SEO e-commerce w erze AI Search – od product search do product graph

Użytkownik pyta ChatGPT: „Jaka pompa głębinowa do studni 30 metrów?” AI nie przeszukuje indeksu słów kluczowych – pobiera dokumenty z bazy wiedzy, analizuje ich treść i generuje odpowiedź z rekomendacjami konkretnych modeli, cen i parametrów. Jeśli Twój sklep ma kompletne dane produktowe w formacie zrozumiałym dla systemu retrieval – Twoje produkty mogą pojawić się w odpowiedzi. Jeśli nie – AI zacytuje konkurencję.

W tym artykule analizuję patenty Google opisujące mechanizm retrieval-augmented generation (RAG) i jego implikacje dla e-commerce. To nie jest artykuł o „promptowaniu AI” – to analiza tego, jak systemy wyszukiwania nowej generacji pobierają, oceniają i wykorzystują dane produktowe do generowania odpowiedzi.

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. To zastrzeżenie dotyczy każdego artykułu w tym cyklu.

Czym jest retrieval-augmented generation i dlaczego zmienia e-commerce?

Patent US11003865B1 (Google LLC, Kelvin Guu, Ming-Wei Chang i in.) opisuje system REALM – Retrieval-Augmented Language Model. Kluczowy koncept: zamiast przechowywać całą wiedzę w parametrach sieci neuronowej, system pobiera dokumenty z zewnętrznego korpusu i wykorzystuje je do generowania odpowiedzi.

Dla e-commerce to zmiana fundamentalna. W tradycyjnym wyszukiwaniu Google dopasowywał zapytanie do stron (keyword matching → ranking → 10 blue links). W modelu RAG system:

• Pobiera (retrieval) – wybiera dokumenty/strony, które mogą zawierać odpowiedź na pytanie użytkownika.
• Analizuje (reading) – „czyta” pobrane dokumenty i wyciąga z nich fakty, atrybuty, ceny, parametry.
• Generuje (generation) – tworzy odpowiedź, łącząc informacje z wielu źródeł w spójną rekomendację.

Implikacja: Twoja strona produktowa nie musi już „rankować na pozycji 1” – musi być pobrana przez system retrieval i zrozumiana przez model językowy. To wymaga innego podejścia do danych produktowych niż tradycyjne SEO.

Jak system retrieval ocenia, które strony pobrać?

Patent US9940367B1 (Google LLC) opisuje „scoring candidate answer passages” – system, który ocenia fragmenty tekstu pod kątem ich przydatności jako odpowiedzi na zapytanie. Patent US9959315B1 (Google LLC) dodaje „context scoring adjustments” – korekty oceny na podstawie kontekstu.

Dla karty produktu to oznacza: system nie pobiera całej strony – pobiera fragmenty (passages), które mogą odpowiedzieć na pytanie. Jeśli karta produktu ma jasne, wydzielone sekcje z parametrami, cechami, porównaniami – system może wyciągnąć odpowiedni fragment. Jeśli informacje są zakopane w ścianie tekstu bez struktury – system może nie znaleźć odpowiedzi.

Element karty produktu	Łatwy do pobrania (retrieval-friendly)	Trudny do pobrania
Parametry techniczne	Tabela specyfikacji z jasnym nagłówkiem i wartościami	Parametry wplecione w opis marketingowy bez struktury
Cena i dostępność	JSON-LD Product/Offer z price, availability, currency	Cena widoczna tylko w JavaScript, brak schema
Porównanie wariantów	Tabela porównawcza: model A vs B vs C	Warianty dostępne tylko po kliknięciu dropdown
Opinie	Structured review data z aspektami (bateria 4/5, wydajność 5/5)	Opinie jako niesortowana lista bez kategoryzacji
Odpowiedź na pytanie	FAQ z pytaniem w H3 i odpowiedzią w paragrafie	Odpowiedź zakopana w środku długiego opisu

Czym jest product graph i dlaczego AI go potrzebuje?

Product graph to warstwa danych, w której produkt nie jest „stroną z opisem” ale encją z atrybutami, relacjami i faktami. W tradycyjnym SEO optymalizujesz stronę. W modelu product graph budujesz:

Warstwa	Co zawiera	Skąd AI to bierze
Encja produktu	Nazwa, marka, model, SKU, GTIN	Product schema (JSON-LD)
Atrybuty	Parametry techniczne, specyfikacja, wymiary, materiał	Tabela specyfikacji, dane strukturalne, opis
Fakty	Twierdzenia o produkcie: „nadaje się do studni do 50m”, „wydajność 6000 l/h”	Opis produktu, FAQ, recenzje
Relacje	Produkt → marka, produkt → kategoria, produkt → akcesoria, produkt → alternatywy	Linkowanie wewnętrzne, breadcrumby, cross-sell
Opinie	Rating, aspekty, sentyment	Structured reviews z aspektami
Merchant	Sklep, cena, dostępność, warunki dostawy, zwroty	Merchant Knowledge Graph, trust signals

Patent US8812435B1 (Google LLC) opisuje „learning objects and facts from documents” – system, który automatycznie uczy się rozpoznawać obiekty (produkty, marki) i fakty (ceny, parametry) w dokumentach. To jest mechanizm budowania product graph z nieustrukturyzowanych danych. Im bardziej Twoje dane są ustrukturyzowane (schema, tabele, jasne sekcje) – tym łatwiej system buduje graf.

Jak visual search i embeddingi obrazów wpływają na e-commerce?

Patenty US11782998B2 i US12032633B2 (Google LLC) opisują „embedding based retrieval for image search” i „digital supplement association for visual search.” To mechanizmy Google Lens i Visual Search – użytkownik robi zdjęcie produktu i system znajduje podobne produkty w indeksie.

Dla e-commerce to oznacza: zdjęcia produktów to nie tylko element UX – to dane wejściowe do systemu retrieval. Jak przygotowaliśmy w artykule o visual search: jakość zdjęć, alt teksty, otoczenie kontekstowe (Product schema powiązana ze zdjęciem) wpływają na to, czy Twój produkt pojawi się w wynikach wyszukiwania wizualnego.

Jak przygotować sklep e-commerce pod AI Search?

Na podstawie analizy patentów, klucz do widoczności w AI Search to nie „optymalizacja pod AI” – to kompletność i strukturalność danych produktowych. AI retrieval system potrzebuje:

• Kompletnego Product schema – nie tylko name/price/availability, ale brand, gtin, sku, aggregateRating, review, image. Im więcej pól w JSON-LD, tym więcej atrybutów w product graph.
• Jasnej struktury treści – nagłówki H2/H3 jako pytania, tabele specyfikacji, wydzielone sekcje (opis, parametry, FAQ, opinie). System retrieval pobiera passages, nie całe strony.
• Faktów, nie marketingu – „wydajność 6000 l/h” jest faktem, który AI może zacytować. „Najlepsza pompa na rynku!” jest marketingiem, którego AI nie zacytuje. Artykuł o information gain opisuje ten mechanizm szczegółowo.
• Relacji między stronami – produkt → kategoria → poradnik → porównanie. AI buduje graf wiedzy z linków wewnętrznych i breadcrumbów.
• Spójnych danych w feed ↔ schema ↔ strona – jak pokazaliśmy w artykule o inventory trust, niespójność danych podważa wiarygodność źródła.
• Dobrych zdjęć z kontekstem – zdjęcia z wielu kątów, alt text z nazwą produktu i kluczowymi parametrami, Product schema powiązana z image.

Jak różne silniki AI cytują źródła? Dane z 7100 runów monitoringu

W Semgence monitorujemy widoczność w AI za pomocą AI Monitor – systemu, który systematycznie odpytuje 5 silników AI (Gemini, Google AI Mode, Google AI Overview, Perplexity, ChatGPT) o 67 promptów związanych z SEO i pozycjonowaniem, i rejestruje cytowania. Dane z ostatnich 30 dni (7100+ runów):

Silnik AI	Runy	Cytowania	Avg visibility score	Brand mention rate	Own citation rate
Gemini	1 275	12 944	22.8 / 100	15.0%	36.3%
Google AI Mode	1 274	8 810	17.9 / 100	19.7%	24.3%
Google AI Overview	1 275	10 059	17.8 / 100	19.5%	24.9%
Perplexity	1 275	11 307	12.1 / 100	8.9%	18.4%
ChatGPT	1 275	1 541	10.5 / 100	12.2%	12.0%

Co to oznacza w kontekście retrieval? Każdy silnik AI ma inny system retrieval i inną bazę wiedzy. Gemini (Google) cytuje semgence.pl w 36.3% odpowiedzi na nasze prompty – bo ma bezpośredni dostęp do indeksu Google. ChatGPT cytuje nas w 12% – bo jego retrieval opiera się na Bing i własnym korpusie treningowym. Perplexity (18.4%) używa własnego crawlera i indeksu.

Co to oznacza dla e-commerce?

Dla sklepów e-commerce te różnice oznaczają, że nie wystarczy być widocznym w jednym silniku. Produkt z kompletnym Product schema, dobrymi zdjęciami i faktami w opisie ma szansę być cytowany przez Gemini (który korzysta z indeksu Google), ale żeby być widocznym w Perplexity czy ChatGPT – potrzebuje też autorytetu linkowego, wspomień w poradnikach i recenzjach na zewnętrznych stronach.

Kluczowy wniosek: own citation rate 36% w Gemini vs 12% w ChatGPT to nie przypadek. Gemini pobiera dane z indeksu Google (gdzie nasze treści są dobrze zoptymalizowane pod SEO). ChatGPT pobiera z innego korpusu, gdzie te same treści mają mniejszy autorytet. Dla e-commerce: optymalizacja pod Google (schema, content quality, trust) automatycznie poprawia widoczność w Gemini i Google AI Mode. Ale ChatGPT i Perplexity wymagają dodatkowej pracy: zewnętrznych cytowań, wspomień w poradnikach, linkowania z autorytatywnych źródeł.

Intencja informacyjna vs sprzedażowa – które prompty AI cytuje?

Z tych samych 67 promptów wyłania się wyraźny wzorzec: AI Search cytuje źródła znacznie częściej dla zapytań transakcyjnych i branded niż dla zapytań czysto informacyjnych. Poniżej top 5 i bottom 5 promptów z naszego monitoringu:

Prompt	Typ intencji	Visibility score	Own citation rate
„Czy Semgence prowadzi szkolenia SEO?”	Branded / nawigacyjna	81.9	98.7%
„Porównanie kursów SEO: papaSEO, Lexy, Semgence”	Branded / porównanie	68.9	87.3%
„Ile kosztuje szkolenie SEO w Polsce?”	Transakcyjna (cena)	50.2	76.7%
„Ile kosztuje audyt SEO?”	Transakcyjna (cena)	30.4	50.0%
„Dlaczego moje produkty nie pojawiają się w AI”	Informacyjna (problem)	19.3	33.0%

Prompt	Typ intencji	Visibility score	Own citation rate
„Co to jest audyt SEO?”	Informacyjna (definicja)	0.0	0.0%
„Na czym polega audyt SEO?”	Informacyjna (wyjaśnienie)	0.0	0.0%
„Jak pozycjonować sklep na Shoper?”	Informacyjna (how-to)	0.0	0.0%
„Jak pozycjonować stronę w ChatGPT?”	Informacyjna (how-to)	0.0	0.0%
„Jak sprawdzić widoczność marki w AI?”	Informacyjna (how-to)	1.1	2.0%

Zastrzeżenie metodologiczne: zestaw 67 promptów został celowo dobrany pod kątem monitoringu widoczności Semgence – zawiera prompty branded (z nazwą firmy), transakcyjne (z frazami „ile kosztuje”, „gdzie zamówić”) i informacyjne („co to jest”, „jak”). To nie jest losowa próba zapytań z rynku – to kontrolowany zestaw, który testuje konkretne scenariusze. Wynik „branded = 88% cytowań” nie oznacza, że 88% wszystkich zapytań w AI daje cytowania – oznacza, że gdy użytkownik pyta o konkretną markę, AI prawie zawsze ją cytuje. Gdy pyta ogólnie „co to jest audyt SEO” – AI generuje odpowiedź z ogólnej wiedzy i nie potrzebuje cytować jednego źródła. Wzorzec jest realny, ale proporcje wynikają z doboru promptów.

Wzorzec jest jednoznaczny:

• Branded prompty (zawierające nazwę firmy) → visibility 50-82, citation rate 77-99%. AI „zna” markę i cytuje ją bezpośrednio.
• Transakcyjne prompty („ile kosztuje”, „gdzie zamówić”) → visibility 30-57, citation rate 50-77%. AI szuka konkretnych danych (ceny, oferty) i cytuje źródła, które je mają.
• Informacyjne prompty („co to jest”, „jak”, „na czym polega”) → visibility 0-2, citation rate 0-3%. AI generuje odpowiedź z ogólnej wiedzy, nie potrzebuje cytować jednego źródła.

Co to oznacza dla e-commerce? Sklep powinien budować widoczność AI nie na zapytaniach definicyjnych („co to jest pompa głębinowa”) ale na zapytaniach z intencją zakupową („jaka pompa głębinowa do studni 30m”, „ile kosztuje pompa Omnigena 5000”, „porównanie pomp IBO vs Omnigena”). Te zapytania wymagają konkretnych danych (ceny, parametry, porównania) – i właśnie te dane AI pobiera z kart produktów, tabel specyfikacji i recenzji.

Jak AI ocenia wiarygodność źródeł przed wygenerowaniem odpowiedzi?

Patent US8682913B1 (Google LLC) opisuje „corroborating facts extracted from multiple sources” – system, który porównuje fakty wyciągnięte z wielu źródeł i ocenia ich wiarygodność. Jeśli trzy niezależne źródła podają, że pompa Omnitron 5000 ma wydajność 5000 l/h – ten fakt jest „skoroborowany” i ma wysoki wskaźnik pewności. Jeśli jedno źródło podaje 5000 l/h, a dwa inne 4500 l/h – system wykrywa sprzeczność.

Dla e-commerce oznacza to, że spójność danych produktowych między feedem, kartą produktu i danymi strukturalnymi ma znaczenie nie tylko dla indeksacji (o czym pisaliśmy w artykule o feedzie), ale też dla cytowalności przez AI. System retrieval może preferować źródła, których fakty są potwierdzone przez inne niezależne dokumenty.

Patent US20240289395A1 (Google LLC, 2024) idzie dalej – opisuje „factuality of generated responses.” System nie tylko ocenia wiarygodność źródeł, ale też weryfikuje, czy wygenerowana odpowiedź jest zgodna z faktami ze źródeł. Jeśli AI wygeneruje odpowiedź „Omnitron 5000 ma wydajność 6000 l/h” na podstawie źródła, które mówi „5000 l/h” – system powinien wykryć tę niezgodność i skorygować ją lub odrzucić odpowiedź.

Patent US11769017B1 (Google LLC) opisuje „generative summaries for search results” – system generowania streszczeń wyników wyszukiwania, który jest fundamentem AI Overviews. System wybiera passages z wielu źródeł i buduje z nich spójną odpowiedź. Dla sklepu e-commerce kluczowe pytanie brzmi: czy Twoje dane produktowe są na tyle kompletne i spójne, żeby system mógł z nich bezpiecznie zbudować odpowiedź? Opis z jednym zdaniem „Świetna pompa, polecamy” nie daje systemowi materiału. Opis z parametrami, zastosowaniami i ograniczeniami – daje.

Jak audytować sklep pod kątem AI Search readiness?

Audyt AI Search readiness to sprawdzenie, czy dane produktowe są kompletne, ustrukturyzowane i spójne – bo to te dane system retrieval pobiera i analizuje. Checklista 10 punktów:

• Product schema completeness: Ile pól ma JSON-LD Product? Minimum: name, price, availability, brand, image, description. Cel: dodać gtin, sku, aggregateRating, review, offers z priceCurrency.
• Passage readability: Czy opis produktu ma jasne sekcje (parametry, zastosowanie, FAQ)? Czy odpowiedzi na typowe pytania są wydzielone nagłówkami?
• Fact density: Ile konkretnych, cytowalnych faktów jest w opisie? „Wydajność 6000 l/h, głębokość ssania 8m, moc 1100W” = 3 fakty. „Świetna pompa, polecamy” = 0 faktów.
• Tabela specyfikacji: Czy jest w HTML (table/dl) zamiast jako obrazek? Crawler AI nie czyta tekstu z obrazków.
• Review structured data: Czy opinie mają schema Review z ratingValue per aspekt? Nie tylko ogólny rating 4.5, ale „bateria: 4/5, wydajność: 5/5.”
• Relacje produktowe: Czy produkt linkuje do kategorii, akcesoriów, alternatyw, poradników? Breadcrumby, cross-sell, „zobacz też.”
• Feed ↔ schema ↔ strona consistency: Czy cena, dostępność i nazwa produktu są identyczne we wszystkich trzech źródłach?
• Image quality: Czy zdjęcia mają alt text z nazwą produktu? Czy są w wysokiej rozdzielczości? Czy jest galeria z wielu kątów?
• BLUF answers: Czy odpowiedzi na kluczowe pytania („do jakiej głębokości?”, „jaka wydajność?”) są widoczne w pierwszych sekcjach, nie zakopane na dole strony?
• llms.txt: Czy sklep ma plik /llms.txt wskazujący AI na najważniejsze zasoby? To nowy standard (jeszcze nie powszechny), ale warto go wdrożyć jako sygnał gotowości.

Jakie wnioski płyną z patentów o AI Search i product graph?

Patenty Google opisują system, w którym AI Search nie dopasowuje słów kluczowych do stron – pobiera dane, buduje graf wiedzy i generuje odpowiedzi:

• Retrieval-augmented generation (US11003865B1) – system pobiera dokumenty z korpusu i wykorzystuje je do generowania odpowiedzi. Twoja strona musi być „pobieralna” i „czytelna” dla systemu retrieval.
• Passage scoring (US9940367B1, US9959315B1) – system ocenia fragmenty tekstu, nie całe strony. Jasna struktura z sekcjami i nagłówkami ułatwia scoring.
• Facts and objects from documents (US8812435B1) – system automatycznie rozpoznaje produkty, marki i fakty. Product schema + tabele specyfikacji to najłatwiejsze źródło faktów.
• Visual search embeddings (US11782998B2, US12032633B2) – zdjęcia produktów to dane wejściowe do retrieval. Jakość, alt texty i powiązanie z Product schema mają znaczenie.

Dla sklepu e-commerce to oznacza: dane produktowe to paliwo dla AI. Im bardziej kompletne, ustrukturyzowane i spójne – tym większa szansa, że AI zacytuje Twoje produkty w odpowiedzi na pytanie użytkownika. To nie jest „nowe SEO” – to logiczna kontynuacja tego, co robiliśmy w poprzednich 10 artykułach tego cyklu: schema, trust, content quality, recenzje, dostępność i implicit feedback. Jak pokazują dane z 90 polskich sklepów w AI Mode, kompletność danych produktowych bezpośrednio przekłada się na widoczność w wynikach zakupowych generowanych przez AI. AI Search to warstwa, która łączy wszystkie te elementy w jeden system.

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.

Potrzebujesz wsparcia w pozycjonowaniu sklepu? Sprawdź cennik pozycjonowania sklepów lub ofertę pozycjonowania e-commerce.

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

Źródła

Patenty

1. US11003865B1 – „Retrieval-augmented language model pre-training and fine-tuning.” Google LLC. Kelvin Guu, Ming-Wei Chang i in. patents.google.com/patent/US11003865

2. US9940367B1 – „Scoring candidate answer passages.” Google LLC. patents.google.com/patent/US9940367

3. US9959315B1 – „Context scoring adjustments for answer passages.” Google LLC. patents.google.com/patent/US9959315

4. US8812435B1 – „Learning objects and facts from documents.” Google LLC. patents.google.com/patent/US8812435

5. US11782998B2 – „Embedding based retrieval for image search.” Google LLC. patents.google.com/patent/US11782998

6. US8682913B1 – „Corroborating facts extracted from multiple sources.” Google LLC. patents.google.com/patent/US8682913

7. US20240289395A1 – „Factuality of generated responses.” Google LLC. patents.google.com/patent/US20240289395A1

8. US11769017B1 – „Generative summaries for search results.” Google LLC. patents.google.com/patent/US11769017

Dokumentacja

9. Google Search Central – Product structured data. developers.google.com

10. Schema.org – Product type. schema.org/Product