AI Search w e-commerce — odpowiedzi na pytania z webinaru z ICEA

Czy warto nadal inwestować w Google Ads w erze AI?

Tak — i to z dwóch niezależnych powodów. Google jako firma nie wycofa się z płatnych wyników (to zbyt duża część jej modelu przychodowego), a Google Ads są już integrowane z AI Mode i AI Overviews. Reklamy pojawiają się wewnątrz odpowiedzi generatywnych — Twój budżet Ads pracuje więc jednocześnie w klasycznym SERP-ie i w interfejsie AI.

ChatGPT prowadzi już pierwsze testy reklamowe (w Polsce jeszcze w ograniczonym zakresie). Podejście, które ma sens dziś: Ads jako obecność, nie jako jedyne źródło ruchu. Warto być widocznym w obu formatach — organicznym i płatnym — bo klient przechodzi między nimi płynnie i asystent AI zbiera sygnały z obu.

Jak opisywać produkty, żeby AI mogło je porównać?

Trójwarstwowo — narracja dla użytkownika, tabela/lista dla AI, schema dla botów. Ta struktura powtarza się w każdym pytaniu, które padło o formatowanie: listy vs. tabele, warianty, cechy, opisy w popupach. Poniżej rozpisujemy warstwy i typowe błędy.

Kilka konkretów, które padały w pytaniach:

Warianty — must-have czy opcja?

Nie są must-have. Jeśli Twój produkt ich nie ma, nie wymyślaj ich na siłę — optymalizujesz pod to, co masz. Kompletne parametry i jasny opis zastosowania dają Ci więcej niż sztuczne warianty.

Opisy w popupach — czy AI je widzi?

Jeśli tekst jest zawarty w wyrenderowanym HTML strony (element w DOM, tylko ukryty CSS-em) — AI go zobaczy. Jeśli popup jest ładowany dynamicznie przez JavaScript dopiero po kliknięciu i nie renderuje się po stronie serwera — najprawdopodobniej pozostanie niewidoczny dla botów. Sprawdź w narzędziach developerskich (View Source, nie Inspect), czy treść jest w surowym źródle. Jeśli nie ma — przenieś do widocznej sekcji karty produktu.

Tabele vs. listy — co lepiej cytuje AI

Tabele wygrywają w porównaniach i specyfikacjach technicznych. Listy — w wyliczeniach cech i zastosowań. Obie formy są dla LLM-ów znacząco częściej cytowane niż bloki prozy.

Co zrobić w Shoperze i innych SaaS-ach, gdy nie masz dostępu do kodu?

Sporo — bo 80% pracy pod AI Search to treści i dane produktowe, nie manipulacje w szablonie. Shoper i większość porównywalnych platform daje w standardzie natywną obsługę schemy Product, Offer i breadcrumbs, pełen feed do Google Merchant Center oraz edytor treści z tabelami, listami i nagłówkami. Rozszerzoną schemę (Review, AggregateRating, FAQPage) można dołożyć przez skrypty JavaScript w szablonie.

Konkretne działania, które wykonujesz bez dotykania kodu:

• Modułowe opisy produktów — jeden akapit \= jedna zamknięta odpowiedź. AI cytuje pojedyncze fragmenty, nie całe artykuły.
• Tabele parametrów zamiast marketingowych fraz typu „wysokiej jakości”.
• FAQ na kartach produktów — nawet bez znacznika FAQPage sam format Q\&A pomaga cytowalności.
• Blog z porównaniami, scenariuszami użycia i sekcjami „kiedy NIE kupować” — modele językowe uwielbiają ten format.
• Kompletny feed do Merchant Center z atrybutami wykraczającymi poza cenę i rozmiar (styl, materiał, zastosowanie, kompatybilność).

Ograniczony dostęp do kodu nie jest wymówką. Wymówką jest identyczna karta produktu jak u konkurencji.

Co zrobić, gdy tysiące produktów mają ten sam opis producenta?

Nie musisz przepisywać wszystkich — musisz zdecydować, które 5–10% chcesz wygrać. Ten problem dotyczy zarówno hurtowni z 200 000 SKU, jak i aptek internetowych z opisami leków ściśle regulowanymi prawem. W obu przypadkach mechanika przewagi jest ta sama.

Trzy kroki:

1. Priorytetyzacja. Wyodrębnij bestsellery (top 20% obrotu), produkty wysokomarżowe i te, na których masz realną przewagę (dostępność, cena, dostawa). Dla nich piszesz unikalne, modułowe opisy z parametrami, use case’ami i sekcją „kiedy NIE”.
2. Wzbogacanie danych zamiast przepisywania treści. Dla pozostałych 90%+ nie musisz tworzyć oryginalnych opisów. Wystarczy, że feed ma więcej atrybutów niż konkurencja, schema.org jest kompletna, a warianty i parametry techniczne są uporządkowane precyzyjniej.
3. Sygnały wokół produktu, nie w produkcie. Ocena Twojego sklepu, liczba opinii, czas dostawy, polityka zwrotów, obecność farmaceuty/eksperta na czacie — to wszystko sygnały, które AI porównuje między sklepami sprzedającymi identyczny produkt.

Dla leków dochodzą jeszcze schema specyficzne dla branży (Drug, MedicalWebPage) oraz kontent decyzyjny obok karty produktu: porównania substancji czynnych, FAQ zgodne z regulacjami, artykuły edukacyjne. Ulotki nie zmienisz — kontekst wokół niej możesz zbudować cały.

Czy media społecznościowe pomagają w widoczności AI?

Tak — z trzech niezależnych powodów. Aktywne konta social realnie zasilają widoczność w AI Search, ale nie zastępują dobrze przygotowanego sklepu.

• Budują sygnał o marce w źródłach zewnętrznych. AI znacznie częściej cytuje to, co piszą o Tobie inni, niż to, co piszesz o sobie sam. Zaangażowana społeczność to dla modeli językowych dowód, że marka istnieje jako rozpoznawalna encja.
• Przeciągają ruch do sklepu. Nawet w erze AI to nadal działa — użytkownik trafia z posta na kartę produktu, sesja się rejestruje, sygnały behawioralne rosną.
• Same treści mogą być cytowane bezpośrednio. AI Overviews i LLM-y cytują LinkedIn, Reddit, YouTube — nie tylko klasyczne strony www.

Ważne zastrzeżenie: media społecznościowe to wzmocnienie, nie zamiennik dobrego feedu i danych strukturalnych. Priorytetem zostaje sklep — social to warstwa dowodowa.

Jak zbudować listę 30–50 zapytań do monitoringu widoczności?

Nie ma gotowej uniwersalnej listy — musisz zbudować własną z czterech źródeł. Koszyk zapytań zależy od branży, modelu (B2B vs B2C) i asortymentu. Od czego zacząć:

• Pytania z infolinii i maili. To najczystsze źródło intencji — jeśli klient pyta ludzkim głosem, to samo pytanie zada asystentowi AI.
• Zapytania transakcyjne — „gdzie kupię X do zastosowania Y”, „X z dostawą na jutro”.
• Zapytania ogólne — „najlepszy sklep z X w Polsce”, „X z darmowym zwrotem”.
• Zapytania wygenerowane przez LLM. Poproś ChatGPT/Gemini o wygenerowanie 30–50 zapytań zakupowych w kontekście Twojej marki, z podziałem na intencje.

Dodatkowa taktyka: w Google Analytics 4 sprawdź ruch referral z ChatGPT. Strony, na które przychodzi ruch z LLM-ów, to te, które model już cytuje — analizuj je jako wzorzec do powielenia.

Zasada techniczna: testuj zapytania po wyczyszczeniu sesji w chatbocie. Historia rozmów zniekształca wyniki i pokazuje Ci, co AI myśli o Tobie, a nie co pokaże świeżemu klientowi.

Plan działań: co zrobić w 30, 90 i 180 dni?

Przygotowanie sklepu do AI Search to trzyetapowy proces — diagnoza, porządkowanie, budowa przewagi. Nie próbuj optymalizować wszystkiego naraz. Zacznij od bestsellerów i produktów wysokomarżowych.

Źródła

• Webinar Dealavo × ICEA (8.07.2026) — „E-commerce w erze AI Search: jak utrzymać ruch, sprzedaż i pozycję?” — prelegenci: Tomasz i Mateusz (grupa ICEA), Amadeusz Bathelt (Dealavo).  https://www.youtube.com/watch?v=LNWnLlEwdDY
• Grupa ICEA — konsultacja SEO/GEO — https://www.grupa-icea.pl/konsultacja/dealavo/
• SparkToro — badanie zero-click searches — Dane cytowane w webinarze: \~60% wyszukiwań w Google kończy się bez kliknięcia; wzrost do \~83% przy ekspansji AI Overviews i AI Mode. Źródło: sparktoro.com/blog (raporty Rand Fishkin o zero-click search).
• Google Search Central — zmiany w FAQ i HowTo (2023) — https://developers.google.com/search/blog/2023/08/howto-faq-changes — oficjalne stanowisko Google o wycofaniu rich snippets dla FAQPage.
• Schema.org — dokumentacja standardu — https://schema.org/ — znaczniki Product, Offer, AggregateRating, Review, BreadcrumbList, FAQPage, Drug, MedicalWebPage.