Jak pisać opisy produktów pod Google, AI Search i użytkownika?

Opis produktu w e-commerce pełni trzy funkcje jednocześnie: jest źródłem faktów dla systemu wyszukiwania, podstawą decyzji zakupowej dla użytkownika i materiałem, z którego AI generuje odpowiedzi. Patent US11720613B2 (Google LLC) opisuje mechanizm „information gain” – system ocenia, czy treść wnosi nową informację w porównaniu do innych dokumentów na ten sam temat. Opis „Świetna pompa, polecamy!” ma information gain zero. Opis „Wydajność 6000 l/h, głębokość ssania 8m, moc 1100W, waga 12.5 kg” ma information gain wysoki – bo zawiera fakty, których system nie znajdzie w ogólnych artykułach.

Patent nie jest dowodem, że dany mechanizm działa dokładnie tak w bieżącym algorytmie Google. Patent jest modelem analitycznym – pokazuje problem, który inżynierowie próbowali rozwiązać, i pozwala zbudować praktyczną checklistę dla e-commerce.

Dlaczego opis produktu musi być źródłem faktów, a nie marketingu?

Patent US11720613B2 (Google LLC) opisuje system, który szacuje „information gain” – ile nowej informacji wnosi dokument w porównaniu do innych dokumentów na ten sam temat. Dla opisów produktów to oznacza: system porównuje Twój opis z opisami konkurencji i ocenia, czy wnosi coś nowego.

Element opisu	Information gain wysoki	Information gain zero
Parametry techniczne	„Wydajność 6000 l/h, głębokość ssania 8m”	„Doskonała wydajność”
Zastosowanie	„Nadaje się do studni do 30m, instalacji domowych i podlewania”	„Uniwersalna pompa do wielu zastosowań”
Porównanie	„O 20% cichsza od modelu MHI 1300, ale o 15% droższa”	„Lepsza od konkurencji”
Materiał / budowa	„Obudowa ze stali nierdzewnej AISI 304, wirnik norylowy”	„Wykonana z najlepszych materiałów”
Ograniczenia	„Nie nadaje się do wody z piaskiem >50g/m3”	Brak informacji o ograniczeniach

Kluczowa zasada: AI cytuje fakty, nie opinie. Gdy użytkownik pyta ChatGPT „jaka pompa do studni 30m?”, AI szuka konkretnych parametrów (głębokość, wydajność, cena) – nie marketingowych sloganów. Jak pokazaliśmy w artykule o AI Search i retrieval: system pobiera passages (fragmenty tekstu) i buduje z nich odpowiedź. Opis pełen faktów = materiał do cytowania. Opis pełen ogólników = pomijany.

Jak phrase-based indexing wpływa na opisy produktów?

Patent US7536408B2 (Google LLC) opisuje „phrase-based indexing” – system, który indeksuje dokumenty nie po pojedynczych słowach, ale po frazach (ciągach wyrazów, które często występują razem). Dla opisów produktów to oznacza:

• „Pompa głębinowa do studni” to fraza, którą system rozpoznaje jako jednostkę semantyczną. Nie trzeba sztucznie powtarzać „pompa” i „głębinowa” osobno.
• „Wydajność 6000 l/h przy głębokości 30m” to fraza łącząca parametr z kontekstem użycia – silniejsza niż same liczby bez kontekstu.
• Sztuczne upychanie fraz (keyword stuffing) jest wykrywane przez patent US7603345B2 (Google LLC) – system rozpoznaje nienaturalne nagromadzenie fraz jako spam.

Praktyczna zasada: pisz naturalnie, ale używaj kompletnych fraz produktowych. Nie „pompa, głębinowa, studnia, 30m” ale „pompa głębinowa do studni o głębokości 30 metrów.”

Jak system wykrywa opisy niskiej jakości i generowane masowo?

Patent US8554769B1 (Google LLC) opisuje system wykrywania „gibberish content” – treści, które wyglądają jak tekst, ale nie niosą wartości informacyjnej. W kontekście e-commerce to oznacza:

Sygnał niskiej jakości	Przykład	Dlaczego to problem
Powtórzenia szablonowe	Ten sam opis z zamienioną nazwą produktu na 500 kartach	System rozpoznaje duplicate/near-duplicate (opisaliśmy to w artykule o duplikacji)
Generyczne frazesy	„Produkt najwyższej jakości, idealny dla każdego”	Zero information gain, zero cytowalnych faktów
Brak atrybutów	Opis bez wymiarów, wagi, materiału, parametrów	System nie może zbudować product graph z tego opisu
Nienaturalna gęstość fraz	„Pompa pompa głębinowa pompa do studni pompa wodna”	US7603345B2 – wykrywanie spamu frazowego

Jak wygląda dobry opis produktu pod kątem patentów?

Na podstawie analizy patentów, dobry opis produktu e-commerce powinien:

• Zaczynać od kluczowego faktu (BLUF dla karty produktu): „Pompa głębinowa Omnitron 5000 o wydajności 5000 l/h, przeznaczona do studni o głębokości do 50m.”
• Zawierać tabelę specyfikacji w HTML (nie jako obrazek): wydajność, moc, wymiary, waga, materiał, certyfikaty.
• Opisywać zastosowanie z konkretnymi scenariuszami: „Nadaje się do: studni głębinowych do 50m, instalacji domowych, podlewania ogrodu z ujęcia własnego.”
• Wskazywać ograniczenia: „Nie nadaje się do wody z piaskiem powyżej 50g/m3. Wymaga zasilania 230V.”
• Porównywać z alternatywami: „W porównaniu do Omnitron 3000: o 40% większa wydajność, ale o 30% wyższy pobór mocy.”
• Mieć FAQ z pytaniami, które użytkownicy zadają: „Jaki zbiornik dobrać?”, „Czy nadaje się do brudnej wody?”, „Jaka jest gwarancja?”

Co mówią badania o jakości opisów produktów?

Dane z branży potwierdzają, że jakość opisów produktowych ma bezpośredni wpływ na sprzedaż i zwroty:

Statystyka	Wartość	Źródło
Konsumenci uznający szczegółowy opis za kluczowy czynnik zakupu	87%	Icecat / Shopware, 2025
Zwroty spowodowane niedokładnymi danymi produktowymi	23% wszystkich zwrotów	Icecat / Shopware, 2025
Konsumenci, którzy zwrócili produkt z powodu błędnych informacji	43%	Akeneo, maj 2026
Konsumenci bardziej skłonni zatrzymać produkt, gdy opis jest dokładny	62%	Akeneo, maj 2026
Konsumenci, którzy nie wrócą po zakup bez dokładnych opisów	87%	ConvertCart, 2026
Poprawa konwersji dzięki dokładnym danym produktowym	do 30%	Icecat / Shopware, 2025
Wartość zwróconych towarów w USA (rocznie)	~900 mld USD	NRF / Akeneo, 2026
Zwroty z powodu niezgodności opisu z produktem	22-31%	Synctrack, 2025

Badanie Akeneo (maj 2026) jest szczególnie istotne: 43% konsumentów zwróciło produkt w ciągu ostatniego roku, bo informacje przed zakupem okazały się błędne. Średnio każdy kupujący zwraca 2 produkty rocznie z tego powodu. Jednocześnie 62% konsumentów deklaruje, że jest znacznie bardziej skłonna zatrzymać zakup, gdy opis jest jasny, dokładny i szczegółowy. To nie jest kwestia „SEO” – to kwestia realnych kosztów biznesowych: $900 miliardów w zwrotach rocznie w samych USA, z czego znacząca część wynika z niedokładnych opisów.

W kontekście patentów: patent US11720613B2 (information gain) opisuje mechanizm, który ocenia wartość informacyjną treści. Opis produktu z 6 konkretnymi parametrami (wydajność, moc, wymiary, materiał, ograniczenia, gwarancja) ma wyższy information gain niż opis z 6 marketingowymi sloganami – i jednocześnie redukuje zwroty, bo użytkownik wie dokładnie, co kupuje.

Jak jakość opisu wpływa na CTR w danych GSC?

Na danych GSC sklepu z branży instalacyjnej (60 dni, zanonimizowane) widzimy wyraźny wzorzec: karty produktów z branded query (użytkownik zna model) mają CTR 5-8%, a karty z generic query (użytkownik szuka opcji) mają CTR 0.2-0.3%. Dlaczego? Bo opis produktu odpowiada na pytanie „czy to jest ten model?” (branded) ale nie odpowiada na pytanie „czy ten model jest dla mnie?” (generic).

Query	Typ	Impressions	CTR	Problem z opisem
„omnitron 5000 automat”	Branded	801	7.1%	Brak – użytkownik szuka tego modelu, opis go potwierdza
„mhi 1300 inox”	Branded	798	6.4%	Brak – branded query, model match
„pompa hydroforowa”	Generic	20 244	0.3%	Opis mówi o jednym modelu, ale użytkownik szuka porównania opcji
„pompa do szamba”	Generic	13 800	0.3%	Opis jednego modelu, brak kontekstu: „ten model nadaje się do szamb do X m3”
„pompa do hydroforu”	Generic	4 210	0.8%	Opis nie odpowiada na pytanie: „czy ta pompa pasuje do mojego hydroforu?”

Wniosek: opis produktu powinien odpowiadać nie tylko na „co to za model?” ale też na „czy ten model jest dla mnie?” Sekcja „Dla kogo jest ten produkt” z konkretnymi scenariuszami (głębokość studni, wielkość instalacji, typ wody) zmienia opis z „potwierdzenia modelu” w „odpowiedź na pytanie wyboru.” To jest information gain w praktyce: fakt „nadaje się do studni do 30m” jest cytowalny przez AI i użyteczny dla użytkownika. „Nowoczesna pompa wysokiej jakości” nie jest ani jednym, ani drugim.

Jak wygląda microsemantic scoring opisu produktu?

W naszym MCP mamy narzędzie Microsemantic Score (ms_score), które ocenia tekst pod kątem ekstrahowalności (czy AI może wyciągnąć z niego passages), cytowalności (czy zawiera fakty, które warto zacytować) i jakości NLG (czy jest napisany naturalnie, bez filler phrases). Porównanie dwóch wariantów opisu tego samego produktu:

Kryterium	Opis A (marketingowy)	Opis B (faktograficzny)
Tekst	„Nowoczesna pompa głębinowa o dużej wydajności. Wykonana z najwyższej jakości materiałów. Idealna do zastosowań domowych i ogrodowych. Polecamy!”	„Pompa głębinowa Omnitron 5000: wydajność 5000 l/h, głębokość tłoczenia do 50m, moc 1100W. Obudowa ze stali AISI 304. Nadaje się do studni o średnicy min. 4 cale. Nie do wody z piaskiem >50g/m3.”
Cytowalnych fragmentów (citable)	1 z 6 zdań (density: 18/1000 słów)	6 z 8 zdań (density: 64/1000 słów)
Vague starters	3 („nowoczesna”, „najwyższej jakości”, „idealna”)	0
Claims without numbers	3 („dużej wydajności”, „długa żywotność”, „idealna”)	0
Answer eligibility (ms_score)	85/100 – krótkie zdania, ale zero faktów	85/100 + 6× więcej cytowalnych passages
Zdania z liczbami	1 z 6 (17%)	6 z 8 (75%)
Human evidence score	0 – „thin_human_evidence”	0 – potrzebuje case study lub danych własnych

Dane z narzędzia Microsemantic Score (ms_score) z naszego MCP. Oba opisy dostały answer_display_eligibility 85/100 – bo narzędzie ocenia strukturę zdań (krótkie, bez słabych czasowników), nie zawartość merytoryczną. Różnica jest w metrykach: opis A ma 1 fragment cytowalny z 6 zdań (density 18/1000 słów). Opis B ma 6 fragmentów cytowalnych z 8 zdań (density 64/1000 słów). To jest 3.5× różnica w gęstości cytowalnych passages – i dokładnie to widzi system retrieval z patentu US9940367B1.

Narzędzie Microsemantic Lint wykrywa konkretne problemy: vague starters („nowoczesna” – co to znaczy?), claims without numbers („duża wydajność” – ile?), weak verbs („charakteryzuje się” – czym?). Opis B nie ma żadnego z tych problemów, bo każde twierdzenie jest poparte liczbą lub parametrem.

Jak system ocenia, które terminy w opisie są ważne dla odpowiedzi?

Patent US10019513B1 (Google LLC) opisuje „weighted answer terms for scoring answer passages” – system, który przypisuje wagi poszczególnym terminom w odpowiedzi. Nie wszystkie słowa w opisie produktu mają taką samą wagę. Termin „wydajność 5000 l/h” ma wysoką wagę, bo odpowiada na konkretne zapytanie („jaka wydajność?”). Termin „doskonała wydajność” ma niską wagę, bo nie zawiera wartości liczbowej.

Patent US11249993B2 (Google LLC) rozszerza tę logikę na „answer facts from structured content” – system, który wyciąga fakty z tabel specyfikacji, list atrybutów i struktur HTML. Tabela z atrybutami (moc: 1100W, waga: 12.5 kg, materiał: AISI 304) jest idealnym źródłem answer facts – każda komórka to potencjalna odpowiedź na konkretne pytanie. Opis marketingowy w akapicie nie daje systemowi tej samej precyzji co tabela specyfikacji w HTML (element <table> lub <dl>). To dlatego rekomendujemy, żeby każda karta produktu miała tabelę specyfikacji w HTML, a nie tylko jako obrazek lub PDF.

Jakie błędy najczęściej widzimy w opisach produktów?

Na podstawie audytów klientów e-commerce (narzędzie ECOM Product Copy Quality Audit), najczęstsze problemy to:

• Opisy kopiowane od producenta – identyczne na 50 sklepach, zero information gain. Rozwiązanie: przepisać własnymi słowami, dodać kontekst użycia i doświadczenie.
• Brak tabeli specyfikacji w HTML – parametry jako obrazek lub PDF. System retrieval nie czyta obrazków. Rozwiązanie: tabela HTML lub <dl> z atrybutami.
• Zero informacji o ograniczeniach – każdy produkt „jest idealny.” Rozwiązanie: dodać sekcję „Dla kogo NIE jest ten produkt” – to buduje zaufanie i redukuje zwroty.
• Brak FAQ na karcie produktu – najczęstsze pytania bez odpowiedzi. Rozwiązanie: FAQ schema z 3-5 pytaniami z realnych zapytań klientów.
• Opis marketingowy zamiast informacyjnego – „Rewolucyjna pompa nowej generacji!” vs „Pompa o wydajności 6000 l/h z 5-letnią gwarancją.” AI nie cytuje rewolucji. AI cytuje fakty.

Te obserwacje dotyczą kart produktów. Ale opisy to nie tylko PDP – jeśli szukasz wskazówek do stron kategorii, przeczytaj osobny artykuł o opisach kategorii e-commerce, gdzie pokazujemy dane GA4 i audyt semantyczny. Te obserwacje potwierdzają dane zewnętrzne. Według badania SE Ranking (marzec 2026), 65% stron cytowanych przez Google AI Mode i 71% cytowanych przez ChatGPT zawiera dane strukturalne (Product schema). Strony bez schema prawie nie pojawiają się w odpowiedziach AI. Z kolei audyt 5000 stron przeprowadzony przez Digital Applied (kwiecień 2026) wykazał korelację Pearsona +0.34 między poprawnością schema a częstością cytowania przez AI – nie ogromną, ale statystycznie istotną i jedną z nielicznych mierzalnych dźwigni SEO w 2026 roku. Jak pokazujemy w artykule o relacjach encji w e-commerce: Product schema z atrybutami to dopiero początek – opis produktu musi budować relacje z marką, kategorią i akcesoriami. Osobne badanie z lutego 2026 pokazało, że attribute-rich Product schema (z gtin, mpn, brand, aggregateRating, review) pojawiał się w rekomendacjach zakupowych AI 3-5× częściej niż generyczny schema z samym name i price.

Google March 2026 core update poszedł jeszcze dalej: aktualizacja obniżyła pozycje stron, które przeformułowały opisy od producenta z minimalną wartością dodaną. To bezpośrednio potwierdza patent US11720613B2 (information gain) – opis skopiowany od producenta i lekko przerobiony ma information gain bliski zeru, bo jest identyczny na dziesiątkach sklepów.

Jakie wnioski płyną z patentów o opisach produktów?

Patenty opisują system, w którym opis produktu jest oceniany pod kątem trzech kryteriów:

• Information gain (US11720613B2) – czy opis wnosi nowe fakty w porównaniu do konkurencji? Unikalne parametry, doświadczenie z produktem, porównania z alternatywami.
• Phrase quality (US7536408B2) – czy opis używa naturalnych fraz produktowych? Kompletne frazy z kontekstem użycia, nie sztuczne upychanie słów kluczowych.
• Content quality (US8554769B1, US7603345B2) – czy opis jest oryginalny, merytoryczny i nie-spamerski? Unikalna treść z faktami, nie kopiowane szablony.

Dla sklepu e-commerce: opis produktu to nie „tekst SEO do wypełnienia” – to źródło danych dla systemu wyszukiwania i AI. Im więcej cytowalnych faktów, parametrów i kontekstu użycia – tym większa szansa na widoczność w wynikach wyszukiwania i odpowiedziach AI.

Ten artykul jest czescia cyklu „SEO e-commerce w swietle patentow Google.” Pelna mape 74 patentow, dane z audytow 6 sklepow i checklisty do pobrania znajdziesz w kompletnej mapie 10 warstw SEO e-commerce.

To jest trzynasty artykuł z cyklu „SEO e-commerce w świetle patentów Google.” Jeśli szukasz wsparcia w pozycjonowaniu sklepu internetowego lub potrzebujesz audytu SEO – skontaktuj się z nami.

Źródła

Patenty

1. US11720613B2 – „Contextual estimation of link information gain.” Google LLC. patents.google.com/patent/US11720613

2. US7536408B2 – „Phrase-based indexing.” Google LLC. patents.google.com/patent/US7536408

3. US7603345B2 – „Detecting spam documents in a phrase based information retrieval system.” Google LLC. patents.google.com/patent/US7603345

4. US8554769B1 – „Identifying gibberish content in resources.” Google LLC. patents.google.com/patent/US8554769

5. US10019513B1 – „Weighted answer terms for scoring answer passages.” Google LLC. patents.google.com/patent/US10019513

6. US11249993B2 – „Answer facts from structured content.” Google LLC. patents.google.com/patent/US11249993

Badania i raporty

7. SE Ranking / Alhena – „Schema Markup for AI Search: 65% of AI-Cited Pages Use It.” Marzec 2026. alhena.ai

8. Digital Applied – „Schema Markup Adoption: 5,000-Site Audit and Findings.” Kwiecień 2026. digitalapplied.com

9. Google Search Central – „Structured data for ecommerce sites.” developers.google.com

10. Logos Web Designs – „Ecommerce SEO in 2026.” logoswebdesigns.com

11. Icecat / Shopware – „The Impact of Accurate Product Data on E-Commerce Success.” Styczeń 2025. icecat.com

12. Akeneo – „Returns are rising and poor product information is to blame.” Maj 2026. homeofdirectcommerce.com

13. ConvertCart – „Product Page Statistics Every eCommerce Pro Should Know.” Kwiecień 2026. convertcart.com – „Ecommerce SEO in 2026: attribute-rich Product schema i Google March 2026 update.” logoswebdesigns.com patents.google.com/patent/US8554769