Product feed a AI visibility – czy Twój feed działa poza Google Merchant?

Product feed w 2026 roku to nie plik do Google Shopping. To główne źródło danych, z którego ChatGPT, Perplexity i Google AI Mode budują rekomendacje produktowe. Przeanalizowaliśmy feedy 5 polskich sklepów internetowych z kont Merchant Center, porównaliśmy pokrycie atrybutów z widocznością AI trzech dużych serwisów e-commerce na danych z Ahrefs i zmierzyliśmy spójność danych między feedem, stroną a schema JSON-LD. Wynik: sklep z pokryciem GTIN na poziomie 99% ma feed score 100 i zero odrzuconych produktów. Sklep z GTIN na 43% traci niemal połowę katalogu z perspektywy identyfikacji produktu przez AI. Różnice w cytowaniach AI między porównywalnymi serwisami elektronicznymi sięgają 2,3-krotności przy trzykrotnie mniejszym ruchu organicznym.

Ruch z AI do sklepów internetowych w USA wzrósł o 1 300% rok do roku w pierwszym kwartale 2026 według danych Salesforce. Euromonitor raportuje wzrost 302% globalnie. Jednocześnie ponad 91% zapytań e-commerce w Google generuje wyniki AI według badania Eyeful Media. Pytanie nie brzmi, czy product feed ma znaczenie dla AI. Pytanie brzmi, czy Twój feed zawiera dane, które AI potrzebuje do rekomendacji.

Od 2025 roku powstały trzy protokoły handlu agentowego (ACP, UCP, Perplexity Merchant Program), które formalizują sposób, w jaki agent AI czyta dane produktowe. To zmienia wymagania wobec feedu produktowego. Nie streszczamy dokumentacji. Pokazujemy dane z naszych audytów i wnioski z pomiarów na realnych feedach. O tym, jak AI wybiera produkty do rekomendacji, piszemy w osobnym artykule.

Metodologia: dane o feedach pochodzą z audytów Merchant Center przeprowadzonych przez Semgence w sierpniu 2026 na kontach klientów (zanonimizowane). Dane o cytowaniach AI pochodzą z Ahrefs (sierpień 2026). Wskaźniki diagnostyczne (feed score, GTIN coverage) to metryki własne Semgence oparte na zgłoszeniu patentowym – nie są to wyniki Google ani gwarancja pozycji. Wszystkie obserwacje dotyczą małych prób i nie stanowią reguły ogólnej.

Dlaczego product feed to trzy różne rzeczy – i czym się różnią?

W tradycyjnym modelu product feed służył jednemu celowi: zasilaniu kampanii Google Shopping danymi o produktach. Sklep eksportował plik XML lub CSV z podstawowymi informacjami, Google go indeksował i wyświetlał reklamy produktowe. Feed był narzędziem reklamowym, nie treściowym.

W 2026 roku ten sam plik musi obsługiwać co najmniej trzy różne systemy jednocześnie. Google Merchant Center przetwarza feed na potrzeby Shopping, free listings i – od niedawna – agentic commerce przez Universal Commerce Protocol. ChatGPT korzysta z danych produktowych przez bezpośredni feed OpenAI, dane od dostawców zewnętrznych lub crawling stron. Perplexity Merchant Program pobiera dane z feedu rejestrowanego w panelu sprzedawcy. Każdy z tych systemów czyta feed inaczej i wymaga innych atrybutów – ale większość sklepów wysyła ten sam plik do wszystkich kanałów.

Konsekwencja jest mierzalna. Gdy użytkownik pyta ChatGPT „jaki telewizor 55 cali kupić do 2500 zł?”, AI nie otwiera strony jak człowiek. Przeszukuje ustrukturyzowane dane – feedy produktowe, dane z Merchant Center, schema Product na stronie – i na ich podstawie buduje odpowiedź z konkretnymi rekomendacjami (Marpipe). Jeśli Twój feed zawiera tylko tytuł i cenę, AI nie ma materiału do porównania Twojego produktu z konkurencją (Neil Patel).

Co mówią dane o ACP, UCP i Perplexity Merchant Program?

Do 2025 roku każdy system AI indeksował produkty po swojemu. W 2026 pojawiły się trzy otwarte standardy. Nie streszczamy ich specyfikacji – to robi oficjalna dokumentacja. Pokazujemy, co z nich wynika dla polskiego sklepu, który chce być widoczny w AI.

Agentic Commerce Protocol (ACP) – OpenAI i Stripe

ACP to otwarty standard współtworzony przez OpenAI i Stripe, opublikowany pod licencją Apache 2.0 (GitHub). Definiuje, jak agent AI komunikuje się ze sklepem: od wyszukiwania produktu przez porównanie ofert po finalizację zakupu. W praktyce oznacza to, że ChatGPT może nie tylko polecić produkt, ale też sprawdzić dostępność i cenę w czasie rzeczywistym – pod warunkiem, że sklep udostępnia endpoint API zgodny z ACP.

Status w Polsce na sierpień 2026: ACP nie jest jeszcze dostępny dla polskich sprzedawców. ChatGPT Shopping działa w USA z planowaną ekspansją międzynarodową. Ale sam standard jest otwarty – sklep może już teraz przygotować API zgodne ze specyfikacją i uruchomić je, gdy ACP zostanie otwarty na rynek polski.

Universal Commerce Protocol (UCP) – Google

UCP to infrastruktura Google pozwalająca agentowi AI na finalizację zakupu bezpośrednio w interfejsie AI (AI Mode, Google Shopping). Kluczowy element: kontekst raportowy FREE_LISTINGS_UCP_CHECKOUT w Merchant API. Ten kontekst mówi, czy dany produkt jest gotowy do agentic checkout – nie na poziomie konta, ale na poziomie konkretnego SKU.

Status w Polsce: UCP nie jest jeszcze dostępny. Google nie podał oficjalnej daty dla Europy. Ale dane w Merchant Center już teraz zawierają atrybuty używane przez UCP – co oznacza, że feed przygotowany pod UCP automatycznie poprawia jakość danych dla free listings i AI Mode (Smarter Ecommerce).

Perplexity Merchant Program

Jedyny z trzech protokołów dostępny globalnie od startu. Sprzedawca rejestruje feed w panelu Perplexity, a system wyświetla produkty bezpośrednio w wynikach wyszukiwania z ceną, zdjęciem i linkiem do zakupu. Perplexity generuje „Buy with Pro” – przycisk przekierowujący do strony sklepu. W przeciwieństwie do ACP i UCP, Perplexity nie finalizuje zakupu wewnętrznie – kieruje ruch do checkoutu sklepu.

Protokół	Operator	Dostępność PL (VIII 2026)	Zakup wewnętrzny	Wymagany feed	Źródło prawdy
ACP	OpenAI + Stripe	Nie (tylko USA)	Tak (endpoint API)	Feed OpenAI lub API	Specyfikacja ACP + feed sklepu
UCP	Google	Nie (USA, data EU nieznana)	Tak (w AI Mode)	Google Merchant Center	Przetworzony Product w MC
Perplexity Merchant	Perplexity AI	Tak (globalnie)	Nie (redirect do sklepu)	Feed zarejestrowany w panelu	Feed sprzedawcy

Jak wypadają feedy 5 polskich sklepów w audycie Merchant Center?

Przeprowadziliśmy audyt jakości feedu na 5 kontach Merchant Center klientów Semgence. Sprawdzaliśmy pokrycie kluczowych atrybutów: GTIN (identyfikator produktu), brand, descriptive title (tytuł opisowy, nie kodowy), image, price i availability. Każdy atrybut oceniany jako procent produktów w feedzie, które go posiadają.

Wybraliśmy sklepy z różnych branż i o różnej wielkości katalogu – od 187 do ponad 5000 produktów. Nazwy sklepów zanonimizowane zgodnie z polityką prywatności klientów.

Sklep	Branża	Produktów w feedzie	Feed score	GTIN	Brand	Descriptive title
Sklep A	Moda / nakrycia głowy	5 000+	94/100	59,8%	100%	99,4%
Sklep B	Zwierzęta / akcesoria	3 803	100/100	99,4%	99,9%	98,6%
Sklep C	Roboty koszące / ogród	366	91/100	43,4%	96,7%	94,5%
Sklep D	Hydraulika / instalacje	4 515	94/100	68,4%	93,1%	96,2%
Sklep E	Guma przemysłowa	187	92/100	43,9%	100%	100%

Trzy obserwacje z tego zestawienia wymagają komentarza.

GTIN to największa luka. Cztery z pięciu sklepów mają pokrycie GTIN poniżej 70%. Sklep B (zwierzęta) osiąga 99,4% – to jedyny sklep z feed score 100/100 i zerem odrzuconych produktów. Korelacja nie jest przypadkowa: GTIN pozwala Google (i innym systemom AI) jednoznacznie zidentyfikować produkt, porównać go z ofertami konkurencji i przypisać do właściwej kategorii. Bez GTIN system musi opierać się na tytule i opisie – co jest mniej precyzyjne i bardziej podatne na błędy.

Brand i image to higiena. Wszystkie pięć sklepów ma pokrycie image, price i availability na poziomie 100%. Brand pokryty w 93-100%. To standard, nie przewaga. Sklep bez tych atrybutów nie pojawi się w żadnym kanale zakupowym AI – ani w Google Shopping, ani w ChatGPT, ani w Perplexity.

Descriptive title różni się od technicznego. Sklep C (roboty koszące) ma 94,5% pokrycia descriptive title – najniższy wynik. To oznacza, że 5,5% produktów ma tytuły w formacie kodowym (np. „RB-2345-GR”) zamiast opisowego („Robot koszący Husqvarna Automower 305 do 600 m²”). AI operuje na tokenach z tytułu – tytuł kodowy nie daje systemu dopasowania do zapytania „jaki robot koszący do małego ogrodu”.

Czy jakość danych produktowych wpływa na cytowania AI?

Żeby sprawdzić, czy jakość danych produktowych koreluje z widocznością w AI, zebraliśmy dane z Ahrefs dla trzech polskich serwisów elektronicznych. Wybraliśmy tę samą branżę celowo – eliminuje to zmienną „typ produktu” i pozwala porównywać stosunek ruchu organicznego do cytowań AI.

Serwis	Ruch organiczny PL	ChatGPT	Perplexity	Copilot	AIO	Łącznie AI
mediaexpert.pl	11 862 000	26 087	21 348	23 245	24 817	97 567
x-kom.pl	1 898 000	6 353	7 283	2 675	7 618	24 721
morele.net	648 000	7 771	27 219	9 700	11 076	56 683

Mediaexpert.pl dominuje w ruchu organicznym – 6,2x więcej niż x-kom.pl i 18,3x więcej niż morele.net. Ale w cytowaniach AI proporcje wyglądają zupełnie inaczej.

Morele.net ma trzykrotnie mniej ruchu organicznego niż x-kom.pl, ale 2,3 razy więcej cytowań AI (56 683 vs 24 721). To odwrócenie proporcji ruchu nie wynika z przypadku. Morele.net konsekwentnie inwestuje w rozbudowane opisy produktów – specyfikacje techniczne, porównania, poradniki „co wybrać”. Te opisy są informacyjnie gęste i odpowiadają na realne pytania zakupowe. System AI ma z czego wyodrębniać fragmenty do cytowania. Zjawisko to jest analogiczne do tego, co opisujemy w artykule o boilerplate kontra retrieval na kartach produktowych – gęstość informacyjna treści decyduje o zdolności retrieval do wyodrębnienia trafnego fragmentu.

Jeszcze ciekawszy jest rozkład między silnikami. Perplexity odpowiada za niemal połowę cytowań morele.net (27 219 z 56 683), podczas gdy u mediaexpert.pl rozkład jest równomierny. To sugeruje, że Perplexity szczególnie premiuje rozbudowane treści produktowe – co jest spójne z deklarowaną metodologią tego silnika: Perplexity preferuje strony z konkretnymi odpowiedziami na pytania, nie ogólne listy produktów.

Konsekwencja dla feeda: sam feed nie wystarczy. Feed dostarcza AI ustrukturyzowane dane (cena, dostępność, GTIN). Ale o cytowaniu decyduje treść na stronie – opisy, recenzje, porównania. Jak pokazujemy w artykule o spójności feed-karta-schema, te trzy warstwy muszą się uzupełniać: feed daje strukturę, strona daje głębię, schema spaja je semantycznie.

Które sekcje karty produktowej wpływają na rekomendację AI?

Feed to nie tylko tabela z cenami. System AI buduje odpowiedź z wielu elementów: tytułu, opisu, specyfikacji, opinii, danych o dostępności i dostawie. Każdy z tych elementów może istnieć na stronie (w DOM), w schema JSON-LD i w feedzie produktowym. Problem polega na tym, że dane w tych trzech warstwach często się różnią.

Na podstawie audytów kart produktowych zidentyfikowaliśmy 11 sekcji, które decydują o jakości rekomendacji AI. Nie wszystkie muszą być w feedzie – ale AI sprawdza je krzyżowo między źródłami. Jeśli cena w feedzie to 1999 zł, a na stronie 2199 zł, system może odrzucić produkt jako niespójny. Patent US9208229B2 (Google Inc., „Anchor text summarization for corroboration”) opisuje mechanizm porównywania danych z wielu źródeł i przypisywania im wag wiarygodności – to nie dowód, że Google stosuje ten mechanizm w AI Mode, ale koncepcja krzyżowej walidacji jest udokumentowana. Więcej o weryfikacji faktów produktowych między źródłami piszemy w artykule o fact-checku danych produktowych z wielu źródeł.

Sekcja	Feed	Schema JSON-LD	Treść na stronie	Wpływ na AI
Tytuł produktu	title	name	H1 + breadcrumby	Matching zapytania do produktu
Cena i promocja	price / sale_price	price / priceCurrency	Widoczna cena	Porównanie ofert
Dostępność	availability	availability	CTA „Dodaj do koszyka”	Warunek rekomendacji
GTIN / MPN / SKU	gtin / mpn	gtin13 / mpn / sku	Specyfikacja	Identyfikacja produktu
Marka	brand	brand.name	W opisie / specyfikacji	Filtrowanie po marce
Opis produktu	description	description	Opis na karcie	Generowanie odpowiedzi
Zdjęcia	image_link	image	Galeria zdjęć	Wizualna weryfikacja
Specyfikacja techniczna	product_detail	additionalProperty	Tabela parametrów	Porównanie modeli
Opinie klientów	brak natywnie	aggregateRating / review	Sekcja recenzji	Budowanie zaufania
Dostawa i zwroty	shipping / return_policy	shippingDetails	Informacja na stronie	Decyzja zakupowa
Warianty	item_group_id / color / size	hasVariant	Selektor wariantów	Wybór wersji produktu

Kluczowe jest, żeby dane były spójne między warstwami. DOM, schema i feed muszą mówić to samo. Gdy AI sprawdza cenę w feedzie i porównuje ją z ceną na stronie, każda rozbieżność obniża zaufanie do źródła. To nie teoria – w naszym audycie feed-page-schema jednego z klientów znaleźliśmy 4 konflikty cenowych na 187 produktach (2,1% katalogu). Każdy z tych produktów był niewidoczny w rekomendacjach AI, mimo poprawnej indeksacji w Google.

Jak wygląda audyt encji produktowej w praktyce?

Większość poradników o feedach radzi „uzupełnij tytuł i opis”. To za mało. Żeby wiedzieć, co konkretnie brakuje w feedzie danego produktu, potrzebny jest audyt encji – systematyczna analiza, które atrybuty produktu są pokryte na stronie, w schema JSON-LD i w feedzie, a których brakuje.

Audyt encji dzieli atrybuty na trzy warstwy ważności z perspektywy AI. Koncepcja warstw ważności atrybutów nawiązuje do patentu US10394816B2 (Google LLC, „Detecting product lines within product search queries”), który opisuje mechanizm hierarchicznego rozpoznawania linii produktowych i ich cech przy budowaniu indeksu zakupowego:

CRITICAL (bez nich AI pomija produkt): cena, dostępność, czas dostawy, polityka zwrotów, klasa energetyczna. Brak któregokolwiek z tych atrybutów oznacza, że AI nie ma fundamentalnych danych do rekomendacji. W naszym badaniu 5 feedów 100% produktów miało cenę i dostępność – to minimum, nie osiągnięcie.

DECISION (AI porównuje produkty): marka, wymiary, kompatybilność, warianty (kolor, rozmiar, materiał). Bez tych danych AI nie może porównać Twojego produktu z konkurencją. Patent US9558186B2 (Google Inc., „Unsupervised extraction of facts”) opisuje koncepcję ekstrakcji faktów o atrybutach produktu z nieustrukturyzowanych źródeł – atrybuty decyzyjne mają wyższą wagę niż informacyjne.

SUPPORTING (AI buduje zaufanie): GTIN, waga, opinie, certyfikaty. To sygnały wiarygodności – AI cytuje źródła, którym ufa. Jak piszemy w artykule o czynnikach cytowania przez AI, sam fakt posiadania danych nie wystarczy – muszą być weryfikowalne przez inne źródła. Rolę opinii klientów i sentymentu w budowaniu zaufania opisujemy szczegółowo w tekście o aspektach opinii produktowych i ich wpływie na AI.

Przykład: telewizor Samsung 55″ – feed PRZED i PO audycie encji

Poniżej porównanie realnego wpisu feedowego przed i po audycie encji. Produkt: telewizor Samsung 55 cali z segmentu 2000-2500 zł. Dane zanonimizowane, ale proporcje realistyczne.

Atrybut	PRZED audytem	PO audycie	Wpływ na AI
title	Samsung UE55CU7172	Telewizor Samsung 55 cali UE55CU7172 Crystal UHD 4K Smart TV 2024	Matching: z 12% na 89% zapytań zakupowych
description	120 słów – kopia z katalogu	380 słów – scenariusze użycia, porównanie z konkurencją	Retrieval: wzrost passage recovery o ~30%
product_detail	Brak	14 parametrów: przekątna, rozdzielczość, HDR, HDMI, procesor, OS	Porównanie modeli: z niemożliwego na pełne
GTIN	Brak	8806094961386	Identyfikacja: z przybliżonej na jednoznaczną
shipping	Brak	Darmowa dostawa od 299 zł, 1-2 dni robocze	Decyzja: AI może podać termin dostawy
aggregateRating (schema)	Brak	4.6/5 z 127 opinii	Zaufanie: AI może cytować ocenę

Różnica między „PRZED” a „PO” to nie kosmetyka. To przejście z feeda reklamowego na feed AI-ready. Pełną analizę 11 sekcji z kodem i case study opisujemy w artykule o extractability score karty produktowej.

Jak Twój feed trafia do ChatGPT, Gemini i Perplexity?

Polscy sprzedawcy zazwyczaj mają jeden feed eksportowany do Google Merchant Center. Ale ten feed nie trafia bezpośrednio do ChatGPT ani Perplexity. Droga jest bardziej złożona.

Google Merchant Center przetwarza przesłany feed (ProductInput) i tworzy na jego podstawie własną wersję produktu (Product) – z normalizacjami, uzupełnieniami i ewentualnymi korektami. To przetworzony Product, nie oryginalny feed, jest źródłem danych dla Google AI Mode i AI Overview. Szczegóły tego procesu opisujemy w artykule o różnicy między ProductInput a Product.

ChatGPT korzysta z kilku źródeł jednocześnie: bezpośredniego feedu OpenAI (jeśli sklep go zarejestrował), danych od dostawców zewnętrznych (Shopify, agregatory), danych z crawlingu stron i schema JSON-LD. Kolejność priorytetów nie jest publicznie udokumentowana – patent US8832088B1 (Google Inc., „Freshness-based ranking”) opisuje koncepcję scoringu dokumentów i źródeł danych na podstawie ich aktualności, ale to nie dowód wdrożenia. Obserwacje sugerują, że feed bezpośredni ma pierwszeństwo przed crawlingiem. Problem aktualności danych produktowych i ryzyko rekomendowania produktu, którego nie ma w magazynie, omawiamy w artykule o data freshness i AI Mode.

Perplexity pobiera dane z zarejestrowanego feedu w panelu Merchant Program. Jeśli sklep nie jest zarejestrowany, Perplexity korzysta z crawlingu i schema – ale z ograniczoną aktualnością danych (brak real-time update ceny i dostępności).

Kanał AI	Cel	Widoczność organiczna	Zakup	Źródło danych
ChatGPT organic shopping	Rekomendacja produktu	Tak	Redirect do sklepu (ACP w przyszłości)	Feed OpenAI / crawling / dostawcy
ChatGPT Ads product feed	Reklamy katalogowe	Nie	Według konfiguracji kampanii	Feed Ads Manager
Google AI Mode / AIO	Odpowiedzi AI z produktami	Tak	UCP (w USA)	Przetworzony Product z MC
Perplexity Merchant	Discovery produktów	Tak	Redirect do sklepu	Feed zarejestrowany w panelu
Shopify Catalog → ChatGPT	Discovery + checkout Shopify	Tak (dla kwalifikujących się)	Checkout sklepu	Shopify Catalog

Kluczowe rozróżnienie: feed przesłany w ChatGPT Ads Manager kwalifikuje produkty wyłącznie do reklam katalogowych. Według obecnej dokumentacji nie zapewnia organicznej obecności produktu w rozmowach zakupowych. Osobną kwestią jest różnica między feedem reklamowym a organicznym w ChatGPT, którą omawiamy w dedykowanym artykule.

Czym feed AI-ready różni się od feeda do Google Shopping?

Feed do Google Shopping wymaga minimum: title, description, link, image_link, price, availability, brand, GTIN (jeśli istnieje), condition. Te pola wystarczą, żeby produkt pojawił się w reklamach produktowych. Ale nie wystarczą, żeby AI mogło go polecić w konwersacji.

Feed AI-ready rozszerza te minimum o atrybuty konwersacyjne. Google Merchant Center wprowadził 6 nowych conversational attributes: question_and_answer, document_link, related_product, item_group_title, variant_option i popularity_rank. Te atrybuty zmieniają rolę feedu z narzędzia do listingu produktów w fundament konwersacyjnego commerce w AI Mode.

Atrybut	Google Shopping	Feed AI-ready	Dlaczego ma znaczenie
title	Wymagany	Wymagany + opisowy (nie kodowy)	AI dopasowuje pytanie do tytułu tokenami (US9940367B1, Google Inc.)
description	Wymagany, max 5000 znaków	Min. 300 słów, scenariusze użycia	Retrieval wyodrębnia fragmenty do cytowania
GTIN	Zalecany	Wymagany	Identyfikacja produktu → porównanie ofert
product_detail	Opcjonalny	Wymagany, min. 10 parametrów	AI porównuje modele po atrybutach
shipping	Opcjonalny	Wymagany z czasem dostawy	AI podaje termin dostawy w odpowiedzi
return_policy_label	Opcjonalny	Wymagany	Warunek UCP checkout readiness
question_and_answer	Niedostępny	Zalecany	FAQ o produkcie dla AI conversational
popularity_rank	Niedostępny	Zalecany	Sygnał „bestseller” dla AI

Jak przygotować feed AI-ready w 7 krokach?

Nie potrzebujesz zaawansowanej infrastruktury, żeby przygotować feed AI-ready. Poniżej 7 kroków z konkretnymi narzędziami i ramami czasowymi. Oparte na doświadczeniu z audytów sklepów na Shoperze, WooCommerce i PrestaShop.

Krok 1 (dzień 1-2): Audytuj obecny feed. Pobierz aktualny eksport z Merchant Center. Policz: ile produktów ma GTIN, ile ma opis dłuższy niż 100 słów, ile ma product_detail z co najmniej 5 parametrami. Na podstawie naszych audytów 5 sklepów: średnie pokrycie GTIN to 63%, a większość opisów ma poniżej 80 słów. To Twoja linia bazowa.

Krok 2 (dzień 3-5): Uzupełnij GTIN. Dla produktów markowych GTIN (EAN-13 w Europie) jest dostępny w katalogu producenta lub na stronie GS1. Dla produktów własnych możesz kupić pule EAN w GS1 Polska. W naszym audycie sklep B (zwierzęta) z GTIN na 99,4% miał feed score 100/100 – jedyny ze sklepów z idealnym wynikiem.

Krok 3 (dzień 3-5): Wzbogać opisy o atrybuty konwersacyjne. Zmień opisy z katalogu producenta (zwykle 2-3 zdania) na opisy odpowiadające na pytania zakupowe: „do czego służy”, „czym różni się od modelu X”, „dla kogo jest najlepszy”. Nie chodzi o objętość, ale o gęstość informacyjną. Jak pokazuje analiza information gain w opisach produktów, AI premiuje treść, która dodaje nową informację, a nie powtarza to, co jest w specyfikacji.

Krok 4 (dzień 5-7): Zsynchronizuj feed ze schema na stronie. Sprawdź, czy cena w feedzie = cena w schema Product = cena widoczna na stronie. To samo dla dostępności, nazwy i GTIN. Każda rozbieżność obniża zaufanie AI do Twojego źródła. Narzędzia: audyt SEO Semgence sprawdza spójność tych trzech warstw automatycznie. W ramach audytu treści analizujemy również, czy opisy produktów mają wystarczającą gęstość informacyjną dla retrieval AI.

Krok 5 (dzień 7): Zarejestruj się w Perplexity Merchant Program. Jedyny z trzech protokołów dostępny w Polsce. Rejestracja wymaga feedu w formacie zgodnym ze specyfikacją Perplexity (zbliżona do Google Shopping). Jeśli Twój feed jest poprawny w Merchant Center, adaptacja do Perplexity wymaga minimalnych zmian.

Krok 6 (dzień 7-10): Dodaj product_detail do feeda. Minimum 10 parametrów technicznych per produkt. W WooCommerce użyj Product Feed PRO z mapowaniem atrybutów. W Shoperze skonfiguruj eksport z polami specyfikacji. To jest inwestycja, która procentuje w każdym kanale – nie tylko w AI.

Krok 7 (co miesiąc): Monitoruj widoczność. Sprawdzaj, czy Twoje produkty pojawiają się w odpowiedziach ChatGPT, Perplexity i Google AI Mode. Jak to zrobić? Zadaj AI pytanie o swój produkt i sprawdź, czy pojawia się w odpowiedzi. Bardziej systematycznie: audyt widoczności w AI mierzy cytowania we wszystkich głównych silnikach.

Dlaczego feed, schema i treść działają tylko razem?

W każdym artykule o feedach powtarzamy ten sam wniosek, bo dane go potwierdzają: feed, schema i treść na stronie to trzy warstwy jednego systemu. Feed daje AI ustrukturyzowane dane do szybkiego dopasowania produktu do zapytania. Treść na stronie daje AI kontekst i materiał do cytowania. Schema Product spaja oba elementy – mówi maszynie, które elementy na stronie to cena, które to opis, a które to opinie.

Bez feeda AI nie wie o produkcie. Bez treści AI nie ma czego cytować. Bez schema AI musi parsować HTML – a jak pokazuje nasz audyt feed-page-schema, strony z ochroną Cloudflare (jak mediaexpert.pl) zwracają „Just a moment…” zamiast treści produktowej. Crawler widzi stronę weryfikacyjną, nie kartę produktu. Schema JSON-LD jest widoczna nawet w takim scenariuszu, bo jest osadzona w kodzie HTML przed renderowaniem JavaScript.

To prowadzi do praktycznej rekomendacji: jeśli Twój sklep używa renderowania client-side (React, Vue, Angular), schema JSON-LD w sekcji <head> – zgodnie z koncepcją opisaną w patencie US11372941B2 (Google LLC, „Search result filters from resource content”) o ekstrakcji danych strukturalnych z zasobów webowych – to jedyny pewny sposób, żeby AI widziało dane produktowe nawet bez renderowania strony. Feed to drugi pewny kanał. Treść na stronie to trzeci – ale wymaga, żeby crawler mógł ją wyrenderować. O wpływie renderowania na widoczność AI piszemy w artykule o rendering readiness.

Czy wzbogacenie feeda pod AI się opłaca?

Uzupełnienie feeda dla sklepu z kilkuset produktami to tydzień pracy. Dla sklepu z tysiącami SKU – 2-4 tygodnie z automatyzacją. Największy koszt to jednorazowe uzupełnienie brakujących atrybutów (GTIN, specyfikacja, rozbudowane opisy). Potem utrzymanie sprowadza się do pilnowania spójności między feedem, stroną i schema.

Z perspektywy ROI: klienci trafiający do sklepów z rekomendacji AI konwertują 4,4 razy częściej niż ci z tradycyjnego wyszukiwania organicznego (Semrush). ChatGPT przetwarza około 50 milionów zapytań zakupowych dziennie. To nowy kanał sprzedaży, nie opcjonalny dodatek. Firmy inwestujące w pozycjonowanie AI i content marketing oparty na danych produktowych zyskują przewagę w tym kanale. Kluczowe jest też, jak AI personalizuje rekomendacje produktowe – ten sam produkt może być przedstawiony różnie w zależności od kontekstu zapytania. Warto też rozumieć, jak AI wybiera między marketplace a sklepem przy identycznym produkcie. Sklep, który nie przygotuje feeda pod AI, nie zniknie z Google Shopping – ale nie pojawi się tam, gdzie coraz więcej kupujących zaczyna poszukiwania.

Jeśli chcesz sprawdzić, jak Twój feed wypada na tle konkurencji i co konkretnie trzeba poprawić, zapraszamy do audytu sklepu internetowego. Oferujemy również konsultacje SEO dla sklepów, które potrzebują wsparcia w przygotowaniu feeda pod AI – obejmuje on analizę feeda, schema i treści pod kątem widoczności w AI. Warto też zweryfikować, jak Twój sklep wypada w ocenie wiarygodności przez AI – merchant trust score wpływa na to, czy AI w ogóle poleci Twój sklep. Uzupełnieniem analizy feedowej jest atrybucja ruchu z kanału agentic commerce w GA4, która pozwala mierzyć rzeczywisty wpływ AI na sprzedaż.

Osobnym przypadkiem jest feed hurtowni, w którym część warunków zakupu w ogóle nie ma swojego pola. Porównaliśmy pod tym kątem dwa protokoły handlu agentowego i schema.org w tekście o katalogu B2B oczami agenta zakupowego.