AI staje się coraz ważniejszym elementem ścieżki zakupowej. Według badania Altavia Kamikaze + K2, objętego patronatem IAB Polska, 20 proc. polskich konsumentów deklaruje świadome korzystanie z takich narzędzi jak ChatGPT, Gemini czy Claude podczas zakupów. W grupie 18-24 lata odsetek wynosi już 33 proc. Dodatkowe 19 proc. badanych nie jest pewnych, czy rozwiązania, z których korzystali, wykorzystywały AI, np. w przypadku generatywnych odpowiedzi pojawiających się w wyszukiwarce.
Dla sklepów internetowych oznacza to zmianę zasad gry. Jeszcze niedawno podstawowym zadaniem było doprowadzenie użytkownika do strony z Google, social mediów czy reklamy. Coraz częściej decyzja o tym, czy użytkownik w ogóle odwiedzi sklep, może zostać podjęta wcześniej, na podstawie odpowiedzi wygenerowanej przez model AI.
AI może zostać doradcą zakupowym jeszcze przed wejściem do sklepu
Klient może dziś zapytać:
- jaki model wybrać do 1000 zł,
- które urządzenie ma najmniej awarii,
- czy konkretny produkt ma znane wady,
- który kosmetyk będzie lepszy dla określonego typu skóry,
- czy istnieje tańsza alternatywa o podobnych parametrach.
Problem zaczyna się wtedy, gdy system nie znajduje wystarczająco dobrych danych i mimo to formułuje jednoznaczną odpowiedź.
Model językowy może połączyć nieaktualny wpis z forum, dane dotyczące podobnego produktu i ogólną wiedzę o kategorii, a następnie przedstawić powstałą syntezę tak, jakby dotyczyła konkretnego modelu.
Z perspektywy klienta odpowiedź może wyglądać wiarygodnie. Z perspektywy producenta może oznaczać sytuację, w której jego produkt zostaje odrzucony z powodu problemu, który nigdy nie występował.
TrustMate przetestował 200 produktów
We wrześniu 2026 roku zespół TrustMate przeprowadził test obejmujący 200 kart produktowych z polskich sklepów internetowych z trzech kategorii: elektroniki użytkowej, domu i ogrodu oraz kosmetyków naturalnych.
Produkty analizowano przy użyciu ChatGPT Search, Perplexity Pro oraz Gemini. Łącznie przeprowadzono ponad 600 standaryzowanych prób. Modele otrzymywały pytania dotyczące specyfikacji, awaryjności, powtarzalnych wad oraz alternatyw w podobnej cenie. Odpowiedzi porównywano następnie z dokumentacją producentów, atestami bezpieczeństwa i bazą zweryfikowanych zgłoszeń reklamacyjnych.
Badanie zestawiało dwie grupy produktów. Pierwsza posiadała w kodzie ustrukturyzowane dane dotyczące opinii, pochodzące z systemu TrustMate. Druga takich danych nie miała.
Wynik zwraca uwagę.
W grupie bez tych mikrodanych w 46 proc. analizowanych odpowiedzi system miał wygenerować nieistniejącą wadę produktu lub bezpodstawnie zasugerować tańszy zamiennik z zagranicznej platformy handlowej. W grupie posiadającej zweryfikowane dane transakcyjne odsetek odpowiedzi zaklasyfikowanych w ten sposób spadł poniżej 3 proc.
Model potrafił wymyślić wadę, której produkt nie miał
Autorzy testu opisują kilka powtarzających się sytuacji.
W przypadku urządzeń model miał przypisywać produktom ryzyko awarii termostatu, którego nie potwierdzała dokumentacja ani historia reklamacji. Przy kosmetykach pojawiały się informacje o składnikach drażniących, których w rzeczywistym składzie nie było. Zdarzało się również łączenie polskich produktów z podobnie nazwanymi importowanymi odpowiednikami i przypisywanie jednemu cech dotyczących drugiego.
To szczególnie poważny problem, gdy pytanie użytkownika jest sformułowane negatywnie.
Jeśli klient pyta:
„Jakie są najczęstsze wady tego modelu?”
model otrzymuje założenie, że jakieś wady istnieją. Jeżeli nie znajduje wystarczająco dobrych źródeł, może próbować zbudować odpowiedź z informacji dotyczących kategorii, podobnych urządzeń albo starszych dyskusji.
W efekcie odpowiedź brzmi prawdopodobnie, chociaż niekoniecznie jest prawdziwa.
46 proc. nie oznacza, że AI myli się przy niemal połowie zakupów
Wynik testu jest interesujący, ale wymaga właściwej interpretacji.
46 proc. nie oznacza, że każdy produkt pozbawiony danych strukturalnych ma 46-procentowe prawdopodobieństwo zostania błędnie opisanym przez AI. Nie jest to również miara ogólnej jakości ChatGPT, Gemini czy Perplexity.
To wynik konkretnego eksperymentu, przeprowadzonego na określonej próbie produktów i przy użyciu określonych promptów.
Co więcej, do jednej kategorii błędu zaliczono dwa różne zjawiska: wymyślenie nieistniejącej wady oraz bezpodstawną rekomendację zagranicznej alternatywy. Pierwsze jest klasyczną konfabulacją. Drugie wymaga bardziej złożonej oceny, ponieważ samo polecenie produktu konkurencji nie jest jeszcze błędem.
Warto również zauważyć, że badanie przeprowadził TrustMate, firma oferująca system zbierania zweryfikowanych opinii, a ustrukturyzowane dane wykorzystane w testowanej grupie pochodziły właśnie z jej rozwiązania. Wyniki warto więc traktować jako interesujący eksperyment wskazujący problem, ale nie jako niezależny dowód, że jedno konkretne wdrożenie techniczne eliminuje halucynacje modeli.
Czy Schema.org rzeczywiście chroni przed halucynacjami?
Na tym etapie byłoby zbyt dużym uproszczeniem powiedzieć, że wystarczy dodać Schema.org i problem znika.
Google potwierdza, że dane strukturalne pomagają mu zrozumieć informacje zawarte na stronie. W przypadku produktów można przekazywać w uporządkowany sposób m.in. cenę, dostępność, markę, ofertę, opinie i zagregowaną ocenę.
Google zaznacza jednocześnie, że w przypadku AI Overviews i AI Mode nie istnieje specjalny rodzaj Schema.org wymagany do pojawiania się w generatywnych odpowiedziach. Podstawowe zasady SEO pozostają aktualne, a uporządkowane dane powinny przede wszystkim odpowiadać informacjom faktycznie widocznym na stronie.
To ważne rozróżnienie.
Schema.org może pomóc maszynie jednoznacznie zidentyfikować:
- nazwę produktu,
- producenta,
- SKU lub GTIN,
- cenę,
- dostępność,
- ocenę,
- liczbę opinii,
- konkretną ofertę.
Nie ma jednak gwarancji, że dowolny zewnętrzny system AI wykorzysta te informacje w identyczny sposób ani że samo ich wdrożenie uniemożliwi modelowi popełnienie błędu.
Dane strukturalne nie powinny być traktowane jak niewidzialny opis dla bota
Istotne jest również to, że markup powinien odpowiadać treści dostępnej użytkownikowi.
Google wymaga, aby informacje oznaczone jako recenzje czy oceny rzeczywiście znajdowały się na stronie. Nie powinno się wykorzystywać danych strukturalnych do przekazywania robotowi informacji, których klient nie może zweryfikować w widocznej zawartości.
Dla e-commerce oznacza to, że nie wystarczy „dopisać danych dla AI”.
Karta produktu powinna sama w sobie być dobrym źródłem informacji.
Karta produktu staje się również źródłem dla maszyn
To jedna z najważniejszych zmian, jakie generatywna AI wprowadza do e-commerce.
Dotychczas karta produktu była projektowana przede wszystkim z myślą o człowieku oraz klasycznej wyszukiwarce. Teraz coraz częściej jej zawartość może zostać wykorzystana jako fragment większej odpowiedzi generowanej przez system AI.
Jeżeli sklep podaje wyłącznie marketingowy opis:
„najwyższa jakość, niezrównana wydajność i wyjątkowa niezawodność”
model otrzymuje niewiele konkretnych danych.
Znacznie bardziej użyteczne są jednoznaczne informacje:
- dokładna specyfikacja,
- wariant produktu,
- wymiary i parametry,
- materiały,
- kompatybilność,
- gwarancja,
- instrukcja,
- certyfikaty,
- rzeczywiste zalety i ograniczenia,
- odpowiedzi na często zadawane pytania.
Paradoksalnie przygotowywanie sklepu na erę AI może więc wymagać przede wszystkim lepszych kart produktowych, a nie nowych marketingowych sloganów o GEO.
Opinie klientów mogą stać się źródłem wiedzy o produkcie
Wartość recenzji również może się zmieniać.
Komentarz:
„Polecam, super produkt”
ma ograniczoną wartość informacyjną zarówno dla potencjalnego klienta, jak i dla systemu analizującego cechy produktu.
Znacznie więcej wnosi opinia opisująca konkretne doświadczenie: głośność urządzenia, trwałość baterii, jakość materiałów, czas montażu czy zachowanie produktu po kilku miesiącach użytkowania.
Google w przypadku własnego systemu ocen treści również podkreśla znaczenie recenzji wnoszących oryginalną analizę i wiedzę wynikającą z doświadczenia, zamiast powierzchownych podsumowań.
Dla sklepów oznacza to, że jakość systemu opinii może być coraz ważniejsza od samej liczby gwiazdek.
Nie każdy system AI korzysta z danych w taki sam sposób
To kolejny powód, dla którego nie należy mówić o jednym uniwersalnym „algorytmie AI”.
ChatGPT Search, Gemini, AI Overviews, Perplexity czy inne narzędzia różnią się sposobem wyszukiwania źródeł, modelami, rankingiem dokumentów oraz metodą konstruowania odpowiedzi.
Nawet w samym Google AI Overviews i AI Mode mogą używać różnych modeli i technik. Google opisuje m.in. mechanizm query fan-out, w którym system wykonuje wiele powiązanych wyszukiwań, aby zebrać informacje dotyczące różnych części problemu.
Dlatego optymalizacja sklepu pod „AI” nie powinna oznaczać próby znalezienia jednego technicznego triku.
Znacznie bezpieczniejsze jest założenie, że informacje o produkcie powinny być jednoznaczne, aktualne, spójne i możliwe do zweryfikowania w wielu wiarygodnych źródłach.
Marketplace ma przewagę, której mały sklep nie powinien ignorować
Wyniki testu wskazują również na problem dużych platform sprzedażowych. Marketplace’y mają ogromną liczbę stron produktowych, recenzji i danych związanych z zachowaniem użytkowników. Mały sklep producenta może posiadać znacznie mniej materiału dostępnego publicznie.
Nie oznacza to automatycznie, że system AI zawsze będzie preferował marketplace.
Może jednak wystąpić sytuacja, w której o produkcie łatwiej znaleźć pełne dane na dużej platformie niż na oficjalnej stronie marki. Wówczas producent traci kontrolę nad kontekstem, w którym jego produkt zostaje opisany.
Problem biznesowy jest większy niż utrata jednego wejścia. Klient może zostać skierowany z oficjalnej witryny na marketplace, gdzie sprzedawca zaczyna konkurować ceną z innymi ofertami, a obok pojawiają się alternatywy innych producentów.
Dlatego niezależne sklepy powinny patrzeć na jakość danych produktowych również jako na element ochrony własnego kanału sprzedaży.
Co e-commerce może zrobić już teraz?
Nie istnieje metoda zapewniająca pełną kontrolę nad tym, co o produkcie powie model AI. Można jednak ograniczać informacyjną niepewność.
Pierwszym krokiem powinny być kompletne dane Product, Offer, Review i AggregateRating, jeżeli odpowiadają rzeczywistej zawartości strony. Google wskazuje, że uporządkowane dane produktowe mogą przekazywać m.in. informacje o cenie, dostępności i ocenach, zwiększając jednocześnie możliwości prezentowania produktu w różnych elementach wyszukiwarki.
Równie ważne jest jednak coś mniej technicznego: porządna karta produktu. Powinna zawierać dokładne parametry, aktualną dokumentację, jasno opisane warianty, informacje o gwarancji, kompatybilności i najczęstszych pytaniach.
Warto również zadbać o Merchant Center oraz spójność informacji pomiędzy stroną sklepu, dokumentacją producenta i innymi oficjalnymi źródłami. Google rekomenduje aktualizowanie Merchant Center również w kontekście widoczności w funkcjach AI.
Sklepy powinny zacząć testować własne produkty w AI
Jeszcze niedawno monitoring widoczności oznaczał przede wszystkim sprawdzanie pozycji w Google, udziału w wynikach czy cen na marketplace’ach.
Do tej listy warto dodać nowe pytanie:
Co o naszych najważniejszych produktach mówi AI?
Nie chodzi o wykonanie jednego promptu i uznanie wyniku za stały. Odpowiedzi mogą zmieniać się w zależności od narzędzia, wersji modelu, sformułowania pytania i dostępnych źródeł.
Można jednak regularnie testować najważniejsze scenariusze zakupowe:
- „Jakie wady ma produkt X?”
- „Czy warto kupić produkt X?”
- „X czy Y?”
- „Jaki jest najlepszy zamiennik produktu X?”
- „Czy produkt X jest bezpieczny?”
- „Jakie problemy najczęściej zgłaszają użytkownicy produktu X?”
Jeżeli kilka systemów zaczyna powtarzać ten sam nieprawdziwy zarzut, firma otrzymuje sygnał, że w publicznie dostępnych danych może istnieć problem wymagający wyjaśnienia.
Nie chodzi o przejście „z SEO na GEO”
Jedna z tez badania mówi o konieczności przejścia z tradycyjnego SEO do GEO, czyli Generative Engine Optimization. Takie przeciwstawienie obu dziedzin jest jednak zbyt daleko idące.
Przynajmniej w przypadku Google firma oficjalnie wskazuje, że podstawowe praktyki SEO pozostają aktualne także dla AI Overviews i AI Mode. Nie ma wymogu tworzenia specjalnych plików czy nowego rodzaju znaczników przeznaczonych wyłącznie dla generatywnej wyszukiwarki.
Zmienia się raczej sposób myślenia o widoczności.
Sklep nie optymalizuje już tylko niebieskiego linku w Google. Musi zadbać również o to, aby informacje o jego produktach były wystarczająco dobre, jednoznaczne i wiarygodne, gdy korzystają z nich systemy tworzące własną odpowiedź.
GEO może być użytecznym określeniem tego nowego obszaru, ale nie powinno być przedstawiane jako następca SEO.
Czego badanie TrustMate nie dowodzi?
Wynik 46 proc. jest mocnym sygnałem ostrzegawczym, ale nie pozwala jeszcze powiedzieć, że brak Schema.org bezpośrednio powoduje halucynacje.
Aby jednoznacznie wykazać taką zależność, potrzebny byłby bardziej kontrolowany eksperyment, np. porównanie tego samego zestawu produktów przed i po wdrożeniu identycznych danych strukturalnych przy zachowaniu pozostałych warunków.
Obecny test nie pozwala również stwierdzić, że globalne marketplace’y są systemowo preferowane przez wszystkie modele AI albo że wdrożenie zweryfikowanych opinii eliminuje ryzyko błędnej odpowiedzi.
Pokazuje jednak coś ważnego: AI może stać się dodatkowym źródłem dezinformacji produktowej dokładnie w momencie, w którym konsument podejmuje decyzję zakupową.
To wystarczający powód, aby e-commerce zaczął traktować jakość danych o produkcie nie tylko jako zagadnienie SEO czy UX, lecz także jako element zarządzania reputacją marki.
Nowy etap walki o konwersję
W klasycznym e-commerce sklep próbował sprowadzić użytkownika na kartę produktu i dopiero tam przekonać go do zakupu.
Generatywna AI może przesunąć część tej decyzji o krok wcześniej.
Jeżeli klient zapyta asystenta:
„Czy ten model jest awaryjny?”
i otrzyma błędną odpowiedź, może nigdy nie wejść na stronę producenta, nie przeczytać dokumentacji i nie zobaczyć oferty.
Firma nie zobaczy wtedy nawet porzuconego koszyka. Zobaczy po prostu brak wizyty.
I właśnie dlatego halucynacje produktowe mogą być dla handlu internetowego bardziej niebezpieczne niż typowy błąd w opisie produktu. Błąd pojawia się poza własnym serwisem, a marka nie ma bezpośredniej kontroli nad miejscem, w którym klient go widzi.
Nie oznacza to, że rozwiązaniem jest zalewanie internetu kolejną warstwą tekstów tworzonych dla robotów. Wręcz przeciwnie.
Im większą rolę w zakupach odgrywają modele generatywne, tym większą wartość mogą mieć precyzyjne dane, aktualna dokumentacja, realne doświadczenia klientów i źródła, które można zweryfikować.
To znacznie mniej efektowne niż obietnica „optymalizacji pod AI”. Dla e-commerce może okazać się znacznie ważniejsze.
FAQ – AI i dane produktowe w e-commerce
Czy AI naprawdę może zmyślić wadę produktu?
Tak. Modele językowe mogą generować informacje niezgodne ze źródłami. W teście TrustMate obejmującym 200 produktów pojawiały się m.in. niepotwierdzone usterki i informacje o składnikach, których nie było w produkcie.
Czy 46 proc. produktów bez Schema.org jest błędnie opisywanych przez AI?
Nie można tak uogólnić wyniku. 46 proc. dotyczy konkretnych odpowiedzi uzyskanych w eksperymencie TrustMate przy określonej próbie i metodzie badawczej.
Czy Schema.org chroni sklep przed halucynacjami?
Nie ma takiej gwarancji. Dane strukturalne pomagają maszynom lepiej zrozumieć informacje o produkcie, ale Google nie przedstawia Schema.org jako zabezpieczenia przed błędami modeli ani specjalnego wymogu AI Overviews i AI Mode.
Jakie dane produktowe warto wdrożyć?
W zależności od sklepu można wykorzystywać m.in. Product, Offer, Review i AggregateRating, przekazując prawdziwe informacje o produkcie, cenie, dostępności i ocenach.
Czy GEO zastąpi SEO?
Nie. Przynajmniej Google wprost wskazuje, że podstawowe praktyki SEO pozostają aktualne także dla generatywnych funkcji wyszukiwarki. GEO można traktować jako dodatkowy obszar związany z widocznością w odpowiedziach AI, a nie prosty zamiennik SEO.
Czy warto monitorować odpowiedzi AI dotyczące własnych produktów?
Tak. Jeżeli AI zaczyna pełnić funkcję doradcy zakupowego, warto sprawdzać, jak najważniejsze produkty i marki są przedstawiane w popularnych systemach generatywnych i czy powtarzają się nieprawdziwe informacje.
Zostaw komentarz