Jak przygotować e-commerce na zakupy przez agentów AI

Dlaczego stary e-commerce przestaje wystarczać

Klasyczny lejek — SEO, Google Ads, landing page, koszyk — nadal działa, ale obok niego wyrósł nowy kanał: wyszukiwarki AI. ChatGPT, Perplexity, Claude, Gemini, AI Overview i AI Mode w Google to dziś do 1% wszystkich sesji zakupowych, ale ruch ten rośnie bardzo szybko. Co ważniejsze, użytkownik LLM-a zadaje inne pytania niż użytkownik Google.

Zamiast „buty do biegania Nike” wpisuje: „mam 54 lata, strzykania w kolanach, jakie buty do biegania po asfalcie kupić do 400 zł”. Longtail wydłużył się z 7–8 słów do 150–200 słów w jednym prompt. Jeżeli Twój sklep nie odpowiada na takie pytania — treścią, parametrami, poradnikiem — nie pojawi się w rekomendacji agenta.

Docelowy scenariusz jest taki, że agent użytkownika („kup mi kawę, skończyła się w lodówce”) rozmawia z agentem sklepu, sprawdza cenę, koszty wysyłki, regulamin zwrotów, opinie i decyduje za klienta. Wtedy strona www w klasycznej formie przestaje być głównym punktem styku — punktem styku staje się feed, który agenci między sobą wymieniają.

Trzy techniczne warunki, żeby AI „zobaczył” Twój sklep

Paweł Gątarek wskazuje trzy elementy, które decydują o tym, czy scraper LLM-a w ogóle zaindeksuje Twoje produkty:

1. Szybkość ładowania. Scrapery AI wchodzą i wychodzą — nie mają cierpliwości Google, które budowało algorytmy przez 20 lat. Docelowo strona powinna ładować się poniżej 200 ms, szczególnie na mobile.
2. Karta produktu z twardymi cechami. Wszystko, co decyduje o zakupie, musi być w tekście (nie w JavaScript, nie w PDF-ie do pobrania). Kolor koperty zegarka, przepuszczalność styropianu, waga kasku, kompatybilność z okularami — każdy parametr, którego brakuje, to punkt przewagi konkurencji, u której ten parametr jest opisany. Jeśli chcesz podać agentom AI ustrukturyzowany feed produktowo-cenowy zamiast liczyć na scraping, dostępne są dane cenowe w formie API.
3. Content marketing pokrywający intencje. Nie tylko intencję transakcyjną („buty do biegania Nike”), ale też informacyjną („jakie buty do biegania po asfalcie dla 54-latka”). Jeżeli nie masz poradnika, który odpowiada na to drugie pytanie, LLM Cię nie zacytuje.

Content marketing — nie tylko blog

Blog to jedno, ale content w rozumieniu LLM-owym to też:

• infografiki na karcie produktu (co jest w opakowaniu, jak zamontować),
• wideo produktowe (unboxing, użycie, montaż),
• webinary i podcasty (osadzone na stronie z transkrypcją),
• FAQ pod produktem odpowiadające na pytania z biura obsługi klienta.

Pro tip Paweł Gątarek: wyciągnij od zespołu obsługi klienta listę pytań, które klienci zadają najczęściej — to gotowa mapa treści. Drugi pro tip: przejrzyj negatywne i średnie opinie o produktach (własne i konkurencji). Klienci wypisują tam konkretne cechy, których zabrakło — to gotowe pomysły na rozbudowę karty produktu i bloga.

Cena jako czynnik decyzyjny agenta

Agent nie patrzy tylko na najniższą cenę. Analizuje cały koszyk zmiennych, do których człowiek często nie dochodzi: koszt wysyłki, czas dostawy, warunki zwrotu, opinie, koszty ukryte, koszt eksploatacji (drukarka atramentowa jest tania w zakupie, ale droga w druku). Dlatego dwie oferty w cenie 99 zł vs 109 zł nie muszą kończyć się wyborem tej pierwszej — jeżeli druga ma darmową wysyłkę, 90-dniowe zwroty i 500 opinii.

Wniosek dla strategii cenowej: automatyzacja cen w e-commerce powinna uwzględniać więcej niż tylko cenę konkurenta. Praktycznie oznacza to strategię, w której algorytm dostosowuje cenę per kanał (Allegro, Ceneo, Google Shopping, sklep własny — bo prowizje są różne), per pozycja rynkowa (chcę być najtańszy, ale z marżą min. 15%) i per stan magazynowy.

W Dealavo wygląda to tak, że najpierw wskazujesz produkty do obserwacji (nie musisz wszystkich 25 tys. SKU — wystarczą bestsellery), potem definiujesz strategię („najtańszy na rynku z marżą 15%, końcówki 99 gr” albo „średnia cena rynkowa dla produktów drugorzędnych”), a algorytm pobiera dane z feedu i wgrywa rekomendowane ceny z powrotem do sklepu. Właściciel decyduje o strategii, nie o tym, żeby ręcznie przeklejać ceny z Excela.

Lojalność w świecie, w którym decyduje agent

W świecie agentów lojalność przenosi się z marki na algorytm — klient jest lojalny wobec agenta, który podejmuje za niego decyzję, nie wobec sklepu.

Skoro AI wybiera „sucho, bez emocji”, to czy klasyczne budowanie marki jeszcze ma sens? Ma — ale trzeba przesunąć akcent.

• Marka nadal decyduje o rekomendacji. Żeby LLM Cię zacytował, musi Cię znać. To znaczy: musisz mieć wzmianki, cytacje, rekomendacje w miejscach, które LLM zaciąga do treningu i do wyszukiwania w czasie rzeczywistym (LinkedIn, blogi branżowe, portale, YouTube).
• Programy lojalnościowe działają w drugą stronę. Jeżeli po drugim zakupie klient płaci 80 zł zamiast 100 zł, agent to policzy w horyzoncie subskrypcyjnym. To realny bonus w rankingu agenta dla produktów kupowanych regularnie (kawa, karma, filtry, kosmetyki).
• Kompletność oferty. Agent premiuje sklepy, w których jednym zamówieniem klient dostanie działający zestaw. Sklep, który sprzedaje wkrętarkę razem z baterią i bitami, wygra z tańszym o 5 zł sklepem, w którym trzeba zamówić trzy przesyłki od trzech kurierów.
• Wiarygodność w regulaminie i opiniach. Agent przeanalizuje regulamin, warunki zwrotów, liczbę opinii. Nowy sklep bez śladów w sieci przegra nawet z droższą, ale wiarygodną ofertą.

Marka osobista foundera — pomaga czy przeszkadza?

Marka osobista foundera pomaga w AI Search — LLM-y cytują nazwane osoby chętniej niż anonimowe firmy.

Krótko: pomaga na starcie, przeszkadza w skalowaniu i sukcesji. Jeżeli budujesz sklep pod własnym nazwiskiem, cała reputacja idzie z Tobą — także kiedy będziesz chciał sprzedać biznes, dać zarząd komuś innemu albo po prostu odpocząć. Rekomendacja z rozmowy: buduj personę i markę sklepu równolegle, ale trzymaj je jako dwie oddzielne encje. Domena \`imie-nazwisko.pl\` dla sklepu z rękawiczkami to zły pomysł, nawet jeżeli w pierwszych trzech latach to przyspiesza rozpoznawalność.

Halucynacje i human-in-the-loop

Agenci halucynują — i będą halucynować jeszcze długo. LLM działa probabilistycznie: składa odpowiedź z fragmentów, nie sprawdza faktów. Dlatego:

• Nie zostawiaj agenta bez nadzoru na zbiorze 25 tys. produktów. Nawet 99,7% poprawności oznacza 75 błędnych cen — a jedna błędna cena na dużym zamówieniu potrafi zjeść marżę tygodnia.
• Confidence check jest po Twojej stronie. Wypuszczasz opisy produktów generowane przez AI? Zrób próbkę 30 rekordów i sprawdź ręcznie. Wdrażasz automatyczną zmianę cen? Ustaw twarde widełki marży, poniżej których system nie zejdzie.
• LLM zgadza się z użytkownikiem. Jeżeli powiesz mu „pomyliłeś się”, odpowie „masz rację” — nawet jeżeli miał rację on. To Twoje zadanie zaprojektować system, który weryfikuje odpowiedź, a nie ślepo jej ufa.

Praktyczna checklista — najbliższe 90 dni

• ☐ Zmierz czas ładowania karty produktu na mobile i skróć do \<500 ms (docelowo \<200 ms).
• ☐ Przejrzyj 20 bestsellerów i sprawdź, czy wszystkie twarde parametry są w HTML-u, nie w PDF-ie ani nie w grafice.
• ☐ Zbierz od obsługi klienta listę pytań powtarzających się i zamień je na sekcję FAQ pod produktem oraz na 5 poradników blogowych.
• ☐ Przejrzyj 3-gwiazdkowe opinie o produktach konkurencji — wyciągnij cechy, których im brakowało, i uzupełnij je u siebie.
• ☐ Ustal strategię cenową (najtańszy vs średnia rynkowa vs premium) per kategoria i zapisz twarde widełki marży — wsparciem operacyjnym jest analiza cen konkurencji na kluczowych SKU.
• ☐ Sprawdź, czy sklep oddaje kompletne zestawy (wkrętarka \+ bateria \+ bity, drukarka \+ zasilacz \+ kabel) i uzupełnij tam, gdzie klient dziś musi domawiać.
• ☐ Wprowadź program lojalnościowy z jasno komunikowaną korzyścią przy drugim zakupie — to sygnał, który agent uwzględni.
• ☐ Rozdziel markę osobistą foundera od marki sklepu (osobne domeny, osobne konta, osobny content).