Agentowe zakupy 2026: jak przygotować sklep

Asystenci AI coraz częściej wykonują zakupowe zadania w imieniu użytkownika: porównują warianty, sprawdzają dostępność, szacują termin dostawy i podsuwają jedną rekomendację zamiast listy dziesięciu linków. Dla sklepu oznacza to zmianę odbiorcy. Ofertę czyta teraz program, który nie przewinie strony, nie kliknie w rozwijaną zakładkę i nie domyśli się, że „wysyłka 24h” dotyczy tylko zamówień złożonych do południa.

Przygotowanie sklepu na agentowe zakupy nie wymaga przebudowy całego serwisu. Wymaga natomiast uporządkowania danych, które dziś są rozproszone między opisem, banerem, regulaminem i infolinią. Poniżej lista rzeczy, które warto wdrożyć w pierwszej kolejności, uszeregowana według tego, jak szybko wpływają na to, czy agent w ogóle uwzględni twoją ofertę.

Jak agent czyta ofertę sklepu

Agent zakupowy działa inaczej niż klasyczny crawler wyszukiwarki. Nie buduje indeksu całej sieci, tylko realizuje konkretne zadanie: znajdź buty trailowe w rozmiarze 43, dostępne od ręki, z dostawą do piątku, w budżecie do 600 zł. Każdy z tych warunków musi zostać potwierdzony danymi ze strony lub z feedu. Jeśli któregoś nie da się potwierdzić jednoznacznie, oferta zwykle nie jest odrzucana z hukiem, tylko po cichu pomijana na rzecz konkurenta, u którego dane były czytelne.

Druga różnica dotyczy głębokości. Agent rzadko przegląda kilkanaście podstron, żeby złożyć obraz produktu. Pracuje na jednym zrzucie: karta produktu plus dane strukturalne plus ewentualnie feed. Wszystko, co ukryłeś w zakładce ładowanej JavaScriptem po kliknięciu, praktycznie nie istnieje. To samo dotyczy informacji podanych wyłącznie na grafice, na przykład tabeli rozmiarów zapisanej jako obrazek bez opisu alternatywnego.

Trzecia różnica jest najważniejsza dla kategorii. Gdy zapytanie jest szerokie („dobry ekspres do domu”), agent najpierw szuka strony, która zawęża wybór i tłumaczy kryteria, a dopiero potem schodzi do konkretnych produktów. Dlatego dobrze opisane strony kategorii w sklepie pod AI pracują w tym modelu równie mocno jak karty produktowe, a często wcześniej.

Dane, których agent szuka najpierw

W praktyce zestaw pól, od których zależy uwzględnienie oferty, jest krótki i powtarzalny. Warto potraktować go jak checklistę wdrożeniową i sprawdzić na próbce kilkudziesięciu kart produktowych, czy każde pole jest obecne, aktualne i zapisane maszynowo, a nie tylko opisane słowem w akapicie.

Format zapisu ma znaczenie drugorzędne wobec spójności, ale najbezpieczniej trzymać się słownika schema.org/Product wraz z zagnieżdżonym obiektem oferty. Google opisuje wymagane i zalecane pola w dokumentacji danych strukturalnych produktu, i ten sam zestaw jest dziś najczęściej parsowany przez asystentów, bo powstał wcześniej i jest po prostu najlepiej rozpowszechniony.

Sama treść opisu też podlega innym regułom niż w klasycznym SEO. Agent szuka faktów do porównania, nie przymiotników, więc parametry powinny stać w zdaniach, a nie wyłącznie w tabeli specyfikacji. Szerzej rozkładamy to na czynniki pierwsze w tekście o tym, jak budować opisy produktów pod AI.

Cena, dostępność i czas dostawy bez dwuznaczności

Trzy pola decydują o odsianiu oferty na najwcześniejszym etapie. Cena musi być jedna i widoczna bez interakcji. Jeśli sklep pokazuje cenę dopiero po wybraniu wariantu, agent zobaczy albo wartość domyślną, albo nic. Rozwiązaniem jest publikowanie zakresu cenowego na poziomie produktu nadrzędnego oraz konkretnej ceny na poziomie każdego wariantu, najlepiej pod własnym adresem URL.

Dostępność powinna być stanem, nie obietnicą marketingową. Wartości typu „ostatnie sztuki” czy „zapytaj o termin” nie dają się porównać. Jeżeli produkt jest sprowadzany, podaj liczbę dni roboczych zamiast etykiety. Agent potrafi zaakceptować dłuższy termin, ale nie potrafi zinterpretować niepewności, więc traktuje ją jak ryzyko i najczęściej wybiera ofertę policzalną.

Czas dostawy jest polem, na którym sklepy tracą najwięcej bez świadomości straty. Komunikat „wysyłka w 24h” opisuje moment nadania, a użytkownika interesuje moment doręczenia. Podawaj oba: termin nadania oraz przewidywane okno doręczenia, na przykład 2–4 dni robocze, i uzależnij je od godziny granicznej zamówienia. Jeżeli obsługujesz odbiór osobisty lub dostawę tego samego dnia w wybranych miastach, opisz to jawnie, bo zapytania z kontekstem geograficznym są coraz częstsze, a mechanikę tego zjawiska omawia szerzej przewodnik po widoczności lokalnej w AI.

Feed produktowy jako główne źródło

Dla większości sklepów feed jest szybszą drogą do poprawy niż przebudowa szablonu. Jest jednym plikiem, aktualizowanym automatycznie, i to zwykle z niego pochodzą dane porównywane przez asystentów zintegrowanych z platformami zakupowymi. Kolejność prac, która daje najlepszy stosunek efektu do nakładu, wygląda tak:

1. Uzupełnij identyfikatory GTIN i MPN, bo bez nich twój produkt nie zostanie połączony z tym samym modelem u konkurencji i wypadnie z porównań.
2. Rozbij warianty na osobne pozycje z własnym identyfikatorem, ceną i stanem magazynowym.
3. Zsynchronizuj częstotliwość aktualizacji stanów magazynowych z realnym tempem sprzedaży, docelowo co godzinę dla rotujących kategorii.
4. Dodaj pola kosztu i czasu dostawy oraz polityki zwrotów, jeśli specyfikacja feedu je przewiduje.
5. Wyrównaj dane w feedzie i na stronie, bo rozjazd ceny między tymi źródłami bywa traktowany jako sygnał niewiarygodności.

Ostatni punkt jest tym, który najczęściej psuje efekt pozostałych. Sklep wgrywa poprawny feed, ale promocja na stronie zmienia cenę co 15 minut, a plik odświeża się raz na dobę. Z perspektywy agenta to nie jest promocja, tylko sprzeczność, i najtańszą reakcją jest pominięcie oferty.

Zasady zwrotów i gwarancji w treści

Polityka zwrotów przestała być dokumentem prawnym schowanym w stopce, a stała się parametrem porównawczym. Agent zapytany o „sklep z darmowym zwrotem” potrzebuje potwierdzenia, kto płaci za przesyłkę zwrotną, ile dni trwa okno zwrotu i czy dotyczy ono produktów przecenionych. Te trzy informacje warto powtórzyć na karcie produktu w formie krótkiego bloku, niezależnie od pełnego regulaminu.

Podobnie działa gwarancja. Zapis „gwarancja producenta” nie mówi nic policzalnego, natomiast „24 miesiące gwarancji producenta, obsługa zgłoszeń przez sklep” daje dwie wartości do porównania. Jeżeli różnicujesz warunki między kategoriami, opisz różnicę wprost, zamiast liczyć na to, że użytkownik dotrze do właściwego paragrafu.

Warto pamiętać, że tekst polityki zwrotów bywa cytowany przez asystenta w odpowiedzi. Zdania powinny więc być samodzielne, to znaczy zrozumiałe po wyrwaniu z kontekstu. Konstrukcja „w takim przypadku obowiązuje termin wskazany powyżej” jest bezużyteczna w cytacie i realnie obniża szansę na wykorzystanie fragmentu.

Wymagania techniczne i blokady botów

Najbardziej kosztowne błędy w tym obszarze są przypadkowe. Sklepy wdrażają ochronę przed scrapingiem, a przy okazji odcinają agentów, których obecność jest dla nich korzystna. Zanim zaczniesz optymalizować dane, sprawdź, czy w ogóle są dostępne:

• Reguły w pliku robots.txt: część sklepów blokuje user agenty asystentów AI hurtowo, kopiując cudzą konfigurację bez decyzji biznesowej.
• Ochrona WAF i systemy antybotowe: weryfikacja typu challenge na karcie produktu skutecznie ukrywa całą ofertę.
• Renderowanie po stronie klienta: jeżeli cena i dostępność pojawiają się dopiero po wykonaniu skryptu, przygotuj wersję serwerową lub umieść te dane w znaczniku strukturalnym w kodzie źródłowym.
• Limity zapytań: agresywny rate limiting na poziomie kilku żądań na minutę potrafi przerwać odczyt w połowie kategorii.
• Stabilność adresów: zmiana struktury URL bez przekierowań kasuje historię produktu w zewnętrznych bazach.

Decyzja o dopuszczeniu konkretnych botów jest decyzją biznesową i nie musi być zerojedynkowa. Można przepuszczać agentów na karty produktowe i kategorie, a jednocześnie ograniczać dostęp do wyszukiwarki wewnętrznej i filtrów, które generują nieskończoną liczbę kombinacji adresów. Ważne, żeby ta konfiguracja była zamierzona, a nie odziedziczona po wtyczce.

Pomiar ruchu z asystentów AI

Ruch z asystentów jest mierzalny tylko częściowo i trzeba to założyć na starcie, zamiast szukać jednego idealnego raportu. Część odwiedzin przyjdzie z rozpoznawalnym odesłaniem, część jako wejścia bezpośrednie po tym, jak użytkownik przepisze nazwę sklepu, a część nie zamieni się w wizytę wcale, bo odpowiedź zostanie skonsumowana w interfejsie asystenta.

Praktyczny zestaw wskaźników wygląda następująco. Po pierwsze, wydzielony segment odesłań z domen asystentów w analityce, aktualizowany co kwartał, bo lista się zmienia. Po drugie, logi serwera filtrowane po user agentach botów AI, które pokazują, czy dane są w ogóle pobierane i z jaką częstotliwością. Po trzecie, ręczny test widoczności: raz w miesiącu zadaj asystentom 20 zapytań zakupowych z twojej kategorii i zanotuj, czy sklep pojawia się w odpowiedzi i z jaką informacją.

Ten trzeci pomiar bywa lekceważony, a jest najbardziej diagnostyczny. Jeżeli sklep jest cytowany, ale z nieaktualną ceną, problem leży w feedzie. Jeżeli nie jest cytowany mimo poprawnych danych, problem leży zwykle w dostępności technicznej albo w tym, że kategoria nie ma treści porównawczej, na której agent mógłby się oprzeć.

Najczęściej zadawane pytania