GEO dla sklepów internetowych — jak trafić do odpowiedzi asystenta

Pytanie „gdzie to kupię” trafia dziś także do asystenta. Różnica wobec wyszukiwarki jest taka, że asystent nie wykłada listy sklepów do porównania — wybiera za użytkownika i uzasadnia wybór zdaniem o produkcie. Sklep, którego karty nie dostarczą materiału do tego uzasadnienia, w odpowiedzi nie występuje.

Wszystko poniżej opisuje stan na wrzesień 2026. OpenAI zmienia zasady działania ChatGPT często i bez zapowiedzi, a nazwy robotów i sposób podawania źródeł potrafią się przesunąć między jedną a drugą aktualizacją. Metody z tego tekstu są na te zmiany odporniejsze niż jakikolwiek chwyt techniczny, ale szczegóły sprawdzaj u źródła.

Jednostką, o którą toczy się gra. Strona firmowa broni kilku podstron i jednej oferty, więc pracę da się zrobić na całym serwisie naraz. Sklep ma setki kart produktów i każda z nich wchodzi do odpowiedzi osobno, bez wsparcia pozostałych.

Model nie zwiedza sklepu. Nie przechodzi z kategorii do produktu i nie zagląda do zakładki „dostawa”, żeby uzupełnić brakującą informację. Sięga po jeden adres i buduje zdanie z tego, co na nim zastanie — a jeśli nie zastanie ceny, poda cenę z innego sklepu.

Druga różnica dotyczy tego, kto zmienia treść. Na stronie firmowej robi to człowiek, świadomie. W sklepie cenę i dostępność zmienia mechanizm rabatów, import od dostawcy i stan magazynu, bez udziału redaktora. To zamienia zgodność danych z jednorazowym wdrożeniem w proces, który po wdrożeniu ktoś musi pilnować.

Cała reszta zasad jest wspólna z widocznością każdej innej strony w AI: konkret zamiast przymiotników, dostępność techniczna, obecność marki poza własną domeną. Opisaliśmy je w poradniku o pozycjonowaniu w ChatGPT — ten tekst dokłada do nich to, co dotyczy wyłącznie kart produktów.

Pięciu rzeczy: nazwy z wariantem, ceny z walutą, dostępności, kluczowego parametru i zastosowania. To są dane rozstrzygające o rekomendacji — bez nich asystent nie ma czym uzasadnić wyboru, więc wybierze produkt, który je podaje. Każda z tych pięciu ma być na karcie tekstem, a nie wyłącznie na zdjęciu, w tabeli obrazkowej albo w karcie katalogowej do pobrania.

Marketingowy opis nie niesie żadnej z nich. Zdanie o produkcie łączącym nowoczesny design z najwyższą jakością wykonania pasuje do dowolnej innej karty w tej kategorii. Model nie ma więc powodu sięgać akurat po ten adres.

Zastosowanie wypada z kart najłatwiej, bo jako jedyne z tej piątki nie da się go wygenerować z bazy produktów — ktoś musi je napisać. A klient nie pyta o parametr, tylko o problem: co wybrać do małej kuchni, do pracy przy biurku. Karta, która nazywa ten problem wprost, pasuje do pytania; sama tabela parametrów nie pasuje do niczego.

Wpisz dokładnie to, co klient widzi na karcie: nazwę z wariantem, identyfikator, cenę z walutą, dostępność, stan produktu i adres oferty. Znacznik Product tłumaczy kartę na format, który maszyna czyta bez zgadywania — nie jest miejscem na treść, której na karcie nie ma.

Poniższy fragment wstawia się w sekcji head karty produktu. Wartości są szablonem: nazwa, kod, cena i domena mają być generowane z tego samego źródła, z którego powstaje karta, a nie wpisane ręcznie raz na zawsze.

• ocen i liczby opinii, których na karcie nie widać — to naruszenie wytycznych, nie skrót,
• ceny promocyjnej w miejscu ceny regularnej, żeby produkt wyglądał taniej w zestawieniach,
• dostępności InStock ustawionej na sztywno dla całego katalogu,
• parametrów, których producent nie potwierdza, choćby brzmiały prawdopodobnie.

Uczciwa uwaga o samym znaczniku: część danych o skuteczności danych strukturalnych jest sprzeczna. Jedne analizy pokazują wyraźny związek między ich obecnością a cytowaniem, inne nie znajdują go wcale. Znacznik wdrażamy więc dlatego, że jest tani, poprawny i nie szkodzi — a nie dlatego, że gwarantuje wynik.

Rozbieżność między znacznikiem a treścią widoczną dla użytkownika jest naruszeniem wytycznych — także wtedy, gdy powstała przypadkiem. To jeden z niewielu błędów z tego tekstu, który kosztuje widoczność również w klasycznej wyszukiwarce: sklep traci wtedy dwa kanały naraz, bo znika i z odpowiedzi asystenta, i z wyniku rozszerzonego z ceną oraz dostępnością.

Rozjazd pojawia się najczęściej w trakcie promocji. Karta pokazuje cenę obniżoną, bo zmienił ją mechanizm rabatów, a znacznik generuje się z ceny katalogowej, bo nikt nie przewidział, że te dwie ścieżki liczą cenę inaczej. W przeglądarce wszystko wygląda dobrze, a asystent przez cały czas trwania promocji podaje cenę, której w koszyku nie ma.

Druga typowa sytuacja to wyprzedany wariant. Sklep wyłącza możliwość zakupu, ale dostępność w znaczniku zostaje na InStock, bo ustawiono ją dla całego szablonu. Efekt jest gorszy niż brak widoczności: sklep trafia do rekomendacji z produktem, którego nie sprzeda.

Zasada jest ta sama, co w całym GEO: pierwsze zdanie odpowiada, dopiero kolejne rozwijają. Opis ma powiedzieć, czym produkt jest, do czego służy i dla kogo — bo dokładnie to zdanie model przepisze do odpowiedzi. Dalsza część opisu może rozwijać temat swobodnie; to pierwsze zdanie rozstrzyga, czy w ogóle jest z czego zbudować rekomendację.

Badania nad metodami GEO pokazują, że dobrze zrobiona optymalizacja podnosi widoczność treści w odpowiedziach nawet o 40%, a największy efekt dają dwa zabiegi: dodanie cytowań, czyli wskazania źródła, oraz konkretne statystyki zamiast ogólników. W sklepie tłumaczy się to na parametry z karty katalogowej i na testy własne.

Asystent częściej odpowiada na pytanie „jaki wybrać”, niż na nazwę konkretnego produktu. Do takiego pytania karta pojedynczego produktu pasuje słabo, bo mówi o jednej rzeczy — pasuje strona, która porównuje kilka i uzasadnia wybór. Sklep złożony z samych kart nie ma czym odpowiedzieć na to pytanie, choćby każdą kartę opisał wzorowo.

Stąd rola kategorii i poradników zakupowych. Opis kategorii tłumaczący różnice między typami produktów oraz poradnik prowadzący od potrzeby do rekomendacji są w sklepie tym, czym na stronie firmowej teksty eksperckie: materiałem, który model bierze, i wejściem prowadzącym ruch do kart.

Poradnik ma się kończyć rekomendacją z nazwy, a nie zdaniem o indywidualnych potrzebach. Trzy propozycje na trzy sytuacje, każda z linkiem do karty, dają modelowi gotową strukturę odpowiedzi. Przy każdej propozycji nazwij sytuację wprost: dla kogo jest, do czego i czym różni się od dwóch pozostałych.

• czym różnią się typy produktów w kategorii i kiedy który jest właściwy,
• widełki cenowe i to, co je uzasadnia,
• parametr, na który realnie patrzeć, i ten, który sprzedaje się lepiej, niż działa,
• odnośniki do kilku kart jako przykładów, a nie sama siatka produktów.

Zanim zaczniesz cokolwiek optymalizować, sprawdź, czy roboty w ogóle wchodzą na karty produktów. W sklepach ta blokada jest częsta: ta sama reguła ochrony przed botami, która odsiewa skrypty zbierające ceny, odsiewa też roboty odpowiedzialne za cytowanie.

Blokada jest cicha. Nie ma komunikatu w panelu ani wpisu w statystykach — jest kod 403, strona z CAPTCHA albo wyzwanie JavaScript, którego robot nie przejdzie. W przeglądarce sklep wygląda bez zarzutu, więc firma potrafi rok inwestować w opisy, których żaden model nie zobaczył.

Trzy roboty odpowiadają za widoczność, nie za trening: OAI-SearchBot stoi za cytowaniami w wyszukiwarce ChatGPT, PerplexityBot za odpowiedziami Perplexity, Google-Extended za funkcjami AI Google. GPTBot służy trenowaniu modeli i jest osobną decyzją biznesową. Jeśli planujesz kampanię, przepuść też OAI-AdsBot, który sprawdza stronę docelową reklamy.

Sam plik to dopiero deklaracja. Wywołaj kartę produktu z nazwą robota w nagłówku User-Agent i sprawdź kod odpowiedzi oraz to, czy w treści jest cena. Druga pułapka to cena i dostępność dociągane skryptem po załadowaniu strony — robot dostaje wtedy kartę bez dwóch danych rozstrzygających o rekomendacji. Komendy do sprawdzenia zebraliśmy w tekście o technicznym przygotowaniu strony pod AI.

Zestawem pytań zadawanych cyklicznie i zapisem odpowiedzi. Innego pomiaru nie ma: nie istnieje panel podający liczbę wyświetleń w odpowiedziach, więc widoczność mierzy się udziałem w odpowiedziach na stały zestaw pytań. Statystyki ruchu też tego nie zastąpią, bo odpowiedź asystenta może wymienić sklep z nazwy i nie skończyć się żadnym kliknięciem.

Zestaw układa się raz i potem go nie zmienia, bo zmiana kasuje porównywalność. Powinny być w nim trzy rodzaje pytań: o wybór produktu w kategorii, o miejsce zakupu i o sam sklep z nazwy. Kilkanaście pytań wystarczy, jeśli zadajesz je co miesiąc.

Ostatnia z tych czterech rzeczy jest w sklepie najważniejsza. Jeśli asystent podaje cenę inną niż w koszyku, masz dowód rozjazdu znacznika z kartą — i widzisz ten błąd oczami klienta, zanim zobaczy go klient. Zapisuj przy pytaniu obie ceny: tę z odpowiedzi i tę z karty. Bez tego po miesiącu nie odróżnisz poprawki, która zadziałała, od przypadku.

Powtarzalność jest z natury ograniczona: ta sama osoba, zadając to samo pytanie dwa razy, dostanie dwa różne zestawy sklepów. Pojedynczy wynik nic nie znaczy — sens ma dopiero trend z kilku miesięcy. Stan na wrzesień 2026 jest taki, że żadne narzędzie nie zastąpi tego ręcznego pomiaru.

Trzeba jeszcze powiedzieć wprost jedno: miejsca w odpowiedzi modelu nie da się kupić. Budżet nie wstawia karty produktu do zdania, które asystent generuje — o to gra się wyłącznie treścią i dostępnością. Płatna obecność w ChatGPT jest osobnym mechanizmem, z własnym panelem i własnymi stawkami i modelami rozliczeń.

Kolejność jest ułożona od rzeczy, które psują najwięcej, do tych, które dokładają ostatnie procenty. Pierwsze cztery punkty zrobisz bez programisty — wystarczy przeglądarka i terminal. Do dalszych potrzebny jest dostęp do szablonu karty produktu albo do ustawień platformy, a przy poradnikach — czas kogoś, kto zna asortyment na tyle, żeby doradzić.

Cały opis dotyczy stanu na wrzesień 2026. Nazwy robotów i zasady dostępu zmieniają się częściej niż reszta, więc pierwsze cztery punkty powtarzaj po każdej większej zmianie zasad, platformy sklepowej i dostawcy ochrony przed botami. Reszta się nie przeterminowuje: karta, która uczciwie mówi, czym jest produkt, ile kosztuje i czy da się go dziś kupić, będzie dobrym źródłem niezależnie od tego, jak zmienią się modele.