Feed produktowy dla AI - ChatGPT Shopping, asystenci zakupowi i widoczność w wyszukiwarkach AI

Feed produktowy dla AI to ustrukturyzowany zbiór danych o ofercie sklepu, przygotowany tak, by mogły go odczytać i zacytować systemy oparte na modelach językowych: ChatGPT Shopping, AI Overviews i AI Mode w Google, Perplexity oraz asystenci zakupowi wbudowani w przeglądarki. Technicznie opiera się na tej samej specyfikacji, co feed do Google Merchant Center, ale różni się kompletnością warstwy opisowej: model językowy dopasowuje produkt do zapytania na podstawie tego, co feed o produkcie mówi, a nie tylko na podstawie tego, jak go identyfikuje.

Przez ostatnie miesiące audytowałem feedy produktowe, w których wszystko było „poprawne” - zero odrzuconych ofert w Merchant Center, ceny zgodne, obrazki w wymaganej rozdzielczości. A mimo to te same produkty nie pojawiały się w odpowiedziach asystentów zakupowych, choć konkurencja z podobnym asortymentem była tam cytowana. Różnica nie leżała w warstwie technicznej. Leżała w tym, ile faktycznego opisu produktu feed w ogóle zawierał. Systemy AI nie przeszukują katalogu po identyfikatorze - one czytają, porównują i streszczają, więc premiują dane, które da się przeczytać jak zdanie, a nie jak wiersz w bazie.

Czym różni się feed produktowy dla AI od klasycznego feedu do Google Shopping?

Feed produktowy dla AI różni się od klasycznego feedu do Google Shopping ciężarem warstwy opisowej: ten sam plik, te same atrybuty, ale wypełnione tak, by opis produktu wystarczał do odpowiedzi na pytanie zadane pełnym zdaniem. Klasyczny feed powstał, żeby dopasować ofertę do frazy i pokazać ją w formacie karty produktowej. Feed dla asystentów zakupowych ma dostarczyć materiał, z którego model zbuduje rekomendację i uzasadni ją użytkownikowi.

Praktyczna konsekwencja jest taka, że atrybuty dotąd traktowane jako opcjonalne stają się warunkiem dopasowania. Materiał, kolor, rozmiar, grupa wiekowa, przeznaczenie, zgodność z innymi produktami - w kampaniach produktowych to były pola do filtrowania. W kanale konwersacyjnym to jedyne przesłanki, na podstawie których model potrafi odróżnić Twój produkt od trzech niemal identycznych ofert.

Uważam, że traktowanie feedu jako pliku technicznego dla Google Ads to dziś najkosztowniejszy nawyk w polskim e-commerce. Przez lata rzeczywiście wystarczał, bo feed obsługiwał jeden kanał i jeden format wyniku. Dziś ten sam plik zasila co najmniej cztery różne systemy odpowiedzi, a każdy z nich czyta go inaczej. Podstawy budowy pliku opisuję szerzej we wpisie o tym, czym jest feed produktowy.

Skąd asystenci zakupowi biorą dane o produktach?

Asystenci zakupowi biorą dane o produktach z trzech niezależnych źródeł: dedykowanego feedu przekazanego przez sprzedawcę, danych strukturalnych ze strony produktu oraz treści strony odczytanej przez crawler. Te źródła nie są równorzędne - feed daje dane najbardziej wiarygodne i najświeższe, dlatego kanały transakcyjne opierają się właśnie na nim.

• Feed sprzedawcy: plik lub API przekazane bezpośrednio do platformy. Tak działa Google Merchant Center i tak działa feed produktowy OpenAI opisany w dokumentacji Agentic Commerce. Dane są aktualne, kompletne i jednoznacznie przypisane do sklepu.
• Dane strukturalne schema.org Product: znaczniki JSON-LD na karcie produktu z ceną, dostępnością, ocenami i identyfikatorami. Uzupełniają feed i pozwalają potwierdzić jego zgodność ze stroną.
• Treść strony odczytana przez crawler: najsłabsze źródło, bo wymaga od modelu wyciągnięcia ceny i parametrów z układu graficznego. Działa dla sklepów, które nie przekazują feedu, ale nie wpuszcza ich do ścieżek zakupowych.
• Zewnętrzne recenzje i porównywarki: materiał kontekstowy, którego sklep nie kontroluje, a który waży przy pytaniach porównawczych typu „który model wybrać”.

Rozdzielenie tych źródeł ma znaczenie diagnostyczne. Jeśli produkt pojawia się w odpowiedzi AI, ale bez ceny i z błędną dostępnością, źródłem był crawler, nie feed. Jeśli nie pojawia się wcale, mimo że strona jest zaindeksowana, problem najczęściej siedzi w warstwie opisowej danych, a nie w widoczności technicznej.

Jakie atrybuty feedu są najważniejsze dla modeli językowych?

Dla modeli językowych najważniejsze są cztery grupy atrybutów: identyfikacja produktu, warstwa handlowa, warstwa opisowa i warstwa cech fizycznych. Pierwsze dwie decydują o tym, czy oferta w ogóle wejdzie do kanału. Dwie kolejne decydują o tym, czy zostanie wybrana spośród ofert konkurencji.

1. Identyfikacja - id, gtin, mpn, brand. Bez nich model nie potrafi połączyć Twojej oferty z tym samym produktem opisanym w recenzjach i porównaniach, więc traci kontekst zewnętrzny.
2. Warstwa handlowa - price, sale_price, availability, shipping, link. Muszą być zgodne ze stroną co do grosza i co do statusu magazynowego.
3. Warstwa opisowa - title i description. To jedyne pola, w których wyrażasz przewagę produktu językiem naturalnym.
4. Cechy fizyczne i użytkowe - color, material, size, age_group, gender, product_highlight, product_detail. Model używa ich jako filtrów przy zapytaniach warunkowych.
5. Kategoryzacja - google_product_category i product_type. Osadzają produkt w taksonomii i pomagają odróżnić „lampę biurkową” od „lampy do samochodu”.

W praktyce najczęściej brakuje grupy czwartej. Na 14 feedach sklepowych sprawdzanych w ostatnim roku tylko 3 miały równocześnie uzupełnione color i material w ponad połowie ofert. To dane z moich audytów, nie benchmark rynkowy, ale pokazują, gdzie leży najtańsza dźwignia: te pola zwykle istnieją już w bazie sklepu jako parametry produktu i wymagają wyłącznie zmapowania do feedu.

Jak przygotować feed dla ChatGPT Shopping?

Feed dla ChatGPT Shopping przygotowujesz według specyfikacji produktowej opublikowanej przez OpenAI w dokumentacji Agentic Commerce, a nie przez zgłoszenie sklepu do wyszukiwarki. Sprzedawca udostępnia plik z ofertami w ustalonym formacie i utrzymuje jego aktualność, a warstwę transakcyjną obsługuje otwarty Agentic Commerce Protocol, rozwijany wspólnie z operatorami płatności.

Kolejność prac jest ważniejsza, niż się wydaje. Widziałem sklepy, które zaczynały od integracji płatności, mając feed z pustymi opisami - efekt był taki, że kanał działał technicznie, a produkty nie wchodziły do rekomendacji, bo nie było czym uzasadnić wyboru.

Jeśli chcesz sprawdzić, na którym z tych czterech kroków utknął Twój katalog, taką diagnozę robię na starcie audytu konta i feedu.

Czy Merchant Center wystarczy do widoczności w AI Overviews i AI Mode?

Merchant Center wystarczy, żeby oferta trafiła do kanałów Google opartych na AI, ale nie gwarantuje, że zostanie w odpowiedzi zacytowana. Konto Merchant Center rozwiązuje problem dostępu do danych - Google zna Twoją cenę, dostępność i identyfikator produktu. Wybór konkretnej oferty do rekomendacji zależy już od tego, czy dane opisowe pozwalają dopasować produkt do warunków z zapytania.

W kanałach Google feed pełni więc rolę biletu wstępu, a nie przewagi. Przewagą jest komplet atrybutów opisowych, spójność ze stroną produktu i sygnały zaufania: oceny sprzedawcy, opinie o produktach, polityka zwrotów przekazana w koncie. Konfigurację samego konta i jego możliwości opisuję w przewodniku po Google Merchant Center.

• Poziom dostępu: zweryfikowane konto Merchant Center, zatwierdzone oferty, brak naruszeń polityk.
• Poziom dopasowania: kompletne atrybuty cech i kategoryzacja, opis pozwalający odpowiedzieć na zapytanie warunkowe.
• Poziom zaufania: oceny sprzedawcy, opinie o produktach, spójne dane kontaktowe i warunki dostawy.
• Poziom potwierdzenia: dane strukturalne na stronie produktu zgodne z feedem, które kanał może zweryfikować niezależnie.

Jak dane strukturalne na stronie produktu uzupełniają feed?

Dane strukturalne schema.org Product działają jako niezależne potwierdzenie tego, co deklaruje feed. Kanał AI, który znajdzie tę samą cenę i dostępność w dwóch źródłach - w przekazanym pliku i w znacznikach na karcie produktu - ma podstawę, żeby uznać dane za wiarygodne. Rozbieżność działa odwrotnie i obniża szansę na cytowanie, nawet jeśli feed sam w sobie jest bezbłędny.

Minimalny zestaw właściwości to name, image, description, sku lub gtin, brand oraz zagnieżdżona Offer z price, priceCurrency i availability. Warto dodać aggregateRating i review, jeśli sklep ma realne opinie - przy pytaniach porównawczych to jedno z niewielu pól, w których produkt sam mówi o swojej ocenie. Znaczniki nie mogą jednak obiecywać czegoś, czego nie ma na stronie widocznej dla użytkownika.

Jak pisać tytuły i opisy produktów, żeby model językowy je zrozumiał?

Tytuł produktu dla kanałów AI zapisuj według stałego wzoru marka, model, typ produktu, kluczowa cecha różnicująca, a opis buduj z cech użytkowych i warunków stosowania. Model nie ocenia perswazji. Wyciąga z tekstu fakty, które da się porównać z warunkami z zapytania, więc każde zdanie bez konkretu jest dla niego szumem.

Magda, e-commerce manager w sklepie z oświetleniem dekoracyjnym, przyszła z problemem stagnacji w bezpłatnych listach produktowych przy rosnącej liczbie ofert. Przepisaliśmy tytuły dla 640 produktów według jednego wzoru i dopisaliśmy do opisów sekcję z parametrami montażu. Po jedenastu tygodniach CTR bezpłatnych list wzrósł z 0,9% do 2,4%, a liczba zapytań długiego ogona w raporcie skuteczności podwoiła się. Nie twierdzę, że to przełożenie jeden do jednego na cytowania w asystentach - twierdzę, że materiał, którym karmimy oba kanały, jest ten sam.

• Wzór tytułu: marka + model + typ produktu + cecha różnicująca + wariant. Przykład: „Ledvance Smart+ lampa sufitowa LED 24 W barwa regulowana biała”.
• Bez wypełniaczy: „najlepszy”, „promocja”, „hit sprzedaży” nie niosą informacji odróżniającej i zajmują miejsce w limicie znaków.
• Cechy zamiast obietnic: zamiast „idealny do salonu” napisz „strumień świetlny 2400 lm, zalecany do pomieszczeń do 20 m kwadratowych”.
• Warunki użycia wprost: „do montażu natynkowego”, „wymaga przewodu neutralnego”, „nie do zastosowań zewnętrznych”.
• Jedna informacja na zdanie: opis czytany fragmentami działa lepiej niż jedno wielokrotnie złożone zdanie z pięcioma parametrami.
• Bez znaczników HTML: resztki tagów w polu description to najczęstszy defekt, jaki widzę w feedach generowanych automatycznie z bazy.

Dlaczego produkty nie pojawiają się w odpowiedziach asystentów zakupowych?

Produkty najczęściej nie pojawiają się w odpowiedziach asystentów zakupowych z czterech powodów: braku identyfikatorów, ogólnikowego opisu, rozjazdu ceny lub dostępności ze stroną oraz kategoryzacji, która nie odpowiada realnemu przeznaczeniu produktu. Każdy z nich blokuje ofertę na innym etapie, dlatego diagnozę prowadzę w tej kolejności.

Brak identyfikatora odcina produkt od zewnętrznego kontekstu i to najgroźniejszy z tej czwórki, bo jest niewidoczny w panelach - oferta jest zatwierdzona, tylko nie ma z czym się skojarzyć. Ogólnikowy opis wypuszcza produkt z porównań warunkowych. Rozjazd ceny wyrzuca go ze ścieżek zakupowych. Zła kategoryzacja podstawia go pod niewłaściwe zapytania.

Pełną listę powodów odrzucenia ofert po stronie Google zebrałem w osobnym materiale o odrzuconych produktach w Merchant Center. Warto ją przejść przed pracą nad kanałami AI, bo oferta odrzucona w Merchant Center nie wejdzie do żadnego kanału Google.

Jak zmierzyć widoczność produktów w wyszukiwarkach AI?

Widoczność produktów w wyszukiwarkach AI mierzy się dziś trzema sposobami równocześnie: ręcznym monitoringiem cytowań dla zestawu zapytań zakupowych, ruchem z referrerów asystentów w analityce oraz raportami skuteczności w Merchant Center dla kanałów Google. Żaden z nich nie daje pełnego obrazu i taki jest obecny stan rzeczy - warto to przyjąć zamiast czekać na jedno narzędzie.

1. Zdefiniuj koszyk zapytań zakupowych - 20 do 40 zdań, którymi realny klient opisałby swój problem, nie fraz z narzędzia do słów kluczowych.
2. Sprawdzaj je cyklicznie w kilku kanałach - ChatGPT, Perplexity, AI Mode w Google. Notuj, czy Twój sklep jest cytowany i z jakim produktem.
3. Wydziel ruch z asystentów w analityce - segment po źródle odesłania obejmujący domeny asystentów, osobno od ruchu organicznego.
4. Zestaw to z raportem skuteczności w Merchant Center - wzrost wyświetleń bezpłatnych list po zmianach w opisach jest wcześniejszym sygnałem niż pojawienie się cytowań.
5. Utrzymuj stały interwał pomiaru - odpowiedzi modeli są zmienne, więc pojedynczy pomiar niczego nie dowodzi; liczy się trend na przestrzeni tygodni.

Jestem przekonany, że pomiar w tym kanale będzie przez najbliższy czas niedoskonały i to nie jest powód, żeby odkładać prace nad feedem. Dane, które przygotowujesz, i tak pracują równolegle w kampaniach produktowych i bezpłatnych listach, gdzie pomiar jest precyzyjny. Szersze tło zmian w wyszukiwarkach opisuję we wpisie o tym, jak sztuczna inteligencja zmienia wyszukiwarki.

Od czego zacząć przygotowanie feedu produktowego pod kanały AI?

Zacznij od inwentaryzacji tego, co już masz w bazie sklepu, a czego nie przekazujesz w feedzie. To najtańszy etap i zwykle najbardziej zaskakujący: parametry, których brakuje w pliku, w większości sklepów istnieją w panelu jako atrybuty produktu, tylko nikt ich nie zmapował, bo w klasycznej kampanii produktowej nie były potrzebne.

• Tydzień pierwszy: eksport feedu i zestawienie pól wypełnionych z polami dostępnymi w bazie. Wynik to lista brakujących mapowań.
• Tydzień drugi: mapowanie cech fizycznych i uzupełnienie identyfikatorów, zaczynając od produktów o najwyższej marży, nie od najliczniejszej kategorii.
• Tydzień trzeci: przepisanie tytułów według jednego wzoru dla wybranej kategorii pilotażowej i pomiar wyniku w raporcie skuteczności.
• Tydzień czwarty: rozszerzenie opisów o cechy użytkowe i warunki stosowania, w tej samej kategorii pilotażowej.
• Po pilotażu: decyzja o narzędziu do zarządzania feedem, jeśli ręczna praca w pliku przestaje się skalować.

Kolejność ma znaczenie, bo praca nad opisami wykonana przed uzupełnieniem cech w bazie jest pracą do powtórzenia. Kiedyś prowadziłem te dwa etapy równolegle, żeby oszczędzić czas - efekt był odwrotny, bo copywriter opisywał parametry, które chwilę później zmieniał magazyn. Dziś rozdzielam je twardo.

Podsumowanie

Feed produktowy przestał być plikiem obsługującym jeden kanał reklamowy i stał się kanonicznym opisem oferty sklepu, z którego korzystają systemy odpowiedzi o zupełnie różnej mechanice. To zmienia kryterium jakości: nie chodzi już o to, czy plik przechodzi walidację, tylko o to, czy da się z niego wyprowadzić rekomendację dla konkretnego człowieka z konkretnym problemem.

Przestań traktować feed jak eksport z bazy danych. Zacznij postrzegać go jako najkrótszą wersję opisu produktu, którą przeczyta maszyna zanim ktokolwiek zobaczy Twoją stronę. Sklep, który dziś uzupełni cechy fizyczne i przepisze opisy, zbuduje przewagę, która przełoży się równocześnie na kampanie produktowe, bezpłatne listy i kanały konwersacyjne.

Praktyczny plan na najbliższy miesiąc jest prosty: jedna kategoria pilotażowa, jeden wzór tytułu, komplet cech fizycznych i pomiar w raporcie skuteczności. Jeśli rozpoznajesz w swoim katalogu opisy skopiowane ze strony i puste pola parametrów, napisz do mnie - od tego zaczynam każdą pracę nad widocznością produktową.

Samodzielny Specjalista Google Ads

Artur Smolicki

Od ponad 15 lat specjalizuję się w przygotowaniu, wdrożeniu i optymalizacji kampanii Google Ads. W 2024 roku uzyskałem status Google Premier Partner dla 3% najlepszych specjalistów i agencji w Polsce. Prowadzę kampanie reklamowe na 29 rynkach zagranicznych, tak dla segmentu e-commerce jak i B2B.

Współpraca →Poznaj mnie →