Sklepy pod AI to nowa kategoria optymalizacji w e-commerce. W 2026 roku 22-28% zapytań zakupowych w Polsce startuje w ChatGPT lub Perplexity zamiast w Google. Model odpowiada listą 3-5 polecanych sklepów lub produktów – i jeśli twojego sklepu nie ma na tej liście, tracisz część rynku niezależnie od rankingu w Google.
Ten przewodnik rozkłada przygotowanie sklepu pod AI na 8 warstw: dane strukturalne, architektura kategorii, opisy produktów, sygnały zaufania, opinie, treści wspierające, obecność w zewnętrznych źródłach i pomiar cytowań. Wszystko jest rozszerzeniem pełnego przewodnika SEO dla e-commerce, do którego warto wrócić po kontekst całościowy.
W skrócie
- ChatGPT w 2026 poleca sklepy na podstawie 3 źródeł: Bing Search, baza treningowa, JSON-LD na stronach produktów.
- Sklep widoczny w AI musi mieć 100% pokrycie schema Product + Offer + AggregateRating oraz czytelny tekst opisu.
- Wikipedia, Wikidata, duże portale branżowe – bycie tam cytowanym zwiększa szanse polecania o 3-5x.
- Kluczowy KPI: cytations-per-month – mierzymy ręcznymi zapytaniami do LLM co tydzień.
- Topowe modele rzadko polecają sklep z mniej niż 50 opinii Google w danej kategorii.
- Czas wdrożenia podstawy: 90-120 dni; efekty w AI widać po 4-6 miesiącach.
Dlaczego sklepy pod AI to nowa kategoria
Klasyczne SEO e-commerce walczyło o pozycje w top 10 Google. Sklepy pod AI walczą o bycie jednym z 3-5 źródeł, z których model buduje odpowiedź. To inna mechanika – model nie pokazuje 10 wyników, pokazuje wybór już dokonany. Jeśli cię tam nie ma, nie dostajesz ruchu.
Zasada dopasowania źródeł do intencji jest opisana w porównaniu wyszukiwarek AI. Dla zakupów modele preferują: strony sklepów z bogatymi danymi strukturalnymi, agregatorów cen (Ceneo, Skąpiec), recenzje niezależne, Wikipedię producenta i Wikidata. Tradycyjne SEO daje tylko kawałek układanki.
Różnica między Google a AI w zapytaniach zakupowych
| Aspekt | ChatGPT / Perplexity | |
|---|---|---|
| Wynik | 10 linków | 3-5 rekomendacji z opisem |
| Główny sygnał | Linki + on-page SEO | Dane strukturalne + opinie + autorytet źródła |
| Cena i dostępność | Merchant Center | Bezpośrednio z JSON-LD |
| Poprawki | Real-time indeks | Opóźnienie 2-12 tygodni |
| Atrybut | Zapytanie do zapytania | Rekomendacja w kontekście rozmowy |
Kto już jest widoczny w AI w Polsce
Według analizy Ahrefs z Q1 2026, w polskich zapytaniach zakupowych w ChatGPT najczęściej cytowane są: Allegro, Amazon.pl, Zalando, Media Expert, x-kom, Morele, RTV Euro AGD, IKEA, Leroy Merlin. Wśród sklepów niszowych – Decathlon (sport), Notino (kosmetyki), Empik (książki), Komputronik (IT). Kluczowa obserwacja: wszystkie mają solidny Wikidata entry, szerokie pokrycie medialne i setki tysięcy opinii.
Jak ChatGPT wybiera sklep do rekomendacji
Model składa rekomendację z kilku warstw. Pierwsza to wyszukiwanie Bing w czasie rzeczywistym (ChatGPT, Copilot) lub DuckDuckGo (Claude). Druga to zapamiętana baza nazw, opinii i opisów z treningu (stan na 12-18 miesięcy wcześniej). Trzecia to dane strukturalne ze stron sklepów otwieranych w czasie odpowiedzi.
Kluczowy mechanizm: model rzadko wymyśla nazwy sklepów od zera. Cytuje te, które wielokrotnie widział w zaufanych kontekstach. Oznacza to, że strategia pod AI to bardziej sieć obecności niż pojedynczy landing page. Pełna mechanika źródeł jest opisana w przewodniku o cytowaniach w AI.
Co waży najwięcej
- Wzmianki z autorytetem – artykuły branżowe, Wikipedia, portale branżowe.
- Dane strukturalne – Product, Offer, AggregateRating na każdej karcie produktu.
- Opinie – minimum 50 na domenę, plus opinie w agregatorach (Ceneo, Opineo).
- Jakość opisu – atomowe fakty o produktach, nie marketingowe formułki.
- Stabilność domeny – model faworyzuje sklepy obecne 3+ lata z niskim odsetkiem 404.
- Obecność międzynarodowa – sklepy z wersjami językowymi są cytowane częściej przez globalne modele.
Warstwa 1: dane strukturalne Product + Offer
To najwyższa dźwignia. Schema.org Product z polami name, brand, description, image, sku, gtin, mpn plus zagnieżdżony Offer z price, priceCurrency, availability, priceValidUntil. ChatGPT parsuje te pola i zwraca pełną odpowiedź z ceną, dostępnością i linkiem.
Szczegółowo opisujemy je w artykule o produktach w AI. Tu skupiamy się na checkliście minimum.
| Pole | Minimum | Optymalne |
|---|---|---|
| name | Pełna nazwa handlowa | + marka + model + pojemność |
| gtin13 | Gdy dostępne | Zawsze dla produktów z EAN |
| brand | Nazwa marki | + URL strony marki |
| description | 100 znaków | 300-600 z faktami |
| price | Aktualna | + priceValidUntil + shippingDetails |
| availability | InStock/OutOfStock | + itemCondition + deliveryTime |
| aggregateRating | Gdy 5+ opinii | Zawsze, z realnymi opiniami |
| review | 2-3 ostatnie | 5-10 najnowszych |
Walidacja i monitorowanie
Walidacja: Google Rich Results Test plus Schema.org validator. Monitorowanie: Google Search Console zakładka Enhancements > Products. Próg alertu: błędy na ponad 5% produktów = natychmiastowa naprawa. Duża część modeli AI widzi błędny schema = produkt pomijany (więcej w dokumentacji Google o schema Product).
Częste błędy w Product schema
- Cena jako string zamiast number – część parserów tego nie akceptuje.
- priceCurrency jako „zł” zamiast „PLN” – wymóg ISO 4217.
- availability bez URL – minimum „https://schema.org/InStock”.
- Brak priceValidUntil – Google pokazuje ostrzeżenia po 3 miesiącach.
- review bez author – parsery odrzucają.
Warstwa 2: architektura kategorii
Kategoria to węzeł, który zbiera produkty i autorytet tematyczny. Pełny wzorzec architektury opisujemy w artykule o kategoriach w e-commerce w AI. Tu trzy reguły kluczowe.
- Maksymalnie 3 poziomy – /kategoria/podkategoria/produkt/. Głębsza hierarchia rozprasza autorytet.
- Każda kategoria ma tekst 500-800 słów – definicja, zakres, kryteria wyboru, FAQ.
- Breadcrumbs z schema –
BreadcrumbListobowiązkowo, bo modele budują z niego hierarchię.
Filtry i facety pod AI
Facety (filtry) to pułapka SEO e-commerce – generują dziesiątki tysięcy adresów, które Google może indeksować, rozpraszając autorytet. Pod AI obowiązuje ta sama zasada: kanonicznie indeksowane są tylko top 3-5 facetów per kategoria, reszta jest noindex. Kluczowe facety (cena, marka, rozmiar) mają własne URL-e z opisami i schema.
Warstwa 3: opisy produktów
Opis produktu pod AI to zupełnie inna forma niż opis pod SEO z 2018. Stary opis: 300 słów marketingu. Nowy opis: 400-700 słów z 15-25 atomowymi faktami, tabelą specyfikacji, 3-5 odpowiedzi na FAQ, sekcją porównawczą z alternatywami.
Model wydobywa fakty jednostkowe. Zdanie „waga 280 g, pojemność 250 ml, materiał stal nierdzewna 304” daje trzy cytowalne fakty. Zdanie „lekki i wytrzymały” daje zero. Każde zdanie opisu powinno zawierać co najmniej jedną wartościową informację.
Szablon opisu pod AI
- Jedno zdanie definicji (nazwa, kategoria, główna zaleta).
- Tabela specyfikacji (10-15 pól).
- 3-5 zalet z konkretnymi liczbami.
- 2-3 ograniczenia – rzetelność buduje zaufanie modelu.
- Sekcja „dla kogo” – persony użytkowników.
- Porównanie z 2-3 alternatywami.
- FAQ 4-6 pytań.
- Opinie i AggregateRating.
Praktyka redakcji pod AI
Każdy produkt powinien mieć 10-15 minut pracy redaktora nad dostarczonym opisem producenta. Samo skopiowanie karty z katalogu producenta = słaby efekt (duplikat treści w skali całego kanału). Dodane wartości: case użycia, instrukcja dopasowania, porównanie z alternatywami w sklepie, opinie realnych kupujących. To różni sklep z polskiego top 20 od sklepu pozycja 450.
Warstwa 4: sygnały zaufania
Modele AI ostrożnie polecają nieznane sklepy. Sygnały zaufania: dane firmy (NIP, KRS, adres), polityka zwrotów, czas dostawy, metody płatności, certyfikaty (Trusted Shops, Zaufane Opinie), obecność w mediach. Każdy z tych elementów potrzebuje własnej strony i własnego schema.
Zasady zaufania łączą się z E-E-A-T – opisujemy to w przewodniku po podstawach SEO. Dla sklepów priorytet: widoczna osoba odpowiedzialna („O nas” ze zdjęciem i biogramem), NIP i REGON w stopce, polska polityka prywatności, regulamin zgodny z UE.
Certyfikaty które widzą LLM
- Trusted Shops – certyfikat międzynarodowy, wysoko ceniony przez modele.
- Zaufane Opinie Ceneo – polski standard, cytowany w rekomendacjach.
- Opineo Certyfikat Wiarygodności – roczna weryfikacja opinii.
- Rzetelna Firma KPF – wpis w rejestrze wiarygodnych firm.
- Super Sprzedawca Allegro – choć spoza sklepu, zwiększa ogólną wiarygodność.
Warstwa 5: opinie i agregatory
Opinie to druga co do ważności dźwignia. Dane z 2025 pokazują, że 91% rekomendacji ChatGPT dla sklepów zawiera firmy z minimum 4.4 średnią na Opineo, Ceneo, Google lub Trusted Shops. Sklep bez opinii jest praktycznie niewidoczny.
| Platforma | Waga dla AI | Minimum |
|---|---|---|
| Google Opinie | Wysoka | 50 opinii, 4.5+ |
| Opineo | Wysoka (PL) | 100+ opinii, 4.7+ |
| Ceneo | Wysoka (PL) | Rating sklepu |
| Trusted Shops | Średnia | Certyfikat aktywny |
| Allegro Sprzedawca | Średnia | Super Sprzedawca |
Program pozyskiwania opinii
Każde zamówienie kończy się cyklem: (1) wysyłka, (2) 3 dni po dostawie SMS z prośbą o opinię, (3) 7 dni po dostawie email z prośbą o opinię w agregatorze, (4) kupon rabatowy za następne zakupy (nie za opinię – to niezgodne z polityką). Target: 15-25% zamówień zamienia się w opinię. Przy 1000 zamówień/mies to 150-250 opinii miesięcznie.
Warstwa 6: treści wspierające
Sklep widoczny w AI potrzebuje bloga z treścią wspierającą – poradniki, porównania, kalkulatory, definicje. Każdy artykuł jest szansą na cytację w modelu. Strategia contentowa dla sklepu jest odrębna od klasycznego bloga i łączy się z klastrem contentu pod AI.
Co pisać dla sklepu pod AI
- Porównania produktów – „X vs Y – co wybrać”.
- Przewodniki kupna – „jak wybrać [kategoria]”.
- Konkretyzacje – „[produkt] dla kogo”.
- Ceny i koszty – „ile kosztuje [produkt] 2026”.
- FAQ kompleksowe – „wszystko o [kategoria]”.
- Tutoriale użycia – „jak używać [produkt]”.
- Rozwiązywanie problemów – „co zrobić gdy [problem]”.
Każdy z tych typów artykułu naturalnie cytuje produkty ze sklepu, daje okazję do linków do kart produktów i daje modelowi strukturę do nauki.
Warstwa 7: obecność zewnętrzna
Najsilniejsza dźwignia dla widoczności w AI, najczęściej pomijana. Sklep musi być opisany w: Wikipedia (jeśli ma podstawy do hasła), Wikidata (zawsze – minimalny wpis), duże portale branżowe, media lokalne, katalogi sklepów.
Mechanika: im więcej razy model widział nazwę sklepu w zaufanych kontekstach, tym częściej ją zwróci. To samo zasada co klasyczne PR-SEO, tylko z innym zestawem priorytetów. Budowanie tego ekosystemu wymaga systematycznego podejścia, który opisujemy w przewodniku o autorytecie i link buildingu.
Wikidata w 3 krokach
- Sprawdź czy firma ma już wpis w Wikidata – wyszukiwanie wikidata.org.
- Jeśli nie – utwórz entity z typem
Organization(Q4830453) lub węższym. - Wypełnij kluczowe properties: P17 (country), P571 (inception), P856 (official website), P1448 (official name).
Wikidata entry z zaledwie 5-6 properties jest czytany przez wszystkie główne modele AI i stabilizuje Knowledge Graph.
Warstwa 8: pomiar cytowań
Bez pomiaru nie ma optymalizacji. System mierzenia widoczności sklepu w AI:
- Lista 30-50 zapytań typowych (nazwy produktów, kategorie, „polecaj”, „gdzie kupić”).
- Cotygodniowe pytanie modelu (ChatGPT, Perplexity, Gemini) z tej listy.
- Zapis: czy sklep pojawia się, na której pozycji, z jakim opisem.
- KPI: % zapytań z cytacją (target: 30-50% po 6 miesiącach), liczba różnych produktów polecanych.
Pełne narzędzia i procedury są w artykule o widoczności e-commerce. Automatyzacja częściowa przez API OpenAI i Perplexity jest możliwa, ale nadal wymaga ręcznej weryfikacji 20% próbki.
Szablon raportu miesięcznego
Każdy miesiąc – jednostronicowy raport: liczba cytowań łącznie, liczba cytowań per model, liczba różnych zapytań z cytacją, top 5 produktów polecanych, 3 zapytania bez cytacji (priorytet do poprawy), miesięczny trend.
Integracja z Google Shopping
Google Shopping to wciąż najważniejsze źródło ruchu zakupowego, a od 2025 feed Merchant Center jest jednym ze źródeł, które Gemini i Google SGE czerpią dla rekomendacji. Optymalizacja feedu to odrębna dyscyplina, której przewodnik jest w artykule o Google Shopping i AI.
Minimum dla feedu
- Wszystkie wymagane atrybuty + GTIN dla 95%+ produktów.
- Tytuł 70-150 znaków z marką, modelem, rozmiarem.
- Opis 1000+ znaków z faktami (nie marketing).
- Aktualny status dostępności (aktualizacja co 1-4h).
- Mapowanie kategorii Google Product Taxonomy.
Automatyzacja i AI w samym sklepie
AI w sklepie to nie tylko pozycjonowanie pod AI, ale też AI do generowania i utrzymania opisów. Automatyzacja produkcji atrybutów, opisów, alt-tekstów i tłumaczeń pozwala skalować ofertę bez wzrostu etatów. Strategie są opisane w przewodniku o automatyzacji ofert.
Uwaga: AI wygenerowany tekst bez human review ma niższy wskaźnik cytowania w modelach AI (paradoks – modele rozpoznają sygnatury AI-generated). Minimum to 10-15 minut redakcji per opis z dodaniem unikalnych faktów.
Typowe zastosowania AI w sklepie
- Generowanie opisów z danych technicznych.
- Tłumaczenia na rynki zagraniczne.
- Alt-teksty i atrybuty obrazów.
- Auto-kategoryzacja nowych produktów.
- Generowanie FAQ na podstawie opinii klientów.
- Personalizacja rekomendacji produktowych.
- Chatboty obsługi klienta.
Plan wdrożenia 120 dni
- Dni 1-30: Audyt schema Product + Offer. Wdrożenie lub naprawa. GTIN dla 95%+ produktów. Breadcrumbs schema.
- Dni 31-60: Przepisanie 100 top produktów do nowego szablonu opisu. Audyt feedu Merchant Center.
- Dni 61-90: 20 artykułów na blog (porównania, przewodniki). Kampania opinii (cel: +100 opinii).
- Dni 91-120: Wikidata, Wikipedia (jeśli zasadne), 10 wzmianek w mediach. Start monitoringu AI.
Efekty w klasycznym SEO: 60-90 dni. W Google Shopping: 30-45 dni. W AI: 120-180 dni (opóźnienie indeksacji i wejścia do baz treningowych).
Integracja ze strategią ogólną
Sklepy pod AI to element większej strategii – nie działa w izolacji. Klasyczne SEO, dane strukturalne, content marketing, PR cyfrowy – wszystko się spina. Ramkę ogólną opisujemy w przewodniku po strategii AIO i SEO. Narzędzia monitoringu – w przewodniku o narzędziach.
Najczęstsze błędy
- Schema Product bez Offer – pusty produkt dla modelu.
- Opis marketingowy bez faktów – nic do zacytowania.
- Brak GTIN/EAN – automatyczne obniżenie priorytetu w Merchant Center.
- Ten sam opis na kilku produktach – duplikat = pomijany.
- Opinie tylko na Google – agregatorzy (Opineo, Ceneo) ważniejsi dla AI.
- Polityka zwrotów na 3 kliknięcia – model tego nie znajdzie.
- Brak monitoringu cytowań – ślepo pracujemy.
- Blog brak lub martwy – traci się kanał cytowania.
- Brak Wikidata – model ma problem jednoznacznie zidentyfikować markę.
- Ignorowanie Bing Webmaster – ChatGPT używa Bing, więc bez indeksacji w Bing znikamy.
Koszt i ROI
| Rozmiar sklepu | Budżet/mies | Etat dedykowany |
|---|---|---|
| Mikro (do 100 SKU) | 1000-2500 zł | Brak lub 0.25 etatu |
| Mały (100-1000 SKU) | 2500-8000 zł | 0.5 etatu |
| Średni (1000-10000 SKU) | 8000-25000 zł | 1-2 etaty + agencja |
| Duży (10000+ SKU) | 25000-80000 zł | 3-5 etatów + agencja |
ROI liczymy przez atrybuty konwersji z asystentów AI (nowe wymiary w GA4 od 2025). Według danych rynkowych konwersja z ruchu referencyjnego z ChatGPT jest 2.3-3.5x wyższa niż z klasycznej wyszukiwarki – użytkownik przychodzi z większą intencją (więcej w dokumentacji GA4).
Case study – sklep z suplementami
Sklep z suplementami, 3000 SKU, 9 miesięcy wdrożenia. Start: 12 opinii Opineo, brak cytowań AI, 40 produktów z kompletnym schema. Działania: 100% schema Product + Offer, 1800 opisów przepisanych, 45 artykułów edukacyjnych, program opinii (cel: 300 opinii w 6 miesiący), Wikidata + 8 wzmianek medialnych. Stan po 9 miesiącach: 412 opinii (4.76), cytowania ChatGPT w 7/20 zapytań testowych, Gemini w 5/20, Perplexity w 12/20. Wzrost ruchu ogólnego 87%, konwersja z ruchu AI – 4.2% (vs 2.1% z organicznej Google).
FAQ – najczęstsze pytania
Czy wystarczy zrobić dobry schema Product, żeby sklep był polecany w ChatGPT?
Nie. Schema jest warunkiem koniecznym, ale niewystarczającym. Model potrzebuje także: wzmianek zewnętrznych (agregatorzy, media), opinii (50+), stabilnej historii domeny (3+ lata), treści wspierającej (blog). Sklep z dobrym schema ale bez wzmianek zewnętrznych i opinii będzie pomijany na rzecz bardziej rozpoznawalnego konkurenta.
Jak szybko widać efekty po wdrożeniu schema?
W Google Rich Results: 1-7 dni. W Google Shopping: 2-4 tygodnie. W ChatGPT i Perplexity (przez Bing): 3-8 tygodni po pierwszym crawleniu. W bazach treningowych modeli (do kolejnej wersji): 6-18 miesięcy. To dlatego strategia pod AI wymaga systematyczności – nie ma szybkich efektów.
Czy mogę używać AI do generowania opisów produktów?
Tak, ale z redakcją. Czysty output LLM ma niski wskaźnik cytowania (paradoks rozpoznawalności). Proces: AI generuje draft, człowiek dodaje 5-10 unikalnych faktów (wagi, wymiary, case użycia, opinie), redakcja stylu. Czas: 10-15 minut per opis. ROI dodatniej przy 1000+ SKU, ujemny przy mniej.
Jak Perplexity różni się od ChatGPT w wyborze sklepów?
Perplexity polega bardziej na czasie rzeczywistym i agregatorach (Ceneo, Allegro). ChatGPT polega mocniej na bazie treningowej i Bing Search. Gemini korzysta z Google Shopping i Knowledge Graph. Strategia: schema dla wszystkich, obecność w agregatorach dla Perplexity, Merchant Center dla Gemini, PR i media dla ChatGPT.
Czy mały sklep ma szansę w AI przeciwko Amazonowi i Allegro?
Tak, ale w niszach. Ogólne zapytania („gdzie kupić buty”) zawsze będą zdominowane przez Allegro i Zalando. Zapytania niszowe („buty trekkingowe Lowa zimowe damskie”) to szansa dla wyspecjalizowanego sklepu z dobrym schema i opisami. Strategia – głęboka specjalizacja, nie szerokość.
Jak często aktualizować schema?
Cena i dostępność – w czasie rzeczywistym lub co 1h. AggregateRating – co 24h. Opis i specyfikacja – co roku lub przy zmianie produktu. priceValidUntil – co miesiąc. Schema bez aktualizacji staje się nieaktualny i może powodować kary (Google Merchant Center zawiesza konta za niezgodne ceny).
Czy warto robić Wikipedię dla sklepu?
Tylko jeśli sklep spełnia kryteria notability (lata działalności, zasięg, wzmianki w mediach). Próba utworzenia hasła dla małego sklepu to strata czasu – moderatorzy szybko usuną. Alternatywa: Wikidata (łatwiejsza), LinkedIn Company Page z pełnym profilem, profile branżowe. Każdy sklep powinien mieć minimum wpis Wikidata z typem Organization.
Jakie są pierwsze 3 rzeczy do zrobienia jutro?
1) Walidacja schema Product – Rich Results Test na 10 losowych produktach. 2) Audyt GTIN – % produktów z wypełnionym EAN. 3) Sprawdzenie średniej Opineo lub Ceneo – jeśli poniżej 4.5, program naprawczy opinii. Te trzy kroki dają 60% fundamentu widoczności w AI. Reszta to iteracja na tej bazie.
Co dalej
Gdy masz schema i opisy – przejdź do kategorii (kategorie e-commerce w AI) i do feedu Merchant Center (Google Shopping + AI). Cała strategia jest spięta w przewodniku SEO dla e-commerce, który warto czytać po ukończeniu tych trzech kroków.
