ChatGPT Shopping to warstwa rekomendacji produktowych, którą ChatGPT dokłada do odpowiedzi na pytania zakupowe: zamiast samego tekstu użytkownik dostaje karty produktów z ceną, oceną i linkiem do sklepu. Model nie ma własnego katalogu; składa rekomendację z danych, które sklepy, agregatory i serwisy recenzenckie udostępniają w sieci. Jeśli chcecie, żeby ChatGPT Shopping pokazywał wasze produkty, musicie zadbać o to, żeby te dane były kompletne, spójne i łatwe do odczytania.
W skrócie
- ChatGPT zaczął pokazywać karty produktowe w kwietniu 2025 roku, a jesienią tego samego roku dołożył Instant Checkout, czyli zakup bez opuszczania czatu.
- Rekomendacje opierają się na trzech źródłach: stronie produktu w sklepie, feedach i agregatorach oraz recenzjach w zewnętrznych serwisach.
- Najczęstszy powód nieobecności sklepu to nie brak autorytetu, tylko braki w danych: cena bez waluty, brak dostępności, brak identyfikatora GTIN.
- Efekt mierzycie pośrednio: przez ruch z domeny chatgpt.com w GA4, wzrost zapytań brandowych i próbki zapytań w samym czacie.
Jak wygląda rekomendacja produktowa w ChatGPT
Kiedy użytkownik pyta o coś w rodzaju „jaki ekspres ciśnieniowy do 1500 zł do małej kuchni”, ChatGPT z włączonym wyszukiwaniem generuje odpowiedź tekstową i karuzelę kart produktowych. Każda karta zawiera zdjęcie, nazwę, cenę, skrót opinii i przyciski do sklepów, w których produkt jest dostępny. OpenAI zapowiedziało tę funkcję 28 kwietnia 2025 roku i od początku podkreślało, że karty nie są reklamami, a wybór produktów model robi sam na podstawie danych z sieci.
We wrześniu 2025 roku doszła kolejna warstwa: Instant Checkout, oparty na otwartym protokole Agentic Commerce Protocol opracowanym razem ze Stripe. Sklep, który podłączy się do protokołu, może sprzedawać bezpośrednio w czacie, bez przekierowania. Dla polskiego e-commerce ważniejsza pozostaje na razie sama obecność w kartach, bo to ona decyduje, czy klient w ogóle trafi na waszą stronę.
Źródła danych: sklep, agregatory, recenzje
ChatGPT korzysta z trzech warstw danych i każda z nich wymaga innego przygotowania. Zestawienie poniżej pokazuje, co model czyta w każdej warstwie i co w niej najczęściej zawodzi.
| Źródło | Co czyta model | Typowy problem |
|---|---|---|
| Strona produktu w sklepie | Tytuł, opis, cena, dostępność, dane strukturalne Product/Offer, zdjęcia | Cena renderowana skryptem, brak Offer w JSON-LD, opis skopiowany od producenta |
| Feedy i agregatory | Feed produktowy (Merchant Center, porównywarki), identyfikatory GTIN i MPN, kategorie | Rozjazd między ceną w feedzie a ceną na stronie, nieaktualny stan magazynowy |
| Recenzje i rankingi | Testy redakcyjne, opinie klientów, porównania „X vs Y”, wątki na forach | Produkt bez żadnej wzmianki poza własnym sklepem, opinie tylko na stronie sklepu |
Pierwsza warstwa to własna strona produktu. Model wchodzi na nią przez wyszukiwarkę (ChatGPT search opiera się na indeksie Bing i własnym crawlerze OAI-SearchBot), więc strona musi oddawać cenę i dostępność w HTML, nie dopiero po wykonaniu JavaScriptu. Różnice we wdrożeniu na dwóch popularnych platformach opisaliśmy w tekście o AIO na Shopify i WooCommerce.
Druga warstwa to feedy. OpenAI udostępniło sprzedawcom formularz zgłaszania feedów produktowych, a format jest bliski specyfikacji Google Merchant Center: identyfikator, tytuł, opis, link, cena, dostępność, GTIN, marka, kategoria. Sklep, który ma poprawny feed w Merchant Center, ma większość pracy za sobą; wystarczy go utrzymać w aktualności (pełna specyfikacja pól jest w dokumentacji Google Merchant Center).
Trzecia warstwa to głos z zewnątrz. Model wybiera produkty, o których ktoś napisał poza sklepem: test w serwisie branżowym, ranking w portalu technologicznym, dyskusja na Reddicie lub polskim forum. To ta sama zasada, którą opisaliśmy w analizie jedenastu przyczyn, dla których AI nie cytuje strony: sklep bez niezależnych wzmianek jest dla modelu produktem bez dowodów.
Dane, których brakuje najczęściej
Z audytów sklepów, które nie pojawiają się w kartach ChatGPT, wraca powtarzalna lista braków. Nie są to błędy strategiczne, tylko luki w danych, które model traktuje jako niepewność i omija produkt.
- Brak identyfikatora GTIN lub EAN. Bez niego model nie potrafi połączyć waszej oferty z tym samym produktem w innych sklepach i recenzjach. Produkt „wisi” osobno, bez opinii i porównań.
- Cena bez waluty w danych strukturalnych. Pole
priceCurrencyw schemacie Offer jest obowiązkowe; „1499” bez „PLN” to dla modelu liczba, nie cena. - Brak lub przestarzała dostępność. Pole
availabilityustawione na sztywno na InStock przy wyprzedanym produkcie kończy się tym, że model raz poleci produkt, użytkownik trafi na pustą stronę i model przestanie ufać domenie. - Opis skopiowany od producenta. Model widzi ten sam tekst w trzydziestu sklepach; nie ma powodu wybrać akurat wasz.
- Warianty zlepione w jeden adres. Rozmiar, kolor i pojemność bez osobnych ofert w schemacie sprawiają, że model nie wie, co dokładnie kosztuje ile.
- Zdjęcia bez alt i bez stałych adresów. Karta produktowa potrzebuje obrazu; zdjęcie ładowane z CDN z tokenem wygasającym po godzinie nie nadaje się do niczego.
Ceny i dostępność: dlaczego muszą się zgadzać
Spójność ceny między stroną, feedem i danymi strukturalnymi jest dla ChatGPT ważniejsza niż dla Google. Model podaje cenę w karcie i użytkownik ją widzi, zanim kliknie; jeśli po wejściu na stronę zobaczy inną kwotę, wraca do czatu i pyta ponownie. Takie sygnały zwrotne wpływają na to, jak często dana domena pojawia się w kolejnych rekomendacjach.
Rozjazd bierze się zwykle z promocji nakładanych skryptem po załadowaniu strony, z feedu odświeżanego raz dziennie przy cenach zmienianych co godzinę albo z ceny brutto w feedzie i netto na stronie. Sprawdźcie to prosto: pobierzcie stronę produktu przez curl bez JavaScriptu i porównajcie cenę z JSON-LD z ceną w feedzie na próbie 20 produktów.
Opinie i porównania jako sygnał wyboru
Gdy model ma pięć produktów spełniających budżet i parametry, wybiera te, o których potrafi coś powiedzieć. Skrót opinii na karcie („chwalony za cichą pracę, krytykowany za plastikowy zbiornik”) powstaje z recenzji, które model przeczytał w sieci. Produkt bez recenzji dostaje pustą kartę albo w ogóle jej nie dostaje.
Trzy działania budują ten sygnał najszybciej: oznaczenie opinii klientów schematem AggregateRating i Review z prawdziwą liczbą ocen, obecność w co najmniej dwóch zewnętrznych testach lub porównaniach (wystarczy branżowy blog z rzetelnym opisem) oraz własne treści porównawcze w sklepie w formie tabeli, bo takie zestawienia model cytuje najchętniej.
Wzmianka o produkcie nie zawsze przychodzi z linkiem, a mimo to wpływa na wybór modelu. Jak wyłapać takie niepodlinkowane wzmianki i policzyć udział marki w odpowiedziach, pokazujemy w tekście o share of voice w AI.
Checklista wdrożeniowa dla sklepu
Poniższa lista porządkuje pracę od najtańszych do najbardziej czasochłonnych zmian. Większość sklepów na Shopify, WooCommerce, PrestaShop czy IdoSell zamknie punkty 1–5 w tydzień.
- Sprawdźcie w robots.txt, czy OAI-SearchBot i ChatGPT-User nie są zablokowane; blokada GPTBot (do treningu) może zostać, to osobny bot.
- Uzupełnijcie GTIN, markę i MPN dla każdego produktu, który je ma; dla produktów własnej marki bez GTIN ustawcie
identifier_exists: falsew feedzie. - Zweryfikujcie JSON-LD Product z pełnym Offer:
price,priceCurrency,availability,url,itemCondition. Warianty jako osobne Offer woffers. - Porównajcie ceny w trzech miejscach (HTML, JSON-LD, feed) na próbie 20–30 produktów i naprawcie źródło rozjazdu, nie pojedyncze produkty.
- Zgłoście feed produktowy do OpenAI przez formularz dla sprzedawców i utrzymujcie ten sam feed w Merchant Center.
- Przepiszcie opisy dla 20% produktów, które generują 80% przychodu: dla kogo, do czego, czym różni się od sąsiednich modeli. Jedna tabela parametrów i dwa akapity użytkowej prozy.
- Uruchomcie zbieranie opinii z oznaczeniem AggregateRating i zadbajcie o dwie zewnętrzne recenzje dla każdego produktu z pierwszej dwudziestki.
Jak mierzyć efekt bez danych z ChatGPT
OpenAI nie daje sklepom panelu z liczbą wyświetleń w kartach, więc pomiar jest pośredni. Najpewniejszy sygnał to ruch odsyłający z domeny chatgpt.com w GA4: ustawcie osobny segment na źródło zawierające „chatgpt” i śledźcie sesje, współczynnik konwersji i przychód tego segmentu tydzień do tygodnia.
Drugi pomiar to próbka zapytań: 30–50 realnych pytań zakupowych waszych klientów, sprawdzanych raz w tygodniu w ChatGPT z włączonym wyszukiwaniem. Zapisujcie, czy sklep pojawia się w kartach, na której pozycji i który konkurent zajął miejsce.
Trzeci sygnał to wzrost zapytań brandowych i bezpośrednich wejść na strony produktów, które model zaczął polecać. Warto go zestawić z tym, co dzieje się po stronie płatnej: ChatGPT Ads wchodzą do Polski, a reklamy w czacie będą konkurować o tę samą uwagę co organiczne karty produktowe.
Najczęstsze błędy
- Blokowanie wszystkich botów OpenAI jednym wpisem w robots.txt z obawy o trening modeli; OAI-SearchBot służy do wyszukiwania i bez niego sklep znika z kart.
- Poprawianie opisów przed naprawą GTIN, ceny i dostępności.
FAQ: najczęstsze pytania
Czy ChatGPT Shopping działa w Polsce?
Karty produktowe pojawiają się w polskich odpowiedziach ChatGPT z włączonym wyszukiwaniem, a model poleca sklepy z polskimi cenami w PLN. Instant Checkout, czyli zakup w czacie, na start objął sprzedawców z USA (Etsy, część sklepów Shopify) i rozszerza się etapami. Polski sklep może więc już dziś trafić do rekomendacji, ale finalizacja zakupu odbywa się na jego stronie.
Czy trzeba płacić, żeby produkt pojawił się w kartach?
Nie. OpenAI deklaruje, że karty produktowe są wybierane niezależnie od reklam i sklep nie ponosi opłaty za obecność w nich. Reklamy w ChatGPT to osobny format, oznaczony jako sponsorowany. Koszt po stronie sklepu to praca nad danymi produktowymi, feedem i opiniami, a nie budżet mediowy.
Jak szybko widać efekt zmian w danych produktowych?
Zwykle po 3–8 tygodniach od wdrożenia, bo model musi ponownie pobrać strony i feed, a dla recenzji zewnętrznych dodatkowo poczekać na ich indeksację. Sklepy z dużym ruchem i częstym crawlowaniem zobaczą zmianę szybciej. Mierzcie próbką zapytań co tydzień i nie wyciągajcie wniosków z pojedynczego pomiaru, bo odpowiedzi modelu różnią się między sesjami.
Które boty OpenAI dopuścić w robots.txt?
OAI-SearchBot indeksuje strony na potrzeby wyszukiwania i kart produktowych; jego blokada usuwa sklep z rekomendacji. ChatGPT-User pobiera stronę na żywo, gdy użytkownik o nią pyta. GPTBot służy do treningu modeli i jego blokada nie wpływa na obecność w Shopping. Sprawdźcie, czy wpis w robots.txt nie blokuje wszystkich trzech jedną regułą.
Co dalej
Zacznijcie od audytu dwudziestu najlepiej sprzedających się produktów: GTIN, pełne Offer w JSON-LD, spójna cena i dostępność, dwie zewnętrzne recenzje. Dopiero po zamknięciu tej listy ma sens praca nad opisami i treściami porównawczymi. Jeśli sklep stoi na Shopify lub WooCommerce, tekst o różnicach we wdrożeniu AIO na obu platformach pokaże, które z tych punktów platforma załatwia sama, a które wymagają wtyczki lub ręcznej pracy.
