SEO w e-commerce – jak agregować wiedzę o patentach Google przy optymalizacji sklepu?

Google analizuje sklep internetowy przez minimum 10 warstw danych: od feedu produktowego i danych strukturalnych, przez duplikację wariantów, zdjęcia, relacje między produktami, wiarygodność merchantu, dostępność, recenzje, jakość treści, zachowanie użytkownika w SERP, aż po retrieval dla AI Search. W ciągu 15 artykułów tego cyklu przeanalizowaliśmy 74 rodziny patentowe Google LLC, które opisują mechanizmy rozumienia, klasyfikacji i oceny danych e-commerce. Ten artykuł spina je w jedną mapę – pokazuje, jak warstwy wpływają na siebie, gdzie polskie sklepy mają największe luki i co warto audytować w pierwszej kolejności.

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.

Dlaczego SEO e-commerce to dziś coś więcej niż frazy i opisy?

Jeszcze pięć lat temu SEO sklepu internetowego sprowadzało się do trzech filarów: słowa kluczowe w opisach kategorii, unikalne opisy produktów i linkowanie wewnętrzne i architekturę informacji, która decyduje o crawl depth i odkrywalności treści. To nadal ma znaczenie, ale patenty Google pokazują, że system analizuje sklep na znacznie głębszym poziomie. Feed produktowy jest porównywany z danymi na stronie i w schema (patent US8396935B1, US8438080B1). Warianty kolorystyczne i rozmiarowe są oceniane pod kątem near-duplicate filtering (US9342849B2). Zdjęcia produktowe mogą być mapowane na zapytania tekstowe (US11734287B2). Recenzje są rozbijane na aspekty – nie „5 gwiazdek”, ale „bateria 5/5, aparat 3/5” (US8799773B2). A cały sklep jest oceniany jako encja z atrybutami zaufania (US8725597B2, US12061594B2).

Dane z naszego AI Monitor (7100 runów monitoringu, 67 promptów, 5 silników AI, 30 dni) potwierdzają tę zmianę. Gemini cytuje źródła e-commerce w 36% odpowiedzi, Google AI Mode w 24%, Perplexity w 18%, a ChatGPT w 12%. Ale cytowanie nie jest losowe – systemy AI preferują źródła z kompletnymi danymi strukturalnymi, faktograficznymi opisami i spójnymi atrybutami. Według badania SE Ranking (marzec 2026), 65% stron cytowanych przez AI zawiera dane strukturalne (SE Ranking / Alhena, 2026), a strony z attribute-rich Product schema pojawiają się w rekomendacjach zakupowych AI 3-5 razy częściej niż generyczny schema z samym name i price.

Jak wygląda mapa 10 warstw SEO e-commerce?

Cały cykl obejmuje 10 warstw, z których każda odpowiada na inne pytanie o to, jak Google może rozumieć sklep. Pierwsza warstwa to dane produktowe – feed, karta produktu i dane strukturalne. W artykule o feedzie pokazaliśmy, że Google może porównywać trzy źródła danych o produkcie: feed z Merchant Center, HTML karty produktu i Product schema. Patent US8396935B1 opisuje „merchant signature” – system, który analizuje wzorce w feedzie i może wykrywać spamowe katalogi. Patent US8438080B1 opisuje ekstrakcję danych bezpośrednio z DOM strony. Jeśli cena w feedzie to 1200 zł, na stronie 1199 zł, a w schema brakuje ceny – system widzi niespójność. W artykule o Product schema poszliśmy dalej: samo name + price nie wystarczy. Pola brand, gtin, aggregateRating, isAccessoryOrSparePartFor budują relacje w grafie wiedzy, a nie tylko spełniają „checkbox” techniczny.

Druga warstwa to duplikacja. W artykule o near-duplicate pokazaliśmy, że e-commerce generuje duplikację na trzech poziomach: tekstowym (identyczne opisy od producenta na 50 sklepach), strukturalnym (sortowania, facety, parametry URL tworzące indeksowalne duplikaty) i produktowym (warianty kolorystyczne jako osobne URL-e z minimalną różnicą). Patent US9342849B2 opisuje filtrowanie near-duplicate entries w wynikach zakupowych. Patent US7711679B2 opisuje phrase-based detection – system, który porównuje dokumenty nie na poziomie całych tekstów, ale na poziomie fraz. Opis produktu zmieniony w jednym zdaniu to nadal near-duplicate.

Trzecia warstwa to visual search. W artykule o Google Lens przeanalizowaliśmy 13 patentów z rodziny embedding-based retrieval (US11782998B2, US10489410B2 i inne). System może mapować zdjęcie produktu na zapytania tekstowe – użytkownik fotografuje buty, a system rozpoznaje markę, model i kolor. Dla e-commerce to oznacza, że zdjęcia produktowe to dane, nie dekoracja. Alt text, nazwy plików, image sitemap i jakość zdjęć (różne kąty, kontekst użycia, widoczne detale) wpływają na to, czy produkt pojawi się w visual search.

Czwarta warstwa to product discovery i relacje między produktami. W artykule o discovery i artykule o relacjach encji pokazaliśmy, że Google może analizować nie tylko pojedyncze produkty, ale relacje: produkt-akcesoria, produkt-alternatywy, produkt-marka, produkt-kategoria, produkt-poradnik. Patent US8812435B1 opisuje „learning objects and facts from documents” – system, który automatycznie rozpoznaje encje i relacje z treści strony. Problem? Z naszego audytu cross-sell na 6 sklepach wynika, że 5 z 6 ma zero linków do akcesoriów i alternatyw w server-side HTML. Jedyny sklep z jakimikolwiek relacjami produktowymi (3 akcesoria, 1 alternatywa) to sklep z branży tapingu sportowego.

Piąta warstwa to merchant entity i trust. W artykule o Merchant Knowledge Graph i artykule o trust signals pokazaliśmy, że sklep może być analizowany nie jako domena, ale jako encja z atrybutami: dane kontaktowe, polityka zwrotów, metody płatności, certyfikaty, historia transakcji. Patent US8725597B2 opisuje „merchant scoring system” – system oceny wiarygodności sprzedawcy. Patent US12061594B2 opisuje „verified entity attributes” – system weryfikacji atrybutów z wielu źródeł. Jeśli Organization schema mówi „siedziba: Warszawa”, a Google Business Profile mówi „Kraków” – atrybut jest niespójny i zaufanie spada.

Szósta warstwa to inventory trust. W artykule o dostępności pokazaliśmy, że deklarowana dostępność produktu to element jakości danych, nie tylko informacja logistyczna. Patent US10600102B2 (WO2018118178A1) opisuje system weryfikacji inventory – zestawienie danych od merchantu z danymi od użytkowników. Jeśli feed mówi „in stock”, schema mówi „InStock”, ale przycisk na stronie to „Powiadom o dostępności” – system widzi niespójność i traci zaufanie do danych tego merchantu.

Siódma warstwa to recenzje i sentyment. W artykule o recenzjach pokazaliśmy, że patent US8799773B2 opisuje „aspect-based sentiment summarization” – system, który nie ocenia opinii jako „pozytywna/negatywna”, ale rozbija ją na aspekty: bateria 5/5, ekran 4/5, aparat 3/5. Opinia „Super, polecam” ma zero wartości semantycznej. Opinia „Silnik pracuje cicho przy normalnym obciążeniu, ale wibruje przy pełnej mocy. Wydajność 5000 l/h potwierdzona pomiarem” – to dane, które system może wykorzystać do matchowania zapytań o konkretne cechy produktu.

Ósma warstwa to content quality. W artykule o information gain, artykule o opisach produktów i artykule o opisach kategorii przeanalizowaliśmy 11 patentów dotyczących jakości treści. Patent US11720613B2 opisuje „information gain” – system ocenia, ile nowej informacji wnosi treść w porównaniu do konkurencji. Patent US8554769B1 opisuje wykrywanie „gibberish content”. Patent US8478751B1 opisuje wykrywanie boilerplate – szablonowych tekstów powtarzanych na setkach stron. A patent US8458196B1 opisuje „topic authority” – ocenę, na ile serwis jest autorytetem w danym temacie. Nasze dane z microsemantic scoring pokazują skalę problemu: opis marketingowy produktu ma gęstość cytowalnych fragmentów 18 na 1000 słów, opis faktograficzny – 64 na 1000 słów. Różnica 3.5-krotna.

Dziewiąta warstwa to implicit feedback. W artykule o zachowaniu użytkownika przeanalizowaliśmy rodzinę 6 patentów US8661029B1 (implicit user feedback). System może rozróżniać „good click” (użytkownik zostaje na stronie, nie wraca do SERP) od „short click” (użytkownik wraca po kilku sekundach). Dane GA4 naszego klienta potwierdzają wzorzec: wąskie kategorie (pompy 3″, pompy 3.5″) mają engagement 94%, szerokie kategorie 88%, karty produktów z organiku 80%, a karty z reklam 66%. Różnica 28 punktów procentowych między najlepszą kategorią a najgorszą kartą produktu.

Dziesiąta warstwa to AI Search i retrieval. W artykule o AI Search pokazaliśmy, że system RAG (retrieval-augmented generation) potrzebuje danych, które da się pobrać, zrozumieć i bezpiecznie zacytować. Patent US9940367B1 opisuje „scoring candidate answer passages” – system ocenia fragmenty tekstu jako kandydatów na odpowiedź. Patent US8682913B1 opisuje „corroborating facts from multiple sources” – system porównuje fakty z wielu źródeł i ocenia ich wiarygodność. A patent US20240289395A1 (2024) opisuje „factuality of generated responses” – weryfikację, czy wygenerowana odpowiedź jest zgodna z faktami ze źródeł.

Warstwa	Kluczowe patenty	Kluczowy finding z audytu	Art.
Dane produktowe	US8396935, US8438080	5/6 sklepów: brak Product schema z brand	1, 2
Duplikacja	US9342849, US7711679	Warianty i facety jako indeksowalne URL-e	3
Visual search	US11734287, US11782998	13 patentów: obraz jako query	4
Product discovery	US8812435, US12061594	5/6 sklepów: zero cross-sell w HTML	5, 15
Merchant entity	US8725597, US12061594	0/3 klientów: BreadcrumbList schema	6, 8
Inventory trust	US10600102	Niespójność feed vs schema vs strona	7
Recenzje	US8417713, US8799773	Aspect-based: bateria 5/5, aparat 3/5	9
Content quality	US11720613, US8478751	Density passages: 18 vs 64 (3.5×)	10, 13, 14
Implicit feedback	US8661029 (6 kont.)	Engagement: kat. 94% vs prod. z ads 66%	11
AI Search	US9940367, US8682913	Gemini 36% citation, ChatGPT 12%	12

Jak warstwy wpływają na siebie i tworzą efekt kaskady?

Największą wartością analizy patentowej jest zrozumienie, że warstwy nie działają w izolacji. Brak Product schema (warstwa 1) oznacza, że system nie ma danych do zbudowania relacji produkt-marka (warstwa 4), co osłabia merchant entity w grafie wiedzy (warstwa 5), co zmniejsza szansę na cytowanie przez AI (warstwa 10). To nie jest teoria – dane z naszych audytów pokazują tę kaskadę w praktyce.

Pierwszy przykład kaskady: sklep z budynkami drewnianymi. Brak Product schema oznacza, że system nie zna marek, modeli ani atrybutów produktów. Bez tych danych nie ma relacji produkt-marka (nie wiadomo, kto jest producentem). Bez relacji nie ma cross-sell (system nie może zasugerować akcesoriów). Strona kategorii „Domki” ma entity completeness 2/45 – system widzi słowo „domki”, ale nie zna typów (letniskowe, całoroczne), atrybutów decyzyjnych (metraż, grubość ścian, ocieplenie) ani scenariuszy użycia (do ogrodu, na działkę). Efekt końcowy: score kategorii 18/100, engagement wysoki (94%), ale potencjał semantyczny niewykorzystany.

Drugi przykład kaskady: sklep odzieżowy (duży marketplace). Cały frontend renderowany przez JavaScript – w server-side HTML nie ma ani Product schema, ani ceny, ani dostępności, ani cross-sell. Entity clarity: 0/100. Dla crawlera Google strona jest pusta. Nawet jeśli JavaScript ostatecznie renderuje dane – system retrieval dla AI może ich nie zobaczyć, bo pobiera HTML, nie renderuje React. Kaskada: brak danych w HTML → brak encji w grafie → brak relacji → brak cytowania przez AI.

Trzeci przykład kaskady: sklep z pompami (nasz klient). Ma Product schema z polem brand – jedyny z 6 audytowanych sklepów. Ma blog z poradnikami (1 link z karty produktu do bloga). Ale nie ma BreadcrumbList schema (jak żaden z 3 klientów), nie ma cross-sell i nie ma FAQ na kartach produktów. Mimo to: zapytanie branded „omnitron 5000 automat” daje CTR 7.1%, bo produkt jest rozpoznawalny w grafie. Ale zapytanie generic „pompa hydroforowa” (20 244 impressions) ląduje na karcie jednego modelu z CTR 0.3% – bo sklep nie ma strony kategorii odpowiadającej na intencję discovery. 20 tysięcy szans na widoczność marnowanych przez brak odpowiedniego typu strony docelowej.

Jak 6 audytowanych sklepów wypada na tle 10 warstw?

W trakcie pisania cyklu przeprowadziliśmy audyty 6 sklepów z różnych branż (moda, budynki drewniane, taping sportowy, pompy instalacyjne, żywność) narzędziami ECOM Cross-sell Semantic Audit, Entity Graph Audit, Category Semantic Full Auto i Microsemantic Score. Wyniki rysują spójny obraz polskiego e-commerce pod kątem danych produktowych.

Warstwa	Sklep A (moda)	Sklep C (budynki)	Sklep D (sport)	Sklep E (pompy)
Product schema z brand	brak (JS)	brak	brak	ma
BreadcrumbList	brak	brak	brak	brak
Cross-sell w HTML	0 linków	0 linków	3+1	0 linków
Entity clarity	0/100	12/100	b.d.	ma schema
Poradniki	0	0	0	1 blog
Category score	b.d.	18/100	b.d.	b.d.

W warstwie danych strukturalnych sytuacja jest najgorsza. Tylko 1 z 6 sklepów ma Product schema z polem brand w server-side HTML. Pozostałe albo nie mają schema wcale, albo mają je renderowane przez JavaScript (niewidoczne dla crawlera w momencie indeksacji). Żaden z 3 klientów, u których mamy pełne dane, nie ma BreadcrumbList schema – najprostszej relacji hierarchicznej produkt → kategoria → sklep.

W warstwie cross-sell wynik jest równie słaby. 5 z 6 sklepów ma zero linków do akcesoriów, alternatyw czy poradników w HTML widocznym dla crawlera. Jedyny sklep z jakimikolwiek relacjami produktowymi to sklep z tapingiem sportowym – 3 akcesoria i 1 alternatywa. Reszta: listing produktów, nawigacja po kategoriach i nic więcej. System widzi drzewo nawigacji, ale nie widzi relacji między produktami.

W warstwie content quality różnice są dramatyczne. Audyt semantyczny kategorii sklepu z budynkami drewnianymi dał wynik 18/100: semantic coverage 0, information gain 0, FAQ quality 0, entity completeness 12/100 (2 z 45 encji pokryte). Cała „treść” kategorii to nawigacja i listing produktów w H3. Tymczasem dane GA4 z innego klienta pokazują, że użytkownicy chcą przebywać na kategoriach – engagement 94% na wąskich kategoriach. Problem nie jest w intencji użytkownika. Problem jest w treści.

W warstwie opisów produktów nasze narzędzie microsemantic scoring pokazuje 3.5-krotną różnicę między opisem marketingowym (density 18/1000 słów) a faktograficznym (density 64/1000 słów). Opis „Nowoczesna pompa głębinowa o dużej wydajności” ma 1 cytowalny fragment z 6 zdań. Opis „Pompa głębinowa Omnitron 5000: wydajność 5000 l/h, głębokość tłoczenia do 50m, moc 1100W” ma 6 cytowalnych fragmentów z 8 zdań. Badanie Akeneo (maj 2026) potwierdza: 43% konsumentów zwróciło produkt, bo informacje przed zakupem okazały się błędne (Akeneo, maj 2026).

Jakie patenty stoją za każdą z 10 warstw?

Cykl obejmuje 74 unikalne rodziny patentowe Google LLC. Pogrupowane tematycznie tworzą spójną mapę tego, jak system wyszukiwania może analizować sklep e-commerce. Warstwa danych produktowych opiera się na patentach US8396935B1 (merchant signature z feedu), US8438080B1 (ekstrakcja danych z HTML), US20140172652A1 (automatyczna kategoryzacja w katalogu merchantu) i US20140280084A1 (deduplikacja przez structured data). Warstwa duplikacji to US9342849B2 i US9607331B2 (near-duplicate filtering w shopping), US7711679B2 (phrase-based duplicate detection) i US6658423B1 (fingerprinting dokumentów).

Warstwa visual search to największa grupa – 13 patentów z rodzin US11734287B2 (mapping images to queries), US11782998B2 (embedding-based retrieval) i US10579230B2 (digital supplements for visual search). Warstwa entity i merchant trust opiera się na US11222048B2 (knowledge search system), US8812435B1 (learning objects and facts), US8725597B2 (merchant scoring), US12061594B2 (verified entity attributes) i US7603350B1 (trust-based ranking).

Warstwa content quality to US11720613B2 (information gain – czy treść wnosi coś nowego), US7536408B2 (phrase-based indexing), US7603345B2 (spam frazowy), US8554769B1 (gibberish content), US8478751B1 (boilerplate detection), US8458196B1 (topic authority) i US9195944B1/US9760641B1 (site quality scoring). Warstwa implicit feedback to rodzina US8661029B1 (6 kontynuacji) o modyfikowaniu rankingu na podstawie zachowania użytkowników. A warstwa AI Search to US11003865B1 (REALM – retrieval-augmented LM), US9940367B1 (scoring answer passages), US8682913B1 (corroborating facts), US20240289395A1 (factuality) i US11769017B1 (generative summaries).

Jak wygląda uniwersalna checklista audytowa dla sklepu e-commerce?

Na podstawie 74 patenty i 15 artykułów cyklu zbudowaliśmy checklistę 10 obszarów audytu. Nie jest to lista „do odhaczenia” – każdy punkt wymaga analizy danych, porównania źródeł i oceny kontekstu. Pierwszym obszarem jest spójność danych produktowych: czy nazwa produktu w feedzie jest taka sama jak na stronie i w schema, czy cena i dostępność są zgodne między trzema źródłami, czy GTIN/MPN/brand są uzupełnione, czy opisy nie są masowo powielone. Drugim jest deduplikacja: czy warianty kolorystyczne i rozmiarowe mają osobne URL-e (i czy powinny), czy sortowania i facety generują indeksowalne adresy, czy canonical jest poprawny.

Trzecim obszarem jest visual search readiness: czy produkt jest dobrze widoczny na zdjęciu, czy są zdjęcia z różnych perspektyw, czy zdjęcia kontekstowe pokazują produkt w użyciu, czy alt text opisuje produkt naturalnie. Czwartym jest merchant entity: czy dane firmy (NAP) są spójne między stroną, Google Business Profile i Merchant Center, czy polityka zwrotów i dostawa są jasno opisane, czy Organization schema zawiera name, url, logo i sameAs.

Piątym obszarem jest inventory trust: czy availability w schema zgadza się z feedem i wizualnym stanem na stronie, czy produkty niedostępne mają sensowną obsługę (alternatywy, powiadomienia), czy sklep nie indeksuje masowo stron martwych produktów. Szóstym jest jakość recenzji: czy opinie opisują konkretne cechy produktu (aspekty), czy Review schema jest poprawne, czy sklep zachęca do merytorycznych recenzji, a nie tylko „oceń produkt.”

Siódmym obszarem jest content quality opisów produktów: czy każde zdanie wnosi nową informację (information gain), czy opis zawiera parametry liczbowe i zastosowania, czy tabela specyfikacji jest w HTML (nie jako obrazek), czy brak sekcji „Dla kogo NIE jest ten produkt.” Ósmym jest content quality kategorii: czy opis kategorii pomaga wybrać produkt (a nie jest „tekstem SEO”), czy jest tabela porównawcza topowych modeli, czy FAQ odpowiada na realne pytania z GSC.

Dziewiątym obszarem jest relacja produkt-marka-poradnik: czy Product schema ma pole brand, czy breadcrumby mają BreadcrumbList schema, czy poradniki linkują do konkretnych produktów (nie tylko do kategorii), czy karty produktów linkują do poradników, czy cross-sell jest skonfigurowany ręcznie. Dziesiątym jest AI Search readiness: czy dane produktowe są kompletne i spójne (bo system retrieval porównuje źródła), czy opis zawiera fakty cytowalne przez AI, czy tabele specyfikacji dają answer facts, i czy sklep buduje relacje między encjami, z których AI może zbudować product graph.

Pobierz checklistę w PDF: Przygotowaliśmy 4-stronicową checklistę audytu karty produktu opartą na 74 patentach Google LLC. 48 punktów kontrolnych w 8 warstwach, z przypisanymi patentami i wagami (krytyczna / wysoka / normalna). Możesz ją wydrukować i użyć do audytu dowolnego sklepu. Pobierz checklistę karty produktu (PDF).

Gdzie polskie sklepy tracą najwięcej potencjału?

Z naszych audytów wynika, że trzy luki są najbardziej powszechne i jednocześnie najbardziej kosztowne. Pierwsza to brak Product schema z pełnymi atrybutami. 65% stron cytowanych przez AI ma schema (SE Ranking, marzec 2026), a korelacja Pearsona między poprawnością schema a cytowaniem przez AI wynosi +0.34 (Digital Applied, 2026). Tymczasem w naszym audycie tylko 1 z 6 sklepów ma schema w server-side HTML. To nie jest kwestia wiedzy technicznej – większość platform e-commerce ma opcję generowania schema. To kwestia konfiguracji: domyślna schema z name i price nie wystarcza, trzeba dodać brand, gtin, aggregateRating, availability i isAccessoryOrSparePartFor.

Druga luka to brak treści wspierającej decyzję zakupową na stronach kategorii. Audyt kategorii ze score 18/100 to nie anomalia – to typowy wzorzec. Większość polskich sklepów traktuje kategorie jako listing z filtrem, nie jako stronę, która odpowiada na pytanie „który model wybrać?” Mini-poradnik wyboru (200-400 słów z konkretnymi kryteriami), tabela porównawcza 3-5 modeli i FAQ z 3-5 pytaniami z GSC – to 3-4 godziny pracy copywritera na kategorię, ale zmienia stronę z „listingu” w „źródło decyzji zakupowej.” Dane potwierdzają: wąska kategoria „pompy głębinowe 2 cale” ma CTR 8.0% z Google – najlepszy wynik w sklepie. Precyzyjne dopasowanie intencji do typu strony działa.

Trzecia luka to zero relacji produktowych w HTML. Sklepy mają cross-sell renderowany przez JavaScript (sekcje „Podobne produkty”, „Kup razem z”), ale w HTML widocznym dla crawlera – nic. 5 z 6 sklepów ma zero linków do akcesoriów i alternatyw. To oznacza, że system nie może zbudować grafu relacji między produktami. Rozwiązanie: isAccessoryOrSparePartFor i isSimilarTo w Product schema, sekcja „Kupowane razem” w statycznym HTML (nie lazy-loaded), linki z poradników do konkretnych modeli.

Od czego zacząć wdrożenie i jak priorytetyzować P0/P1/P2?

Na podstawie analizy patentów i danych z audytów rekomendujemy trzystopniową priorytetyzację. P0 (natychmiast) to spójność danych: wyrównanie ceny, dostępności i nazw produktów między feedem, schema i stroną. Każda niespójność to potencjalny sygnał degradacji zaufania (patent US12061594B2, US8725597B2). Drugim P0 jest Product schema z pełnymi atrybutami – brand, gtin/mpn, aggregateRating, availability. Trzecim P0 jest BreadcrumbList schema na każdej karcie produktu i kategorii – najprostsza relacja hierarchiczna, a żaden z naszych 3 klientów jej nie ma.

Priorytet	Działanie	Dlaczego teraz?	Patent
P0	Product schema: brand, gtin, availability	65% AI-cited pages ma schema	US8438080B1
P0	Spójność feed vs schema vs strona	Corroboration z wielu źródeł	US8682913B1
P0	BreadcrumbList na kartach i kategoriach	0/3 klientów ma tę relację	US8812435B1
P1	Mini-poradnik wyboru na kategorii	Engagement 94% ale treść 18/100	US11720613B2
P1	Opisy faktograficzne z tabelą spec	3.5× wyższa density passages	US10019513B1
P1	Cross-sell w statycznym HTML	5/6 sklepów: zero relacji	US8812435B1
P2	Poradniki linkujące do produktów	Topic authority	US8458196B1
P2	Recenzje z aspektami	Aspect-based sentiment	US8799773B2
P2	Visual search: zdjęcia + alt	Embeddingi w discovery	US11782998B2

P1 (w ciągu 30 dni) to treść kategorii: mini-poradnik wyboru, tabela porównawcza, FAQ z pytaniami z GSC. Następnie opisy produktów: zamiana „tekstu marketingowego” na opis faktograficzny z parametrami, zastosowaniami, ograniczeniami i tabelą specyfikacji w HTML. Oraz cross-sell: dodanie linków do akcesoriów i alternatyw w statycznym HTML, konfiguracja isAccessoryOrSparePartFor w schema.

P2 (w ciągu 90 dni) to poradniki zakupowe linkujące do produktów, recenzje z aspektami (zachęcanie klientów do opisywania konkretnych cech), strony marek z Organization schema i visual search optimization (zdjęcia kontekstowe, alt text, image sitemap). Te działania budują długoterminowy autorytet tematyczny (patent US8458196B1) i wzmacniają product graph dla AI Search.

Jakie wnioski płyną z 15 artykułów i 74 patentów?

Patenty Google opisują system, w którym sklep e-commerce jest analizowany nie jako kolekcja podstron z opisami, ale jako graf danych: produkty z atrybutami, marki z reputacją, merchant z zaufaniem, kategorie z intencjami, poradniki z relacjami, recenzje z aspektami, zdjęcia z embeddingami. Każda warstwa wpływa na pozostałe. Brak jednej warstwy osłabia cały graf.

Wniosek praktyczny jest prosty: SEO e-commerce w 2026 roku to nie optymalizacja fraz w opisach kategorii. To budowanie kompletnego, spójnego i cytowalnego zestawu danych produktowych – od feedu przez schema, opisy, recenzje, relacje, aż po struktury, z których AI może bezpiecznie zbudować odpowiedź. Sklepy, które to zrozumieją i wdrożą, będą widoczne zarówno w tradycyjnym wyszukiwaniu, jak i w AI Search. Sklepy, które tego nie zrobią – będą tracić widoczność na rzecz tych, które mają kompletniejsze dane.

To jest szesnasty i ostatni artykuł z cyklu „SEO e-commerce w świetle patentów Google.” Jeśli szukasz wsparcia w pozycjonowaniu sklepu internetowego lub potrzebujesz audytu SEO uwzględniającego analizę danych produktowych, structured data i AI visibility – skontaktuj się z nami.

Źródła

Cykl artykułów

Potrzebujesz wdrożenia tych rekomendacji? Sprawdź cennik pozycjonowania e-commerce.

Pełna lista artykułów cyklu „SEO e-commerce w świetle patentów Google”: Feed produktowy | Product schema | Duplikacja | Visual search | Product discovery | Merchant Knowledge Graph | Inventory trust | Trust signals | Recenzje | Content quality | Implicit feedback | AI Search | Opisy produktów | Opisy kategorii | Relacje encji

Kluczowe patenty

1. US8396935B1 – „Discovering spam merchants using product feed similarity.” Google LLC. patents.google.com/patent/US8396935

2. US8438080B1 – „Learning characteristics for extraction of information from web pages.” Google LLC. patents.google.com/patent/US8438080

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

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

5. US8725597B2 – „Merchant scoring system and transactional database.” Google LLC. patents.google.com/patent/US8725597

6. US12061594B2 – „Verified entity attributes.” Google LLC. patents.google.com/patent/US12061594

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

8. US8661029B1 – „Modifying search result ranking based on implicit user feedback.” Google LLC. patents.google.com/patent/US8661029

Badania i raporty

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

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

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