Extractability score karty produktowej – kilka case study z analizą stron produktowych pod kątem SEO oraz AI

Kiedy użytkownik pyta AI „jakie buty do biegania do 500 zł?” albo „jaki telewizor 55 cali kupić?”, AI nie otwiera strony sklepu jak człowiek. AI pobiera HTML karty produktowej, parsuje tekst i szuka fragmentu, który samodzielnie odpowiada na pytanie. Extractability score mierzy, czy taki fragment istnieje. Problem polega na tym, że większość polskich sklepów internetowych buduje karty produktowe dla ludzi z przeglądarką – nie dla botów AI szukających odpowiedzi. I dlatego AI pomija ich karty, nawet jeśli mają lepszą cenę, lepszy opis i lepsze recenzje niż konkurencja.

Zbadaliśmy to na konkretnym przykładzie: ten sam produkt (Nike Air Max 90 CN8490-100) w 4 polskich sklepach. Wszystkie dostały ocenę F – ale każdy z innego powodu. W tym artykule pokazujemy czego AI szuka na karcie produktowej, jakie sekcje informacyjne powinny żyć na PDP, jakie na stronie kategorii, a jakie w artykule blogowym – i dlaczego rozróżnienie jest kluczowe dla sklepów z tysiącami SKU.

Skala problemu jest ogromna. Według badania Nudge z 2026, ChatGPT wybiera produkty do rekomendacji na podstawie wzmianek w autorytatywnych listach (41% rekomendacji), nagród (18%) i liczby recenzji (16%) – nie na podstawie pozycji w Google. Kluczową rolę odgrywa też entity-citability – czy AI rozpoznaje markę jako encję. Jednocześnie dane Triple Whale pokazują, że użytkownicy z AI spędzają na stronie 32% dłużej, przeglądają 10% więcej podstron i mają 27% niższy bounce rate niż z innych kanałów. Ruch z AI do sklepów w USA wzrósł 4 700% rok do roku (Adobe, VII.2025). Ale żeby AI mogło polecić Twój produkt, musi znaleźć na karcie produktowej fragment, który odpowiada na pytanie zakupowe. Tego fragmentu brakuje w większości polskich sklepów.

Czym jest extractability score dla karty produktowej i dlaczego ma znaczenie?

Kiedy użytkownik pyta ChatGPT „jakie buty do biegania do 500 zł?” albo Google AI Mode „Nike Air Max 90 vs ASICS Gel-Nimbus – co wybrać?”, AI nie otwiera strony sklepu jak człowiek. AI pobiera HTML, parsuje tekst i szuka fragmentów, które samodzielnie odpowiadają na pytanie. Patent Google US10783156B1 (Scoring Candidate Answer Passages) opisuje dokładnie ten mechanizm – system ocenia fragmenty treści pod kątem ich zdolności do bycia odpowiedzią.

Extractability score to miara tej zdolności. Narzędzie geo_pdp_llm_extractability_score z GSCGA MCP sprawdza 11 sekcji, które karta produktowa powinna mieć, żeby AI mogło z niej złożyć kompletną odpowiedź. Nie chodzi o SEO – chodzi o to, czy AI ma materiał do pracy. Jak ujął to VisibilityStack.ai: jeśli Twoi konkurenci z podobną treścią są cytowani zamiast Ciebie, problem leży w jawności odpowiedzi na poziomie fragmentu.

Jakie 11 sekcji sprawdza narzędzie i dlaczego właśnie te?

Narzędzie geo_pdp_llm_extractability_score sprawdza kartę produktową pod kątem 11 sekcji informacyjnych. Każda odpowiada na inne pytanie zakupowe. Ale nie wszystkie muszą (ani powinny) żyć na karcie produktu. Kluczowe rozróżnienie: część sekcji to zadanie PDP, część to zadanie strony kategorii, a część to temat na artykuł blogowy. Sklep z 50 000 SKU nie napisze 50 000 porównań – ale może napisać 200 porównań na stronach kategorii, które obsłużą cały katalog.

what_it_is [PDP] – co to jest za produkt? Jedno zdanie definicji, np. „Nike Air Max 90 to męskie buty lifestyle z amortyzacją Air Max, przeznaczone do codziennego noszenia”. To absolutne minimum, które powinno być na każdej karcie produktu – nawet w sklepie z 50 000 SKU. Zaskakująco, żaden z 4 badanych sklepów nie miał takiej definicji. Każdy zakładał, że klient wie, co to jest Air Max 90. AI nie zakłada niczego.

who_it_is_for [PDP] – dla kogo jest ten produkt? Płeć, styl życia, typ użytkowania – jedno zdanie wystarczy. Lepiej: dla kogo NIE jest („nie do biegania po asfalcie”). Tylko adrenaline.pl miała pole „Płeć: Mężczyźni, Przeznaczenie: Lifestyle, Do chodzenia” – ale jako metadane w specyfikacji, nie jako zdanie w opisie. AI łatwiej przetworzy zdanie niż listę atrybutów.

how_it_performs [PDP + recenzje] – jak produkt działa w praktyce? Na karcie produktu: 2-3 zdania od producenta o kluczowych cechach (amortyzacja, trwałość). Kontekst użytkowania („jak się nosi po 100 km?”) najlepiej budują recenzje klientów – to ich naturalne miejsce. Nike.com opisuje technologię Max Air, ale nie ma recenzji. Eobuwie ma recenzje, ale nie ma opisu od producenta. Ideał: jedno i drugie.

how_it_compares [kategoria / blog, NIE PDP] – kontekst decyzyjny, nie recenzja na karcie produktu. Na PDP wystarczy jedno zdanie osadzające produkt („lżejsze od Air Force 1, bardziej miejskie od ASICS”). Pełne porównania („Air Max 90 vs Air Force 1 – co wybrać?”) to zadanie strony kategorii lub artykułu blogowego. Sklep z 50 000 SKU nie napisze 50 000 porównań – ale 200 porównań na kategoriach obsłuży cały katalog.

fit_size_variant_logic [PDP] – rozmiarówka, warianty kolorystyczne. To sekcja, którą mają prawie wszyscy – lista rozmiarów, selektor kolorów. Problem w tym, że jest renderowana przez JavaScript i często niewidoczna dla crawlera AI. Upewnij się, że rozmiary są w crawlowalnym HTML i w Product schema (warianty jako ProductGroup z hasVariant).

technical_parameters [PDP] – specyfikacja techniczna (waga, drop, materiał podeszwy). To dane, które powinny być na każdej karcie – zwykle już są, bo pochodzą z feed producenta. Problem: często ukryte w JS-renderowanym akordeonie. Nike.com ma częściowe dane, eobuwie wymienia technologię Air Max, ale brak tabelarycznej specyfikacji z konkretnymi liczbami (waga w gramach, drop w mm).

materials_care_sustainability [PDP + kategoria] – materiały na karcie produktu (zwykle z feedu), instrukcje pielęgnacji i sustainability – na stronie kategorii. Jak przenieść te atrybuty z karty produktowej do product feeda i wzbogacić go pod AI opisujemy w artykule o product feed a AI visibility. „Jak dbać o białe sneakersy?” to pytanie wspólne dla setek produktów – nie ma sensu pisać go na każdym PDP. Nike.com i eobuwie wymieniają materiały, ale brak instrukcji pielęgnacji.

price_availability [PDP] – cena i dostępność. Każdy sklep ma cenę (od 489 zł w adrenaline do 689 zł w 7kicks). Kluczowe: cena powinna być w Product > Offer schema (JSON-LD), nie tylko w tekście. AI parsuje schema szybciej niż szuka ceny w HTML.

reviews_proof [PDP] – opinie i social proof. Najważniejszy sygnał wiarygodności – i najtrudniejszy do „wytworzenia”. To element authority signals. Eobuwie ma 12 opinii z oceną 4.3/5, adrenaline 1 opinię. Nike.com i 7kicks – zero recenzji w crawlowalnym HTML. Upewnij się, że recenzje nie są ładowane asynchronicznie (JS) – bot AI ich nie zobaczy.

faq [kategoria; dla top 20-50 bestsellerów: PDP] – pytania i odpowiedzi zakupowe. FAQ na karcie produktu ma sens tylko dla bestsellerów – top 20-50 SKU z największym ruchem. Dla reszty katalogu FAQ powinno żyć na stronie kategorii: „Jak dobrać rozmiar butów Nike?” obsługuje setki kart jednocześnie. Pytania powinny być zakupowe („Czy są prawdziwe do rozmiaru?”), nie encyklopedyczne („Kiedy powstały Air Max 90?”).

alternatives_cross_sell [kategoria / linkowanie wewnętrzne] – alternatywy i produkty powiązane. Na PDP wystarczy linkowanie wewnętrzne do 3-5 powiązanych produktów w crawlowalnym HTML (nie w JS karuzelce). Pełne porównania alternatyw to zadanie strony kategorii („Buty Nike lifestyle – porównanie modeli”) lub artykułu blogowego. Żaden z badanych sklepów nie miał nawet prostego linkowania w HTML – sekcje „Podobne produkty” były renderowane przez JavaScript.

Podsumowanie: gdzie żyje każda sekcja? Na karcie produktu (PDP) powinny być: definicja, grupa docelowa, specyfikacja, materiały, cena, rozmiarówka i recenzje – to dane specyficzne dla konkretnego SKU. Na stronie kategorii: porównania modeli, FAQ o rozmiarówce/pielęgnacji danej marki, powiązane produkty jako linki. Na blogu: pełne porównania („Air Max 90 vs Air Force 1”), poradniki („Jak wybrać buty Nike?”), rankingi („Top 10 sneakersów do 500 zł”). Extractability score mierzy kartę produktu, ale pełna widoczność w AI wymaga pokrycia tematycznego na wszystkich trzech poziomach – co opisujemy szczegółowo w ramach audytu widoczności w AI.

Jak badaliśmy? Metodologia krok po kroku

Wybraliśmy jeden konkretny produkt – Nike Air Max 90, styl CN8490-100, kolor White/White/Wolf Grey – i znaleźliśmy go w 4 polskich sklepach internetowych. Dla każdego sklepu:

Krok 1: Pobranie kodu źródłowego. Użyliśmy curl z nagłówkami przeglądarki Chrome (User-Agent, Accept-Language: pl-PL). To symuluje to, co widzi bot AI – server-side rendered HTML, bez JavaScript. Część sklepów (Sizeer, Allegro, ButySportowe) blokowała crawlery (403/Cloudflare) – te wykluczyliśmy z badania.

Krok 2: Parsowanie JSON-LD. Z każdej strony wyodrębniliśmy bloki <script type="application/ld+json"> i sprawdziliśmy typ schema (Product vs ProductGroup), obecność Brand, Offer, AggregateRating, Review.

Krok 3: Ekstrakcja tekstu produktowego. Wyciągnęliśmy czysty tekst opisu produktu (bez nawigacji, stopki, sidebara) i podaliśmy go do narzędzia MCP.

Krok 4: Audyt extractability. Narzędzie geo_pdp_llm_extractability_score z GSCGA MCP (tego samego stacku, który używamy w audytach SEO) przeanalizowało tekst pod kątem 11 sekcji informacyjnych. Każda sekcja oceniana binarnie (jest/nie ma). Wynik końcowy to procent sekcji obecnych.

Wyniki: ten sam produkt, 4 sklepy, wszędzie ocena F

Co dokładnie brakuje każdemu sklepowi? Analiza per sklep

nike.com/pl (36/100, 5/11 sekcji) – producent bez recenzji. Nike ma najlepszy opis technologii: amortyzacja Max Air, waflowy bieżnik, powłoki z tworzywa TPU, materiałowa cholewka że skóry naturalnej i syntetycznej. ProductGroup z 23 wariantami (kolor + rozmiar). Cena 649,99 zł. Ale na karcie produktu PL zero recenzji w crawlowalnym HTML. Producent nie udostępnia opinii klientów na swojej stronie (są w aplikacji Nike). Brak definicji „czym jest Air Max 90”, brak informacji „dla kogo”, brak porównania z innymi modelami z linii Air Max. Kiedy AI szuka odpowiedzi na „czy Air Max 90 są wygodne?”, nie znajdzie potwierdzenia od użytkowników na nike.com/pl.

eobuwie.pl (36/100, 5/11 sekcji) – marketplace z recenzjami, bez opisu performance. Eobuwie to jedyny sklep z prawdziwymi recenzjami klientów w HTML: 12 opinii, ocena 4.3/5, z treścią typu „Buty super wygodne i ładne”. Ma ProductGroup, Brand obiekt, rozmiarówkę i specyfikację materiałów. Ale brak opisu jak buty się noszą w praktyce (performance) – opis jest czysto techniczny („Tekstylne wnętrze i amortyzująca podeszwa z poduszką gazową”). Marketplace kopiuje specyfikacje producenta zamiast pisać oryginalne opisy użytkowe. AI szukające odpowiedzi „jak się nosi Air Max 90 na co dzień?” nie znajdzie odpowiedzi na eobuwie.

adrenaline.pl (36/100, 5/11 sekcji) – niszowy sklep z najlepszym opisem, ale bez specyfikacji. Jedyny sklep z sekcją „who_it_is_for” (Płeć: Mężczyźni, Przeznaczenie: Lifestyle, Do chodzenia) i z opisem performance („łączą tradycję z nowoczesnością, podeszwa środkowa z pianki wspiera lekkość”). Nawet próbuje porównania: „W porównaniu do innych modeli Nike czy adidasów, Air Max 90 oferują unikalny balans wygody i stylu”. Ale to zdanie jest za ogólne – AI potrzebuje konkretów (waga vs ASICS, drop vs New Balance). Brak tabelarycznej specyfikacji (waga, drop, rodzaj podeszwy) i brak informacji o materiałach. Cena najniższa: 489,99 zł (-30%).

7kicks.pl (15/100, 2/11 sekcji) – karta-duch. Cena (689 zł – najwyższa!), EAN (193154416725), rozmiary (29, 45). Opis produktu to dosłownie dwa zdania: „Buty Nike Air Max 90 w kolorze białym. Cholewka została wykonana z materiałów skórzanych oraz tekstylnych.” Brak recenzji, brak FAQ, brak opisu performance, brak specyfikacji, brak porównań. Dla AI to kartka z ceną i nazwą – wie, że produkt istnieje, ale nie ma absolutnie niczego do zacytowania. Paradoks: 7kicks ma jedyną kartę z EAN-13 w widocznym tekście, co jest cenne dla identyfikacji produktu przez AI.

Dlaczego wszystkie 4 sklepy dostały F, mimo że mają dane?

To kluczowe pytanie. Każdy z tych sklepów ma informacje o Nike Air Max 90 – zdjęcia, cenę, rozmiary, jakieś opisy. Problem nie leży w braku danych. Problem leży w braku struktury odpowiedzi.

AI nie szuka „strony o butach”. AI szuka fragmentu, który samodzielnie odpowiada na pytanie. Patent US10783156B1 (Scoring Candidate Answer Passages) opisuje system, który ocenia fragmenty treści pod kątem: czy fragment odpowiada na pytanie? Czy jest samodzielny (czy da się go zrozumieć bez reszty strony)? Czy zawiera encję (produkt, markę)? Czy ma atrybut (cenę, materiał, opinię)?

Żaden z 4 sklepów nie ma fragmentu, który odpowiada na pytanie „czym jest Nike Air Max 90?” w jednym, zwięzłym zdaniu (what_it_is). Żaden nie ma FAQ z pytaniami typu „Czy Air Max 90 są wygodne do biegania?”, „Jaki rozmiar wybrać?”, „Czym różnią się od Air Max 95?”. Żaden nie porównuje produktu z alternatywami. To nie jest problem techniczny – to problem extractability treści.

Jak powinna wyglądać karta produktowa z extractability 80+?

Na podstawie wyników audytu i analizy brakujących sekcji, karta produktowa Nike Air Max 90 z wysokim extractability score powinna mieć te elementy:

Definicja (what_it_is): „Nike Air Max 90 to męskie buty lifestyle z widoczną amortyzacją Air Max w pięcie. Zaprojektowane w 1990 roku, łączą kultowy design lat 90. z nowoczesnym komfortem. Przeznaczone do codziennego noszenia, nie do biegania.”

Dla kogo (who_it_is_for): „Dla mężczyzn szukających wygodnych butów na co dzień w miejskim stylu. Idealne do jeansów i joggerów. Nie nadają się do biegania po asfalcie ani do sportów halowych.”

Kontekst decyzyjny na PDP (1 zdanie): „Air Max 90 to buty lifestyle – lżejsze od Air Force 1, bardziej miejskie od ASICS, w segmencie cenowym New Balance 574.” Pełne porównanie na kategorii/blogu: „Air Max 90 vs Air Force 1: waga 410g vs 480g, AM90 lepsza amortyzacja, AF1 szerszy krój, podobna cena ~550-650 zł.”

FAQ (na kategorii „Buty Nike lifestyle”, nie na PDP): „Jak dobrać rozmiar butów Nike? – Większość klientów bierze standardowy rozmiar. Modele Air Max są prawdziwe do rozmiaru. Jak czyścić białe sneakersy Nike? – Delikatna szczotka, letnia woda z mydłem, suszyć naturalnie. Jedno FAQ na kategorii obsługuje setki kart produktowych.”

Na PDP: dodanie definicji (what_it_is) i grupy docelowej (who_it_is_for) to 2-3 zdania na kartę. Na kategorii: porównanie modeli i FAQ to jednorazowa praca, która obsługuje dziesiątki/setki produktów. Razem: skok extractability z 36 do ~55-65/100. W sytuacji, gdy żaden konkurent nie ma tych sekcji, to wystarczy, żeby AI wybrało Twój sklep jako źródło.

Ile tracą sklepy przez niski extractability? Perspektywa AI referral traffic

Według badań cytowanych w naszym artykule o AI visibility dla e-commerce, użytkownicy kierowani przez AI konwertują 4.4x częściej niż z tradycyjnego SEO (Semrush 2025), a średnia wartość zamówienia od klientów z AI jest o 40% wyższa – 680 dolarów vs 485 dolarów. Ruch z AI rośnie 302% rok do roku (Euromonitor 2026).

Teraz wyobraź sobie: ktoś pyta ChatGPT „jakie białe buty Nike kupić do 600 zł?”. AI szuka fragmentu z odpowiedzią. Nike.com ma opis technologii ale zero recenzji. Eobuwie ma recenzje ale brak kontekstu „dla kogo”. Adrenaline ma kontekst „lifestyle” ale brak specyfikacji. 7kicks ma tylko cenę. Żadna z tych kart nie daje AI kompletnej odpowiedzi – więc AI albo generuje odpowiedź z ogólnej wiedzy (bez cytowania sklepu), albo cytuje Reddita/forum, gdzie ktoś napisał opinię.

Sklep, który jako pierwszy doda do kart produktów definicje i grupy docelowe, a do kategorii – porównania modeli i FAQ o rozmiarówce – ten sklep stanie się domyślnym źródłem odpowiedzi AI na pytania zakupowe w swojej branży. Przy rosnącym AI referral traffic, to są realne zamówienia. Sklepy, które łączą tradycyjne pozycjonowanie sklepu internetowego z optymalizacją pod AI, zyskują przewagę na dwóch frontach.

Case study 2: Kask HJC i71 – gdy informacja istnieje, ale AI jej nie widzi

Buty to produkty stosunkowo proste. Kaski motocyklowe to inna liga – tu pytania zakupowe są bardziej specyficzne, a konsekwencje złego wyboru poważniejsze. Zbadaliśmy kask HJC i71 (integralny, sport-touring, ~1 099 zł) pod kątem jednego konkretnego pytania: „Czy HJC i71 pasuje na okulary korekcyjne?” To pytanie, które motocykliści realnie zadają AI – na forach vstromclub.pl i motovoyager.net toczą się wielostronicowe dyskusje o kaskach dla okularników.

Co mówi producent (badana podstrona: hjchelmets.eu/pages/i71, dane z web search bo strona blokuje curl): Na stronie producenta HJC w sekcji o modelu i71 nie ma ANI JEDNEGO zdania o okularach. Opis skupia się na skorupie APC, wentylacji ACS, wizjerze HJ-38 z Pinlockiem i blendzie HJ-V12. Extractability score strony producenta: 15/100, F. Co ciekawe, na stronach droższych modeli (RPHA 71, i91) producent jawnie pisze „Glasses grooves can accommodate riders who wear glasses” i „integrated glasses grooves” – ale na stronie i71 tej informacji brakuje, mimo że kask fizycznie ma te rowki.

Co mówią polskie sklepy (badane podstrony: motormind.pl/pl/p/Kask-Hjc-I71-Semi-Flat-Black/24061 i moto-tour.com.pl/pl/products/kask-integralny-hjc-i71-czarny-175616.html): Pobraliśmy kod źródłowy obu stron (curl z Chrome UA). Moto-tour ma Product schema z Brand: HJC i ceną, motormind nie ma Product schema w ogóle (11 bloków JSON-LD, ale żaden z @type Product). Oba sklepy kopiują identyczny opis dystrybutora, który zawiera zdanie „wnętrze kasku przystosowane jest do używania w okularach” – ale jako jeden z bulletów w liście cech, między „zapięcie mikrometryczne” a „system wentylacji ACS”. Extractability score: 22/100, F. Narzędzie nie rozpoznało tego zdania jako sekcji who_it_is_for, bo nie jest samodzielnym fragmentem odpowiedzi – jest wrzucone w listę techniczną.

Czego brakuje wszędzie: Żadna strona – ani producenta, ani sklepów – nie odpowiada na pytania, które motocyklista w okularach naprawdę ma. Jakie oprawki pasują (szerokie? wąskie? metalowe? plastikowe?)? Ile milimetrów ma rowek na zausznik? Czy okulary nie parują pod wizjerem? Czy da się założyć kask w okularach, czy trzeba najpierw kask, potem okulary? Jak wygodnie jest po 3 godzinach jazdy? Te odpowiedzi istnieją na forach motocyklowych – ale nie na kartach produktowych.

Wniosek: To jest dokładnie ten typ pytania, na które użytkownicy coraz częściej szukają odpowiedzi w AI. „Czy ten kask pasuje na okulary?” to nie jest pytanie o specyfikację – to pytanie o use case. I żadna karta produktowa w Polsce na nie nie odpowiada. Nie dlatego, że informacja nie istnieje (producent wie o glasses grooves, dystrybutor kopiuje jedno zdanie), ale dlatego, że nikt nie napisał samodzielnego fragmentu odpowiedzi na to pytanie. Sklep, który doda do karty HJC i71 sekcję „Kask dla okularników: HJC i71 ma wbudowane rowki na zauszniki okularów (glasses grooves). Pasują oprawki o szerokości do 140 mm. Kask zakłada się najpierw na głowę, potem wsuwamy okulary od przodu” – ten sklep stanie się źródłem cytowania AI na to pytanie w całej Polsce.

Case study 3: Samsung UE55DU7172 – gdy producent wie, a sklep nie

Trzecia branża, ten sam wzorzec. Zbadaliśmy telewizor Samsung UE55DU7172 (Crystal UHD 4K, 55″, ~1 599 zł) pod kątem pytania: „Czy Samsung DU7172 nadaje się do grania na PS5?” To typowe pytanie do AI – użytkownik chce wiedzieć, czy telewizor za 1 600 zł obsłuży konsolę. Odpowiedź zależy od HDMI 2.1, ALLM, VRR i input lag – ale czy AI znajdzie te informacje na karcie produktowej?

Samsung.com/pl (22/100, F): Strona producenta ma pełne informacje gamingowe: ALLM (Automatyczny Tryb Gry), VRR, HGiG, Game Motion Plus, sekcja „input lag prawie niewyczuwalny”. Ale informacja jest rozproszona: funkcje gamingowe są w tabeli specyfikacji technicznej, opis input laga jest w sekcji marketingowej, a 60Hz w specyfikacji (co oznacza: ten TV NIE obsługuje 120Hz na PS5). Żadne zdanie nie odpowiada wprost na pytanie „czy nadaje się do PS5?” – trzeba samodzielnie złożyć puzzle: ma ALLM i VRR (dobrze), ale 60Hz (źle dla graczy oczekujących 120fps). Brak wzmianki o PS5 lub Xbox.

Komputronik.pl (7/100, F; badana podstrona: komputronik.pl/product/907791/telewizor-samsung-ue55du7172uxxh.html): Pobraliśmy kod źródłowy karty produktowej (curl, Chrome UA). Product schema jest obecne (name: Samsung UE55DU7172U, price: 1599, AggregateRating 5/6). Ale sam opis tekstowy to generyczny tekst z feedu: „wyposażony jest w ekran o rozdzielczości 4K, co pozwala na uzyskanie wyjątkowo ostrego i szczegółowego obrazu”. Przeszukaliśmy cały opis produktu na karcie – zero wzmianki o ALLM, VRR, Game Mode, input lag, 60Hz, konsoli, graniu. Słowa „gaming” i „120Hz” pojawiają się na stronie, ale w nawigacji sklepu i w listingu innych produktów (np. DREAME 55Q100) – nie w opisie tego Samsunga. Dla AI karta tego telewizora jest pusta pod kątem pytania „czy nadaje się do grania?”.

Skąd ta przepaść między 22 a 7? Samsung.com pisze własne opisy z konkretnymi cechami (ALLM, VRR, Crystal Processor 4K). Komputronik kopiuje generyczny opis z feedu producenta, który nie zawiera kluczowych informacji decyzyjnych. To systemowy problem marketplace: opis z feedu jest wystarczający do wyświetlenia karty produktu, ale niewystarczający do odpowiedzi na pytania zakupowe. AI nie potrzebuje „wyraźnego obrazu” – potrzebuje „ALLM: tak, VRR: tak, 120Hz: nie, input lag: ~10ms”. Dane z badania Nudge potwierdzają: poprawnie ustrukturyzowana treść ma 73% wyższy wskaźnik wyboru przez AI w porównaniu z treścią bez oznaczeń, a 89% sklepów e-commerce implementuje schema produktowe nieprawidłowo.

Wniosek – ten sam wzorzec co w kaskach: informacja o kluczowych cechach (funkcje gamingowe) istnieje u producenta, ale ginie po drodze do sklepu. Samsung.com ma ALLM/VRR w specyfikacji, Komputronik nawet o nich nie wspomina. A żadna z tych stron nie odpowiada wprost na pytanie użytkownika: „Czy ten telewizor za 1 600 zł nadaje się do PS5? Odpowiedź: tak, ale z ograniczeniem do 60Hz/4K, nie obsługuje 120fps. Do casualowego grania wystarczy, do kompetytywnego FPS – nie”. Jedno zdanie z taką odpowiedzią mogłoby stać się źródłem cytowania AI na to pytanie w Polsce.

Case study 4: LEGO Technic 42151 Bugatti Bolide – gdy opis z feedu to czysta marketingówka

Czwarta branża, ten sam wzorzec – ale w najbardziej jaskrawej formie. LEGO Technic 42151 Bugatti Bolide (905 elementów, ~219 zł, wiek 9+) to popularny zestaw klocków. Pytanie do AI: „Czy LEGO 42151 jest odpowiednie dla mojego 7-latka? Ile czasu zajmuje składanie?” To pytanie, które rodzic realnie zadaje – szuka prezentu urodzinowego i nie wie, czy „9+” na pudełku to twarda granica, czy marketingowa sugestia.

Co mówi LEGO.com: Blokuje crawlery (403). Strona producenta jest niewidoczna dla botów AI. Ale nawet gdyby była dostępna, opis z lego.com to: „Zachęć dzieci do odtworzenia kultowego auta wyścigowego”, „Odkryj silnik W16 i układ kierowniczy”, „Podaruj fanom sportów motorowych satysfakcjonujące wyzwanie”. Czysta marketingówka – ani słowa o realnym poziomie trudności, czasie składania, wymaganych umiejętnościach motorycznych.

Co mówią polskie sklepy (badane: komputronik.pl/product/804792, promoklocki.pl/lego-technic-42151, kimland.pl/lego-technic-42151, sklepkleks.com/p56061 – extractability 7/100, F): Pobraliśmy kod źródłowy 4 sklepów. Komputronik i promoklocki mają Product schema (komputronik z ceną 169 zł), kimland i sklepkleks nie mają. Żaden nie ma AggregateRating ani Review w schema. Co do treści: każdy kopiuje identyczny opis z feedu LEGO: „Zainspiruj dziewięciolatka lub starsze dziecko do zbudowania własnego modelu samochodu wyścigowego”. Promoklocki.pl dodaje wartościowe informacje („Produkt wycofany z oficjalnej dystrybucji 31 lipca 2026”, link do instrukcji na lego.com, link do BrickLink dla brakujących klocków) – ale dalej nie odpowiada na pytanie o trudność ani czas składania. Wiek „9+” pojawia się w specyfikacji jako pole atrybutu, nie jako zdanie w opisie.

Czego brakuje wszędzie: Żadna karta produktowa nie odpowiada na pytania, które rodzic naprawdę ma. Ile godzin zajmuje składanie? (odpowiedź z recenzji: 3-5 godzin). Czy 7-latek sobie poradzi? (producent pisze 9+, ale doświadczeni rodzice na forach mówią, że z pomocą dorosłego nawet 7-latek złoży). Jakie umiejętności są potrzebne? (czytanie instrukcji, rozróżnianie małych elementów, cierpliwość na 905 klocków). Czy można złożyć etapami i zostawić na kilka dni? (tak, torby z elementami są numerowane). Czy naklejki łatwo się odklejają? (częste pytanie w recenzjach). Czy są ruchome elementy? (tak: silnik W16, układ kierowniczy, drzwi skrzydłowe).

Dlaczego to problem systemowy: To problem wykraczający poza LEGO. Według danych Envive.ai, raporty klientów wskazujących AI jako źródło odkrycia marki wzrosły ponad 10-krotnie od stycznia do lipca 2025 – ale klienci odkrywają marki, nie konkretne produkty, bo karty produktowe nie dają AI materiału do rekomendacji. LEGO ma jedne z najdłuższych i najbardziej powtarzalnych opisów z feedu w e-commerce. Każdy sklep kopiuje ten sam tekst, co oznacza, że AI widzi identyczną treść w 20 sklepach – i nie ma powodu, żeby zacytować którykolwiek z nich, bo żaden nie dodaje oryginalnej wartości. Sklep, który doda do karty LEGO 42151 informację „Czas składania: 3-5 godzin. Zalecany wiek: 9+, ale z pomocą dorosłego poradzi sobie dziecko od 7 lat. 905 elementów w numerowanych torebkach – można składać etapami. Ruchome elementy: silnik W16, układ kierowniczy, drzwi skrzydłowe” – ten sklep jako jedyny będzie miał oryginalny fragment, który AI może zacytować. Reszta to kopie feedu.

Podsumowanie: 4 branże, 1 wzorzec, 0 kart produktowych gotowych na AI

Wyniki z 4 branż potwierdzają ten sam wzorzec, który Search Engine Land opisuje w kontekście AI-driven shopping discovery: karty produktowe budowane są pod browsing („wyświetl zdjęcie, cenę, przycisk kup”), nie pod conversational search („odpowiedź na pytanie zakupowe”). Jak ujął to Tinuiti w swoim badaniu: „aby Twoją marka została polecona, karty produktowe muszą dostarczyć ground truth – szczegóły, których asystent AI potrzebuje do pewnego wyboru”. Żaden z badanych sklepów tego nie robi. Według AI Indexing Benchmark Report (Prerender.io), elektronika jest jedną z branż najbardziej odpornych na spadki widoczności w AI – ale tylko wtedy, gdy karty zawierają obiektywne, porównywalne dane (specyfikacje, ceny, recenzje). Polskie sklepy mają specyfikacje, ale brakuje im kontekstu decyzyjnego.

Weryfikacja: co naprawdę cytuje ChatGPT, kiedy pytamy o te produkty?

Audyt extractability to teoria – mierzymy, czy karta produktowa MA informacje, które AI MOGŁOBY zacytować. Ale czy AI faktycznie je cytuje? Żeby to sprawdzić, zadaliśmy ChatGPT (GPT-4.1, web search włączony, lokalizacja Polska) dokładnie te pytania zakupowe, o których pisaliśmy w case studies. Użyliśmy DataForSEO LLM Responses API, żeby uzyskać pełne odpowiedzi z listą cytowanych źródeł. Wyniki potwierdzają naszą tezę – ale są jeszcze ciekawsze niż zakładaliśmy.

Prompt 1: „Nike Air Max 90 CN8490-100 – czy warto kupić? Jakie są opinie i gdzie kupić najtaniej w Polsce?”

ChatGPT odpowiedział z 9 cytowaniami z 7 źródeł. Zacytował: nike.com/pl (ocena 4.6/5, 340 recenzji, cena 649,99 zł), adrenaline.pl (579,99 zł, promocja -30%), ceneo.pl (od 449 zł), Foot Locker PL (679 zł), JD Sports (369,99 zł, niedostępne), everysize.com (4.4/5) i Reddit (2 wątki z opiniami użytkowników).

Kogo NIE zacytował: eobuwie.pl (extractability 36/100) i 7kicks.pl (15/100). Eobuwie ma recenzje i ProductGroup – ale nie ma opisu performance. ChatGPT pominął je na rzecz nike.com (opis technologii) i adrenaline.pl (cena + przeznaczenie „lifestyle, do chodzenia”). 7kicks z dwoma zdaniami opisu po prostu nie istnieje dla AI. Co ciekawe, ChatGPT zacytował Reddit z opiniami użytkowników – bo tam znalazł samodzielne fragmenty odpowiedzi na pytanie „czy warto kupić?” których nie znalazł na kartach produktowych.

Prompt 2: „Samsung UE55DU7172 – czy nadaje się do grania na PS5? Czy ma HDMI 2.1 i Game Mode?”

ChatGPT odpowiedział poprawnie merytorycznie: ALLM – tak, VRR – tak, HDMI 2.1 – nie (HDMI 2.0, max 4K/60Hz), HGiG – tak. Dobry budżetowy wybór do casualowego grania, ale nie do kompetytywnego 120fps. Odpowiedź kompletna i przydatna.

Ale skąd wziął dane? Jedyne cytowane źródło: samsung.com/ro – rumuńska wersja strony producenta. Nie samsung.com/pl. Nie komputronik.pl. Nie żaden polski sklep. Zero polskich źródeł w odpowiedzi o telewizorze, który kosztuje w Polsce 1 599 zł i jest w ofercie kilkunastu sklepów. Komputronik z extractability 7/100 (zero informacji o gamingu w opisie) nie istnieje dla AI w kontekście tego pytania. Samsung.com/pl z 22/100 przegrał z samsung.com/ro – prawdopodobnie dlatego, że rumuńska strona ma pełniejszą specyfikację techniczną w crawlowalnym HTML.

Prompt 3: „Jaki kask motocyklowy integralny dla osoby noszącej okulary korekcyjne? Szukam kasku z rowkami na zauszniki do 1500 zł.”

ChatGPT polecił 4 modele kasków: Scorpion EXO-1500 Air (~1 569 zł), Cassida Orbit (~399 zł), APEX FI100 i Shoei NXR2 (~2 099 zł). Każdy z cytowaniem z polskiego sklepu: moto-way.pl, motohelmets.eu, chromeburner.com/pl, sklepikmotocyklowy.pl. Odpowiedź zawierała tabelę porównawczą z cenami i informacją o przystosowaniu do okularów.

HJC i71 – nasz case study – NIE pojawił się w odpowiedzi. ChatGPT go pominął, mimo że to popularny kask w cenie idealnie pasującej do budżetu (1 099 zł). Dlaczego? Bo sklepy, które go sprzedają (motormind.pl, moto-tour.com.pl), mają informację o okularach ukrytą w liście bulletów: „wnętrze kasku przystosowane jest do używania w okularach”. Tymczasem cytowane sklepy mają jawne, samodzielne informacje: moto-way.pl opisuje „system KwikFit™ umożliwiający wygodne noszenie okularów poprzez specjalne kanały na zauszniki”, motohelmets.eu pisze „policzki wyprofilowane pod okulary korekcyjne i przeciwsłoneczne”. To nie jest kwestia jakości produktu – to kwestia tego, jak informacja jest napisana na karcie produktowej.

Co te 3 prompty mówią o extractability?

Wzorzec jest jednoznaczny: ChatGPT cytuje sklepy, które mają jawną, samodzielną odpowiedź na pytanie zakupowe. Nie sklepy z najniższą ceną. Nie sklepy z najlepszą pozycją w Google. Nie sklepy z najładniejszą stroną. Sklepy, których karta produktowa zawiera fragment tekstu, który AI może wyciągnąć i użyć jako odpowiedź bez dodatkowego przetwarzania.

Adrenaline.pl (zacytowany) ma „Przeznaczenie: Lifestyle, Do chodzenia” – odpowiada na „do czego są te buty?”. Moto-way.pl (zacytowany) ma „system KwikFit™ – kanały na zauszniki” – odpowiada na „czy pasuje na okulary?”. Samsung.com/ro (zacytowany) ma tabelę z ALLM/VRR/HGiG – odpowiada na „czy ma Game Mode?”. Eobuwie (pominięty), 7kicks (pominięty), komputronik (pominięty), motormind (pominięty) – nie mają takich fragmentów. Mają dane, ale ukryte w bulletach, specyfikacjach lub generycznym opisie z feedu.

To jest praktyczny dowód, że extractability score nie jest abstrakcyjną metryką. To jest miara tego, czy AI zacytuje Twój sklep, czy sklep konkurenta. I różnica między „zacytowany” a „pominięty” to często jedno zdanie napisane w odpowiedni sposób.

Praktyczna checklista: jak podnieść extractability karty produktowej

1. Dodaj 1-2 zdania definicji produktu na początku opisu (what_it_is) – co to jest, do czego służy, czym się wyróżnia.
2. Napisz dla kogo jest produkt (who_it_is_for) – płeć, styl życia, typ użytkowania, komu NIE polecasz.
3. Dodaj porównanie z 2-3 konkurentami (how_it_compares) – waga, cena, przeznaczenie, kluczowe różnice.
4. Stwórz FAQ na stronie kategorii (rozmiarówka, pielęgnacja marki). Dla top 20-50 bestsellerów – dodaj FAQ też na PDP.
5. Upewnij się, że specyfikacja techniczna jest w crawlowalnym HTML, nie w JS-renderowanym akordeonie.
6. Dodaj recenzje klientów do strony (jeśli ich nie masz – zacznij zbierać).
7. Wdróż Product schema z Brand, Offer, AggregateRating i Review.
8. Przetestuj kartę narzędziem geo_pdp_llm_extractability_score przed i po zmianach.
9. Monitoruj cytowania produktu w AI po wdrożeniu zmian i sprawdź observed visibility – czy AI faktycznie cytuje Twoje karty.
10. Powtórz dla 10-20 najważniejszych produktów w sklepie.

FAQ