Sklep, którego nie wymienia żaden model językowy, prawie nigdy nie ma jednej przyczyny awarii. Ruch z AI powstaje na końcu łańcucha: bot musi wejść na stronę, odczytać dane produktowe, znaleźć potwierdzenie w zewnętrznych źródłach i dopiero wtedy wskazać sklep z nazwy. Poniższa diagnostyka przechodzi przez siedem punktów tego łańcucha w kolejności, w jakiej zwykle pękają.
W skrócie
- Najczęstsza przyczyna zerowego ruchu z AI to blokada crawlerów w
robots.txtlub na poziomie WAF, a nie jakość treści. - Modele cytują sklepy, o których istnieją wzmianki poza domeną sklepu: opinie, porównywarki, katalogi branżowe.
- Dane produktowe bez ceny, dostępności i identyfikatora GTIN są dla modelu nieweryfikowalne, więc pomijane.
- Bez osobnego segmentu w analityce nie odróżnisz braku ruchu z AI od ruchu, którego po prostu nie mierzysz.
Krok 1: czy boty AI widzą sklep
Zacznij od pliku robots.txt i logów serwera, bo to najtańsza naprawa w całej liście. Sprawdź, czy nie blokujesz agentów GPTBot, OAI-SearchBot, ClaudeBot, PerplexityBot oraz Google-Extended. Wiele sklepów odziedziczyło te blokady z szablonowych konfiguracji wdrażanych w latach 2023–2024.
Drugie miejsce blokady to warstwa ochrony: Cloudflare, WAF sklepu albo reguła rate limitingu. Bot dostaje wtedy kod 403 lub wyzwanie JavaScript, którego nie rozwiąże. W logach szukaj tych trzech kodów odpowiedzi dla powyższych agentów: 403, 429 i 503.
Trzecia pułapka to renderowanie po stronie klienta. Jeśli karta produktu montuje cenę i opis dopiero w przeglądarce, część crawlerów zobaczy pusty kontener. Test: pobierz stronę produktu przez curl bez JavaScriptu i sprawdź, czy w surowym HTML jest nazwa produktu, cena i opis.
Krok 2: czy dane produktowe są kompletne
Model potrzebuje danych, które da się zweryfikować bez wchodzenia w interakcję ze stroną. Minimum to nazwa, cena, waluta, dostępność, marka i identyfikator produktu. Braki w tych polach powodują, że sklep wypada z porównań typu „gdzie kupię X taniej”.
Znaczniki Product i Offer są tu najkrótszą drogą, bo dostarczają te same informacje w formie, której nie trzeba wyciągać z układu graficznego. Rozpisaliśmy pole po polu w tekście o tym, jakie dane strukturalne naprawdę czyta AI, razem z listą błędów walidacji, które najczęściej unieważniają cały blok. Google potwierdza rolę danych strukturalnych w rozumieniu treści (szczegóły w dokumentacji Search Central).
Sprawdź też spójność: cena w znaczniku musi zgadzać się z ceną widoczną na stronie. Rozbieżność to sygnał niskiego zaufania i realna przyczyna pomijania oferty.
Krok 3: czy sklep ma opinie poza własną domeną
Opinie na własnej karcie produktu nie wystarczą, bo model traktuje je jako źródło zainteresowane. Liczy się ślad w miejscach, których nie kontrolujesz: Ceneo, Opineo, Trustpilot, Mapy Google, fora branżowe, wątki na Reddicie.
Zrób prosty audyt zasięgu: wpisz w wyszukiwarkę nazwę sklepu z dopiskiem „opinie” i policz, ile różnych domen zwraca realną treść o Twoim sklepie. Poniżej trzech niezależnych domen z aktualnymi wpisami model zwykle nie ma z czego zbudować rekomendacji.
| Liczba zewnętrznych źródeł | Typowy efekt w odpowiedziach AI |
|---|---|
| 0–2 | Sklep nie pojawia się nawet w zapytaniach brandowych |
| 3–5 | Pojawia się przy zapytaniach o nazwę, rzadko w porównaniach |
| 6 i więcej | Wchodzi do list rekomendacji obok większych graczy |
Krok 4: czy istnieją treści poradnikowe
Sklepy bez warstwy poradnikowej konkurują wyłącznie o zapytania transakcyjne, a te stanowią mniejszość tego, o co użytkownicy pytają modele. Pytania brzmią raczej „jak dobrać”, „czym się różni”, „co sprawdzić przed zakupem”.
Treść cytowalna ma trzy cechy: odpowiada na pytanie w pierwszym zdaniu sekcji, zawiera konkretne liczby lub nazwy, i daje się wyciąć jako samodzielny fragment. Poradnik zbudowany z ogólników nie zostanie zacytowany nawet przy dobrej pozycji w wynikach organicznych.
Zacznij od pięciu tekstów odpowiadających na pytania, które realnie dostaje Twoja obsługa klienta. To najtańsze źródło tematów, bo nie wymaga badania słów kluczowych.
Krok 5: czy marka jest rozpoznawalna jako encja
Model musi umieć połączyć nazwę sklepu z branżą, ofertą i lokalizacją. Bez tego powiązania nazwa jest tylko ciągiem znaków, który nie uruchamia żadnej rekomendacji.
Sygnały, które budują encję: spójna nazwa we wszystkich profilach, znacznik Organization na stronie głównej, wpis w Profilu Firmy w Google, wzmianki w publikacjach branżowych oraz linki z kontekstem tematycznym. Jakość tych odwołań jest ważniejsza od liczby, dlatego warto znać granicę między naturalnym a sztucznym zapleczem: opisujemy ją w analizie ryzyka wymiany linków.
Prosty test encji: zapytaj model wprost, czym zajmuje się Twoja firma. Odpowiedź wymijająca albo pomylenie z inną marką oznacza, że sygnały tożsamości są zbyt słabe.
Krok 6: czy ceny i dostępność są aktualne
Nieaktualna cena kosztuje podwójnie: użytkownik traci zaufanie, a systemy, które pobierają dane cyklicznie, obniżają wagę całego źródła. Najczęstszy błąd to feed odświeżany raz na dobę przy cenach zmienianych kilka razy dziennie.
Zsynchronizuj trzy warstwy: cenę na stronie, cenę w znaczniku Offer i cenę w feedzie produktowym. Rozbieżność w którymkolwiek miejscu unieważnia pozostałe. Zestaw pól, które faktycznie wpływają na widoczność, rozpisaliśmy w tekście o dwunastu polach feedu produktowego.
Dla produktów niedostępnych ustaw poprawny status zamiast usuwać kartę. Usunięcie strony kasuje zbudowaną historię, a status OutOfStock zachowuje ją do momentu powrotu towaru.
Krok 7: czy w ogóle mierzysz ruch z AI
Część sklepów ma ruch z modeli i go nie widzi, bo domyślne raporty analityczne wrzucają go do kategorii „direct” albo „referral” bez rozbicia. Zanim uznasz, że ruchu nie ma, upewnij się, że masz go czym zmierzyć.
- Utwórz segment na podstawie odwołań:
chatgpt.com,perplexity.ai,claude.ai,copilot.microsoft.com,gemini.google.com. - Dodaj filtr logów serwera dla agentów pobierających treść na potrzeby odpowiedzi.
- Mierz nie tylko sesje, ale też ścieżkę: wejścia z modeli mają zwykle wyższy udział stron produktowych i krótszą ścieżkę do koszyka.
- Porównuj miesiąc do miesiąca, nie tydzień do tygodnia. Wolumen jest na tyle niski, że tygodniowy szum przykrywa trend.
Kolejność napraw według kosztu
Kolejność ma znaczenie, bo kroki 3 i 4 dają efekt dopiero wtedy, gdy bot ma w ogóle dostęp do strony. Tabela poniżej porządkuje działania według stosunku nakładu do spodziewanego efektu.
| Priorytet | Działanie | Nakład | Pierwszy efekt |
|---|---|---|---|
| 1 | Odblokowanie crawlerów, naprawa kodów 403 i 429 | godziny | 1–3 tygodnie |
| 2 | Uzupełnienie znaczników Product i Offer |
dni | 2–6 tygodni |
| 3 | Synchronizacja cen i dostępności | dni | 2–6 tygodni |
| 4 | Segment analityczny dla ruchu z modeli | godziny | natychmiast |
| 5 | Treści poradnikowe (pierwsze pięć tekstów) | tygodnie | 2–4 miesiące |
| 6 | Budowa zewnętrznych wzmianek i opinii | miesiące | 3–6 miesięcy |
Najczęstsze błędy w diagnostyce
Pierwszy błąd to zaczynanie od treści. Publikacja poradników przy zablokowanych crawlerach nie zmieni niczego, bo żaden model tych tekstów nie pobierze.
Drugi błąd to jednorazowy test jednym zapytaniem w jednym modelu. Odpowiedzi generatywne są zmienne, więc wniosek buduj na kilkunastu zapytaniach powtórzonych w odstępie kilku dni.
Trzeci błąd to mylenie braku widoczności z brakiem popytu. Jeśli o kategorię nikt nie pyta modeli, żadna optymalizacja nie wygeneruje ruchu, a właściwą decyzją jest zmiana kategorii, nie zwiększanie nakładów.
FAQ
Ile trwa, zanim zmiany przełożą się na widoczność w AI?
Naprawy dostępowe działają najszybciej, zwykle w ciągu 1–3 tygodni od ponownego pobrania strony. Zmiany w danych strukturalnych i feedzie wchodzą do obiegu w 2–6 tygodni. Budowa wzmianek zewnętrznych i autorytetu marki to horyzont 3–6 miesięcy, bo wymaga pojawienia się treści w źródłach, których nie kontrolujesz. Dlatego kolejność napraw ma większe znaczenie niż ich liczba.
Czy blokowanie botów AI kiedykolwiek ma sens?
Ma sens dla wydawców utrzymujących się ze sprzedaży dostępu do treści oraz dla serwisów z danymi objętymi umowami licencyjnymi. Dla sklepu, który chce być rekomendowany, blokada jest działaniem przeciwskutecznym: usuwa go ze zbioru źródeł, z których model buduje odpowiedź. Jeśli obawiasz się obciążenia serwera, ustaw limit tempa zamiast pełnej blokady.
Czym różni się ruch z AI od ruchu organicznego?
Wolumenem i intencją. Ruch z modeli jest wielokrotnie mniejszy, ale trafia na stronę po wcześniejszym odfiltrowaniu alternatyw, więc udział wejść na karty produktowe jest wyższy. Ścieżka do koszyka bywa krótsza, bo część porównania odbyła się przed kliknięciem. W raportach domyślnych ten ruch często ląduje w kategorii „direct”, co zaniża jego widoczność.
Czy same dane strukturalne wystarczą, żeby model polecił sklep?
Nie. Dane strukturalne rozwiązują problem czytelności oferty, ale nie budują zaufania. Model potrzebuje jeszcze potwierdzenia z zewnątrz: opinii, wzmianek, obecności w porównywarkach. Sklep z bezbłędnym znacznikiem Product i zerowym śladem poza własną domeną nadal będzie pomijany w zestawieniach.
Jak sprawdzić, czy crawler AI realnie pobiera moje strony?
Najpewniejszym źródłem są logi serwera. Filtruj po nazwach agentów i sprawdzaj kody odpowiedzi oraz liczbę unikalnych adresów pobranych w ciągu miesiąca. Jeśli widzisz wyłącznie stronę główną, problem leży w nawigacji lub mapie witryny. Jeśli nie widzisz nic, sprawdź reguły WAF: blokada bywa ustawiona wyżej niż robots.txt i nie zostawia śladu w logach aplikacji.
Co dalej
Przejdź listę od góry i zatrzymaj się na pierwszym kroku, który nie przechodzi testu, bo dalsze punkty i tak nie zadziałają bez niego. Gdy dostęp botów jest już naprawiony, kolejnym najtańszym ruchem jest uporządkowanie warstwy danych: zacznij od znaczników Product i Offer, a potem zsynchronizuj je z feedem. Diagnostykę warto powtórzyć po kwartale, bo lista agentów i sposób budowania odpowiedzi zmieniają się szybciej niż klasyczne algorytmy wyszukiwarek.
