywny. Strona z niskim action readiness generuje więcej short clicks, bo użytkownik nie może dokończyć intencji (np. nie wie, jak wybrać wariant). Więcej: sygnały satysfakcji użytkownika.

US8577893B1 (ranking based on reference contexts). Kontekst anchora (tekst linku + otaczające zdanie) jest sygnałem rankingowym. Link „sprawdź action readiness swojego sklepu” z artykułu branżowego do strony audytu jest silniejszym sygnałem niż generyczny „kliknij tutaj”. Wewnętrzne linki z kontekstem akcyjnym (np. „dodaj potentialAction do schema Product”) wzmacniają sygnały tematyczne dla stron produktowych.

Jak wdrożyć action readiness: 7 kroków

Krok 1: Inwentaryzacja akcji. Dla każdej karty produktowej zidentyfikuj dostępne akcje: buy, reserve, compare, contact, return, configure. Sprawdź, czy każda akcja ma czytelny target URL z parametrami. Narzędzie ecom_resource_action_indexability_audit automatyzuje tę inwentaryzację — skanuje stronę i identyfikuje elementy akcyjne z ich typami i parametrami.

Krok 2: Uzupełnij parametry akcji. Dla każdej akcji z kompletością poniżej 100% zidentyfikuj brakujące parametry. Akcja buy bez wariantu? Dodaj parametr variant_id do URL. Akcja compare bez product? Zmień link z /porownaj na /porownaj?product=OSLO-NAR-SZ. To często wymaga zmian w URL-ach CTA i routingu aplikacji — ale to jednorazowa inwestycja.

Krok 3: Dodaj potentialAction do schema Product. Dla każdej akcji buy dodaj BuyAction z EntryPoint i urlTemplate. Dla reserve — ReserveAction. Parametry wariantów (kolor, rozmiar, konfiguracja) powinny być jawne w urlTemplate lub w formularzu. Nie deklaruj akcji, które nie działają — BuyAction na produkcie OutOfStock to sygnał sprzeczny. Więcej o wdrożeniu BuyAction: techniczne SEO akcji.

Krok 4: Zadeklaruj warianty w schema. Każdy wariant produktu powinien mieć osobny Offer lub być zadeklarowany przez additionalProperty. Agent AI musi wiedzieć, jakie kolory, konfiguracje i warianty są dostępne — i które z nich są InStock. Wariant OutOfStock nie powinien mieć BuyAction.

Krok 5: Dodaj kontekst transakcyjny. Schema Product z BuyAction to minimum. Pełny kontekst transakcyjny obejmuje: MerchantReturnPolicy (warunki zwrotu), shippingDetails (koszty i czas dostawy), deliveryLeadTime (dla PreOrder). Te dane nie są bezpośrednio częścią action readiness, ale agent AI potrzebuje ich do podjęcia decyzji zakupowej.

Krok 6: Walidacja z GSC. Sprawdź zapytania GSC z intencją akcji (zawierające „kup”, „zamów”, „porównaj”, „rezerwuj”). Jeśli zapytanie istnieje ale strona nie ma dopasowanej akcji — to luka action readiness. W naszym audycie action_query_match wynosił 100%, ale przy większym katalogu (100+ produktów) luki pojawiają się systematycznie. Jak analizować zapytania GSC w kontekście luk aspektowych: zapytania GSC i luki aspektowe.

Krok 7: Monitoruj parameter completeness. Score 72% w naszym audycie oznacza, że 1 z 4 akcji ma niekompletne parametry. Przy 500 produktach to potencjalnie 125+ akcji z brakującymi parametrami. Priorytetyzuj po wolumenie zapytań GSC z intencją akcji — najpierw napraw akcje na produktach z najwyższym wolumenem zapytań transakcyjnych. W pozycjonowaniu sklepu internetowego action readiness to warstwa ponad tradycyjnym SEO on-page.

Checklist action readiness: co sprawdzić przed wdrożeniem

Punkt kontrolny	Co sprawdzić	Narzędzie
Akcja buy istnieje	Czy każdy produkt InStock ma przycisk „Dodaj do koszyka” z czytelnym URL	ecom_resource_action_indexability_audit
Parametry kompletne	Czy URL koszyka zawiera product_id i variant_id	Manualna inspekcja URL
potentialAction w schema	Czy schema Product zawiera BuyAction z EntryPoint	Google Rich Results Test
Warianty zadeklarowane	Czy schema zawiera informacje o dostępnych wariantach	Schema Markup Validator
OutOfStock bez BuyAction	Czy produkty niedostępne nie mają BuyAction	Crawl + walidacja schema
ReserveAction dla PreOrder	Czy produkty PreOrder mają ReserveAction zamiast BuyAction	ecom_resource_action_indexability_audit
deliveryLeadTime	Czy produkty PreOrder mają szacowany czas dostawy	Schema Markup Validator
MerchantReturnPolicy	Czy polityka zwrotów jest zadeklarowana w schema	Google Merchant Center

Dane z badań: action readiness w kontekście rynkowym

Dane schema.org Usage Statistics (agregacja z indeksu Google, czerwiec 2026) potwierdzają, że właściwość potentialAction jest używana na ponad 10 mln domen — ale większość tych wdrożeń dotyczy SearchAction w sitelinks, nie BuyAction na stronach produktowych. Badania branżowe (m.in. Schema App, SE Ranking 2026) wskazują, że strony z pełnymi danymi strukturalnymi są cytowane 3,1× częściej w Google AI Overviews — co sugeruje, że sklepy z wyższym action readiness mogą zyskiwać przewagę w kanale agentic commerce.

Według raportu commercetools (2026), ruch z AI na strony e-commerce rósł o 4 700% r/r w 2025 (dane Adobe Analytics), a Google AI Overviews pojawiają się już na 14% zapytań zakupowych. Jednocześnie dane Shopify z 2026 pokazują, że zamówienia generowane przez AI wzrosły 15-krotnie w 2025 roku — marki jak Keen Footwear i Pura Vida już generują przychody przez Microsoft Copilot Checkout. To segment, w którym action readiness ma bezpośredni wpływ na konwersję — strona, która pozwala maszynie (i użytkownikowi) szybko przejść od zapytania do akcji, konwertuje lepiej.

Obserwacje z audytów Semgence (dane zanonimizowane, próba 12 sklepów meblowych i wyposażenia wnętrz, Q2-Q3 2026): średni action_parameter_completeness wynosi 68%. Najczęstsze luki: brak parametrów wariantów (85% sklepów), brak potentialAction w schema (88% sklepów), brak deliveryLeadTime dla PreOrder (92% sklepów). Sklepy z action_parameter_completeness powyżej 90% notują o 23% wyższy CTR na zapytaniach z intencją akcji — ale to obserwacja z małej próby (12 sklepów), nie prawo ogólne.

Action readiness a Google API leak 2024

Wyciek dokumentacji wewnętrznej Google z 2024 roku ujawnił kilka sygnałów, które korespondują z konceptem action readiness z patentu US12561387B2:

navDemotionFraction. Sygnał mierzący, jaki procent użytkowników „wraca” do wyników po kliknięciu na stronę. Strona z niskim action readiness — gdzie użytkownik nie może dokończyć intencji (np. nie wie, jak wybrać wariant) — generuje wyższy navDemotionFraction. To bezpośrednie połączenie: niska kompletność parametrów akcji → użytkownik wraca do SERP → sygnał degradacji.

isElectionAuthority / isCovidLocalAuthority. Choć te sygnały dotyczą innych domen, ujawniają mechanizm: Google przyznaje stronom „autorytet” w kontekście konkretnych akcji (głosowanie, informacja o COVID). Analogicznie, strona e-commerce z pełnym potentialAction może być rozumiana jako „autorytet” w kontekście akcji zakupowej dla danego produktu.

pageQualityFlags. Zestaw flag jakościowych strony, które mogą obejmować kompletność danych strukturalnych. Strona z potentialAction → BuyAction → kompletne parametry to strona z wyższą jakością sygnałów niż strona z samym Product → Offer. Jak treść wspiera te sygnały jakościowe: content marketing.

Źródła i narzędzia

Patenty Google — rodzina „Indexing actions for resources”

Patent główny: US10754908B2 → US12135755B2 → US12561387B2 — „Indexing actions for resources”, Google LLC, wynalazcy: Steve Chen, Jason B. Douglas, Samuel Shoji Fukujima Goto. Trzy kontynuacje tego samego wynalazku — najnowsza (US12561387B2) zgłoszona 2024-10-03, opublikowana 2026-02-24. Patent kontekstowy: US20140280084A1 — „Using structured data for search result deduplication”, Google Inc. Patenty z serii diagnostycznej: US8949228B2 (source-topic interaction), US9031929B1 (site quality score), US8661029B1 (implicit user feedback), US20200349181A1 (information gain), US8577893B1 (reference contexts).

Dokumentacja schema.org i Google

schema.org/potentialAction — oficjalna definicja właściwości potentialAction. schema.org/BuyAction — typ akcji zakupowej. schema.org/EntryPoint — typ opisujący endpoint akcji z urlTemplate. Schema.org Actions specification — pełna specyfikacja mechanizmu akcji, w tym wzorzec -input do deklaracji parametrów szablonu URL (np. query-input). Google Search Central: Product structured data — dokumentacja wdrożenia schema Product. Google Search Central: Merchant Listings — wymagania dla stron zakupowych. Google Search Central: MerchantReturnPolicy — structured data polityki zwrotów.

Dane rynkowe — agentic commerce

Grand View Research: Agentic Commerce Market Report — rynek agentic commerce: 5,7 mld USD w 2025, prognoza 65,5 mld USD do 2033, CAGR 35,7%. Gartner via Digital Commerce 360 — prognoza: 90% zakupów B2B mediowanych przez agentów AI do 2028, ponad 15 bln USD wydatków B2B przez kanał agentic. Commercetools: Agentic Commerce Stats 2026 — statystyki rynkowe: ruch AI +4 700% r/r (Adobe Analytics), AI Overviews na 14% zapytań zakupowych. Shopify: Agentic Commerce (2026) — zamówienia AI +15× w 2025, Keen Footwear i Pura Vida przez Microsoft Copilot Checkout.

Narzędzia diagnostyczne i dane audytu

Narzędzia GSCGA MCP: ecom_resource_action_indexability_audit, resource_action_indexability_audit, cq_content_signals_fetch, ecom_product_schema_audit. Dane: 3 karty produktowe (sklep meblowy), 4 akcje, 8 zapytań GSC, sierpień 2026. Obserwacje z audytów Semgence: 12 sklepów, Q2-Q3 2026.

Ograniczenia: mała próba (3 produkty w case study, 12 sklepów w obserwacjach), schema bez potentialAction (celowo — żeby pokazać lukę), dane zanonimizowane. Score 89/100 opisuje obecność akcji na stronach, nie ich faktyczną sprawność w pipeline zakupowym. Korelacja CTR z action readiness nie oznacza przyczynowości. Pełny audyt action readiness: konsultacje SEO lub audyt SEO. Więcej o audycie treści e-commerce: audyt treści.