Karta produktowa w typowym polskim sklepie internetowym zawiera średnio kilka tysięcy znaków. Ale ile z tego tekstu naprawdę opisuje produkt? Reszta to nawigacja, stopka, bloki cross-sell, sekcje „O firmie”, komunikaty o dostawie – elementy powtarzające się identycznie na każdej karcie w serwisie. Z perspektywy retrieval ten szablon (boilerplate) zamazuje sygnał semantyczny. Przeprowadziliśmy eksperyment na 60 kartach produktowych z 20 sklepów w 5 branżach, porównując retrieval na pełnym DOM i na wersji odszumionej. Wyniki pokazują, że 38% treści PDP to szum szablonowy, a jego usunięcie podnosi query-passage recovery o 22 punkty procentowe.
Dlaczego liczba słów w DOM niczego nie rozstrzyga?
Popularna metryka „thin content” opiera się na liczbie słów na stronie. Strona z 2000 słowami jest „gruba”, strona z 200 słowami jest „cienka”. Problem polega na tym, że ta metryka nie rozróżnia między treścią unikatową a szablonową. Karta produktowa z 2000 słowami, z których 1200 to powtarzalny szablon, ma efektywnie 800 słów unikatowej treści – mniej niż „cienka” strona z 900 słowami, które wszystkie dotyczą produktu. Zjawisko to bezpośrednio wpływa na extractability – zdolność AI do wyciągnięcia odpowiedzi z treści.
Patenty US8898296B2 (rozpoznawanie powtarzalnych bloków w dokumencie i przypisywanie im niższej wagi) oraz US8538989B1 opisują mechanizmy identyfikacji szablonowych fragmentów treści. Patent US9031898B2 rozszerza tę koncepcję o stabilną identyfikację komponentów dokumentu nawet po zmianach szablonu. Czy Google faktycznie stosuje takie mechanizmy? Nie wiemy. Ale wiemy, że retrieval (zarówno leksykalny, jak i embeddingowy) operuje na tokenach z całego dokumentu – i jeśli 60% tokenów to szablon, dopasowanie zapytania do produktu jest rozmyte przez szum.
Co uznajemy za boilerplate?
W naszym eksperymencie za boilerplate uznaliśmy bloki tekstu, które powtarzają się identycznie (lub z różnicą poniżej 5% na poziomie tokenów) na minimum 80% kart produktowych w obrębie jednego sklepu. To obejmuje: nawigację główną i boczną, stopkę z informacjami o firmie, sekcje „Dlaczego warto kupić u nas”, komunikaty o dostawie i zwrotach (jeśli identyczne na każdym PDP), bloki cross-sell z generycznymi nagłówkami („Polecane produkty”, „Inni kupili również”), widżety czatowe i baner cookies, sekcje „O marce” kopiowane 1:1 na każdy PDP.
Nie uznaliśmy za boilerplate: opisu produktu (nawet jeśli generowany z szablonu, bo zawiera unikatowe atrybuty), specyfikacji technicznej (unikatowe wartości per produkt), recenzji użytkowników (unikatowe per produkt), breadcrumbów (zawierają informację o lokalizacji produktu w hierarchii). To rozróżnienie jest kluczowe – jak opisujemy w artykule o component drift na kartach produktowych, frontendowe zmiany w komponentach mogą nieświadomie zaburzyć ten podział.
Jak identyfikujemy stabilne komponenty?
Do identyfikacji boilerplate użyliśmy narzędzia diagnostycznego renderującego stronę i porównującego bloki DOM. Narzędzie renderuje stronę, dzieli DOM na bloki na podstawie struktury HTML (nagłówki, divy, sekcje) i porównuje bloki między stronami tego samego szablonu. Bloki z similarity > 0,95 (mierzone na poziomie tokenów po usunięciu whitespace) oznaczane są jako szablonowe.
Dla każdego sklepu wybraliśmy 3 PDP z jednej rodziny szablonu (ta sama kategoria, ta sama struktura strony). Porównanie trzech stron z tego samego szablonu eliminuje różnice wynikające z różnych layoutów i pozwala precyzyjnie zmierzyć, które bloki są stałe, a które zmieniają się z produktem. Proces ten jest zbieżny z podejściem opisanym w kontekście rendering readiness – czy AI widzi treść strony.
Eksperyment: pełny DOM vs odszumiony DOM
Dla każdego z 20 sklepów (5 branż: elektronika, moda, dom i ogród, sport, kosmetyki) przygotowaliśmy dwa korpusy: pełny DOM (cała wyrenderowana treść strony) i odszumiony DOM (pełny DOM minus bloki oznaczone jako szablonowe). Następnie dla tych samych zapytań z GSC (zapytania, na które dana strona PDP pojawiała się w wynikach wyszukiwania) uruchomiliśmy retrieval na obu korpusach.
Mierzyliśmy dwie metryki: query-URL recovery (czy retrieval wskazał właściwy URL jako top 1 kandydata) i query-passage recovery (czy retrieval wyodrębnił fragment, który faktycznie odpowiada na zapytanie). Obie metryki obliczone osobno dla pełnego i odszumionego korpusu, na tych samych zapytaniach. Koncepcja dopasowania zapytania do adresu odpowiedzi jest szerzej omówiona w naszym artykule o nagłówku jako adresie odpowiedzi na karcie produktu.
Parametry badania
| Parametr | Wartość |
|---|---|
| Liczba kart produktowych (PDP) | 60 |
| Liczba sklepów | 20 |
| Liczba branż | 5 (elektronika, moda, dom i ogród, sport, kosmetyki) |
| PDP per sklep | 3 (ta sama rodzina szablonu) |
| Próg similarity dla boilerplate | > 0,95 (na poziomie tokenów) |
| Minimum powtórzeń dla oznaczenia szablonu | 80% kart w obrębie sklepu |
Wyniki retrieval
Wyniki na 60 stronach z 20 sklepów: w pełnym DOM średnio 38% treści stanowiły elementy szablonowe powtarzające się na każdej karcie w obrębie jednego sklepu. Rozrzut był duży – od 22% (sklep z minimalistycznym szablonem) do 58% (sklep z rozbudowaną stopką SEO i blokami zaufania).
| Metryka | Pełny DOM | Odszumiony DOM | Zmiana |
|---|---|---|---|
| Udział boilerplate (średnia) | 38% | 0% (usunięty) | – |
| Boilerplate – minimum | 22% | – | – |
| Boilerplate – maksimum | 58% | – | – |
| Query-URL recovery | 51% | 65% | +14 pp |
| Query-passage recovery | 29% | 51% | +22 pp |
| semgence.pl (query-passage) | – | – | +18 pp |
Query-URL recovery: pełny DOM 51%, odszumiony DOM 65%. Wzrost o 14 punktów procentowych. Oznacza to, że po usunięciu szablonu retrieval częściej wybierał właściwą kartę produktową jako pierwszego kandydata – bo sygnał semantyczny produktu nie był rozmywany przez tokeny powtarzające się na wszystkich kartach.
Problem boilerplate’u na stronach e-commerce jest systemowy. Search Engine Journal w cyklu „Ask an SEO” radzi: zamiast optymalizować każdą kartę produktu z osobna, warto przenieść ciężar unikalnej treści na strony kategorii i kolekcji, a na kartach produktów skupić się na atrybutach różnicujących – specyfikacji, recenzjach, danych porównawczych.
Query-passage recovery: pełny DOM 29%, odszumiony DOM 51%. Wzrost o 22 punkty procentowe. To większy skok niż w query-URL, bo na poziomie passage szum szablonowy ma proporcjonalnie silniejszy wpływ – fragment wyodrębniany z pełnego DOM często zawierał elementy szablonowe zamiast treści o produkcie. Mechanizmy odpowiadające za selekcję fragmentów na potrzeby cytatów opisujemy w artykule o tym, jak AI wybiera źródła do cytowania.
Innymi słowy, ponad jedna piąta trafnych fragmentów tekstu była maskowana przez szum szablonowy i nie mogła zostać poprawnie dopasowana do zapytania użytkownika.
Które moduły najczęściej zanieczyszczają kontekst?
Ranking modułów szablonowych według wpływu na retrieval (mierzonego spadkiem recovery po ich usunięciu):
| Moduł szablonowy | Wpływ na retrieval | Mechanizm szkody |
|---|---|---|
| Stopka SEO | Najsilniejszy (w 4/20 sklepów miała więcej słów niż opis produktu) | Retrieval dopasowuje zapytania do stopki zamiast do opisu produktu |
| Blok „Dlaczego warto” | Silny – identyczny tekst na każdej karcie | Rozmywa sygnał unikatowości opisu produktu |
| Nawigacja okruszkowa z opisem | Średni – powtarzalny kontekst kategoriowy | Duplikuje tokeny kategorii na każdym PDP |
| Cross-sell z generycznymi nagłówkami | Silny – najwyższy wrong URL rate | Nazwy innych produktów w cross-sell powodują fałszywe dopasowania |
Stopka SEO. Długie bloki tekstu na dole strony, zawierające frazy kluczowe. W 4 z 20 sklepów stopka SEO miała więcej słów niż opis produktu. Retrieval traktuje stopkę jako treść strony i dopasowuje do niej zapytania, które powinny trafiać do opisu produktu. Patent US11609943B2 opisuje koncepcję ważenia fragmentów dokumentu na podstawie ich pozycji i kontekstu – stopka SEO, choć formalnie jest treścią, semantycznie nie odpowiada na zapytanie o produkt.
Blok „Dlaczego warto kupić u nas”. Identyczny tekst skopiowany na każdą kartę produktową. Retrieval widzi te same tokeny na każdej stronie, co obniża zdolność rozróżnienia między kartami. To bezpośredni przykład zjawiska, które analizujemy w kontekście information gain w opisach produktów – treść, która nie dodaje żadnej nowej informacji, nie zwiększa wartości dokumentu.
Nawigacja okruszkowa z opisem. Breadcrumby same w sobie są wartościowe (lokalizacja produktu w hierarchii). Ale gdy dołączony jest do nich opis kategorii skopiowany 1:1 na każdy PDP, ten opis staje się szumem. Patent US12222995B2 formalizuje koncepcję oceny kontekstu nawigacyjnego jako odrębnego od treści informacyjnej dokumentu.
Bloki cross-sell z generycznymi nagłówkami. „Polecane produkty”, „Inni kupili również”, „Może Cię zainteresować”. Zawierają nazwy innych produktów, które retrieval traktuje jako tokeny dopasowania. Zapytanie o „buty do biegania Nike” trafia na kartę sandałów, bo w bloku cross-sell są buty Nike. Najsilniejszy wpływ na wrong URL rate.
Co usunąć, co oznaczyć, a co pozostawić?
Usunąć z kontekstu retrieval (nie z DOM – chodzi o denoising na potrzeby audytu i embeddingów): bloki cross-sell z generycznymi nagłówkami, zduplikowane sekcje gwarancji i dostawy (zamienić na link), stopki SEO z powtarzalnymi frazami.
Oznaczyć jako szablon (zachować w DOM, ale uwzględnić w audycie jako non-unique): sekcje „O marce” (rozważyć skrócenie do jednego zdania z linkiem), nawigację kategoriową w bocznej kolumnie, breadcrumby (zachować – zawierają informację o hierarchii). Warstwa semantyczna, którą można nałożyć na te elementy przez Product schema w e-commerce, pozwala oddzielić dane strukturalne od szumu szablonowego.
Pozostawić bez zmian: opis produktu (nawet szablonowy, zawiera unikatowe atrybuty), specyfikację techniczną, recenzje użytkowników, FAQ specyficzne dla produktu.
Na stronie semgence.pl, gdzie stosujemy odszumiony DOM jako źródło do audytów retrieval, różnica między pełnym a odszumionym wynikiem wyniosła 18 punktów procentowych w recovery query-passage. To potwierdza, że denoising ma praktyczny wpływ na jakość audytu, niezależnie od tego, jak Google traktuje boilerplate w swoim systemie rankingowym.
Boilerplate a gęstość informacyjna – dlaczego sam procent nie wystarczy
Do tej pory mówiliśmy o boilerplate jako o procencie szablonowych tokenów w DOM. To przydatna metryka, ale nie opowiada całej historii. Wyobraź sobie dwie karty produktowe:
Karta A: 50% boilerplate, ale pozostałe 50% to gęsty opis produktu – specyfikacja techniczna z 40 parametrami, 12 recenzji użytkowników, unikatowy opis zastosowań i porównanie z konkurencyjnymi modelami. Karta B: zaledwie 30% boilerplate, ale unikalna treść to dwa zdania opisu skopiowane z katalogu producenta i tabela z 5 podstawowymi parametrami.
Która karta lepiej odpowiada na zapytanie użytkownika? Karta A – mimo wyższego procentu szablonu. Retrieval nie liczy procentów szablonu; retrieval szuka fragmentów tekstu, które semantycznie odpowiadają na zapytanie. Jeśli te fragmenty istnieją i są wystarczająco bogate, system je znajdzie nawet w otoczeniu szumu.
Dlatego wprowadzamy pojęcie efektywnej gęstości informacyjnej: stosunek tokenów niosących unikatowe, produktowo-specyficzne znaczenie do całkowitej liczby tokenów na stronie. To nie to samo co „procent treści unikalnej”. Treść może być unikalna (nie powtarza się na innych stronach), ale pusta informacyjnie – np. zdanie „Ten produkt spełnia najwyższe standardy jakości” jest unikalne, ale nie zawiera żadnej konkretnej informacji o produkcie.
Wróćmy do danych z naszego eksperymentu. Neonet.pl na stronach kategorii ma zaledwie 0,5% treści unikalnej – to skrajny przypadek. Ale nawet gdybyśmy cudownie usunęli cały boilerplate, te 0,5% nie zawiera wystarczająco dużo informacji, żeby retrieval mógł dopasować stronę do konkretnych zapytań. Problem nie leży w szablonie, lecz w tym, że unikatowa treść jest zbyt rzadka i zbyt ogólna.
W naszym badaniu zaobserwowaliśmy, że query-passage recovery koreluje silniej z gęstością informacyjną treści unikalnej niż z samym procentem boilerplate. Karty z niskim boilerplate (22-30%), ale generycznym opisem, miały recovery porównywalny z kartami o wysokim boilerplate (45-55%), które miały gęste opisy. To obserwacja na małej próbie, nie uniwersalna reguła – ale sugeruje, że priorytetem powinno być wzbogacenie treści, a nie tylko redukcja szablonu.
Praktyczna konsekwencja: zanim zaczniesz wycinać boilerplate, sprawdź, czy Twoja unikalna treść jest wystarczająco gęsta. Jeśli opis produktu to trzy zdania z katalogu producenta, usunięcie stopki SEO poprawi proporcje, ale nie rozwiąże fundamentalnego problemu. Lepszą inwestycją jest rozbudowa opisu o konkretne atrybuty i scenariusze użycia – więcej o tym piszemy w artykule o information gain w opisach produktów e-commerce.
Jak różne silniki AI radzą sobie z boilerplate?
Boilerplate to problem nie tylko dla klasycznego wyszukiwania Google. Silniki AI – ChatGPT, Perplexity, Copilot, Gemini, Google AIO i AI Mode – również operują na treści stron internetowych i muszą radzić sobie z szumem szablonowym. Pytanie brzmi: czy robią to tak samo? I czy sklepy z gęstą treścią produktową są nagradzane wyższą widocznością w AI?
Zebraliśmy dane z Ahrefs dla trzech polskich serwisów e-commerce o różnym podejściu do treści produktowej. Wyniki są wymowne.
| Serwis | Ruch organiczny PL | Cytowania ChatGPT | Cytowania Perplexity | Cytowania Copilot | Cytowania AIO | Łącznie AI |
|---|---|---|---|---|---|---|
| empik.com | 2 600 000 | 19 400 | 21 038 | 59 545 | – | 110 926 |
| apart.pl | 1 079 000 | 1 035 | 1 403 | – | 1 565 | 4 482 |
| wkruk.pl | 391 000 | 190 | 690 | 276 | 675 | 2 769 |
Empik.com ma 2,4x więcej ruchu organicznego niż apart.pl i 6,6x więcej niż wkruk.pl. Ale w cytowaniach AI różnice są nieporównywalnie większe: empik ma 25x więcej cytowań AI niż apart.pl i 40x więcej niż wkruk.pl. Ruch organiczny nie tłumaczy tej przepaści – tłumaczy ją gęstość treści produktowej.
Empik sprzedaje książki, gry, muzykę – produkty, które naturalnie wymagają opisu: zasady gry, spis treści, opis fabuły, skład zestawu, wiek docelowy. Te opisy są informacyjnie gęste, odpowiadają na realne pytania użytkowników. Retrieval ma z czego wyodrębniać fragmenty.
Apart i W.KRUK sprzedają biżuterię – produkty, które tradycyjnie opisuje się krótko: materiał, próba złota, rodzaj kamienia, wymiary. Opis produktowy to często 2-3 zdania. Reszta strony to zdjęcia i boilerplate. Retrieval nie ma wystarczająco gęstego tekstu, żeby wyodrębnić trafny fragment.
Ciekawy jest rozkład między silnikami. Copilot odpowiada za ponad połowę cytowań empik.com (59 545 z 110 926), AIO i AI Mode również silnie cytują empik. Wzorzec jest spójny: gęsta treść produktowa przekłada się na wyższą widoczność AI niezależnie od konkretnego silnika. To nie oznacza, że biżuteria nie może być widoczna w AI – ale krótki opis typu „Kolczyki złote z perłą, próba 585″ nie daje retrieval wystarczającego materiału. Sklep jubilerski, który dodałby informacje o pochodzeniu pereł, technice wykonania i okazjach do noszenia, miałby szansę na znacząco wyższą widoczność.
Jeśli chcesz sprawdzić, jak Twój sklep wypada pod kątem widoczności w silnikach AI i ile cytowań generują Twoje karty produktowe, oferujemy dedykowany audyt widoczności w AI, który obejmuje analizę wszystkich głównych silników.
Praktyczny audyt: jak zmierzyć stosunek sygnału do szumu na swoim PDP
Nie musisz czekać na profesjonalny audyt, żeby zorientować się, jaki procent Twoich kart produktowych to szablon. Poniżej pięć kroków, które możesz wykonać samodzielnie z podstawowymi narzędziami.
Krok 1: Wybierz 3 karty produktowe z tego samego szablonu. Najlepiej z jednej kategorii – np. trzy pary butów, trzy laptopy, trzy kremy. Chodzi o to, żeby layout strony był identyczny i różniły się tylko dane produktu. Dzięki temu bloki, które są identyczne na wszystkich trzech stronach, możesz z dużą pewnością uznać za boilerplate.
Krok 2: Wyrenderuj stronę i wyodrębnij tekst. Otwórz każdą stronę w przeglądarce (z uruchomionym JavaScript – wiele sklepów renderuje treść dynamicznie) i skopiuj cały widoczny tekst: Ctrl+A, Ctrl+C. Tekst musi zawierać wszystko, co widzi użytkownik i bot – łącznie z nawigacją, stopką i blokami cross-sell.
Krok 3: Porównaj bloki tekstowe między trzema stronami. Możesz użyć dowolnego narzędzia do porównywania tekstu (diff). Bloki, które są identyczne lub prawie identyczne na wszystkich trzech stronach, to boilerplate. Bloki, które różnią się między stronami (nazwa produktu, opis, specyfikacja, cena, recenzje), to treść unikalna.
Krok 4: Policz tokeny. Podziel tekst na słowa (przybliżenie tokenów). Policz: ile słów to boilerplate (identyczne bloki), ile to treść unikalna. Oblicz efektywną gęstość informacyjną = (tokeny unikalne) / (tokeny łącznie). Wynik 0,4 oznacza, że 40% treści na stronie jest unikalne dla tego produktu.
Krok 5: Oceń wynik i podejmij decyzje. Poniżej orientacyjne progi oparte na naszych obserwacjach z badania 60 PDP:
| Efektywna gęstość informacyjna | Ocena | Rekomendacja |
|---|---|---|
| powyżej 50% | Dobra | Skup się na jakości opisu, nie na redukcji szablonu |
| 30-50% | Przeciętna | Rozważ skrócenie stopki SEO i bloków „O firmie”; rozbuduj opis produktu o atrybuty |
| poniżej 30% | Niska | Priorytet: rozbudowa opisu produktu; zamień zduplikowane bloki na linki; dodaj unikalne atrybuty, scenariusze użycia, dane porównawcze |
Wynik poniżej 30% oznacza, że na każde unikalne zdanie o produkcie przypadają ponad dwa zdania szablonu. Skrócenie stopki SEO da szybką poprawę proporcji, ale trwałym rozwiązaniem jest zbudowanie treści, która naprawdę opisuje produkt: jakie problemy rozwiązuje, czym się różni od konkurencji, do kogo jest adresowany. Więcej o strategii treściowej dla e-commerce piszemy na stronie pozycjonowania sklepu internetowego.
Warto pamiętać, że ten audyt mierzy proporcje na poziomie tekstu. Osobną kwestią jest adresowalność fragmentów – czy unikalna treść jest oznaczona nagłówkami i strukturą HTML w sposób umożliwiający retrieval wyodrębnienie konkretnego fragmentu. To zagadnienie szczegółowo omawiamy w artykule o linkach do fragmentów strony i cytowaniach AI.
Zastrzeżenie dotyczące patentów
Patenty przywołane w tym artykule opisują mechanizmy koncepcyjne, nie potwierdzoną specyfikację działającego algorytmu. Sam fakt istnienia patentu nie stanowi dowodu na to, że dany mechanizm jest obecnie aktywnie wykorzystywany w systemie rankingowym Google.
| Patent | Opis mechanizmu | Kontekst w artykule |
|---|---|---|
| US8898296B2 | Rozpoznawanie powtarzalnych bloków treści w dokumencie i przypisywanie im niższej wagi | Identyfikacja boilerplate na kartach produktowych |
| US9031898B2 | Stabilna identyfikacja komponentów dokumentu nawet po zmianach szablonu | Śledzenie zmian w komponentach szablonowych |
| US11609943B2 | Ważenie fragmentów dokumentu na podstawie pozycji i kontekstu | Ocena wpływu stopki SEO vs opis produktu |
| US12222995B2 | Ocena kontekstu nawigacyjnego jako odrębnego od treści informacyjnej | Rozróżnienie breadcrumbów od opisu kategorii |
Gary Illyes w podcaście Search Off the Record podkreślił, że jakość jest „the biggest driver for most of the indexing and crawling decisions”. Jeśli Googlebot rozpoznaje wzorzec boilerplate’u na setkach kart produktowych, może obniżyć priorytet crawlowania całej sekcji – nie dlatego, że treść jest „spamowa”, ale dlatego, że nie wnosi wystarczającej wartości informacyjnej, by uzasadnić ponowne indeksowanie.
Case study: proporcja boilerplate na stronach neonet.pl i morele.net
Przeprowadziliśmy test proporcji szablonu do treści unikalnej na dwóch polskich sklepach elektronicznych, crawlując ich strony w sierpniu 2026.
neonet.pl – strona kategorii „Laptopy”: surowy HTML waży 675 KB. Po usunięciu nawigacji, stopki, skryptów i stylów (cleaned HTML) pozostaje 154 KB – zaledwie 22,8% oryginalnego rozmiaru. Z tych 154 KB większość to karty produktowe (29 sztuk) o powtarzalnej strukturze: nazwa w H3, cena, przycisk CTA. Rzeczywista treść unikalna – dwa bloki SEO pod H2 (poradnik zakupowy i informacja cenowa) – stanowi szacunkowo 2-3 KB, czyli mniej niż 0,5% surowego DOM. Retrieval operujący na pełnym DOM otrzymuje sygnał rozcieńczony 200-krotnie.
neonet.pl – strona produktu (ASUS TUF Gaming A16): surowy HTML to 726 KB, cleaned 154 KB (21,2%). Treść unikalna produktu (nazwa, specyfikacja, opis) jest znacznie gęstsza niż na stronie kategorii, ale nadal otoczona identycznym szablonem nawigacyjnym, stopką, menu kategorii i blokami „Polecany produkt” powtarzanymi na każdej podstronie.
morele.net – redirect jako forma boilerplate: próba crawlowania konkretnej strony produktowej (karta graficzna RTX 4060) zakończyła się redirectem 301 do zupełnie innego produktu. Z perspektywy retrieval to najgorsza forma „szumu” – system nie otrzymuje boilerplate otaczającego właściwy produkt, lecz w 100% błędne dane. Jeśli takie redirecty dotyczą wycofanych produktów, mogą generować tysiące stron-pułapek, w których retrieval pobiera pozornie valid treść (cena, nazwa, opis), ale o złym produkcie.
Korelacja z AI visibility: mimo masywnego boilerplate neonet.pl nie pojawia się w top 4 polskich e-commerce pod kątem AI citations (dominują mediaexpert, euro.com.pl, morele.net i x-kom.pl). To może sugerować, że silniki AI skutecznie filtrują boilerplate i docierają do treści unikalnej – ale tylko gdy ta treść jest wystarczająco gęsta informacyjnie. Strony kategorii z 0,5% treści unikalnej prawdopodobnie nie przechodzą progu minimalnej gęstości informacyjnej wymaganej przez retrieval.
Case study cross-industry: eobuwie.pl – gdy boilerplate zjada cały serwis
Problem boilerplate vs unique content z neonet.pl (675 KB strona z 0,5% unikalnej treści) jest skrajny, ale eobuwie.pl w branży obuwniczej pokazuje jeszcze bardziej fundamentalną wersję tego problemu – serwis jest praktycznie niewidoczny dla wyszukiwarek i AI. Dane z Ahrefs (szacunkowy snapshot, sierpień 2026).
eobuwie.pl: 197 sesji organicznych w Polsce. Największy polski e-commerce obuwniczy (marka CCC Group, przychody mld PLN) generuje zaledwie 197 sesji organicznych miesięcznie w całym serwisie. Dla porównania: CCC (ccc.eu), druga marka tego samego holdingu, ma 757 tys. sesji na samej stronie głównej. eobuwie ma tylko 4 strony widoczne w Ahrefs – reszta serwisu jest albo blokowana przez Cloudflare/JS rendering, albo noindex, albo po prostu nie jest crawlowalna przez boty wyszukiwarek.
Zero AI visibility. Konsekwencja: 0 cytowań ChatGPT, 0 Perplexity, 0 Google AIO, 0 Gemini. Jedyne sygnały to 1 cytowanie Copilot i 9 Grok – wartości w granicach szumu statystycznego. Jeśli treść nie istnieje w indeksie wyszukiwarki, AI retrieval nie ma czego cytować – niezależnie od jakości produktów czy siły brandu.
Kontrast z rossmann.pl: w branży drogerii rossmann.pl stosuje podejście odwrotne. Strony kategorii i artykuły /inspiracja/ są crawlowalne, mają unikalne opisy i generują 12 476 cytowań ChatGPT. Hebe.pl – też z crawlowalnym contentem – osiąga 3 058 cytowań. Wzorzec jest jasny: crawlowalny, unikalny content = widoczność AI; JS-heavy boilerplate bez crawlowalnej treści = zero.
Wniosek: boilerplate w kontekście AI retrieval to nie tylko problem proporcji (jak 0,5% unique content u neonet). To problem binarny – jeśli cała strona jest nieosiągalna dla crawlerów (JS rendering, Cloudflare, brak SSR), to z perspektywy retrieval boilerplate = 100% i unique content = 0%. eobuwie.pl to ostrzeżenie: nawet marka warta miliardy jest niewidoczna dla AI, jeśli serwis nie jest crawlowalny.
Case study: wkruk.pl – biżuteria z minimalnym opisem produktu
W.KRUK to jedna z najstarszych marek jubilerskich w Polsce – ponad 180 lat tradycji, sieć ponad 60 salonów, przychody liczone w setkach milionów złotych. Pod kątem brandu wkruk.pl nie powinien mieć problemów z widocznością. A jednak dane z Ahrefs (sierpień 2026) pokazują zaskakująco niską obecność w silnikach AI.
Ruch organiczny w Polsce: 391 000 sesji, 12 995 słów kluczowych. To solidna baza – serwis jest dobrze zindeksowany i widoczny w klasycznym wyszukiwaniu Google. Ale cytowania AI to łącznie 2 769: ChatGPT 190, Perplexity 690, Copilot 276, Gemini 17, Grok 35, AIO 675, AI Mode 886. Dla porównania: empik.com z 6,6x większym ruchem organicznym ma 40x więcej cytowań AI.
Przeanalizowaliśmy typową kartę produktową – kolczyki złote z perłą (ZYP/KP01). Unikalna treść produktowa to zaledwie dwa akapity, łącznie około 130 słów. Reszta strony to: 6 banerów promocyjnych, nawigacja główna z pod-nawigacją, breadcrumby, miniatury zdjęć, linki serwisowe („Zapytaj o produkt”, „Bezpieczeństwo”, „Zwroty”), powiązane kategorie, 4 bloki stopki, stopka korporacyjna, ikony płatności, linki social media i regulaminowe.
Szacowany udział boilerplate: około 90%. Na każde słowo opisujące produkt przypadają mniej więcej dziewięć słów szablonu. Sygnał tonący w szumie.
Problem wkruk.pl to nie tyle wysoki boilerplate – to niska gęstość informacyjna treści unikalnej. 130 słów opisu nie zawiera informacji, których szukają użytkownicy: technika wykonania, pochodzenie kamieni, porównania, okazje, pielęgnacja. Retrieval nie ma z czego wyodrębnić trafnego fragmentu.
Samo usunięcie boilerplate nie rozwiąże problemu. Nawet gdybyśmy usunęli 90% szablonu, pozostałe 130 słów nie wystarczy, żeby retrieval dokonał trafnego dopasowania do zapytań typu „jakie kolczyki na prezent na rocznicę”. Priorytetem powinna być rozbudowa opisów o konkretne, informacyjnie gęste treści: technika wykonania, pochodzenie materiałów, okazje, stylizacje. Jak omawiamy w artykule o recenzjach i atrybutach aspektowych produktów, recenzje klientów mogą być źródłem właśnie takich gęstych, unikalnych treści.
Case study: empik.com – gęsty opis ratuje widoczność mimo boilerplate
Empik.com to odwrotność wkruk.pl. Serwis ma umiarkowany boilerplate (szacujemy 65-70% na typowej karcie produktowej), ale treść unikalna jest informacyjnie gęsta – i to robi całą różnicę.
Dane z Ahrefs (sierpień 2026): 2 600 000 sesji organicznych w Polsce, 344 072 słowa kluczowe. Cytowania AI: ChatGPT 19 400, Perplexity 21 038, Copilot 59 545. Łącznie 110 926 cytowań AI. To najwyższy wynik spośród analizowanych przez nas polskich serwisów e-commerce w tym artykule.
Przeanalizowaliśmy kartę produktową gry karcianej UNO. Opis produktu to około 200 słów, ale jakich słów: szczegółowe zasady gry, rodzaje kart w zestawie, liczba kart, system punktacji, sugerowany wiek graczy. To treść, która odpowiada na konkretne pytania użytkowników: „ile kart w zestawie UNO?”, „od jakiego wieku UNO?”, „jakie są zasady UNO?”. Retrieval ma z czego wyodrębniać fragmenty – i wyodrębnia je skutecznie, czego dowodem jest 110 tysięcy cytowań AI.
Warto zwrócić uwagę na breadcrumby empik.com: 4-poziomowa hierarchia (Zabawki → Gry → Karty i gry karciane → Gry karciane) to nie boilerplate – to użyteczna informacja kontekstowa pomagająca retrieval zakwalifikować produkt.
Zestawienie z wkruk.pl mówi wszystko: wkruk.pl ma ~90% boilerplate i 2 769 cytowań AI. Empik.com ma ~65-70% boilerplate i 110 926 cytowań AI. Różnica nie wynika z proporcji szablonu – wynika z gęstości informacyjnej treści unikalnej. Empik daje AI gęstą treść do cytowania; wkruk.pl daje AI 130 słów, z których niewiele da się wyciągnąć.
Wniosek powtarza się we wszystkich naszych analizach: usuwanie boilerplate to dobra higiena, ale nie substytut gęstej treści. Sklep widoczny w AI inwestuje w opisy odpowiadające na realne pytania kupujących. Jeśli chcesz sprawdzić, jak Twoje opisy wypadają pod kątem gęstości informacyjnej, zapraszamy do audytu treści.
