Kluczowe wnioski
- Asystent nie ogląda sklepu, tylko go czyta. Informacja, której nie da się odczytać jednoznacznie (cena na grafice, warunki w PDF, „standardowy" termin zwrotu), dla modelu praktycznie nie istnieje.
- Wiedza o Twoim sklepie pochodzi z czterech grup źródeł: ustrukturyzowanych danych produktowych, treści czytelnej maszynowo, sygnałów zewnętrznych oraz pamięci modelu uzupełnianej dociąganiem informacji na bieżąco.
- Reklama nie kupuje miejsca w rekomendacji. Płatne formaty w asystentach istnieją, ale wg deklaracji platform i źródeł branżowych są oznaczone i oddzielone od samej odpowiedzi.
- Odpowiedź z pamięci modelu i odpowiedź z dociągnięcia danych na żywo to dwa różne problemy: nieaktualny obraz marki albo niewidoczność w tym, co model znajduje teraz. Rozróżnisz je w audycie z rozdziału 2.
Zanim zmienisz cokolwiek w sklepie, warto wiedzieć, z czego asystent AI składa odpowiedź, w której pada albo nie pada nazwa Twojej marki. To nie jest ciekawostka techniczna, tylko sprawa kolejności prac: jeśli nie wiesz, skąd model bierze wiedzę, będziesz poprawiał rzeczy, których on w ogóle nie czyta, i pomijał te, na których opiera decyzję. Ten rozdział wyjaśnia mechanikę, czyli jak AI wybiera, co polecić, i z jakich czterech grup źródeł buduje obraz Twojego sklepu. Konkretne wdrożenia zostawiamy kolejnym rozdziałom. Tutaj chodzi o mapę, na której później wszystko rozłożysz.
Model nie ogląda Twojego sklepu, tylko go czyta
Klient wchodzi na kartę produktu i w ułamku sekundy odczytuje rzeczy, których nikt nie napisał wprost: że zdjęcia wyglądają solidnie, że sklep sprawia wrażenie dużego, że cena jest w porządku na tle tego, co widział wcześniej. Asystent AI tego nie robi. Nawet kiedy dociąga Twoją stronę w trakcie odpowiadania, pobiera z niej tekst i kod, a nie wrażenie. Nie ma emocji, nie pamięta Twoich banerów i nie zakłada, że skoro layout jest zadbany, to firma pewnie jest wiarygodna.
Wynikają z tego dwie konsekwencje, które warto zapamiętać na resztę przewodnika. Pierwsza: informacja, której nie da się odczytać jednoznacznie, dla modelu praktycznie nie istnieje. Cena zapisana wyłącznie na grafice, warunki dostawy schowane w PDF, termin zwrotu opisany jako „standardowy" to dla maszyny puste miejsca. Druga: informacja sprzeczna bywa gorsza niż jej brak. Gdy w jednym miejscu masz darmową dostawę od 199 zł, na innej podstronie od 250 zł, a w regulaminie jeszcze inaczej, model nie ma jak rozstrzygnąć, który fakt jest prawdziwy. Albo powie coś nieprawdziwego, albo bezpieczniej sięgnie po sklep, który mówi jednym głosem.
Do rekomendacji potrzebna jest jeszcze jedna rzecz: pewność, komu przypisać fakt. Że ten produkt to dokładnie ten model, o którym mowa w recenzji na innej stronie. Że ta cena dotyczy Twojego sklepu, a nie porównywarki, która go cytuje. Że firma z tej domeny to ta sama firma, którą opisują media branżowe. Tam, gdzie takiego przypisania nie da się zrobić pewnie, model zwykle nie ryzykuje i sięga po ofertę, którą rozumie lepiej.
Cztery źródła, z których model wie o Twoim sklepie
Wiedza stojąca za odpowiedzią asystenta pochodzi z czterech grup źródeł. Różni je jedno, dla Ciebie najważniejsze: zakres kontroli. Dwie pierwsze masz w całości u siebie, trzecią kształtujesz pośrednio, a czwartej nie kontrolujesz wcale i możesz ją jedynie zasilać.
| Grupa źródeł | Co model z niej bierze | Ile masz kontroli | Gdzie w przewodniku |
|---|---|---|---|
| Ustrukturyzowane dane produktowe | Nazwa i marka, identyfikator GTIN, cena, waluta, dostępność, parametry: fakty podane wprost w kodzie strony i w feedzie | Pełna | Rozdział 3 |
| Treść na stronie czytelna maszynowo | Odpowiedzi na pytania zakupowe: do czego produkt pasuje, czym różni się od innych, dla kogo jest, jak wygląda dostawa i zwrot | Pełna | Rozdział 4 |
| Sygnały zewnętrzne | Recenzje klientów, rankingi, zestawienia „top 10", wzmianki w mediach i katalogach: potwierdzenie z drugiej ręki | Pośrednia, wpływasz i nie decydujesz | Rozdział 5 |
| Pamięć modelu i dociąganie na bieżąco | Ogólny obraz marki utrwalony w treningu plus świeże informacje pobrane w trakcie odpowiadania | Żadna wprost, tylko przez trzy poprzednie | Rozdziały 2 i 6 |
Kolejność nie jest przypadkowa: od źródeł, które kontrolujesz w całości, do tych, na które wpływasz wyłącznie pośrednio. Praca zaczyna się od góry tabeli.
Ustrukturyzowane dane produktowe
To fakty podane maszynie wprost, zamiast zostawiania ich do wywnioskowania: nazwa i marka produktu, identyfikator GTIN, cena, waluta, dostępność, parametry. Żyją w dwóch miejscach: w danych strukturalnych w kodzie strony (schema Product i Offer) oraz w feedzie produktowym, który wysyłasz do porównywarek, marketplace'ów i systemów zakupowych. Wg źródeł branżowych rekomendacje zakupowe asystentów opierają się w dużej mierze właśnie na tej warstwie, czyli na kompletnym feedzie i poprawnej schemie, a nie na tym, jak wygląda karta produktu. GTIN pełni tu rolę klucza, który łączy Twoją ofertę z tym samym produktem opisanym gdzie indziej. Jak to zbudować i czego pilnować, rozkłada rozdział 3.
Treść na stronie, którą maszyna umie odczytać
Druga warstwa to zwykły tekst, tyle że napisany tak, żeby dało się z niego wyjąć odpowiedź. Model szuka konkretu: do czego ten produkt pasuje, czym różni się od tańszego wariantu, dla kogo będzie za duży, ile realnie trwa dostawa, jak wygląda zwrot. Wg źródeł branżowych treści w formacie poradnika zakupowego bywają cytowane częściej niż same karty produktów, bo odpowiadają na pytanie klienta, a nie tylko opisują towar. To dobra wiadomość dla sklepów bez największego asortymentu: można być użytecznym źródłem, nie będąc największym sprzedawcą. Jak pisać tak, żeby model miał co zacytować, pokazuje rozdział 4.
Sygnały zewnętrzne
Model rzadko poprzestaje na tym, co mówisz o sobie sam. Szuka potwierdzenia: recenzji klientów, zestawień „top 10" w Twojej kategorii, rankingów, wzmianek w mediach i katalogach branżowych. Zasada jest prosta: fakt potwierdzony w kilku niezależnych miejscach jest bezpieczniejszy do zacytowania niż deklaracja na stronie sprzedawcy. Tego obszaru nie kontrolujesz, bo nie decydujesz, co napisze o Tobie ktoś inny, ale wpływasz na niego mocniej, niż się zwykle zakłada. Rozdział 5 zajmuje się tym w całości.
To, co model pamięta, i to, co dociąga na bieżąco
Ostatnia grupa jest najmniej oczywista, bo dotyczy samego sposobu odpowiadania. Część odpowiedzi powstaje z tego, co model „wie" z treningu. To obraz sprzed jakiegoś czasu, bez źródeł, czasem nieaktualny o rok albo więcej. Część powstaje z dociągnięcia świeżych informacji w trakcie odpowiadania i wtedy zwykle pojawiają się linki oraz cytowania. Dla Ciebie ma to bardzo praktyczny skutek, bo są to dwa różne problemy. Jeżeli model odpowiada z pamięci i myli fakty, masz nieaktualny obraz marki utrwalony poza Twoją stroną. Jeżeli dociąga dane na żywo i mimo to Cię pomija, problem leży w tym, co znajduje. Rozpoznanie, z którym przypadkiem masz do czynienia, to jedno z zadań audytu z rozdziału 2.
Reklama nie kupuje rekomendacji. Płatne formaty w asystentach już istnieją, ale wg deklaracji platform i źródeł branżowych są oznaczone i oddzielone od samej odpowiedzi: budżet mediowy nie przesuwa Cię na listę polecanych sklepów. To zmienia ekonomię widoczności, bo nie ma tu stawki, którą można podbić, jest praca u podstaw na danych, treści i reputacji. Zastrzeżenie stawiam wprost: to deklaracje platform, a rynek reklamowy w asystentach dopiero się formuje, więc warto je okresowo sprawdzać u źródła.
Co z tego wynika dla kolejności prac
Mapa źródeł daje naturalną kolejność działań i chroni przed najczęstszym błędem, czyli zaczynaniem od produkcji treści. Najpierw sprawdzasz, co modele mówią o Tobie dziś, bo bez tego nie wiesz, czy Twoim problemem jest brak obecności, czy przekłamane fakty, a to dwie zupełnie różne roboty. Potem porządkujesz warstwę, którą kontrolujesz w całości: najpierw dane produktowe, potem treść. Na końcu bierzesz się za sygnały zewnętrzne, bo działają wolniej i wymagają cudzej zgody. Pomiar zamyka pętlę i od razu otwiera ją na nowo.
Warto też od razu zobaczyć, dokąd to prowadzi. Asystent, który dziś poleca sklep, w części scenariuszy zaczyna sam domykać zakup, a wtedy Twój sklep czyta wyłącznie maszyna, bez człowieka na drugim końcu. Ten wątek pogłębiamy w tekście o agentic commerce. W następnym rozdziale schodzimy na ziemię: sprawdzisz, co asystenci mówią o Twoim sklepie dziś, i zapiszesz to w formie, do której da się wrócić za kwartał.
Pytania
Jak AI wybiera, co polecić w odpowiedzi na pytanie zakupowe?
Model składa odpowiedź z faktów, które potrafi jednoznacznie odczytać i pewnie komuś przypisać: z ustrukturyzowanych danych produktowych (schema Product i Offer, GTIN, feed), z treści na stronie odpowiadającej na pytanie klienta, z sygnałów zewnętrznych, takich jak recenzje i zestawienia, oraz z tego, co pamięta z treningu i co dociągnie w trakcie odpowiadania. Gdzie danych brakuje albo są sprzeczne, model zwykle wybiera ofertę, którą rozumie lepiej.
Czy model wchodzi na moją stronę, kiedy odpowiada klientowi?
Czasami tak, a czasami odpowiada z pamięci. Gdy dociąga informacje na bieżąco, zwykle widać cytowania i linki. Gdy odpowiada z treningu, źródeł nie ma, a fakty mogą być nieaktualne. Nawet jednak przy dociąganiu model pobiera tekst i kod strony, a nie jej wygląd, więc to, co widoczne wyłącznie na grafice albo w warstwie renderowanej dopiero w przeglądarce, może dla niego nie istnieć.
Czy da się zapłacić za to, żeby asystent AI polecał mój sklep?
Wg deklaracji platform i źródeł branżowych nie: płatne formaty w asystentach są oznaczone i oddzielone od odpowiedzi, więc wydatek reklamowy nie kupuje miejsca w samej rekomendacji. Widoczność w odpowiedziach zdobywa się jakością i kompletnością danych, treści oraz sygnałów zewnętrznych. Rynek reklamy w asystentach dopiero się formuje, więc te zasady warto okresowo weryfikować u źródła.
