Czy AI poleca każdemu to samo? Personalizacja rekomendacji w e-commerce

AI nie poleca każdemu tych samych produktów. Badanie SparkToro z 2026 roku (600 ochotników, blisko 3000 zapytań na trzech platformach) pokazuje, że szansa otrzymania identycznej listy rekomendacji wynosi poniżej 1%. Google AI Mode łączy się z Gmailem i Zdjęciami, żeby dopasować wyniki do historii zakupowej i planów podróży. ChatGPT zapamiętuje preferencje między sesjami dzięki architekturze „dreaming”. Perplexity buduje profil na bazie wcześniejszych wyszukiwań. Dla sprzedawcy oznacza to fundamentalną zmianę: nie wystarczy być „widocznym w AI” – trzeba być widocznym w jak najszerszej puli kandydatów, z której algorytm personalizacji wybiera produkty dla konkretnego użytkownika. W tym artykule rozkładamy na czynniki pierwsze mechanizmy personalizacji trzech głównych platform i pokazujemy, co sprzedawca może zrobić, żeby jego produkty trafiały do rekomendacji niezależnie od profilu kupującego.

Czy Google AI Mode, ChatGPT i Perplexity polecają każdemu to samo?

Nie. Rekomendacje produktowe generowane przez AI są niestabilne i spersonalizowane – to dwa odrębne zjawiska, które nakładają się na siebie.

Badanie SparkToro (2026) przeprowadzone na 600 ochotnikach, którzy zadali 12 identycznych promptów zakupowych przez ChatGPT, Claude i Google AI, wykazało, że szansa powtórzenia tej samej listy produktów wynosi poniżej 1 na 100. Szansa powtórzenia listy w tej samej kolejności – poniżej 1 na 1000. To nie błąd, to cecha systemu: temperature sampling, routing między modelami, kontekst konwersacji i bieżące aktualizacje modelu sprawiają, że nawet przy identycznym zapytaniu wynik się zmienia.

Jeszcze głębiej w mechanikę zagłębia się badanie Conductor – 14 000 wywołań API, 10 branż, 7 typów intencji zakupowej, 4 modele LLM i 5 symulowanych person użytkowników. Kluczowe odkrycie: najsilniejszym predyktorem spójności rekomendacji jest typ intencji (zakup, porównanie, edukacja, support), a nie branża czy wielkość marki. Innymi słowy, to jak pytasz ma większe znaczenie niż o co pytasz.

Co to oznacza dla monitoringu widoczności w AI? Śledzenie, czy AI poleca Twój produkt, ma sens wyłącznie statystycznie – jako trend w czasie, nie jako deterministyczny wynik jednego zapytania. Pojedyncze sprawdzenie „czy ChatGPT poleca mój sklep” nie mówi prawie nic.

Jak Google Personal Intelligence personalizuje wyniki zakupowe?

W styczniu 2026 Robby Stein, VP of Product w Google Search, ogłosił funkcję Personal Intelligence w AI Mode. To opt-inowe połączenie wyszukiwarki z Gmailem i Zdjęciami Google, które pozwala AI Mode uwzględniać kontekst osobisty użytkownika przy generowaniu odpowiedzi – w tym rekomendacji zakupowych.

Jak to działa w praktyce? Jeśli użytkownik ma w Gmailu potwierdzenie lotu do Barcelony na luty, a w historii zakupowej preferuje marki outdoorowe, to zapytanie „jaka kurtka na zimę” wygeneruje inne rekomendacje niż dla osoby bez takich sygnałów. AI Mode łączy kontekst z rezerwacji podróży, wcześniejszych zakupów, ulubionych marek i lokalizacji.

Według danych z początku 2026 AI Mode osiągnął ponad 75 milionów aktywnych użytkowników dziennie. Funkcja Personal Intelligence jest dostępna wyłącznie dla zalogowanych użytkowników 18+ w USA, z włączonym Web & App Activity i Search personalization – ale to kwestia czasu, zanim pojawi się na innych rynkach.

Patent US9773270B2 (Fredhopper B.V.) opisuje system „ranking cocktail”, który blenduje dane demograficzne, historię kliknięć, historię wyszukiwań i historię zakupów do rankingu produktów. Jeszcze dalej idzie patent US12536233B1 z stycznia 2026 – opisuje system, który może dynamicznie generować landing page dopasowany do profilu wyszukującego, zastępując oryginalną stronę sprzedawcy. Opatentowany mechanizm, choć nie potwierdzone wdrożenie – ale kierunek jest jednoznaczny.

Jak ChatGPT i Perplexity zapamiętują preferencje zakupowe?

ChatGPT korzysta z systemu „memory”, który w czerwcu 2026 został rozbudowany o architekturę „dreaming” – bardziej efektywny obliczeniowo sposób przenoszenia kontekstu między sesjami. Jeśli użytkownik wspomniał kiedyś, że jest weganinem i ma dwóch synów w wieku szkolnym, przyszłe rekomendacje produktowe zostaną odfiltrowane przez te preferencje, nawet jeśli użytkownik ich nie powtórzy.

Funkcja Shopping Research w ChatGPT działa na wyspecjalizowanym wariancie GPT-5 mini, który według OpenAI osiąga 52% trafności na złożonych zapytaniach zakupowych z wieloma ograniczeniami – wobec 37% dla standardowego ChatGPT Search. Z ~900 milionami tygodniowych użytkowników, ChatGPT pobiera dane produktowe z Google Shopping, Bing, feedów sprzedawców i schema.org. OpenAI deklaruje, że rankingi produktów opierają się na trafności, nie na płatnościach – choć Merchant Program pozwala sprzedawcom zgłaszać feedy bezpośrednio, co poprawia retrievability.

Perplexity buduje persistent memory bank na bazie wcześniejszych wyszukiwań – preferencje stylistyczne, ulubione kuchnie, rozmiary ubrań. Integracja z PayPal (Instant Buy) pozwala na zakup bezpośrednio z interfejsu czatu. Ważna różnica: kontrola użytkownika nad danymi osobowymi w Perplexity jest mniej dojrzała niż w Google czy ChatGPT – brak pełnego panelu zarządzania zapamiętanymi preferencjami.

Użytkownicy mogą zarządzać swoimi danymi. W ChatGPT: Settings → Personalization → Memory – można przeglądać, usuwać pojedyncze wspomnienia lub wyczyścić całą pamięć. W Google AI Mode: ustawienia konta → Web & App Activity → Search personalization (wyłączenie = brak personalizacji). Wyłączenie pamięci w ChatGPT nie kasuje istniejących danych – trzeba dodatkowo kliknąć „Clear ChatGPT’s memory” na dole listy wspomnień.

Porównanie: jak Google, ChatGPT i Perplexity personalizują rekomendacje zakupowe

	Google AI Mode	ChatGPT	Perplexity
Mechanizm personalizacji	Personal Intelligence – opt-in połączenie z Gmail i Photos	Memory + dreaming architecture (persistent cross-session)	Memory bank z wcześniejszych wyszukiwań
Źródła danych użytkownika	Historia zakupów (Gmail), rezerwacje podróży, zdjęcia, lokalizacja, ulubione marki	Preferencje deklarowane w rozmowie, historia konwersacji, zapamiętane fakty	Wcześniejsze wyszukiwania, preferencje stylistyczne, kontekst sesji
Źródła danych produktowych	Shopping Graph (60 mld produktów), GMC feed, schema.org, crawl	Google Shopping, Bing, feedy merchantów, schema.org (~900M weekly users)	Crawl + partnerzy handlowi, PayPal Instant Buy
Kontrola użytkownika	Web & App Activity on/off, Search personalization toggle, opt-in per app	Settings → Memory → view/delete/clear all, „Forget that…” w rozmowie	Ograniczona – brak pełnego panelu zarządzania preferencjami
Dostępność	Zalogowani 18+, USA, opt-in (rozszerzenie planowane)	Wszyscy użytkownicy (memory domyślnie włączony)	Free + Pro (rozszerzona personalizacja)
Model AI	Gemini 3	GPT-5 mini (Shopping Research)	Własny model (Sonar)
Feed merchantów	Google Merchant Center	ChatGPT Merchant Program (bezpośredni feed)	Brak oficjalnego programu

Jakie dane produktowe decydują o tym, czy AI w ogóle „zobaczy” Twój produkt?

Personalizacja działa na etapie rankingu – ale żeby produkt w ogóle trafił do puli kandydatów, musi być strukturalnie czytelny dla AI. Według badania SE Ranking (cytowanego przez Alhena.ai), 65% stron cytowanych przez platformy AI zawiera schema markup. Brak danych strukturalnych oznacza, że produkt może zostać pominięty jeszcze przed etapem personalizacji.

Minimum schema.org Product dla AI retrieval to: name, brand, description, SKU, GTIN/EAN, offers (price, availability, priceCurrency) i aggregateRating. Brakujące lub niepoprawne wartości – szczególnie GTIN – to najczęstsza przyczyna, dla której produkty nie pojawiają się w rekomendacjach AI. Sfabrykowane lub błędne GTIN-y wyrzucają produkt z klastrów porównawczych w Google AI Mode (filtrowanie po kolorze, rozmiarze, materiale, grupie wiekowej).

Krytyczna jest też spójność feed-schema: gdy dane w feedzie Google Merchant Center nie zgadzają się z danymi on-page w schema.org (inna cena, inna dostępność, inny opis), Google depriorytetyzuje oba źródła. Szerzej o atrybutach konwersacyjnych, które wchodzą do gry w zapytaniach naturalnych, piszemy w artykule o conversational attributes w Merchant Center.

Nowe kanały dystrybucji danych produktowych rosną szybko. ChatGPT Merchant Program pozwala zgłaszać feedy bezpośrednio do OpenAI. Shopify uruchomił „Agentic Storefronts” – automatyczną dystrybucję danych produktowych do ChatGPT, Google AI Mode, Microsoft Copilot i Perplexity jednocześnie. Sklepy na innych platformach mogą korzystać z protokołu Universal Cart Protocol, o którym pisaliśmy w kontekście agentic commerce readiness.

Kluczowy insight: sprzedawca nie kontroluje, komu AI pokaże jego produkt. Kontroluje natomiast, czy produkt w ogóle wejdzie do puli kandydatów. Pełne dane strukturalne, spójny feed i aktywna dystrybucja do platform AI to bilety wstępu do personalizowanego rankingu.

Czy AI faworyzuje duże marki? Popularity bias w rekomendacjach

Tak – i to udokumentowany mechanizm, nie spekulacja. Przegląd systematyczny na arXiv (2308.01118) opisuje efekt „rich get richer” w systemach rekomendacyjnych: produkty z większą liczbą interakcji (kliknięć, zakupów, recenzji) są częściej rekomendowane, co generuje więcej interakcji, co dodatkowo wzmacnia ich pozycję. Pętla sprzężenia zwrotnego, z której trudno się wyrwać.

Dla mniejszych sklepów ten mechanizm tworzy błędne koło. Analiza Mirakl wskazuje, że sklepy z ograniczonym asortymentem mają więcej braków magazynowych, co prowadzi do rzadszych rekomendacji, mniejszego ruchu i gorszych metryk – co z kolei jeszcze bardziej obniża ich widoczność w AI. Marketplace’y z szerokim asortymentem dominują, bo rzadziej mają out-of-stock.

Ale popularity bias to nie wyrok. Badania wskazują, że nadwyżka konsumencka z dostępności produktów niszowych (long-tail) jest 7-10 razy większa niż z samych niższych cen online (Brynjolfsson, Hu & Smith, 2003) – co oznacza, że platformy AI mają ekonomiczny interes w lepszym eksponowaniu mniejszych sprzedawców. Badanie Conductor potwierdza, że wielkość marki nie jest najsilniejszym predyktorem rekomendacji – typ intencji zapytania ma większe znaczenie.

Jak mały sklep może przebić popularity bias? Trzy sprawdzone mechanizmy: (1) niszowe atrybuty produktowe, których duże marki nie wypełniają (materiał, pochodzenie, certyfikaty, szczegółowe parametry techniczne), (2) silne recenzje z dużym wolumenem i aktualnością, (3) unikalne opisy, które odpowiadają na pytania konwersacyjne, a nie powtarzają specyfikację producenta. Szerzej o sygnałach zaufania i ich wpływie na selekcję sprzedawcy piszemy w artykule o Merchant Trust Score.

Dane z badania Klaviyo AI Shopping Index (2026) rzucają światło na skalę zjawiska od strony konsumenta: 39% kupujących online kupiło produkt polecony przez AI w ciągu ostatnich 6 miesięcy. Ale 85% z nich deklaruje przynajmniej pewien poziom zaufania do AI w kontekście trafnych, spersonalizowanych rekomendacji (choć tylko 27% ufa w pełni) – co oznacza, że popularity bias (polecanie tego samego wszystkim) bezpośrednio podkopuje zaufanie, na którym opiera się cały model.

Mechanizm popularity bias działa na wielu poziomach jednocześnie. Na poziomie collaborative filtering: produkty z większą liczbą interakcji mają więcej danych treningowych, więc model „lepiej je zna” i częściej poleca. Na poziomie recenzji: produkty z 500+ opiniami dominują nad produktami z 20 opiniami, nawet jeśli te drugie mają wyższą średnią ocenę. Na poziomie feedów: duże marketplace’y aktualizują feedy częściej i z większą dokładnością, co daje im przewagę w freshness danych.

Ale badania wskazują też na perspektywę wielostronną (multi-stakeholder): popularity bias szkodzi nie tylko małym sprzedawcom, ale też konsumentom, którzy tracą dostęp do lepiej dopasowanych produktów niszowych. Platformy AI mają więc ekonomiczny interes w korygowaniu tego bias – pytanie, kiedy i jak agresywnie to zrobią.

Czy personalizacja AI dyskryminuje? Bias płciowy, wiekowy i dochodowy

Badania akademickie z 2025-2026 wskazują na systemowe uprzedzenia w rekomendacjach produktowych generowanych przez LLM-y. Praca „The LLM Wears Prada” (arXiv, 2504.01951) wykazała, że modele językowe polegają na stereotypach płciowych przy rekomendowaniu produktów – i te stereotypy wzmacniają w kolejnych interakcjach. Osobne badanie eksperymentalne (arXiv, 2602.08124) udokumentowało różnice w rekomendacjach w zależności od postrzeganej płci i rasy użytkownika.

Konsumenci to zauważają. Według badania Talkdesk, 86% konsumentów oczekuje, że retailerzy uczynią AI bardziej diverse i inclusive. 60% kupujących deklaruje, że unika rekomendacji AI, bo postrzega je jako stronnicze lub stereotypowe.

Osobny problem to dynamic pricing oparty na profilu użytkownika. Columbus Consulting opisuje scenariusz, w której systemy AI wnioskują zdolność płatniczą klienta na podstawie zamożności dzielnicy i odpowiednio dostosowują ceny – co w kontekście europejskim jest szczególnie problematyczne.

W UE i Polsce kluczowe są dwa akty prawne: GDPR (ograniczenia profilowania i zautomatyzowanego podejmowania decyzji, art. 22) oraz Dyrektywa Omnibus, która nakłada na sprzedawców obowiązek informowania konsumentów, że ranking produktów lub cena zostały zindywidualizowane za pomocą zautomatyzowanego przetwarzania. Sprzedawca korzystający z AI do personalizacji cenowej bez odpowiedniej transparentności ryzykuje naruszenie przepisów.

Implikacja dla strategii e-commerce: nie polegaj wyłącznie na rekomendacjach AI jako kanale akwizycji – mogą systematycznie pomijać istotne segmenty Twoich klientów. Dywersyfikacja kanałów (organic search, paid, social, e-mail, marketplace) pozostaje fundamentem.

Filter bubble w zakupach AI – czy klient widzi tylko to, co już kupił?

Mechanizm bańki filtracyjnej w rekomendacjach zakupowych działa tak: każda interakcja użytkownika (kliknięcie, zakup, czas spędzony na stronie) trafia z powrotem do modelu rekomendacyjnego, który na tej podstawie zawęża przyszłe propozycje. Użytkownik dostaje więcej tego, co już wybrał – i coraz mniej tego, czego nie zna. Praca w Springer Nature (2026) analizuje ten paradoks w kontekście e-commerce i prywatności konsumenta.

Dla sprzedawcy to broń obosieczna. Z jednej strony, jeśli klient już kupił u Ciebie, personalizacja AI zwiększa szansę powrotu – model „zapamiętał” pozytywną interakcję. Z drugiej strony, nowi klienci, którzy nigdy nie mieli kontaktu z Twoją marką, mogą nigdy nie zobaczyć Twoich produktów, bo ich bańka filtracyjna faworyzuje marki, z którymi mieli wcześniejsze interakcje.

Badacze proponują kilka mechanizmów przeciwdziałania: injection „serendipity” (celowe wstrzykiwanie niespodziewanych rekomendacji), prawo do zapomnienia preferencji oraz obowiązek wyjaśnialności algorytmicznej. Z perspektywy sprzedawcy najważniejszy wniosek jest praktyczny: dywersyfikacja źródeł ruchu jest tym ważniejsza, im bardziej rekomendacje AI zamykają się w bańkach. Ruch z organic search, social media, e-mail marketingu i reklam płatnych buduje „pierwszy kontakt” z marką, który potem pozwala AI włączyć Twoje produkty do spersonalizowanego rankingu.

Skala problemu rośnie z adopcją. Według Klaviyo, 60% konsumentów wchodzi w interakcję z AI co tydzień, a 78% kupujących korzystało z AI gdzieś w ścieżce zakupowej w ciągu ostatnich 90 dni. Im więcej interakcji, tym więcej danych treningowych dla modelu – i tym ciaśniejsza bańka.

Dla e-commerce ten mechanizm ma konkretne konsekwencje finansowe. Klient, który kupił trzy pary butów do biegania, będzie dostawał rekomendacje kolejnych butów do biegania – ale niekoniecznie zobaczy bandę do kolan, plecak biegowy czy smart zegarek, które mogłyby podnieść wartość koszyka. Cross-sell i up-sell działają tylko wtedy, gdy klient widzi produkty z powiązanych, ale nie identycznych kategorii.

Z perspektywy regulacyjnej sytuacja w UE jest jaśniejsza niż w USA. Art. 22 GDPR daje konsumentom prawo do niepodlegania decyzjom opartym wyłącznie na zautomatyzowanym przetwarzaniu, jeśli mają istotny wpływ na ich sytuację. Praca Springer Nature (2026) analizuje ten paradoks: konsumenci chcą personalizacji (bo jest wygodna), ale nie chcą surveillance (bo narusza prywatność). Rozwiązanie, które prawdopodobnie wygra, to on-device personalizacja (model na urządzeniu użytkownika, dane nie opuszczają telefonu) – i Google z Personal Intelligence już idzie w tym kierunku.

Badanie „When AI advice backfires” (ScienceDirect, 2026) dodaje istotny niuans: zbyt agresywna personalizacja może być postrzegana jako inwazyjna i faktycznie obniżać konwersję. Konsument, który widzi, że AI „zbyt dobrze go zna”, czuje dyskomfort i rezygnuje z zakupu. Granica między helpful a creepy jest cienka i ruchoma.

Co sprzedawca może zrobić, żeby AI poleciło jego produkt jak najszerszemu gronu?

Sprzedawca nie kontroluje algorytmów personalizacji – ale kontroluje, czy jego produkty wchodzą do puli, z której te algorytmy wybierają. Poniżej 10 działań uporządkowanych od najwyższego do najniższego wpływu.

1. Pełne Product schema z GTIN/EAN. Bez identyfikatora GTIN produkt nie wchodzi do klastrów porównawczych w Google AI Mode. Brakujący GTIN oznacza brak matchingu z recenzjami, cenami konkurencji i wariantami. To absolutne minimum – 65% stron cytowanych przez AI ma schema markup, reszta wypada z gry.

2. Spójność feed-schema. Dane w feedzie Google Merchant Center muszą być identyczne z danymi on-page w schema.org – cena, dostępność, opis, warianty. Niespójność = depriorytetyzacja obu źródeł.

3. Conversational attributes w GMC. Atrybuty konwersacyjne (materiał, kolor, wzór, grupa wiekowa, rozmiar) są kluczowe dla zapytań naturalnych typu „czerwona wełniana sukienka na wesele rozmiar 40″. Bez nich produkt odpada przy filtrach personalizacji. Szczegóły w naszym artykule o conversational attributes.

4. Reviews – wolumen, aktualność, schema. Recenzje z AggregateRating schema wpływają zarówno na retrieval (czy AI w ogóle znajdzie produkt), jak i na ranking (czy AI go poleci). Recenzje muszą być aktualne – opinie sprzed dwóch lat mają mniejszą wagę niż te z ostatnich 90 dni.

5. Bezpośredni feed do ChatGPT. OpenAI Merchant Program pozwala zgłaszać dane produktowe bezpośrednio, bez polegania na crawlowaniu. To skraca ścieżkę od danych do rekomendacji i zwiększa retrievability.

6. Dystrybucja wieloplatformowa. Shopify Agentic Storefronts dystrybuują dane do ChatGPT, AI Mode, Copilot i Perplexity jednocześnie. Sklepy na innych platformach mogą wdrożyć Universal Cart Protocol (UCP) lub Agent Commerce Protocol (ACP), żeby agenci AI mogli przeglądać ofertę i realizować zakupy.

7. Niszowe atrybuty przeciw popularity bias. Duże marki dominują ogólne zapytania. Mały sklep przebija się przez szczegółowość: „buty do biegania po asfalcie dla osób z płaskostopiem, drop 8mm, do 500 PLN” to zapytanie, w którym niszowy specjalista ma przewagę nad marketplace’em z 50 000 SKU.

8. Unikalne opisy odpowiadające na pytania. AI retrieval premiuje treść, która bezpośrednio odpowiada na pytanie użytkownika. Opis skopiowany od producenta nie wyróżnia się w puli kandydatów – opis odpowiadający na „do czego to służy”, „czym się różni od X”, „dla kogo jest” – tak.

9. Monitoring AI visibility – statystycznie, nie deterministycznie. Śledź, jak często i w jakim kontekście AI poleca Twoje produkty, ale pamiętaj o badaniu SparkToro: pojedynczy wynik to szum. Trendy w czasie i rozkład rekomendacji po typach intencji – to sygnał. Jeśli nie wiesz, od czego zacząć, sprawdź nasz audyt widoczności w AI.

10. Transparentność cenowa i GDPR compliance. Jeśli stosujesz dynamiczny pricing lub personalizujesz ofertę na bazie profilu użytkownika, Dyrektywa Omnibus wymaga jawnego informowania o tym. Brak transparentności = ryzyko regulacyjne, szczególnie na rynku UE.

FAQ – najczęściej zadawane pytania o personalizację rekomendacji AI