TL;DR ChatGPT, Gemini i Perplexity już rekomendują produkty użytkownikom, ale tylko te, które "widzą". Większość sklepów jest dla AI niewidoczna. Ruch z AI do e-commerce wzrósł o 393% rok do roku i konwertuje 42% lepiej niż tradycyjne kanały, a połowa konsumentów używa AI do wyszukiwania. Ręczne dostosowanie setek produktów to setki godzin pracy, dlatego automatyzacja to jedyna skalowalna droga. Rozwiązanie w pigułce: pipeline PIM, transformacja LLM, structured data i feed, monitoring. Bez kodowania i bez wtyczek. Po lekturze będziesz wiedzieć, jak sprawić, by modele AI częściej polecały Twoje produkty i jak to zautomatyzować.
Dlaczego modele AI nie widzą Twoich produktów – i co z tym zrobić
Wyobraź sobie taką scenę. Klient pyta ChatGPT: "Jaki blender kielichowy do 300 zł polecasz?". Model odpowiada i wymienia trzy produkty. Twojego tam nie ma, mimo że jest obiektywnie lepszy i tańszy. Dlaczego? Bo AI go po prostu nie widzi.
To nie jest odosobniony przypadek. Ruch z AI do sklepów internetowych wzrósł o 393% rok do roku, a 50% konsumentów używa już AI do wyszukiwania produktów. Do tego 58,5% wyszukiwań w Google kończy się bez kliknięcia w żaden wynik. Ludzie coraz częściej dostają odpowiedź wprost od modelu, zamiast klikać w linki.
Mechanizm jest prosty: AI nie "przegląda internetu" jak człowiek. Potrzebuje ustrukturyzowanych, maszynowo czytelnych danych. Bez nich Twój produkt dla modelu nie istnieje. Nie ma znaczenia, jak dobra jest Twoja oferta, jeśli AI nie ma jak jej odczytać.
Dobra wiadomość? Da się to naprawić. I to automatycznie. Pokażę Ci, jak to zrobić krok po kroku.
Jak AI wybiera produkty do polecenia – mechanizm rekomendacji w pigułce
Zanim zaczniesz optymalizować, warto zrozumieć, na jakiej podstawie modele podejmują decyzje. Każdy z nich działa trochę inaczej.
ChatGPT w karuzelach produktowych korzysta w 100% z organicznych wyników Google Shopping. Nie ma tam płatnych rekomendacji. Kluczem jest dobrze zoptymalizowany feed w Merchant Center. Gemini opiera się na Google Shopping Graph i premiuje produkty z natywnym commerce. Perplexity crawluje strony w czasie rzeczywistym i zawsze pokazuje źródła. Claude z kolei nagradza głębię, dokładność i solidny sourcing.
| Model AI | Skąd czerpie dane | Co premiuje |
|---|---|---|
| ChatGPT | Google Shopping (top 40 organic) + feed Merchant Center | Kompletny feed, recenzje, aktualność |
| Gemini | Google Shopping Graph | UCP native commerce, structured data |
| Perplexity | Crawling w czasie rzeczywistym | Świeżość, przejrzyste źródła |
| Claude | Treści z sourcingiem i analizą | Głębię, dokładność, cytowania |
Wspólny mianownik wszystkich modeli? Structured data. Aż 65-71% stron cytowanych przez AI ma schema markup. Do tego kompletność atrybutów, w tym GTIN, oraz recenzje. Produkty z oceną poniżej 3 gwiazdek są praktycznie niewidoczne. Liczy się też świeżość danych.
Fundamenty: co musi zawierać treść ofertowa, by AI ją "widziało"
Zanim przejdziemy do automatyzacji, sprawdź, czy Twoja strona produktowa ma te elementy. To absolutne minimum:
- JSON-LD Product – podstawowy schemat opisujący produkt: nazwa, opis, zdjęcie, SKU, marka.
- Offer – cena, waluta, dostępność. Bez tego AI nie wie, ile produkt kosztuje i czy jest w magazynie.
- Review i AggregateRating – oceny i liczba recenzji. Produkty bez ocen lub z oceną poniżej 3 gwiazdek są pomijane.
- Brand – powiązanie z marką jako encją w grafie wiedzy AI.
- Organization – dane Twojej firmy, logo, linki do profili społecznościowych.
- FAQPage – gotowe pary pytanie-odpowiedź, które AI chętnie ekstrahuje.
- MerchantReturnPolicy – zasady zwrotów, ważne dla agentów AI filtrujących po dostawie.
- GTIN/MPN/EAN – uniwersalny identyfikator produktu. Bez niego produkt jest wykluczany z rekomendacji. Problem ma aż 60% katalogów.
- additionalProperty – materiał, kolor, rozmiar, kompatybilność. Konkrety, które AI rozumie.
- Cena i dostępność w czasie rzeczywistym – maksymalne opóźnienie to 15 minut. Rozbieżność między feedem a stroną oznacza wykluczenie.
Opisy produktów też mają znaczenie. AI nie czyta marketingowych fraz typu "najlepszy blender na rynku". Potrzebuje minimum 5 konkretnych, maszynowo odczytywalnych faktów: wymiary, materiały, zastosowania, kompatybilność. Recenzje z zewnętrznych źródeł, takich jak Reddit czy YouTube, ważą więcej niż własne opisy marek. AI trianguluje dane.
JSON-LD to format, który stanowi 89,4% rynku structured data i jest preferowany przez crawlerów AI. Warto go używać.
Checklista: czy Twój produkt jest gotowy na AI?
- GTIN/MPN/EAN uzupełnione w feedzie
- Schema Product z ceną i walutą
- Cena i dostępność aktualizowane w czasie rzeczywistym
- Minimum 5 konkretnych faktów w opisie produktu
- Recenzje z oceną powyżej 3 gwiazdek
- Dane aktualne, bez rozbieżności między feedem a stroną
- FAQPage schema na stronie produktowej
- Plik llms.txt informujący crawlerów o strukturze strony
Na co uważać przy walidacji schema markup
Nawet dobrze wdrożony schema może zawierać błędy. Aż 15-30% wdrożeń ma problemy. Najczęstsze pułapki to brak pola priceCurrency, nieprawidłowy format availability oraz brak powiązania Offer z Product. Zawsze waliduj przez Google Rich Results Test.
Automatyzacja krok po kroku – pipeline, który działa, gdy Ty śpisz
Ręczne dostosowanie setek czy tysięcy produktów to 500-1000 godzin pracy na 1000 SKU. Nikt nie ma na to czasu. Dlatego automatyzacja to jedyna skalowalna droga. Oto pipeline, który działa.
Krok 1: Pobranie danych (PIM/CMS/API)
Zacznij od pobrania danych z Twojego systemu: Shopify, WooCommerce, Magento albo dowolnego PIM. W feedzie muszą być pełne atrybuty: GTIN, MPN, brand, warianty, ceny, dostępność.
Punkt kontrolny: czy feed przechodzi walidację Google Merchant Center?
Krok 2: Transformacja (LLM + embeddingi)
Tu dzieje się magia. Model językowy wzbogaca opisy o semantyczną gęstość: dodaje wymiary, materiały, kompatybilność, zastosowania. Tłumaczy treść na format zrozumiały dla AI. Ręcznie to się nie skaluje, ale automatycznie trwa sekundy.
Punkt kontrolny: czy każdy opis zawiera minimum 5 maszynowo odczytywalnych faktów?
Krok 3: Publikacja (JSON-LD + feed + Markdown)
Wygenerowane dane publikujesz w trzech miejscach. JSON-LD z Product, Offer, Review i Organization generowane programatycznie. Feed produktowy do Google Merchant Center i manifest UCP dla agentów AI. Do tego plik llms.txt, który informuje crawlerów o strukturze strony. Wdrożenie llms.txt potrafi dać nawet 5-krotny wzrost ruchu z AI.
Punkt kontrolny: czy schema markup przechodzi walidację w Google Rich Results Test?
Krok 4: Monitoring
Na koniec śledź efekty: citation rate, wzmianki o marce, ruch z AI w GA4, wskaźnik widoczności. Możesz sprawdzać prompty ręcznie albo korzystać z zautomatyzowanych platform. Pierwsze efekty pojawiają się zwykle po 1-6 miesiącach, bo proces indeksacji przez AI wymaga czasu.
Punkt kontrolny: czy widzisz pierwsze wzmianki o swoich produktach w odpowiedziach AI?
Warunki wejściowe
Zanim zaczniesz, upewnij się, że masz: feed produktowy z pełnymi atrybutami, dostęp do CMS lub PIM oraz podstawową znajomość schema.org. To wszystko.
Najczęstsze błędy i jak je naprawić
Nawet przy dobrym wdrożeniu łatwo o potknięcia. Oto najczęstsze błędy, przez które AI nie widzi produktów i sposoby ich naprawy.
1. Brak GTIN/MPN → produkt wykluczony z rekomendacji wszystkich głównych AI. Naprawa: uzupełnij identyfikatory w feedzie. Problem ma aż 60% katalogów.
2. Rozbieżność ceny lub dostępności między feedem a stroną → wykluczenie z rekomendacji. Naprawa: synchronizuj dane w czasie rzeczywistym, maksymalnie 15 minut opóźnienia.
3. Błędy w schema markup → 15-30% wdrożeń zawiera błędy, a AI ignoruje stronę. Naprawa: waliduj przez Google Rich Results Test.
4. Opisy bez faktów → marketingowe frazy zamiast konkretów. "Najlepszy blender" zamiast "moc 1200W, pojemność 1,8L, kompatybilny z kruszarką do lodu". Naprawa: przepisz opisy na minimum 5 maszynowo odczytywalnych faktów.
5. Brak recenzji lub słabe oceny → produkty z oceną poniżej 3 gwiazdek są niewidoczne. Naprawa: zbieraj recenzje, odpowiadaj na negatywne, buduj wzmianki w zewnętrznych źródłach.
6. Brak świeżości danych → nieaktualne informacje obniżają zaufanie AI. Naprawa: regularnie aktualizuj feed i treści.
Co dalej – od wdrożenia do skalowania
Po podstawowym wdrożeniu masz dwie ścieżki.
Wariant 1: działasz samodzielnie. Korzystasz z narzędzi do monitoringu, takich jak Otterly.AI, Geoptie czy Semrush AI Visibility Toolkit. Plan na 4 tygodnie: tydzień 1 to audyt, tydzień 2 naprawa schema i feedu, tydzień 3 wzbogacanie opisów, tydzień 4 monitoring i iteracja.
Wariant 2: automatyzujesz z platformą. Tu z pomocą przychodzi Semly.ai, polska platforma GEO dla e-commerce. Działa w modelu Zero-Integration: bez kodu, bez wtyczek, wystarczy podpiąć feed. Obsługuje 9 modeli AI, w tym ChatGPT, Gemini, Perplexity i Claude. AI Agent Leon pracuje 24/7, analizuje widoczność, wykrywa luki i generuje treści. Abonament zaczyna się od 99 zł miesięcznie, bez CPC i prowizji. Efekty? Ofertoland zyskał +980% widoczności w 60 dni, a SportFuel +445% rekomendacji.
Ręcznie czy automatycznie?
- Poniżej 50 SKU i chcesz testować ręcznie? Zacznij od darmowych walidatorów schema i ręcznego monitoringu promptów.
- 50-500 SKU? Podejście hybrydowe: automatyzuj kluczowe elementy, resztę rób ręcznie.
- Powyżej 500 SKU? Automatyzacja to jedyna droga. Ręczna praca się nie skaluje.
Pamiętaj też o jednym: GEO nie zastępuje SEO. To model dual-engine. Nie rezygnujesz z klasycznego pozycjonowania, tylko rozszerzasz je o widoczność w AI. Długoterminowo to połączenie daje największą przewagę.
Zacznij od audytu swojej strony produktowej. Sprawdź, czy masz GTIN, schema markup i konkretne opisy. Potem zdecyduj, czy optymalizujesz ręcznie, czy automatyzujesz. Modele AI już teraz rekomendują produkty milionom użytkowników. Pytanie brzmi: czy rekomendują Twoje?
