# 10 najczęstszych błędów, przez które AI nie widzi Twoich produktów (i jak je naprawić w e‑commerce)
Artykuł powstał dla marki Semly (https://semly.ai).
AI jest dziś niewidocznym „merchandiserem” Twojego sklepu: odpowiada za wyszukiwarkę wewnętrzną, rekomendacje, kampanie Google Shopping, a coraz częściej także za ruch z nowych narzędzi typu [AI search](https://semly.ai/pl/blog/pozycjonowanie-w-ai) czy asystenci zakupowi. Jeśli AI nie widzi Twoich produktów – albo widzi je źle – realnie tracisz sprzedaż.
W tym poradniku przejdziesz przez **10 najczęstszych błędów, przez które AI nie widzi Twoich produktów** – oraz konkretne sposoby, jak je naprawić w e‑commerce.
---
## Jak AI „widzi” Twoje produkty w e‑commerce
Aby zrozumieć, skąd biorą się problemy z widocznością, trzeba zacząć od tego, *jak* AI patrzy na Twój katalog.
### Dane produktowe jako paliwo dla AI
Systemy AI nie „oglądają” sklepu jak człowiek. Opierają się przede wszystkim na:
- **danych produktowych** – tytułach, opisach, atrybutach, kategoriach, zdjęciach,
- **feedach produktowych** – np. do Google Merchant Center, marketplace’ów,
- **danych strukturalnych** – schema.org/Product, oznaczenia cen, dostępności, opinii,
- **zachowaniach użytkowników** – wyszukiwaniach, kliknięciach, dodaniach do koszyka, zakupach, zwrotach.
Na podstawie tych informacji AI:
- dopasowuje produkty do zapytań w **wyszukiwarce wewnętrznej** i w Google,
- buduje **rekomendacje produktowe** („podobne produkty”, „klienci kupili również”),
- decyduje, które produkty wyświetlić w kampaniach **Performance Max / Shopping** i na marketplace’ach.
Jeśli dane są niepełne, niespójne lub chaotyczne – AI ma po prostu zbyt mało sygnałów, żeby „zrozumieć” Twój asortyment.
### Wyszukiwarki wewnętrzne i AI
W typowej wyszukiwarce e‑commerce:
- indeksowane są tytuły, opisy, atrybuty i kategorie,
- nowsze silniki używają AI (NLP, LLM) do rozumienia zapytań naturalnych i intencji,
- modele rankingowe uczą się na podstawie zachowań użytkowników (CTR, konwersje).
Użytkownicy korzystający z wyszukiwarki wewnętrznej konwertują nawet **2–3x częściej** niż ci, którzy tylko przeglądają kategorie [1][2]. Jeśli więc dane produktowe są słabe, zapytania często kończą się zerowym wynikiem lub źle dobranymi produktami – a Ty tracisz najbardziej zdecydowanych klientów.
### Rekomendacje i Google Shopping
AI‑owe rekomendacje (podobne produkty, cross‑sell, up‑sell) bazują na:
- **podobieństwie treściowym** (opis, atrybuty),
- **podobieństwie wizualnym** (zdjęcia),
- **zachowaniach użytkowników** (często kupowane razem, oglądane ciągiem).
Szacuje się, że rekomendacje generowane przez AI odpowiadają za ok. **35% sprzedaży Amazona** [3]. W mniejszych sklepach potencjał jest równie duży – pod warunkiem, że dane produktowe pozwalają AI sensownie łączyć produkty.
W Google Merchant Center jakość feedu (tytuły, opisy, atrybuty, zgodność ceny i dostępności z kartą produktu) decyduje o:
- tym, czy produkt w ogóle przejdzie walidację,
- jak często będzie się wyświetlał,
- czy będzie dopasowywany do właściwych zapytań [6][7][8][9].
---
## 10 najczęstszych błędów, przez które AI nie widzi Twoich produktów
### 1. Zbyt ogólne lub niepełne tytuły produktów
**Problem:**
Tytuł to pierwszy – i często najważniejszy – sygnał dla AI. Gdy jest zbyt ogólny, produkt nie pojawia się przy precyzyjnych zapytaniach.
Przykłady słabych tytułów:
- „Koszulka sportowa” zamiast „Koszulka sportowa męska Nike Dri‑Fit czarna L”,
- „Buty zimowe” zamiast „Buty zimowe damskie skórzane czarne 38”.
**Dlaczego AI nie widzi produktu:**
- brak kluczowych słów (płeć, marka, kolor, rozmiar, przeznaczenie) utrudnia dopasowanie zapytania,
- embedding tekstowy produktu jest zbyt ubogi – modele semantyczne nie mają z czego „zbudować znaczenia”.
**Jak to naprawić:**
- Zdefiniuj **szablony tytułów per kategoria**, np.:
`Marka + Typ produktu + Kluczowy atrybut/technologia + Kolor + Rozmiar/model`.
- Upewnij się, że tytuł na stronie, w feedzie GMC i na marketplace’ach jest **spójny**.
- Regularnie audytuj listę produktów z najniższym CTR w wyszukiwarce i w kampaniach – to często właśnie te z kiepskimi tytułami.
---
### 2. Brak krytycznych atrybutów – parametry „schowane” w opisie
**Problem:**
Rozmiar, kolor, materiał, marka, przeznaczenie czy parametry techniczne często są wpisane tylko w opisie tekstowym, zamiast w ustrukturyzowanych polach.
**Dlaczego AI nie widzi produktu:**
- wyszukiwarka wewnętrzna ma ograniczoną możliwość filtrowania (facety) po „gołym tekście”,
- rekomendacje oparte na treści (content‑based) nie widzą kluczowych cech,
- Google Merchant Center nie dostaje obowiązkowych lub zalecanych pól (`brand`, `gtin`, `color`, `size`), co ogranicza dopasowanie do zapytań [6].
**Jak to naprawić:**
- Dla każdej głównej kategorii zdefiniuj listę **must have atrybutów** (np. obuwie: płeć, rozmiar, kolor, materiał, przeznaczenie).
- Przenieś kluczowe informacje z opisów do pól atrybutów – również w PIM i feedzie produktowym.
- Wykorzystaj AI do półautomatycznego **wyciągania atrybutów z opisów i zdjęć** (np. kolor, materiał, płeć).
---
### 3. Chaotyczna lub błędna kategoryzacja produktów
**Problem:**
Produkty trafiają do zbyt ogólnych, przypadkowych albo wielu kategorii jednocześnie.
**Dlaczego AI nie widzi produktu:**
- trudniej zrozumieć kontekst – czy „piła stołowa” to narzędzie, czy dekoracja?,
- rekomendacje nie potrafią łączyć produktów z „sąsiednich” kategorii,
- niepoprawna kategoria Google Product Category obniża jakość dopasowania w kampaniach Shopping [6].
**Jak to naprawić:**
- Zaprojektuj **proste, spójne drzewo kategorii** (maks. 3–4 poziomy).
- Opracuj jasne zasady: jeden typ produktu = jedna główna kategoria.
- Zmapuj kategorie sklepu na struktury wymagane przez Google i marketplace’y.
- Przeprowadzaj okresowe audyty kategorii z:
- bardzo małą liczbą produktów,
- mieszanką zupełnie różnych typów produktów.
---
### 4. Duplikaty i kanibalizacja kart produktowych
**Problem:**
Ten sam produkt istnieje jako kilka różnych ID lub osobne karty dla każdego wariantu, bez powiązania między nimi.
**Dlaczego AI nie widzi produktu:**
- rozbijasz dane behawioralne – CTR i sprzedaż dzielą się na kilka kart,
- wyszukiwarka i rekomendacje „gubią się”, który produkt jest główny,
- w SEO pojawia się duplikacja treści i kanibalizacja słów kluczowych.
**Jak to naprawić:**
- Konsoliduj duplikaty w **jedną kartę z wariantami** (rozmiar, kolor, pojemność, długość itd.).
- Stosuj **spójne ID** produktów w całym ekosystemie (sklep, feedy, marketplace’y).
- Dla SEO stosuj `rel="canonical"` i – gdy to zasadne – grupowanie wariantów w danych strukturalnych.
---
### 5. Słabe lub niestandardowe zdjęcia produktowe
**Problem:**
Zdjęcia są ciemne, rozmazane, bez tła lub niewyraźnie pokazują produkt. Często jeden obrazek jest używany do wszystkich wariantów kolorystycznych.
**Dlaczego AI nie widzi produktu:**
- algorytmy rozpoznawania obrazów mają trudność z klasyfikacją typu produktu, koloru czy kształtu,
- wizualne rekomendacje („podobne w wyglądzie”) działają słabo,
- w Shopping i na marketplace’ach spada CTR – a wraz z nim udział w emisji.
**Jak to naprawić:**
- Zapewnij co najmniej **3–5 zdjęć na produkt**: przód, tył, detale, zdjęcie w użyciu (lifestyle).
- Ustandaryzuj tło (np. białe) dla zdjęć katalogowych.
- Dodaj oddzielne zdjęcia dla **każdego wariantu kolorystycznego** i upewnij się, że feed wskazuje właściwe `image_link`.
- Kontroluj rozdzielczość i proporcje zgodnie z wytycznymi Google / marketplace’ów.
---
### 6. Rozjazd między feedem a stroną (cena, dostępność, dane)
**Problem:**
Google Merchant Center lub marketplace’y widzą inne ceny i stany magazynowe niż klient na stronie.
**Dlaczego AI nie widzi produktu:**
- niezgodność ceny lub dostępności to jedna z głównych przyczyn odrzucenia produktów w GMC [8][9],
- algorytmy ograniczają emisję produktów, które „obiecują coś innego” niż faktycznie jest na stronie.
**Jak to naprawić:**
- Ujednolić źródło prawdy – **jeden system (PIM/ERP)** karmi zarówno stronę, jak i feedy.
- Ustawić częste aktualizacje feedu (przy dynamicznych cenach – nawet co 1–2 godziny).
- Regularnie sprawdzać raporty diagnostyczne w GMC („Product data quality violations”, „Issue severity” [7]).
---
### 7. Brak lub błędne dane strukturalne (schema.org/Product)
**Problem:**
Karty produktów nie mają danych strukturalnych albo są one niekompletne i pełne błędów.
**Dlaczego AI nie widzi produktu:**
- wyszukiwarki nie dostają maszynowo czytelnej informacji o cenie, dostępności, ocenach itp.,
- mniejsza szansa na **rich snippets** (cena, gwiazdki, dostępność), które poprawiają CTR [5],
- trudniejsze dopasowanie do zapytań typu „buty do biegania czarne 44 dostępne od ręki”.
**Jak to naprawić:**
- Wdroż `schema.org/Product` dla wszystkich kart produktów – przynajmniej pola:
- `name`, `description`, `image`, `brand`, `sku`, `gtin`,
- `offers` (cena, waluta, dostępność),
- `aggregateRating`, `review` (jeśli masz opinie) [10][11].
- Waliduj dane w narzędziu **Rich Results Test** i w Google Search Console.
- Upewnij się, że dane w schemie **zgadzają się** z tym, co widzi użytkownik (cena, dostępność).
---
### 8. „Thin content” – bardzo krótkie, mało informacyjne opisy
**Problem:**
Opisy składają się z jednego–dwóch zdań lub są skopiowane 1:1 z materiałów producenta.
**Dlaczego AI nie widzi produktu:**
- modele NLP mają zbyt mało treści, żeby zrozumieć kontekst i korzyści,
- trudno dopasować produkt do zapytań long tail („buty do biegania na asfalt dla początkujących biegaczy”),
- w SEO strona wygląda jak mało wartościowa i niekonkurencyjna.
**Jak to naprawić:**
- Dla większości kategorii celuj w **minimum 300–500 znaków**, dla złożonych produktów nawet 800–1500.
- Strukturyzuj opis:
- krótki lead z główną korzyścią,
- lista kluczowych cech,
- szczegółowy opis zastosowania, dla kogo, jak używać,
- tabela specyfikacji technicznej.
- Wykorzystaj AI (np. rozwiązania takie jak Semly) do generowania [opisów produktów pod SEO i AI search](https://semly.ai/pl/blog/zdobadz-30-procent-klientow-dzieki-ai-semly) na podstawie atrybutów i danych producenta, a następnie dopracuj ręcznie kluczowe produkty.
---
### 9. Problemy językowe: brak synonimów, literówki, niespójne nazwy
**Problem:**
W katalogu występują błędy pisowni i wiele wariantów tych samych pojęć (np. marka zapisana na kilka sposobów), a wyszukiwarka nie radzi sobie z synonimami.
**Dlaczego AI nie widzi produktu:**
- słabsze systemy wyszukiwania nie zrozumieją, że „szpilki” = „czółenka na obcasie”,
- błędy w nazwach marek („Adiddas”, „Nkie”) utrudniają dopasowanie do zapytań i feedów porównywarek,
- zanieczyszczone dane utrudniają także nowocześniejszym modelom NLP prawidłowe mapowanie zapytań.
**Jak to naprawić:**
- Przeprowadź **normalizację danych**:
- standaryzuj nazwy marek, kolorów, rozmiarów,
- popraw oczywiste błędy ortograficzne.
- Skonfiguruj słownik **synonimów** w wyszukiwarce (np. „dres” = „spodnie treningowe”).
- Wykorzystaj AI do automatycznego wykrywania anomalii językowych w tytułach i opisach.
---
### 10. Brak monitoringu wyników wyszukiwania i rekomendacji
**Problem:**
Wyszukiwarka wewnętrzna i moduły rekomendacji działają „na autopilocie”. Nikt nie analizuje zapytań z zerowymi wynikami ani skuteczności rekomendacji.
**Dlaczego AI nie widzi produktu:**
- błędy w danych nie wychodzą na światło dzienne (np. brak atrybutu rozmiar przy popularnej kategorii),
- modele rankingowe uczą się na niewłaściwych sygnałach, jeśli nie są regularnie korygowane,
- produkty, które mogłyby sprzedawać się świetnie, nie są promowane, bo nikt nie łączy kropek między danymi a biznesem.
**Jak to naprawić:**
- Ustal cykliczny **przegląd logów wyszukiwarki**:
- zapytania z zerowymi wynikami,
- zapytania z niskim CTR,
- zapytania o wysokim wolumenie, w których wyświetlają się produkty o słabej konwersji.
- Analizuj **działanie rekomendacji**:
- udział w przychodzie,
- CTR na różnych etapach (karta produktu, koszyk, strona główna).
- Wdrażaj cykl ciągłej optymalizacji: analityka → zmiana danych (tytuły, opisy, atrybuty, kategorie) → dostrojenie algorytmów.
---
## Jak narzędzia oparte na AI pomagają uporządkować dane produktowe
Żeby AI dobrze widziała Twoje produkty, potrzebujesz dwóch rzeczy:
1. **solidnie uporządkowanych danych**,
2. **narzędzia, które pomaga utrzymać porządek w czasie**.
Tutaj coraz większą rolę odgrywają rozwiązania oparte na AI – takie jak Semly.
### Automatyczne tagowanie i uzupełnianie atrybutów
AI potrafi analizować tytuły, opisy i zdjęcia, aby:
- rozpoznać kategorię i podkategorię produktu,
- wyciągnąć markę, kolor, rozmiar, materiał, płeć, przeznaczenie,
- zasugerować brakujące atrybuty czy niekonsekwentne wartości.
W praktyce oznacza to, że:
- nowe produkty mogą być **prawie w pełni zautomatyzowanie otagowane**,
- stare katalogi z dziesiątkami tysięcy SKU mogą zostać „wyprostowane” bez ręcznego klikania każdej karty.
Semly specjalizuje się właśnie w takim [porządkowaniu danych produktowych](https://semly.ai/blog/ai-in-e-commerce-a-complete-guide-for-the-store-owner), dzięki czemu sklepy są w stanie w krótkim czasie poprawić jakość całego katalogu – zamiast skupiać się tylko na kilku najważniejszych produktach.
### Generowanie i wzbogacanie opisów produktów
Narzędzia AI mogą na podstawie atrybutów i danych producenta:
- wygenerować spójne, bogate opisy pod SEO i AI search,
- dostosować styl do tone of voice marki,
- przygotować różne warianty opisów np. na stronę WWW, marketplace czy kampanie.
Z punktu widzenia e‑commerce oznacza to:
- eliminację masy „thin contentu”,
- szybsze wdrażanie nowych kolekcji,
- lepszą widoczność produktów w wyszukiwarkach i rekomendacjach.
Semly wykorzystuje AI do pracy na danych produktowych – dzięki temu e‑commerce może skupić się na strategii i ofercie, a nie na ręcznym przepisywaniu opisów.
### Wykrywanie błędów i niespójności w feedach
AI świetnie sprawdza się także jako strażnik jakości feedów produktowych:
- wykrywa anomalie cenowe (np. „0 zł”, 100x wyższa cena niż mediana kategorii),
- sygnalizuje brak krytycznych atrybutów tam, gdzie są one standardem,
- znajduje rozjazdy między feedem a stroną (cena, dostępność, tytuł).
Dzięki temu szybciej wychwytujesz problemy, które w Google Merchant Center czy na marketplace’ach skutkują odrzuceniami produktów albo obniżeniem widoczności.
### Normalizacja i standaryzacja danych
Duże katalogi cierpią na chaos nazewniczy: „czarny” vs „black”, „dres” vs „spodnie treningowe”, „8GB” vs „8 GB”.
AI może:
- mapować różne warianty na jedną, standaryzowaną wartość,
- budować słowniki marek, kolorów, materiałów i podpowiadać ich ujednolicenie,
- automatycznie poprawiać oczywiste błędy pisowni.
To przekłada się na:
- lepsze filtry i facety w wyszukiwarce,
- dokładniejsze grupowanie produktów,
- bardziej trafne rekomendacje.
---
## Checklista: co sprawdzić, jeśli AI nie widzi Twoich produktów
Użyj tej listy jako szybkiego audytu sklepu:
1. **Tytuły produktów**
- Czy zawierają: markę, typ produktu, kluczowy atrybut, kolor, rozmiar/model?
- Czy są spójne między stroną, feedem a marketplace’ami?
2. **Atrybuty i parametry**
- Czy krytyczne atrybuty są w osobnych polach, czy tylko w opisie?
- Czy mają spójne formaty (kolory, rozmiary, jednostki)?
3. **Kategorie**
- Czy każde SKU ma jasno określoną, właściwą kategorię?
- Czy drzewo kategorii jest proste i logiczne?
4. **Duplikaty i warianty**
- Czy ten sam produkt nie występuje pod wieloma ID?
- Czy warianty są spięte w ramach jednej karty produktu?
5. **Zdjęcia**
- Czy każdy produkt ma kilka dobrej jakości zdjęć?
- Czy warianty kolorystyczne mają oddzielne zdjęcia?
6. **Feed produktowy (GMC, marketplace’y)**
- Czy pola obowiązkowe i zalecane są wypełnione?
- Czy cena i dostępność zgadzają się ze stroną?
7. **Dane strukturalne**
- Czy stosujesz schema.org/Product na kartach produktów?
- Czy schema jest wolna od błędów w Rich Results Test?
8. **Opisy produktów**
- Czy większość produktów ma rozbudowane, unikalne opisy?
- Czy opisy odpowiadają na pytania klientów (dla kogo, jak używać, z czym łączyć)?
9. **Język i synonimy**
- Czy w katalogu nie ma oczywistych literówek i chaosu nazewniczego?
- Czy wyszukiwarka ma skonfigurowany słownik synonimów?
10. **Monitoring**
- Czy regularnie analizujesz zapytania w wyszukiwarce wewnętrznej?
- Czy liczysz udział rekomendacji w przychodzie i ich skuteczność?
Jeśli większość odpowiedzi brzmi „nie” – AI naprawdę ma prawo „nie widzieć” Twoich produktów.
---
## FAQ: widoczność produktów w AI w e‑commerce
### 1. Czy wystarczy, że „wrzucę feed” do Google Merchant Center, żeby AI dobrze widziała moje produkty?
Nie. Sam feed to za mało. Musi być **kompletny, poprawny i spójny** z tym, co jest na stronie. Google szczegółowo określa wymagane i zalecane pola danych produktowych [6]. Błędy jakościowe (np. rozjazd ceny, brak obowiązkowych atrybutów) mogą ograniczyć lub całkowicie zablokować emisję Twoich produktów [7][8][9].
### 2. Czy AI „sama sobie poradzi”, nawet jeśli moje dane produktowe są przeciętne?
Modele AI są tak dobre, jak dane, które dostają na wejściu. Przy słabych tytułach, brakujących atrybutach i chaosie w kategoriach nawet najlepszy algorytm nie „odgadnie”, co sprzedajesz. Lepsza jakość danych to zawsze lepsze wyniki AI – zarówno w wyszukiwaniu, jak i rekomendacjach [1][3][4][12][13].
### 3. Od czego zacząć porządkowanie danych produktowych, jeśli mam duży katalog?
Zacznij od:
1. Najważniejszych kategorii sprzedażowych (TOP 20% produktów generujących 80% przychodu).
2. Tytułów, atrybutów i kategorii – to najszybciej poprawia widoczność.
3. Wdrożenia narzędzia opartego na AI, które pomoże Ci automatycznie uzupełniać i normalizować dane (np. Semly).
Kiedy wypracujesz proces na kluczowych kategoriach, skaluj go na resztę katalogu.
### 4. Czy generowanie opisów produktów przez AI nie zaszkodzi SEO?
Samo użycie AI nie jest problemem – kluczowa jest **jakość i unikalność treści**. Dobrze wdrożone rozwiązanie (takie jak Semly) generuje opisy na podstawie realnych atrybutów i danych o produkcie, a następnie pozwala je dopracować człowiekowi. Efekt: bogatsze, bardziej użyteczne opisy, które pomagają zarówno użytkownikom, jak i AI search [5][13].
### 5. Jak zmierzyć, czy poprawa danych produktowych faktycznie pomaga AI?
Monitoruj m.in.:
- wzrost CTR i konwersji po wyszukiwaniu wewnętrznym,
- spadek liczby zapytań z zerowymi wynikami,
- poprawę jakości feedu w GMC (mniej ostrzeżeń i odrzuceń),
- wzrost udziału rekomendacji w przychodzie,
- wzrost widoczności SEO (liczba fraz, na które wyświetlają się produkty, ruch organiczny).
Jeśli poprawnie wprowadzasz zmiany (szczególnie w TOP kategoriach), efekty są zwykle widoczne w ciągu kilku–kilkunastu tygodni.
---
## Podsumowanie: uporządkuj dane, a AI wreszcie zobaczy Twoje produkty
AI nie jest magiczną czarną skrzynką. To system, który potrzebuje **dobrych, spójnych danych produktowych**, żeby skutecznie łączyć Twoje produkty z potrzebami klientów.
Najczęstsze błędy – ubogie tytuły, brak atrybutów, chaos w kategoriach, duplikaty, słabe zdjęcia, brak danych strukturalnych czy brak monitoringu – sprawiają, że nawet najlepsze algorytmy nie będą w stanie „zobaczyć” Twoich produktów tak, jak powinny.
Rozwiązania oparte na AI, takie jak **Semly**, powstały właśnie po to, by ten problem rozwiązywać u źródła: porządkować i wzbogacać dane produktowe, generować lepsze opisy, wykrywać błędy w feedach. Dzięki temu AI – zarówno w Twoim sklepie, jak i w Google czy na marketplace’ach – może wreszcie w pełni wykorzystać potencjał Twojej oferty.
Zacznij od prostego audytu według checklisty z tego artykułu, a następnie zaplanuj, jak krok po kroku uporządkować dane. Każda poprawiona kategoria to realny wzrost widoczności i sprzedaży.
---
### Źródła
[1] SE Ranking – Internal Website Search in Ecommerce: A Complete Guide: https://seranking.com/blog/ecommerce-site-search/
[2] Mailmodo – 21 eCommerce Site Search Statistics You Need to Know: https://www.mailmodo.com/guides/ecommerce-site-search-statistics/
[3] AllOutSEO – 50+ AI in E-Commerce: Key Statistics & Trends for 2025: https://alloutseo.com/ai-ecommerce-statistics/
[4] Envive – 30 AI Product Discovery Statistics for Ecommerce: https://www.envive.ai/post/ai-product-discovery-statistics
[5] Google Search Central – Structured Data for Ecommerce Sites: https://developers.google.com/search/docs/specialty/ecommerce/include-structured-data-relevant-to-ecommerce
[6] Google Merchant Center Help – Product data specification: https://support.google.com/merchants/answer/7052112?hl=en
[7] Google Developers – Issue severity and Merchant Center Diagnostics: https://developers.google.com/shopping-content/guides/how-tos/severity-mapping
[8] DataFeedWatch – 40 Common Merchant Center Errors + How to Fix Them: https://www.datafeedwatch.com/blog/common-google-merchant-center-errors
[9] Google Merchant Center Help – Fixing Merchant Center disapprovals for product data quality violations: https://support.google.com/merchants/answer/13693497?hl=en
[10] Schema.org – Product: https://schema.org/Product
[11] NOVOS – The Ultimate Guide to Structured Data for eCommerce Websites: https://thisisnovos.com/blog/the-ultimate-guide-to-structured-data-for-ecommerce-websites/
[12] Coveo – Ecommerce Trends: Key Takeaways from our 2024 Commerce Industry Report: https://www.coveo.com/blog/ecommerce-trends-key-takeaways-2024-commerce-industry-report/
[13] Online Retailer Survey 2024 – Applications, Benefits, and Challenges of Artificial Intelligence in E-Commerce: https://www.researchgate.net/publication/385713842_Online_Retailer_Survey_2024_-_Applications_Benefits_and_Challenges_of_Artificial_Intelligence_in_E-Commerce
[14] Envive – 30 AI Product Discovery Statistics for Ecommerce (j.w.): https://www.envive.ai/post/ai-product-discovery-statistics
[15] iPullRank – What the Data Reveals About AI Search Ecommerce Behavior: https://ipullrank.com/ai-search-ecommerce-behavior
