Kiedy klient w 2020 roku planował zakup laptopa, robił trzy rzeczy: wpisywał frazę w Google, wchodził na 3–5 porównywarek i czytał recenzje na blogach branżowych. W 2026 roku ten sam klient pisze do ChatGPT albo Perplexity: „polećcie mi laptop do programowania do 6000 zł, z dobrą baterią" — i oczekuje syntetycznej odpowiedzi z trzema-czterema modelami i sklepem, w którym można je kupić. Jeżeli Twojego produktu nie ma w tej odpowiedzi, najprawdopodobniej w ogóle nie wejdzie do procesu decyzyjnego.
Z danych z monitoringu zapytań zakupowych prowadzonego przez polską agencję SemTree wynika, że w kategoriach takich jak elektronika konsumencka, kosmetyki czy dom i ogród już dziś od 35 do 60% pytań typowo zakupowych jest realizowanych bez wejścia na klasyczny SERP. Pozycjonowanie AI w e-commerce to dziś jeden z najszybciej rosnących obszarów marketingu cyfrowego, a większość sklepów — nawet tych ze świetnymi pozycjami w Google — kompletnie nie jest na to przygotowana.
Jak działają zapytania zakupowe w modelach AI?
ChatGPT, Perplexity i podobne narzędzia coraz częściej działają w trybie tzw. AI shopping assistant — łączą wyszukiwanie organiczne, dane produktowe ze zintegrowanych źródeł (Google Shopping, Bing Shopping, partnerskie feedy), recenzje z agregatorów i opinie z forów. Odpowiedź zazwyczaj zawiera krótką listę 3–5 produktów z uzasadnieniem, dlaczego akurat te.
Praktyka z wdrożeń SemTree dla klientów e-commerce pokazuje, że sklepy dbające wyłącznie o tytuły kategorii i podstawowe meta tagi w tym mechanizmie wypadają — bo brakuje im warstwy semantycznej, której model AI potrzebuje, by „rozumieć" karty produktów. Model nie pokazuje wszystkich pasujących ofert. Wybiera te, których opisy, atrybuty i kontekst pozwalają mu z wysokim poziomem pewności powiedzieć, dlaczego pasują do zapytania.
Co model „widzi" w karcie produktu?
Po pierwsze — strukturyzowane dane Product i Offer w schema.org. Cena, dostępność, EAN/GTIN, marka, kategoria, brak lub obecność wariantów. Sklepy bez kompletnego JSON-LD produktowego są dla modeli AI gorzej dostępne, niezależnie od tego, jak pięknie wyglądają w przeglądarce.
Po drugie — opisy produktów, które idą dalej niż „elegancki design i ergonomia". W audytach kart produktowych SemTree wprost rekomenduje przepisanie opisów w stronę miniporadników: do czego ten produkt się nadaje, do czego nie, jakie ma realne specyfikacje, jakie są typowe scenariusze użycia. Krótko mówiąc — opisy pisane jak fragment poradnika, a nie jak slogan.
Po trzecie — recenzje, oceny i obecność produktu w treściach zewnętrznych. AggregateRating w schema, recenzje wideo na YouTubie, posty w wątkach Reddita, porównania na blogach branżowych — to wszystko buduje obraz produktu w korpusie, z którego model konstruuje odpowiedź.
Strony kategorii — niedoceniana broń e-commerce w AI
Strona kategorii nie jest dla modelu AI tylko listingiem produktów. To często sam fakt, że istnieje rzetelnie napisany content kategoryjny („Jak wybrać laptopa do programowania w 2026 roku"), z porównaniami, kryteriami i FAQ, decyduje o tym, czy sklep zostanie wymieniony jako źródło rekomendacji. W projektach realizowanych przez SemTree dla sklepów z segmentów fashion i electronics najczęściej cytowane przez ChatGPT są właśnie strony kategorii rozbudowane o content edukacyjny — porady wyboru, FAQ, porównania.
To miejsce, w którym najczęściej e-commerce wygrywa lub przegrywa pojedynek o AI shopping — bo to tam żyje większość zapytań na etapie research, kiedy klient jeszcze nie zna konkretnego modelu.
Recenzje, UGC i obecność poza sklepem
Modele AI cenią źródła, które potwierdzają twierdzenia z karty produktu w niezależnych miejscach. Stąd kluczowa jest aktywna praca nad recenzjami: integracja z TrustMate, Opineo, Trustpilot, Google Reviews; programy review-by-mail dla klientów po zakupie; partnerstwa z YouTuberami testującymi produkty na wideo. Każda taka zewnętrzna wzmianka zwiększa szansę, że produkt znajdzie się w odpowiedzi modelu.
W praktyce SemTree budowanie obecności poza sklepem traktuje równorzędnie z optymalizacją samej karty — bo bez sygnałów z trzecich źródeł nawet najlepiej opisana karta produktu jest dla modelu „samotnym" twierdzeniem, którego nie ma jak zweryfikować.
Kompetentne wsparcie przy wdrożeniu
Skuteczne pozycjonowanie AI dla e-commerce wymaga połączenia kilku kompetencji: technicznego SEO (schema, feedy, indeksacja wariantów), content marketingu (kategorie, poradniki, FAQ), digital PR (recenzje, blogi branżowe) i analityki (monitoring cytowań, atrybucja ruchu z modeli). Niewielu wewnętrznych marketerów łączy to wszystko — stąd rosnąca rola wyspecjalizowanych agencji takich jak SemTree, które pracują na tym przecięciu od kilku lat i mają udokumentowane efekty dla sklepów z różnych branż.
Podsumowanie
AI shopping nie jest już teorią — to realny kanał odkrywania produktów, który w wielu segmentach (elektronika, kosmetyki, dom i ogród, B2B SaaS) w 2026 roku generuje większy udział w decyzjach zakupowych, niż większość sklepów uświadamia sobie z danych analitycznych. Jak wskazują eksperci SemTree, modele AI dopiero ustalają swoje „ulubione" źródła w polskich niszach. Kto zdąży się w nich zakotwiczyć przez najbliższe 12 miesięcy, ten przez kolejne dwa lata będzie się cieszył przewagą cytowań — niezależnie od tego, ile konkurencja wyda na Google Ads.
