Product Comparability Score – jak sprawdzić, czy AI potrafi porównać Twoje produkty

AI generuje tabele porównawcze produktów w co trzeciej odpowiedzi zakupowej. Jeżeli Twój sklep nie dostarcza kompletnych, ustrukturyzowanych atrybutów – Twoje produkty wypadaja z tych tabel. Nie dlatego, że są gorsze. Dlatego, że AI nie ma czego porównać. W tym artykule przedstawiam Product Comparability Score (PCS – wskaźnik porównywalności produktów) – autorski framework Semgence, który pozwala zmierzyć, na ile dane produktowe Twojego sklepu są gotowe na porównania generowane przez ChatGPT Shopping, Google AI Mode i Perplexity. PCS to konkretny wskaźnik od 0 do 100, który możesz obliczyć dla każdego produktu, kategorii i całego katalogu. CCS (Constraint Coverage Score) uzupełnia PCS o wymiar pokrycia constraintów z zapytań – więcej w artykule o SEO na wymagania i constraint-based search. Temat ten rozwijamy w artykule poświęconym warianty produktów w AI.

Jak AI porównuje produkty – mechanizm krok po kroku?

AI porównuje produkty w pięciu etapach: identyfikacja encji produktowych, zebranie atrybutów z dostępnych źródeł, znalezienie wspólnych cech między produktami, ekstrakcja konkretnych wartości i synteza oceny porównawczej w formie tabeli lub rankingu. Cały proces trwa ułamek sekundy i opiera się wyłącznie na danych strukturalnych – AI nie czyta marketingowej prozy, szuka data pointow (punktów danych).

Skala tego zjawiska jest już ogromna. Według analizy Evertune z marca 2026 przeprowadzonej na 21 000 odpowiedzi zakupowych ChatGPT, tabele porównawcze pojawiają się w jednej trzeciej wszystkich odpowiedzi związanych z zakupami. To nie jest niszowa funkcja – to domyślny format prezentacji produktów w AI.

Co istotne, 88% tych tabel zawiera wiersz „Best for” (najlepszy do/dla) – krótka etykieta z superlatywem, która klasyfikuje produkt do konkretnego zastosowania. Najczęściej uzywane kategorie to „Budget/Cheapest” (43% tabel) i „Overall value” (19%). AI przydziela te etykiety na podstawie atrybutów, które udalo jej się wyekstrahowac. Jeżeli Twój produkt nie ma wyraznej przewagi cenowej ani jasno opisanych cech – nie dostanie żadnej etykiety i staje się „tym czwartym produktem w tabeli, który nie ma Best for”.

Mechanizm ekstrakcji atrybutów, który stoi za tym procesem, nie jest nowy. Google od lat rozwija technologie automatycznego wyciagania cech produktów że strukturyzowanych dokumentow. Patent US8645391B1 opisuje system, który analizuje dokumenty o przewidywalnej strukturze – karty produktowe, specyfikacje techniczne, tabele parametrów – i automatycznie identyfikuje pary atrybut-wartość. System rozpoznaje wzorce takie jak „Pojemność baterii: 5000 mAh” czy „Materiał: bawelna 100%” i konwertuje je na ustrukturyzowane dane nadajace się do porównania.

To oznacza, że AI nie „rozumie” Twoich produktów w ludzkim sensie. Przetwarza je jak baze danych – wiersz po wierszu, kolumna po kolumnie. Jeżeli kolumna jest pusta, wiersz wypada z porównania.

Żeby zobaczyc ten mechanizm w dzialaniu, wystarczy wpisac w ChatGPT zapytanie typu „porównaj trzy najlepsze roboty sprzatajace do 2000 zł”. Odpowiedź będzie tabela z kolumnami: cena, moc ssania, czas pracy na baterii, pojemność pojemnika, nawigacja, funkcja mopowania. AI wybierze te produkty, dla których znajdzie wartości we wszystkich kolumnach. Jeżeli Twój robot sprzatajacy ma doskonale parametry, ale na stronie PDP (strona produktowa) brakuje informacji o pojemności pojemnika – może wypasc z tabeli na rzecz slabszego produktu, który te dane posiada.

Proces jest szczególnie bezwzgledny w zapytaniach porównawczych typu „X vs Y”. AI musi znaleźć te same atrybuty dla obu produktów, żeby wygenerowac sensowna tabele. Jeżeli jeden produkt ma 15 atrybutów, a drugi 8 – AI zbuduje porównanie na 8 wspólnych atrybutach, ale może też całkowicie pominac produkt z mniejsza liczba danych, jeżeli uzna, że porównanie nie będzie wartościowe dla użytkownika.

Dlaczego brakujace atrybuty oznaczaja wykluczenie z porównań?

Brakujace atrybuty to nie problem kosmetyczny – to bezpośrednia przyczyna wykluczenia produktu z porównań AI. Modele językowe nie zgaduja brakujacych wartości. Jak ujela to analiza WriteText.ai: jeżeli kluczowe pole jest puste, agent nie probuje go uzupelnic – przechodzi do konkurenta, który to pole wypelnil.

Dane potwierdzaja to jednoznacznie. Produkty z kompletnym pokryciem atrybutów uzyskują 89% wiecej rekomendacji że strony AI niż produkty z lukami w danych. Sklepy, które systematycznie wypelniaja wszystkie pola specyfikacji, notuja 3-4-krotnie wyższa widoczność w odpowiedziach asystentow AI. To nie są różnice marginalne – to przepasc między byciem rekomendowanym a byciem ignorowanym.

Dlaczego tak się dzieje? AI buduje tabele porównawcze na podstawie wspólnych atrybutów. Jeżeli porownujesz trzy laptopy i jeden nie ma podanego czasu pracy na baterii, AI ma dwie opcje: pominac ten atrybut dla wszystkich (co zubozy porównanie) albo pominac produkt bez danych (co jest prostsze i daje lepszy wynik). W praktyce AI wybiera druga opcje.

Patent Google US8204797B2 opisuje system porównywania ofert merchantow na bazie ustandaryzowanych czynnikow wagowych. System pobiera produkty z różnych źródeł, mapuje je na wspólna taksonomie atrybutów i generuje porównanie. Kluczowy element: system przypisuje wagi poszczegolnym czynnikom porownawczym, co oznacza, że nie wszystkie atrybuty są rownie istotne. Cena i dostępność mają wyższa wage niż kolor opakowania. Ale nawet atrybut o niskiej wadze, jeżeli jest obecny u konkurentow a brakuje go u Ciebie, może przechylic szale.

Analogia do Google Shopping jest tu celna. W feedzie produktowym Google Merchant Center puste pola obnizaja Quality Score (wynik jakości) reklamy. W świecie AI mechanizm jest analogiczny, ale konsekwencje są bardziej binarne – nie tracisz pozycji, tracisz obecność.

Problemem jest też niespojnosc danych. Wyobraz sobie, że w feedzie masz „Kolor: czarny”, na stronie PDP jest „Kolor: Black”, a w schema „Kolor: #000000”. AI może potraktowac to jako trzy różne wartości albo – co gorsza – nie rozpoznać, że to ten sam atrybut. Analiza Commercetools dotyczaca danych produktowych gotowych na agentic commerce podkreśla, że normalizacja atrybutów – uzywanie tych samych jednostek, formatow i slownictwa we wszystkich kanalach – to warunek konieczny widoczności w porównaniach AI.

Pisalem o tym wiecej w kontekście atrybutów konwersacyjnych w Google Merchant Center, gdzie pokazuje, jakie nowe pola Google wprowadza specjalnie z mysla o AI. Te pola – takie jak „lifestyle imagery”, „product highlight” czy „short description” – są zaprojektowane pod katem ekstrakcji przez modele językowe.

Co to jest Product Comparability Score i jak go obliczyć?

Product Comparability Score (PCS) to autorski wskaźnik Semgence, który mierzy, na ile kompletne, precyzyjne i porównywalne są dane produktowe Twojego sklepu. PCS przyjmuje wartości od 0 do 100 i sklada się z pięciu skladowych, z których każda odpowiada za inny aspekt gotowosc danych do porównań AI.

PCS nie jest standardem branzowym – to narzędzie diagnostyczne, które opracowalismy na podstawie analizy mechanizmów porównawczych w ChatGPT Shopping, Google AI Mode i Perplexity. Jego celem jest dać polskim sklepom internetowym konkretna metryka do mierzenia i poprawiania widoczności w porównaniach AI.

Pięć skladowych PCS:

1. Attribute Completeness (AC) – waga 0.25 (kompletność atrybutów)

Procentowy udzial wypelnionych atrybutów w stosunku do benchmarku kategorii. Jeżeli w kategorii „laptopy” standard to 18 atrybutów (procesor, RAM, dysk, ekran, bateria, waga, system, porty itd.), a Twój produkt ma wypelnione 12 – AC wynosi 67%. Benchmark (punkt odniesienia) kategorii ustalasz na podstawie top 3 konkurentow w danej kategorii.

2. Attribute Precision (AP) – waga 0.20 (precyzja atrybutów)

Czy wartości atrybutów są numeryczne i ustandaryzowane, czy opisowe i niejednoznaczne. „5000 mAh” to wartość precyzyjna. „Duza bateria” to wartość bezuzyteczna dla AI. AP mierzy stosunek atrybutów z wartościami maszynowo porownywalnymi do wszystkich wypelnionych atrybutów.

3. Cross-Product Consistency (CPC) – waga 0.20 (spójność międzyproduktowa)

Czy te same atrybuty istnieją w całej kategorii Twojego sklepu. Jeżeli jeden laptop ma podana wage, a drugi nie – AI nie może zbudowac spojnego porównania wewnatrz Twojego katalogu. CPC mierzy jednorodnosc struktury danych w obrebie kategorii.

4. Schema Coverage (SC) – waga 0.20 (pokrycie schematem)

Procentowy udzial produktów z pełnym oznaczeniem schema.org Product + PropertyValue (wartość właściwości w schema.org). Schema to język, którym mowisz do robotow – bez niego AI musi zgadywac, co jest atrybutem, a co fragmentem opisu marketingowego. Więcej na ten temat w naszym tekście o Product schema w e-commerce.

5. Comparative Query Answerability (CQA) – waga 0.15 (zdolność odpowiedzi na zapytania porównawcze)

Czy dane produktowe pozwalają odpowiedzieć na zapytania typu „laptop X vs laptop Y”, „który telefon ma lepsza baterie” czy „najtanszy robot sprzatajacy z mopem”. CQA ocenia, ile typowych zapytań porównawczych Twoje dane są w stanie obsluzyc.

Wzor na PCS:

PCS = 0.25 x AC + 0.20 x AP + 0.20 x CPC + 0.20 x SC + 0.15 x CQA

Przykład: sklep z elektronika ma AC = 72, AP = 85, CPC = 60, SC = 45, CQA = 55.

PCS = 0.25 x 72 + 0.20 x 85 + 0.20 x 60 + 0.20 x 45 + 0.15 x 55 = 18 + 17 + 12 + 9 + 8.25 = 64.25

Wynik 64 oznacza, że sklep ma solidne pokrycie atrybutów i dobra precyzje, ale kuleje na schema (brak PropertyValue) i spójności między produktami. To typowy profil – sklepy zazwyczaj mają dobre dane produktowe w feedzie, ale nie przenoszily ich systematycznie do schema na stronach PDP.

Drugi przykład: sklep z odzieza ma AC = 55, AP = 40, CPC = 75, SC = 30, CQA = 35.

PCS = 0.25 x 55 + 0.20 x 40 + 0.20 x 75 + 0.20 x 30 + 0.15 x 35 = 13.75 + 8 + 15 + 6 + 5.25 = 48

PCS poniżej 50 to sygnał alarmowy. Sklep ma dobra spójność wewnatrz kategorii (CPC 75 – wszystkie koszulki mają te same pola), ale niska precyzje atrybutów (AP 40 – duzo wartości opisowych zamiast numerycznych, np. „delikatna tkanina” zamiast „100% bawelna, 160 g/m2”) i slaba implementacje schema (SC 30 – wiekszość PDP nie ma PropertyValue). CQA na poziomie 35 oznacza, że na większość pytan porównawczych („która koszulka jest z grubszego materialu?”) dane nie daja jednoznacznej odpowiedzi.

Interpretacja PCS:

• 80-100: Doskonaly – produkty regularnie pojawiają się w porównaniach AI, dane są kompletne i ustrukturyzowane
• 60-79: Dobry – produkty pojawiają się w porównaniach, ale z lukami; poprawa schema i precyzji atrybutów da szybkie efekty
• 40-59: Średni – produkty sporadycznie wchodzą do porównań; potrzebna systematyczna praca nad danymi
• 0-39: Slaby – produkty praktycznie niewidoczne w porównaniach AI; konieczna gruntowna przebudowa danych

Które atrybuty mają najwiekszy wpływ na porównywalność?

Nie wszystkie atrybuty są rownie istotne dla AI. Kluczowe są te, które pojawiają się najczęściej w zapytaniach porównawczych użytkowników i które AI wykorzystuje do budowania tabel. Atrybuty można podzielic na trzy poziomy.

Tier 1 – atrybuty krytyczne: Cena, dostępność (in stock / out of stock), marka, główna kategoria produktowa i warianty (rozmiar, kolor, pojemność). Bez tych danych produkt w ogole nie wchodzi do porównań. Pisalem o znaczeniu wariantow w osobnym artykule – problem polega na tym, że AI często nie rozumie relacji między wariantami, co prowadzi do rekomendowania nieistniejacych konfiguracji.

Tier 2 – atrybuty porównywalne: Materiał, wymiary, waga, kompatybilnosc, certyfikaty, gwarancja, kraj pochodzenia. To dane, które robia różnice w porównaniach bezposrednich – kiedy użytkownik pyta „który plecak jest lzejszy” albo „która pralka ma certyfikat A+++”.

Tier 3 – atrybuty wyroznijace: Use case (do czego służy), „best for” (dla kogo najlepszy), unikalne cechy technologiczne, porównanie z konkurencja. Te atrybuty decyduja o etykiecie „Best for” w tabelach ChatGPT.

Google odczytuje pola produktowe w okreslonej kolejności: tytul, opis, jawne atrybuty, dane kategorii, dane uzupelniajace, kontekst strony. Patent US20200151201A1 opisuje system automatycznej ekstrakcji, wnioskowania i normalizacji atrybutów produktowych. System nie tylko wyciąga atrybuty z tekstu – potrafi też wnioskować brakujace wartości na podstawie kontekstu (np. jeżeli produkt jest w kategorii „buty zimowe” i ma opis zawierajacy „Gore-Tex”, system wnioskuje, że jest wodoodporny). To oznacza, że nawet jeżeli nie podasz atrybutu jawnie, AI może go wydedukować – ale wnioskowane wartości mają niższa pewność niż podane explicite.

Poniżej kluczowe atrybuty per branza:

Branza	Tier 1	Tier 2	Tier 3
Elektronika	Cena, marka, kategoria, warianty pamięci/koloru	Procesor, RAM, bateria, wyswietlacz, waga	„Best for gaming”, kompatybilność z ekosystemem
Fashion	Cena, marka, rozmiar, kolor	Materiał, kraj produkcji, instrukcja prania	„Best for: casual office”, zrownowazona produkcja
Dom i ogrod	Cena, marka, wymiary	Materiał, waga, nosnosc, certyfikaty	„Best for: male mieszkania”, latwosc montazu
Beauty	Cena, marka, pojemność	Sklad (INCI), typ skory, czas dzialania	„Best for: skora wrazliwa”, cruelty-free

W praktyce większość polskich sklepow ma dobrze wypelniony Tier 1 (bo tego wymaga Google Merchant Center), czescowo Tier 2 (bo to dane z kart produktowych dostawcow) i prawie całkowicie pusty Tier 3. Tymczasem to Tier 3 decyduje o tym, czy Twój produkt dostanie etykietę „Best for” w tabeli ChatGPT. Wpisz „najlepsze sluchawki do biegania” – AI nie szuka najlepszych sluchawek ogolnie, szuka tych, które mają explicite opisany use case (scenariusz użycia) „bieganie” z konkretnymi cechami (wodoodporność IPX7, zaczepy na ucho, waga poniżej 30g). Jeżeli Twoje sluchawki mają wszystkie te cechy, ale opis mowi tylko „doskonale brzmienie w kazdych warunkach” – AI wybierze konkurenta, który napisal „zaprojektowane do biegania, IPX7, 28g, zaczepy stabilizujace”.

Analiza ESEOspace dotyczaca mechanizmów porównywania produktów przez AI potwierdza, że AI traktuje atrybuty Tier 3 jako kryterium rozstrzygajace. Gdy dwa produkty mają identyczne parametry Tier 1 i Tier 2, o kolejności w rekomendacji decyduje właśnie dopasowanie do intencji użytkownika – czyli Tier 3.

Jak ChatGPT i Google AI Mode roznia się w porownywaniu?

Każda platforma AI korzysta z innych źródeł danych i buduje porównania według innych regul. Zrozumienie tych różnic to podstawa skutecznej optymalizacji – nie ma jednej strategii, która zadzialа wszedzie tak samo.

ChatGPT Shopping czerpie dane z dwoch głównych źródeł: product feed (plik z danymi produktowymi)ow (których udzial wzrosl z 4.3% do okolo 20% odpowiedzi zakupowych) i scrapingu stron PDP. Według analizy Profound na milion ofert zakupowych, product feedy to dzis dominujacy kanal – 99.9% produktów, które pojawiają się w feedzie, wyświetla się jako pierwsza oferta w odpowiedzi. Jednoczesnie strony PDP nadal odpowiadaja za 88.29% wszystkich pozyskiwanych danych produktowych. ChatGPT preferuje feedy, ale gdy brakuje w nich danych, siega po PDP. Jeżeli Twój feed jest ubogi, a PDP nie ma schema – ChatGPT nie ma skad wziąć atrybutów do porównania.

Google AI Mode korzysta z Shopping Graph – własnej bazy danych produktowych Google, zasilanej przez feedy Merchant Center, schema markup że stron i dane z indeksu. To najbardziej rozbudowane źródło danych produktowych sposrod wszystkich platform AI, bo Google od lat gromadzi i normalizuje dane zakupowe. Jeżeli masz dobrze skonfigurowany Google Merchant Center i poprawne schema na stronach – Google AI Mode prawdopodobnie już ma Twoje dane.

Perplexity działa inaczej – scrapuje strony bezpośrednio i buduje odpowiedzi na podstawie wyekstrahowanych danych. Perplexity integruje się z PayPal do realizacji zakupow, co oznacza, że może prowadzic użytkownika od porównania do transakcji bez opuszczania platformy. Dla Perplexity kluczowa jest jakość danych na stronie – schema, tabele specyfikacji, ustrukturyzowane opisy.

Microsoft Copilot jest we wczesnej fazie rozwoju możliwości zakupowych i nie ma jeszcze dedykowanego systemu porównań produktowych. Copilot korzysta z indeksu Bing i potrafi generować porównania, ale nie ma zintegrowanego systemu feedow produktowych ani natywnego checkoutu. To platforma, która można na razie traktowac jako dodatkowa – optymalizacja pod ChatGPT i Google pokrywa większość potrzeb Copilota.

Badanie Yext na 17.2 miliona cytatow AI pokazalo, że każdy model cytuje inne źródła. Produkt może być doskonale widoczny w ChatGPT (bo ma dobry feed) i całkowicie niewidoczny w Perplexity (bo strona PDP nie ma schema). Dlatego optymalizacja pod jedna platforme to połowa roboty.

Badania GEO-SFE z Uniwersytetu Tokijskiego (arXiv 2603.29979) z marca 2026 pokazaly, że sama poprawa struktury danych – bez zmiany treści – daje 17.3% wzrost cytowalnosci w odpowiedziach AI. To potwierdzenie, że format i struktura danych są co najmniej tak istotne jak sama treść.

Źródło danych	ChatGPT	Google AI Mode	Perplexity	Copilot
Product Feed	Tak (rosnacy)	Tak (Merchant Center)	Nie	Czesciowo
PDP scraping	Tak (88.29%)	Tak	Tak (główne)	Tak
Schema markup	Pośrednio	Tak (Shopping Graph)	Tak	Tak
Shopping Graph	Nie	Tak	Nie	Nie
Checkout natywny	Tak (buy button)	Tak	Tak (PayPal)	Nie

Jak przeprowadzic audyt PCS własnego katalogu?

Audyt PCS możesz przeprowadzic samodzielnie w pięciu krokach. Cały proces dla sklepu z katalogiem do 5000 SKU zajmuje 2-3 dni robocze. Dla większych katalogow rekomenduje automatyzacje z uzyciem skryptow analizujacych feed i schema.

Krok 1: Eksport i inwentaryzacja

Wyeksportuj aktualny feed produktowy (CSV lub XML) i przygotuj liste atrybutów, które feed zawiera per kategoria. Policz, ile unikalnych atrybutów masz w każdej kategorii i jaki procent produktów ma każdy atrybut wypelniony.

Krok 2: Benchmark konkurencji

Sprawdź, jakie atrybuty mają top 3 konkurenci w Twoich kluczowych kategoriach. Wejdz na ich strony PDP, sprawdź tabelki specyfikacji, przeanalizuj schema markup (np. przez Rich Results Test). To okresli Twój docelowy standard – benchmark, wzgledem którego obliczysz Attribute Completeness.

Krok 3: Gap analysis (analiza luk)

Porównaj swoje dane z benchmarkiem. Zidentyfikuj trzy typy luk: pola całkowicie puste, pola z wartościami opisowymi zamiast numerycznych („duzy” zamiast „15 cm”) i pola, które istnieją u części produktów, ale nie u wszystkich w kategorii.

Krok 4: Scoring

Oblicz PCS per produkt, per kategoria i dla całego sklepu. Uzyj wzoru: PCS = 0.25 x AC + 0.20 x AP + 0.20 x CPC + 0.20 x SC + 0.15 x CQA. Dla każdej skladowej potrzebujesz danych z kroku 1-3.

Krok 5: Priorytetyzacja

Zacznij od kategorii, które łączą dwa kryteria: najwyzszy revenue (przychód) i najnizszy PCS. To kategorie, gdzie poprawa danych da najwiekszy zwrot. Jeżeli Twoją najpopularniejsza kategoria ma PCS poniżej 50, każdy punkt poprawy przekłada się na realna szanse wejscia do porównań AI.

Do audytu przydadza się narzędzia takie jak Screaming Frog (audyt schema na stronach), Google Merchant Center (diagnostyka feedu) i panel Semgence.

Czeste błędy w audycie PCS:

Pierwszy błąd to liczenie atrybutów bez sprawdzania ich jakości. Pole „Materiał: patrz opis” jest technicznie wypelnione, ale bezuzyteczne dla AI. Attribute Precision lapia takie przypadki – wartość musi być maszynowo porownywalna, nie tylko niepusta.

Drugi błąd to ustalanie benchmarku na podstawie własnego katalogu zamiast konkurencji. Jeżeli Twoi trzej glowni konkurenci mają średnio 22 atrybuty na produkt w kategorii „laptopy”, a Ty masz 14 – Twój benchmark to 22, nie 14. AC mierzy odleglosc od standardu rynkowego, nie od Twojej własnej średniej.

Trzeci błąd to ignorowanie CQA. Sklepy często koncentruja się na uzupelnianiu danych (AC) i implementacji schema (SC), ale nie sprawdzają, czy ich dane pozwalają odpowiedzieć na typowe zapytania porównawcze. CQA wymaga analizy realnych zapytań użytkowników – co ludzie faktycznie pytają o Twoje produkty.

Jeżeli chcesz kompleksowy przeglad widoczności Twojego sklepu w AI – w tym audyt PCS – sprawdź nasz audyt widoczności w AI.

Trzy formaty opisu produktu – kto je czyta i czego szuka?

Opis produktu musial dotad przemawiać do jednej grupy odbiorcow – ludzi. Dzis musi dzialac jednoczesnie dla trzech różnych „czytelnikow”, z których każdy szuka czegos innego. Analiza Genrise z mają 2026 sformulowala to precyzyjnie: optymalizacja pod jednego odbiorcę z zalozeniem, że pozostali też skorzystaja, to najczestszy błąd. Temat ten rozwijamy w artykule poświęconym opis produktu pod AI.

Odbiorca 1: Czlowiek

Skanuje bullets, szuka korzyści, podejmuje decyzje w sekundach. Reaguje na emocje, social proof, wizualizacje. Nie czyta całego opisu – przeskakuje do tego, co go interesuje. Dla niego kluczowe są: jasna propozycja wartości, widoczna cena, zdjecia i opinie.

Odbiorca 2: Asystent AI

Szuka strukturyzowanych danych do cytowania. Potrzebuje answer-ready (gotowe do zacytowania) fragmentow – krotkich, faktograficznych stwierdzen, które może wkleic do odpowiedzi. Nie interesuje go „ten produkt odmieni Twoje zycie” – interesuje go „bateria 5000 mAh, czas pracy 12h, ladowanie 65W”. Asystent AI to pośredni między użytkownikiem a Twoją strona – jego zadaniem jest zbudowac porównanie, które użytkownik oceni.

Odbiorca 3: Agent autonomiczny

To najnowsza kategoria, która dopiero się krystalizuje. Agenty autonomiczne działają w imieniu użytkownika – otrzymują zadanie („kup mi bezprzewodowe sluchawki do 300 zł z ANC”) i samodzielnie przeszukuja oferty, porownuja i podejmuja decyzje zakupowa. Agent ocenia, czy dany SKU przechodzi prog do automatycznego zakupu. Potrzebuje jednoznacznych, maszynowo czytelnych atrybutów i spelnienia minimalnych kryteriow ustawionych przez użytkownika.

Patent US7996440B2 opisuje system ekstrakcji atrybutów i wartości z dokumentow w języku naturalnym. System identyfikuje wzorce językowe, które wskazują na pary atrybut-wartość nawet w tekscie ciaglym – np. z zdania „Plecak wykonany z nylonu ripstop o pojemności 40 litrow” potrafi wyekstrahowac: materiał = nylon ripstop, pojemność = 40L. To ważne, bo pokazuje, że AI nie jest całkowicie skazana na structured data – może też analizowac tekst swobodny. Ale wyniki ekstrakcji z tekstu są mniej niezawodne niż dane z pola schema. Jeżeli atrybut jest w schema PropertyValue, AI ma 100% pewności co do wartości. Jeżeli musi go wyekstrahowac z akapitu tekstu – pewność spada.

Implikacja jest jasna: opis produktu musi dzialac jednoczesnie na trzech poziomach. Ludzki czytelnik potrzebuje narracji i korzyści. Asystent AI potrzebuje ustrukturyzowanych faktow. Agent autonomiczny potrzebuje jednoznacznych, maszynowo czytelnych specyfikacji. Pisalem o powiazanym problemie w kontekście freshness danych produktowych – AI potrafi rekomendowac produkty, które już nie istnieją, bo dane są nieaktualne. A w kontekście zaufania do danych sprzedawcy ważna jest też kwestia merchant trust score, który wpływa na to, czy agent w ogole uwzgledni Twój sklep.

Praktycznie oznacza to, że strona PDP powinna mieć:

• Opis marketingowy z korzyściami i narracja (dla ludzi)
• Tabele specyfikacji z precyzyjnymi wartościami (dla asystentow AI)
• Pełne schema Product z PropertyValue (dla agentow i crawlerow)
• Feed produktowy z kompletem atrybutów (dla ChatGPT Shopping i Google Shopping)

Błąd, który popelnia większość sklepow, to optymalizacja wyłącznie pod czlowieka. Opisy są peine przymiotnikow i obietnic („niesamowity komfort noszenia”), ale nie zawierają danych, które AI może wyekstrahowac i wstawic do tabeli porównawczej. Odwrotny błąd – suchy listing atrybutów bez narracji – odpycha ludzi, ale dobrze działa dla AI. Cel to połączenie obu podejsc na jednej stronie.

Przykład dobrze zbudowanego opisu produktu (fragment):

„Plecak turystyczny Alpine Pro 45L jest zaprojektowany do wielodniowych wypraw gorskich. Wykonany z nylonu Cordura 500D o gramaturze 280 g/m2, waży 1.2 kg i pomiesci ekwipunek na 3-5 dni trekkingu. System wentylacji plecow AirFlow redukuje pocenie o 30% w porównaniu z tradycyjnymi konstrukcjami. Wodoodporność: IPX4. Pojemność glownej komory: 45 litrow. Liczba kieszeni: 8 (w tym 2 boczne na butelke).”

Ten opis działa na wszystkich trzech poziomach: czlowiek dostaje kontekst uzycia i korzyści, asystent AI może wyekstrahowac materiał (Cordura 500D), wage (1.2 kg), pojemność (45L), wodoodporność (IPX4), a agent autonomiczny może odczytac jednoznaczne parametry do porównania z innymi plecakami.

Checklista: jak podniesc PCS w 30 dni?

Poniżej 10 kroków, które pozwola Ci systematycznie podniesc Product Comparability Score. Kolejność jest celowa – zaczynamy od zmian o najwyzszym wpływie i najnizszym koszcie implementacji.

1. Zaimplementuj schema Product z PropertyValue na wszystkich PDP Każdy atrybut produktowy, który masz w feedzie, powinien być też w schema na stronie. PropertyValue to kluczowy element – pozwala AI odczytać pary atrybut-wartość bez zgadywania. To pojedyncza zmiana, która podnosi skladowa SC nawet o 30-40 punktów.

2. Znormalizuj wartości atrybutów w feedzie Zamien wartości opisowe na numeryczne: „duzy” na „15 cm”, „lekki” na „350 g”, „pojemna” na „40L”. Każda taka zmiana podnosi Attribute Precision.

3. Wypelnij puste pola w top 20% produktów (według przychodu) Skoncentruj się na produktach, które generują najwiekszy przychód. Uzupelnij brakujace atrybuty Tier 1 i Tier 2.

4. Ujednolic strukture atrybutów w obrebie kategorii Jeżeli jeden laptop ma „czas pracy na baterii” a drugi nie – dodaj ten atrybut do wszystkich laptopow. Cross-Product Consistency wymaga spójności wewnatrz kategorii.

5. Dodaj atrybuty Tier 3 do produktów flagowych Use case, „best for”, unikalne cechy – te elementy decyduja o etykietach w tabelach porównawczych ChatGPT.

6. Przetestuj porównania w ChatGPT i Perplexity Wpisz zapytania porównawcze dla swoich kluczowych produktów: „produkt X vs produkt Y”, „najlepszy [kategoria] do [zastosowanie]”. Sprawdź, czy Twoje produkty pojawiają się w odpowiedziach i jakie atrybuty AI wykorzystuje.

7. Zaktualizuj feed o pola konwersacyjne Google Merchant Center wprowadza nowe pola atrybutów dedykowane AI. Jeżeli jeszcze ich nie uzywasz – to moment, żeby zaczac.

8. Dodaj tabele specyfikacji na PDP Tabela HTML z atrybutami to najprostszy sposob, żeby dać AI ustrukturyzowane dane do ekstrakcji – nawet bez schema.

9. Skonfiguruj monitoring PCS Ustaw cykliczny audyt (co miesiac) i sledz, jak PCS zmienia się w czasie. Porownuj z widocznoscia w odpowiedziach AI.

10. Rozszerz optymalizacje na cały katalog Po przetestowaniu na top kategoriach – rozszerz proces na pozostale produkty. Priorytetyzuj według kombinacji: przychód x odwrotnosc PCS.

Harmonogram 30-dniowy może wyglądać tak:

• Tydzien 1: Audyt PCS całego katalogu (krok 1-4), identyfikacja top kategorii do optymalizacji
• Tydzien 2: Implementacja schema Product + PropertyValue na PDP, normalizacja wartości w feedzie
• Tydzien 3: Uzupelnienie brakujacych atrybutów Tier 1 i Tier 2, dodanie tabel specyfikacji na PDP
• Tydzien 4: Dodanie atrybutów Tier 3 do produktów flagowych, testy porównawcze w ChatGPT i Perplexity, pomiar PCS po zmianach

Efekty nie są natychmiastowe. ChatGPT indeksuje feedy z opoznieniem kilku dni do tygodnia. Google AI Mode aktualizuje Shopping Graph w cyklach crawlowania. Perplexity scrapuje strony przy każdym zapytaniu, więc tu zmiany na PDP daja efekt najszybciej. Realistyczny czas na widoczne rezultaty to 2-4 tygodnie od wdrożenia zmian.

Jeżeli potrzebujesz wsparcia w optymalizacji danych produktowych pod AI, sprawdź nasze pozycjonowanie sklepu internetowego – laczymy klasyczne SEO e-commerce z optymalizacja pod asystentow AI. Szersza perspektywa na temat widoczności w wyszukiwarkach dostępna jest w ramach naszego pozycjonowania stron. Kompletność atrybutów to jedna warstwa; drugą jest poprawność obliczenia kosztu – opisujemy ją w tekście o multipakach, zestawach i subskrypcjach. Ten temat jest jedną z dziesięciu warstw SEO w e-commerce – całość, wraz z patentami stojącymi za każdą warstwą, zebraliśmy w mapie 10 warstw SEO w e-commerce.

Porównywalność jest jednym z warunków tego, żeby model w ogóle sięgnął po Twoje dane – szerszą warstwę widoczności opisaliśmy przy pozycjonowaniu w AI, a to, skąd w opisie ma się wziąć informacja, której nie ma u konkurencji, rozwijamy w tekście o information gain w opisach produktów. Stan obecny katalogu sprawdzamy w audycie treści.

Porównywalność danych to jedno, a to, czy model poprawnie zestawi je z wymaganiami klienta – drugie. Zmierzyliśmy to na kontrolowanym katalogu i wynik zaskoczył nas w obie strony: szczegóły w badaniu nad odrzucaniem trafnych ofert przez AI.

Przed wdrożeniem zmian w sklepie warto przeprowadzić audyt SEO, który zidentyfikuje krytyczne problemy techniczne i contentowe.

Więcej na ten temat w artykule Laptopy poleasingowe i produkty refurbished w AI Search. Więcej na ten temat w artykule Produkty ograniczone w AI commerce. Więcej na ten temat w artykule Evidence SEO.

Ramka metodologiczna. Wnioski oparte na danych z Google Search Console, Google Analytics 4 oraz autorskiej metodyce diagnostycznej Semgence (zgłoszenie patentowe P.448274). Próbki obejmują projekty e-commerce w polskim rynku. Wyniki stanowią obserwacje z ograniczonej próby i nie powinny być traktowane jako uniwersalne prawidłowości. Dane z narzędzi zewnętrznych (Ahrefs, Screaming Frog, PageSpeed Insights) służą jako uzupełnienie diagnostyki, nie jako jedyne źródło rekomendacji.