Produkty w AI – opisy, atrybuty, dane strukturalne pod LLM

Produkty w AI to warstwa najbliższa transakcji – karta produktu jest ostatnim krokiem przed kliknięciem „Kup” i jednocześnie pierwszym źródłem, z którego modele AI zaciągają dane do rekomendacji. W 2026 roku ChatGPT w odpowiedzi „polec mi kawiarkę na 4 osoby do 300 zł” zwraca konkretne modele z ceną, opiniami i zdjęciem – ale tylko z tych sklepów, które mają poprawny schema Product i opisy wypełnione faktami.

Ten artykuł opisuje anatomię karty produktu pod LLM: pola schema, szablon opisu, atrybuty obowiązkowe, walidacja, pomiar. Punktem wyjścia jest przewodnik SEO dla e-commerce, do którego wraca każdy rozdział.

W skrócie

• Karta produktu pod AI potrzebuje schema Product + Offer + AggregateRating + 5-10 review jako minimum.
• Opis ma 400-700 słów i zawiera 15-25 atomowych faktów – liczb, nazw, materiałów.
• GTIN/EAN na 95%+ produktów – bez niego produkt jest deprioritized w Merchant Center i nie trafia do Google Shopping AI.
• FAQ 4-6 pytań per produkt daje modelom gotowe do zacytowania fragmenty.
• Walidacja przez Rich Results Test + Schema.org Validator co miesiąc, alert przy >5% błędów.

Anatomia karty produktu pod LLM

Karta produktu w 2026 to nie tylko cena i „Kup teraz”. To mikro-landing page z 8 strefami, z których każda służy innej warstwie indeksowania: Google, Google Shopping, ChatGPT, Perplexity, Gemini. Szczegóły warstw i jak je ze sobą integrować znajdziesz w artykule o sklepach pod AI.

1. Tytuł H1 – marka + nazwa + kluczowy atrybut (rozmiar, kolor, pojemność).
2. Galeria zdjęć – minimum 6, optymalnie 10-15, w tym widok 360° i packshot na białym tle.
3. Blok ceny – cena brutto, rabat, dostępność, czas wysyłki.
4. Opis krótki – 80-120 słów tuż pod ceną, 3-5 faktów.
5. Tabela specyfikacji – 10-20 pól, strukturalnie.
6. Opis długi – 400-700 słów z H2/H3, listami, tabelami.
7. FAQ – 4-6 pytań z <details>/<summary>.
8. Sekcja opinii – minimum 5 opinii widocznych, z Avg rating.

Schema Product – minimum vs optymalne

Schema.org Product to sztywna struktura, ale trzeba ją wypełnić tak, żeby była cytowalna. Minimum dla Google Rich Results to name, image, offers z price i priceCurrency. Optymalne dla AI – kilkukrotnie więcej pól. Checklistę całościową sklepu opisujemy w artykule o sklepach pod AI.

Zagnieżdżony Offer

Offer to drugi najbardziej kluczowy obiekt. Bez Offer produkt nie trafia do Google Shopping, Rich Results Products i pomijają go rekomendacje AI.

• price – number (nie string), 2 miejsca po przecinku.
• priceCurrency – ISO 4217, dla Polski „PLN”.
• availability – URL schema.org: InStock, OutOfStock, PreOrder, Discontinued.
• priceValidUntil – data ISO 8601, aktualizowana co 3-6 miesięcy.
• url – canonical URL produktu.
• itemCondition – NewCondition, UsedCondition, RefurbishedCondition.
• seller – Organization z nazwą sklepu.
• shippingDetails – czas wysyłki, koszt, region (opcjonalne ale bardzo cenione przez AI).

Opis produktu – szablon pod AI

Opis produktu to miejsce, gdzie model pobiera zdania do cytowania. Każde zdanie, które nie zawiera faktu, jest marnowaniem budżetu. Opis szablonowy:

1. Zdanie otwierające

Jedno zdanie: nazwa + kategoria + główna zaleta + dla kogo. Przykład: „Kawiarka ciśnieniowa Bialetti Moka Express 6 TZ (300 ml) to aluminiowa kawiarka na 6 filiżanek espresso, idealna dla 3-4 osób piękne espresso bez elektrycznego ekspresu”.

2. Tabela specyfikacji

10-20 pól w strukturze pionowej. Nie opis prozą – tabela. ChatGPT wyciąga z tabeli zdanie „waży 480 g i ma średnicę 9.5 cm” w 100% przypadków. Z tekstu prozą – w 40% przypadków. Szablon wierszy: nazwa pola, wartość, jednostka.

3. Sekcja „Dla kogo”

Persony użytkowników: nowicjusz, zaawansowany, zawodowiec, tematyczny (np. kempingowicz, domownik, biurowy). 3-5 zdań per persona z konkretnym opisem.

4. Porównanie

Tabela porównawcza z 2-3 alternatywami w tym sklepie (nie konkurencyjnymi). Pomaga modelowi dobrać najlepszy produkt w klasie. Wierszy 4-6: cena, rozmiar, moc, materiał, gwarancja.

5. Zalety i ograniczenia

3-5 zalet + 2-3 ograniczenia. Ograniczenia są kluczowe – sklep, który je wymienia, jest postrzegany jako rzetelny przez model. Ukrywanie wad = zmniejszone zaufanie.

6. FAQ

4-6 pytań w <details>. Typowe: „Jak czyścić”, „Czy działa na kuchence indukcyjnej”, „Ile kaw zrobi jednorazowo”, „Czy jest gwarancja”. Każda odpowiedź 50-120 słów.

Atrybuty obowiązkowe dla Google Shopping

Feed Google Shopping jest jednym z ważniejszych źródeł Gemini w zapytaniach zakupowych. Niepoprawny feed = zero widoczności w AI Google. Szczegóły feedu opisaliśmy w przewodniku o Google Shopping i AI. Tu minimum dla karty produktu.

Pułapki polskiego rynku

• GTIN dla polskich marek własnych – często brakuje. Rozwiązanie: rejestracja w GS1 Polska i generowanie własnych EAN.
• Tytuł z polskimi znakami – bezpiecznie są, ale niektóre integracje tracą diakrytyki. Audyt co miesiąc.
• Cena z VAT vs netto – w Merchant Center zawsze brutto dla B2C. B2B ma odrębny feed.
• Adresy z „ul.” – część parserów tego nie lubi, lepiej pełne „ulica”.

Opinie i AggregateRating

AggregateRating wymaga 5+ opinii. Bez niego schema produktu jest niekompletny. Mechanika opinii dla sklepów szerzej w artykule o sklepach pod AI. Na poziomie produktu kluczowe są trzy zasady.

1. Opinia produktu, nie sklepu – w schema Review dotyczy produktu, nie obsługi. „Kurier przyjechał na czas” to opinia o sklepie, „Kawa jest mocna” o produkcie.
2. Nazwisko autora realne – „Jan K.”, nie „Anonim”.
3. Zdjęcia w opiniach – 15-25% opinii ze zdjęciami = znacząco wyższy wskaźnik cytowania.

Integracja z Opineo i Ceneo

Polskie sklepy często mają więcej opinii na Opineo i Ceneo niż na własnej stronie. Te opinie trzeba pokazywać na karcie produktu – przez widget producenta. Widget wlicza się do AggregateRating (z odpowiednim schema) i daje modelom dodatkowe źródło.

Walidacja schema

Walidacja to proces 3-warstwowy. Bez wszystkich trzech warstw są błędy cichego typu (schema istnieje, ale nie przechodzi). Narzędzia i procesy w przewodniku o narzędziach.

1. Schema.org Validator (validator.schema.org) – sprawdza poprawność strukturalną.
2. Google Rich Results Test – sprawdza czy Google będzie pokazywać Rich Results.
3. Google Search Console – Products – historyczny widok błędów i ostrzeżeń w indeksie.

Alerty i monitoring

Automatyzacja walidacji: codzienny crawl 100 losowych produktów przez schemacrawler lub własny skrypt Python + Rich Results API. Alert w Slack przy >5% błędów. Tygodniowy raport wysokiej tabeli (kategorie z najwięcej błędów). Bez monitoringu błędy narastają – pojedyncza zmiana szablonu może popsuć 1000 produktów bez świadomości zespołu.

Obrazy produktowe pod AI

Obrazy produktu nie są tylko wizualne – ich alt-text i plik filename są indeksowane i wpływają na polecanie. Model AI potrafi zwrócić zdjęcie produktu w odpowiedzi (Perplexity, Gemini) – warunek: plik musi mieć opisowy alt, odpowiedni rozmiar i schema image.

• Minimum 6 zdjęć – główne, detal, w użyciu, packshot, tył, opakowanie.
• Rozmiar 1200×1200 px – minimum, optymalnie 2000×2000.
• WebP lub JPEG – PNG tylko gdy konieczna przezroczystość.
• Alt-text 8-15 słów – opis produktu i kontekstu, nie tylko nazwa.
• Filename descriptive – bialetti-moka-express-6tz.webp, nie img_4523.webp.

Kanonizacja wariantów

Produkt w 5 kolorach i 4 rozmiarach daje 20 wariantów. Każdy wariant = oddzielny URL albo wspólny URL z parametrami? Pod AI: wspólny URL z domyślnym wariantem + canonical na głównym. Każdy wariant ma własne Offer w schema, ale @id i url wskazują główny produkt. To pozwala modelowi zrozumieć że to ten sam produkt w wariantach.

Integracja z treścią

Karta produktu nie żyje w próżni. Musi być linkowana z bloga, kategorii, porównań. Blog pokazuje kontekst – „jak wybrać kawiarkę” z linkiem do konkretnego modelu. Kategoria pokazuje miejsce w ofercie. To wszystko wpływa na ranking konkretnego produktu. Strategię treści opisujemy w przewodniku o contencie pod AI.

Pomiar – czy produkt jest cytowany

Testowe zapytania do LLM co tydzień: „polec mi [kategoria] do [cena/użycie]”, „najlepsze [kategoria] 2026”, „[kategoria] dla [persona]”. Zapisuj czy produkt się pojawia i w jakim kontekście. Target: top 10 produktów sklepu cytowane w 40%+ zapytań po 6 miesiącach. Szerzej o pomiarze w artykule o widoczności e-commerce.

Automatyzacja produkcji kart

Przy 1000+ SKU ręczna edycja każdego opisu to nierealne. Rozwiązanie: szablon + AI + redakcja. Model (GPT-4o, Claude 3.5, Gemini 1.5 Pro) generuje draft opisu na podstawie danych technicznych + nazwa produktu + 3 przykładowe opinie. Redaktor dodaje unikalne fakty (10-15 minut per opis). Szczegóły w artykule o automatyzacji ofert.

Szablon promptu dla AI

Prompt dla generatora: „Napisz opis produktu X w formacie: [H1 tytuł], [3 zdania leadu], [tabela 12 specyfikacji], [3 zalety z liczbami], [2 ograniczenia], [sekcja 'Dla kogo’ – 3 persony], [FAQ 5 pytań z odpowiedziami 60-100 słów]. Dane: [karta techniczna]. Styl: konkretny, faktograficzny, polski. Długość: 500-600 słów”. Ten prompt daje ~70% docelowej jakości; reszta to redakcja.

Kara za duplikaty

Sklepy B2C często mają kilka wariantów tego samego produktu (różne rozmiary, kolory) z identycznym opisem. Google nie karze duplikatów wewnątrz sklepu, ale LLM wybiera jeden wariant z duplikatowej grupy – pozostałe są niewidoczne. Rozwiązanie: każdy wariant ma 200-300 słów unikalnej treści (dedykowana sekcja „Ten rozmiar/kolor dla kogo”) lub używa variesBy w schema.

Dark patterns do unikania

• Fałszywe ceny „promocyjne” – regulacje UE (Omnibus) wymagają pokazania najniższej ceny z ostatnich 30 dni. Niezgodność = kara + usunięcie z Merchant Center.
• Fałszywa dostępność – InStock gdy brakuje na stanie, żeby klient zaczął proces zakupu.
• Ukryty brand – podobne nazwy do znanych marek w celu oszukiwania klienta.
• Copy-paste opisów konkurencji – model to wykrywa i obniża zaufanie.

Cost i ROI poprawnych kart produktów

Efekt: średni wzrost konwersji per-produkt 18-35%, wzrost ruchu organicznego na karty 40-80% w 6 miesięcy, cytowania AI dla top 100 – 4-15 miesięcznie (więcej w dokumentacji Schema.org Product).

Najczęstsze błędy w schema Product

1. Cena jako string, nie number.
2. priceCurrency „zł” zamiast „PLN”.
3. Brak priceValidUntil – Google pokazuje ostrzeżenie po 3 miesiącach.
4. availability bez pełnego URL schema.org.
5. Review bez author (wymagane od 2024).
6. AggregateRating z liczbą opinii 0 lub 1.
7. Brand jako string, nie obiekt.
8. Image jako lista stringów (URL), nie tablica ImageObject.
9. Duplikat schema (z motywu + z wtyczki SEO).
10. Nieaktualny schema po zmianie szablonu.

Plan wdrożenia dla nowego sklepu

1. Tydzień 1: Audyt obecnego schema. Rich Results Test na 20 produktach.
2. Tydzień 2: Poprawki w szablonie Product i Offer. Wdrożenie AggregateRating.
3. Tydzień 3-4: Redakcja top 50 produktów (szablon, tabela spec, FAQ).
4. Tydzień 5-8: Kolejne 200-500 produktów (redaktor + AI).
5. Tydzień 9-12: Program opinii, monitoring błędów, pierwsze cykle zapytań do LLM.

FAQ – najczęstsze pytania

Co dalej

Gdy karta produktu jest w formie, przejdź do kategorii (kategorie e-commerce w AI) i feedu Merchant Center (Google Shopping + AI). Całość spięta jest w przewodniku SEO dla e-commerce.