Siedzę czasem wieczorem i pytam ChatGPT o rzeczy, które sam bym kupił. Buty do biegania po górach, ekspres do kawy dla kogoś, kto pije trzy espresso dziennie, kurtkę na deszcz do Trójmiasta. I zauważyłem coś, co powinno zapalić lampkę u każdego, kto ma sklep internetowy: model podaje konkretne produkty, konkretne marki, czasem nawet ceny. Twojego sklepu tam nie ma. A w Google jesteś, może nawet na pierwszej stronie. To dwie zupełnie różne gry.
I tu jest clou tej historii: gra toczy się na tym samym boisku. Te same karty produktów, te same kategorie, te same dane, które już masz w sklepie.
Różnica leży gdzie indziej. W Google walczysz o kliknięcie z listy dziesięciu linków, użytkownik i tak decyduje sam, czy wejdzie do Ciebie czy do konkurenta obok. W AI nie ma listy. Jest jedna odpowiedź, generowana w locie, i albo Twój produkt się w niej znajdzie jako konkret, albo w ogóle nie istnieje w tej rozmowie. Wyszukiwarka pokazuje, model wybiera. A wybiera to, co potrafi jednoznacznie odczytać, zrozumieć i przypisać do intencji pytania. Jeśli karta produktu brzmi jak wierszyk copywritera, ładnie, poetycko, ale bez ceny, parametrów i kontekstu, Google i tak ją zaindeksuje. AI ją po prostu ominie, bo nie ma czego zacytować.
Dobra wiadomość jest taka, że nie trzeba budować sklepu od zera ani wróżyć z fusów, co dziś „lubi” algorytm. To, co realnie decyduje o widoczności w AI, to w dużej mierze porządek: opisy odpowiadające na pytania, jakie ludzie faktycznie zadają, dane strukturalne Product bez ściemy, kategorie ułożone tak, żeby rozumiał je i człowiek, i model, oraz feed produktowy, który karmi porównywarki i asystentów zakupowych.
Dalej przejdziemy przez to krok po kroku: kartę produktu, schema, kategorie, feed. Na końcu dostajesz 6 testów, które możesz odpalić dziś, we własnych narzędziach, i zobaczyć liczby na własne oczy. Bez obietnic pierwszego miejsca. Chodzi o mechanizm, który możesz sprawdzić sam.
Zacznijmy od werdyktu: czym różni się widoczność w Google od widoczności w AI
Sklep jest w Google na pierwszej stronie. Ale czy ChatGPT wie, że istniejesz?
To dwie różne gry, które tylko z daleka wyglądają podobnie. Google układa listę linków i mówi „wybierz sam”, a model AI czyta, streszcza i podaje gotową odpowiedź z konkretnymi nazwami produktów, bez klikania i bez litości dla niejasności. Zanim coś poda jako fakt, musi to zrozumieć bez wątpliwości, a to zupełnie inny mechanizm niż ranking w wyszukiwarce. Wyobraź sobie model jako ekspedienta, który nie ma czasu wchodzić do Twojego sklepu i samemu sprawdzać, co tam jest. Dostaje tylko kartkę z suchymi danymi: nazwa, cena, materiał, wymiary, dostępność, opinie. Jeśli na tej kartce jest bałagan albo połowa pól świeci pustką, ekspedient poleci kogoś, kogo kartka jest czytelna. Nie dlatego, że jesteś gorszy. Dlatego, że o Tobie nie można powiedzieć nic pewnego. Testowałem to na sklepie z butami, który miał świetne pozycje na frazy transakcyjne, a w odpowiedziach AI panowała cisza, bo opisy były marketingowym laniem wody o „komforcie na cały dzień” i zero konkretu o wysokości cholewki czy rodzaju podeszwy. Model nie miał czego zacytować.
Nikt nie zagwarantuje, że jutro AI wypluje nazwę Twojego sklepu, ale można sprawić, że model będzie miał po co. To całkiem konkretna robota, nie magia.
Czego potrzebujesz, zanim zaczniesz
Zacznę od małego jęku: nic tak nie wkurza mnie w tej robocie jak siadanie do zadania bez sprawdzenia, czy w ogóle da się je zrobić. A w SEO pod AI to się zdarza częściej niż powinno, bo ludzie od razu chcą kodować dane strukturalne, zamiast najpierw zapytać: czy mam do czego wejść?
Nie lubię pracować na fusach. Serio, wolę stracić dziesięć minut na sprawdzenie dostępów niż tydzień na odkrywanie, że coś jest zablokowane. Bo tak właśnie było przy jednym sklepie: usiadłem do poprawek karty produktu, otwieram panel, a tam okazuje się, że szablon jest tak zamknięty przez wcześniejszą agencję, że nie dało się ruszyć nawet nagłówka bez ich zgody. Cała robota stanęła na tydzień. Nie dlatego, że coś było trudne, tylko dlatego, że nikt wcześniej nie sprawdził dostępów.
Dlatego zanim ruszysz z konkretami: sprawdź dostępy najpierw. Lista tego, co potrzebne, jest krótka i konkretna, więc nie ma się co bać.
- Dostęp do CMS-u z możliwością edycji szablonu karty produktu, nie tylko treści, ale też struktury
- Feed produktowy, ten sam, który wysyłasz do Google Merchant Center albo porównywarek
- Google Search Console podpięte i zweryfikowane dla domeny
- Tester wyników z elementami rozszerzonymi Google, żeby sprawdzić, czy dane strukturalne Product w ogóle się wczytują
- Konto w jednym narzędziu AI (ChatGPT, Perplexity, cokolwiek), do zadawania pytań o twoje produkty i sprawdzania, co model faktycznie mówi
Bez tego każdy krok z dalszej części artykułu zamienia się w zgadywanie. A zgadywanie w SEO to najdroższa forma pracy, jaką znam.
Ile to zajmie? Zależy od elastyczności sklepu. Przy platformie z otwartym dostępem i jednym typem karty produktu przejście przez wszystkie cztery kroki to jakieś 2-3 popołudnia. Przy sztywnym szablonie i setkach kategorii rozłóż to spokojnie na tydzień. I jedna rada na koniec tej części: nie rób wszystkiego naraz. Jedna karta, jeden test, jedna poprawka. Dopiero potem powtarzasz na reszcie.
Krok 1: Karta produktu, którą AI potrafi zacytować
Model językowy nie kupuje. On streszcza. Jeśli ma Cię polecić, potrzebuje zdania, które da się wyjąć z karty i wkleić do odpowiedzi bez zgadywania. „Odkryj wyjątkowy komfort podczas górskich wędrówek” to zdanie, które ginie, bo nic nie mówi. „Buty trekkingowe X, membrana wodoodporna, waga 420 g na but (rozmiar 42), przeznaczone na szlaki do 8 godzin marszu” to zdanie, które AI zacytuje, bo ma z czego.
Pamiętam kartę ekspresu do kawy, którą kiedyś oceniałem. Zdjęcia piękne, światło, para z kawy, wszystko jak z reklamy. Tylko zero informacji o ciśnieniu i wielkości zbiornika. Ktoś pyta „jaki ekspres do małej kuchni” i ta strona nie ma czym odpowiedzieć, bo nikt nie zapisał, ile ten ekspres w ogóle zajmuje miejsca. Dopisaliśmy wymiary i pojemność zbiornika w tabeli, reszta opisu została bez zmian.
Cztery rzeczy robią tu całą robotę:
- jednoznaczna nazwa z modelem i wariantem
- parametry w tabeli, nie rozsypane po zdaniach
- odpowiedzi na pytania typu „czy nadają się filtry #4” albo „jaką pojemność ma zbiornik”
- własny opis, nie kopia od producenta
Jeśli tę samą regułkę marketingową ma 15 innych sklepów w Twojej branży, model nie ma powodu wskazać akurat Ciebie.
Test jest prosty: przeczytaj kartę produktu i zadaj jej 3 pytania, które zadałby kupujący.
Krok 2: Dane strukturalne Product bez ściemy
Ten krok brzmi nudno, ale to on decyduje, czy AI w ogóle Ci zaufa.
Schema Product to nie ozdoba dla robota, tylko ściągawka z nazwą, marką, ceną i dostępnością na stanie. Model i wyszukiwarka czytają ją szybciej niż akapit opisu.
Pole name ma brzmieć tak samo jak nagłówek. Brand i offers z price i availability realnie coś wnoszą, a gtin i mpn dopasowują produkt do katalogów i porównywarek. AggregateRating dodawaj tylko przy prawdziwych opiniach.
Pamiętam wdrożenie, gdzie w schemie była cena 199 zł, a na karcie 249 zł, bo ktoś ustawił ją na sztywno w szablonie i zapomniał zaktualizować.
Rozjazd trwał tygodnie. Google uznał dane za niewiarygodne, a AI cytowała starą kwotę.
Dwa źródła prawdy to zero źródeł prawdy.
Jeśli piszesz „na stanie”, koszyk ma działać, cena ma się zgadzać z ceną po zalogowaniu, a ocena 4,7 z 320 opinii ma odpowiadać widocznej liczbie recenzji. Sprawdź to u siebie: porównaj kod strony z tym, co widać na ekranie.
Rozjazd ceny: dane strukturalne vs karta produktu199 złSchema (kod)249 złKarta (ekran)Przykład z tekstu: cena w schemie ustawiona na sztywno różniła się od ceny na karcie.Dane źródłowe
| Pozycja | Wartość |
|---|---|
| Schema (kod) | 199 zł |
| Karta (ekran) | 249 zł |
Ocena produktu z przykładu wdrożenia4,7 /5Średnia ocena320 opiniiLiczba opiniiWartości podane w tekście jako przykład wiarygodnej oceny.Dane źródłowe
| Pozycja | Wartość |
|---|---|
| Średnia ocena | 4,7 /5 |
| Liczba opinii | 320 opinii |
Krok 3: Kategorie i struktura sklepu, którą rozumie i człowiek, i model
Ślepy zaułek. Tak wygląda strona kategorii, która ma trzy zdania na górze i pod tym stos miniaturek bez ładu. Pamiętam wdrożenie, gdzie kategoria „ekspresy do kawy” wyglądała właśnie tak: 40 produktów bez żadnej logiki, opis który nic nie tłumaczył. Kiedy dołożyliśmy sekcję porównującą typy ekspresów (ciśnieniowy, kolbowy, przelewowy) i sensowne podkategorie, ruch z zapytań doradczych ruszył i to właśnie ta strona kategorii, nie karty produktów, zaczęła się pojawiać w odpowiedziach modeli. Bo karta produktu mówi „kup mnie”, a kategoria mówi „oto jak wybrać”. I to drugie AI potrafi streścić i podać dalej, dobrze opisana kategoria bywa cytowana częściej niż pojedynczy produkt.
Gdy kto pyta „jaki fotel do biura przy bólu kręgosłupa”, model nie szuka jednego jednego konkretnego produktu. Szuka miejsca, które porówna, wytłumaczy parametry, odpowie na intencję.
Zamiast „szeroka oferta foteli” napisz: do 8 godzin dziennego siedzenia szukaj podparcia lędźwiowego i regulacji podłokietników. Wpleć kryteria wyboru, różnice między wariantami, krótkie FAQ.
Domknij linkowanie: kategoria główna, podkategoria, produkt, plus odnośniki między powiązanymi kategoriami. Model idzie po linkach jak człowiek, a sieroty bez linków wypadają z obiegu.
Sprawdź to u siebie: od strony głównej do produktu w 3 krokach.
Krok 4: Feed produktowy jako paliwo dla AI i porównywarek
Połowa asortymentu odrzucona w Merchant Center. Nie mówię o teorii, tylko o konkretnym sklepie z narzędziami, który miałem okazję prześwietlić od środka.
Powód? Brakujący GTIN przy produktach markowych. Właściciel był przekonany, że to detal, taki kosmetyczny błąd, który nikomu nie zaszkodzi.
Feed produktowy to plik, w którym Twoje produkty są opisane maszynowo: nazwa, cena, GTIN, dostępność, kategoria, zdjęcie. Nic ładnego, żadnych zdań marketingowych, same twarde dane, które maszyna ma odczytać bez zastanawiania się, co autor miał na myśli. I właśnie ten sam plik karmi Google Merchant Center, porównywarki cenowe i coraz częściej systemy AI, które budują swoje rekomendacje zakupowe. Jeden feed, wiele odbiorców naraz.
Jeśli feed jest dziurawy, produkt znika z połowy odbiorców jednocześnie. I nikt nie wysyła Ci maila z wyjaśnieniem, po prostu przestaje się pojawiać.
GTIN to nie ozdoba na wizytówce produktu. To sposób, w jaki maszyna łączy Twój produkt z tym samym produktem u konkurencji, więc jeśli go brakuje przy towarze, który powinien go mieć (markowym, z kodem kreskowym). W tamtym sklepie z narzędziami wystarczyło uzupełnić kody GTIN i widoczność w porównywarce wróciła w kilka dni. Żadnej magii, tylko brakujący element układanki na swoim miejscu.
To nie jedyny sposób na wysadzenie feedu w powietrze. Dostępność ustawiona sztywno na „in stock”, gdy magazyn świeci pustkami, cena w feedzie inna niż na stronie, ubogie tytuły bez marki, modelu i wariantu, kategoria wpisana na czuja zamiast z drzewa Google. Każdy z tych błędów osobno wystarczy, żeby produkt zniknął z widoczności.
Sprawdź to dziś: wejdź w diagnostykę Merchant Center i policz, jaki procent produktów jest aktywnych, a ile odrzuconych. Jeśli aktywnych jest mniej niż większość katalogu, to nie jest abstrakcyjny problem teoretyczny, tylko konkretna rzecz do rozbrojenia, jedna po drugiej.
Co sprawdzić u siebie dziś: 6 testów na liczby
Sam się zdziwiłem: klient pewny, że „jest wszędzie” w AI, wypadł dopiero po 5 konkurentach.
Mam dla Ciebie 5 testów, każdy daje jedną liczbę, nie godzinę teorii. Zacznij od pytania: wpisz w ChatGPT albo Perplexity pytanie ze swojej branży, np. „gdzie kupić buty trekkingowe damskie” i policz, ile marek pada oraz na którym miejscu jesteś Ty. Zero wskazań to twarda diagnoza, model Cię po prostu nie widzi.
| Test | Liczba | Co oznacza |
|---|---|---|
| Walidacja schema Product | błędy / ostrzeżenia | Powyżej zera - AI może zignorować dane |
| Duplikaty opisów | % kart identycznych | Im wyżej, tym mniej unikalnej treści do cytowania |
| Raport feedu (Merchant Center) | liczba odrzuconych ofert | Tyle produktów wypada z porównywarek i AI |
| Pokrycie parametrów | % kart z pełną specyfikacją | Braki = model nie ma czym odpowiedzieć na „jakie ma X” |
| Indeksacja (GSC) | zaindeksowane / wszystkie URL | Duża luka - połowy sklepu nie widać nigdzie |
Resztę odczytasz w narzędziach, bez zgadywania. Zrób to dziś, pół godziny roboty powie Ci, od czego zacząć.
Częste błędy, które kosztują widoczność
Otwieram kartę produktu klienta i widzę ten sam opis, słowo w słowo, u pięćdziesięciu innych sklepów. Model nie ma powodu wybrać akurat ciebie.
Dopisz konkret: wymiary w realu, dla kogo produkt, z czym pasuje. (Bo kto niby poleci kopię kopii?)
Druga sprawa: na stronie 199 zł, a w feedzie i JSON-LD wciąż 249 zł. Model czyta dane, nie oko klienta, i cytuje starą cenę.
Do tego brak GTIN, cienkie kategorie i czasem zablokowany dla botów AI robots.txt, sprzed lat, bez żadnej świadomej decyzji.
AI wybiera to, co potrafi zrozumieć
Widoczność w Google to dziś tylko część układanki. Jeśli chcesz, żeby produkty pojawiały się również w odpowiedziach generowanych przez AI, musisz zadbać przede wszystkim o to, żeby sklep był czytelny nie tylko dla klienta, ale też dla maszyny.
Nie chodzi o kolejną magiczną sztuczkę SEO. Największą różnicę robią podstawy: konkretne i unikalne opisy produktów, kompletne parametry, poprawne dane strukturalne, sensownie zbudowane kategorie oraz aktualny feed produktowy. Wszystkie te elementy powinny mówić dokładnie to samo o cenie, dostępności, wariancie czy identyfikatorze produktu.
Model AI nie będzie się domyślał, co sprzedajesz i dla kogo jest dany produkt. Jeśli dostanie jasne dane i odpowiedzi na pytania, które faktycznie zadają kupujący, ma znacznie więcej materiału, z którego może skorzystać. Jeśli zobaczy sprzeczne ceny, brak parametrów albo opis skopiowany od producenta, łatwiej będzie mu wybrać konkurencję.
Dlatego nie zaczynaj od przebudowy całego sklepu. Wybierz jeden produkt lub jedną kategorię, popraw dane, sprawdź schema, feed i odpowiedzi modeli, a potem porównaj wyniki. Widoczność w AI nie daje gwarancji pierwszego miejsca, ale jest czymś, co możesz systematycznie mierzyć i poprawiać.