Case study: e-commerce w AI — widoczność sklepów internetowych w modelach językowych
Stan: Q2 2026. Analiza oparta na obserwacjach z audytów widoczności AI przeprowadzonych w 2025-2026.
Ktoś pyta ChatGPT: "Jaki jest najlepszy sklep z elektroniką w Polsce?". AI odpowiada — wymienia trzy, może cztery nazwy. Jeśli prowadzisz sklep internetowy i Twojej marki nie ma na tej liście, właśnie straciłeś klienta z najwyższą intencją zakupową w internecie. I co gorsza — nie masz pojęcia, że to się stało.
Ruch z AI do stron wzrósł o 527% rok do roku. Jednocześnie 93% sesji z AI nie generuje kliknięcia — odpowiedź modelu jest końcową destynacją. Dla e-commerce to oznacza jedno: albo Twój sklep jest w odpowiedzi AI, albo klient kupuje u konkurencji, która tam jest.
Postanowiliśmy zbadać, jak polskie sklepy internetowe radzą sobie w tym nowym kanale. Testując kilkadziesiąt zapytań zakupowych w ChatGPT, Claude i Gemini, zmapowaliśmy wzorce widoczności — i niewidoczności — polskiego e-commerce w modelach językowych.
Metodologia — jak testowaliśmy
Nasze obserwacje opierają się na systematycznym audycie widoczności e-commerce w trzech głównych modelach AI. Parametry analizy:
- Modele: ChatGPT (GPT-4o), Claude (Claude 3.5 Sonnet), Gemini (Gemini 1.5 Pro)
- Kategorie produktowe: elektronika, moda, AGD, meble, kosmetyki, sport, książki, zabawki, zdrowie, narzędzia
- Typy zapytań: rekomendacje sklepów ("najlepszy sklep z..."), porównania ("porównaj sklepy z elektroniką w Polsce"), zapytania produktowe ("gdzie kupić [produkt] online w Polsce"), zapytania opiniotwórcze ("który sklep ma najlepszą obsługę klienta")
- Powtórzenia: każde zapytanie zadane 3-krotnie w różnych wariantach, aby zminimalizować losowość odpowiedzi
- Metryki: obecność (wymieniony/niewymieniony), kontekst (rekomendacja/wzmianka/ostrzeżenie), pozycja w odpowiedzi (1-3 vs dalsze), spójność cross-model
Nie podajemy wyników dla konkretnych marek — prezentujemy wzorce i prawidłowości zaobserwowane w ramach naszego szerszego programu audytów widoczności AI.
Wyniki — kto jest widoczny w AI
Obraz polskiego e-commerce w modelach językowych jest wyraźnie podzielony. W naszych audytach widzimy powtarzalny wzorzec: wąska grupa dominujących graczy i długi ogon niewidocznych sklepów.
Liderzy marketplace
Duże platformy marketplace pojawiają się w odpowiedziach AI niemal zawsze — niezależnie od kategorii produktowej i modelu. Ich pozycja wynika z ogromnego wolumenu wzmianek w danych treningowych.
Specjaliści kategoryjni
Sklepy z silną pozycją w jednej kategorii (np. elektronika, książki) pojawiają się w zapytaniach dotyczących ich niszy. Modele AI kojarzą je z konkretnym kontekstem produktowym.
Średni i mali — niewidoczni
Sklepy ze średnim i małym ruchem są praktycznie nieobecne w odpowiedziach AI. Nawet marki z wieloletnim stażem i lojalną bazą klientów nie pojawiają się w rekomendacjach modeli.
Niespójność cross-model
Odpowiedzi różnią się drastycznie między modelami. Sklep polecany przez ChatGPT może być zupełnie nieznany Claude. Gemini preferuje sklepy z silnym structured data.
Kluczowa obserwacja: modele AI nie rekomendują "najlepszego" sklepu — rekomendują ten, o którym wiedzą najwięcej. To fundamentalna zmiana perspektywy dla e-commerce. W Google walczysz o pozycję. W AI walczysz o istnienie w wiedzy modelu.
Wzorce widoczności — co wyróżnia sklepy obecne w AI
Analizując cechy sklepów, które konsekwentnie pojawiają się w odpowiedziach modeli AI, zidentyfikowaliśmy pięć powtarzalnych wzorców:
Autorytet mediowy
Sklepy cytowane w artykułach porównawczych, rankingach, recenzjach na portalach branżowych. Modele AI traktują media jako źródło wysokiego zaufania — wzmianka w "Komputer Świat" czy na Ceneo waży więcej niż tysiąc opisów produktowych.
Entity consistency
Spójna nazwa i opis marki na wielu platformach jednocześnie — strona, Google Business, Trustpilot, katalogi branżowe, social media. Modele budują confidence przez redundancję opisów z różnych źródeł.
Structured data na stronie
Schema.org (Organization, Product, FAQ, Review) pozwala modelom z RAG poprawnie zinterpretować, czym jest sklep i co oferuje. Gemini szczególnie silnie koreluje z obecnością structured data.
Liderstwo kategoryjne
Bycie "numerem jeden" w konkretnej kategorii to silniejszy sygnał niż bycie "jednym z wielu" w wielu kategoriach. Modele AI preferują jednoznaczne powiązania marka-kategoria.
Dlaczego małe sklepy są niewidoczne
W naszych audytach widzimy powtarzalny zestaw problemów u sklepów, które nie pojawiają się w odpowiedziach AI. To nie kwestia wielkości per se — to kwestia sygnałów, które modele potrafią odczytać.
- Brak zewnętrznych źródeł: sklep istnieje tylko na własnej stronie. Brak recenzji na portalach branżowych, brak artykułów porównawczych, brak wzmianek w mediach. Modele AI nie mają skąd wiedzieć, że sklep istnieje — bo jedyne źródło to strona, której model może nawet nie indeksować
- Słaba entity consistency: nazwa firmy na stronie inna niż na Facebooku, inna w Google Business, inna na fakturach. Model nie jest w stanie powiązać tych wzmianek w jedną encję. Wynik: zamiast jednej silnej marki — pięć słabych fragmentów
- Brak structured data: strona bez schema markup to dla modeli AI czarny pudełko. Modele z RAG (Perplexity, SearchGPT, Gemini) parsują structured data explicite — brak schema to brak kontekstu
- Treści generyczne: opisy produktów skopiowane od producenta, zero oryginalnego contentu, brak sekcji poradnikowej, brak FAQ. Model nie ma materialnego powodu, żeby polecić ten sklep zamiast innego
- Blokowanie botów AI: zaskakująco wiele sklepów blokuje GPTBot, CCBot i inne crawlery AI w robots.txt — odcinając się od jedynego kanału, który rośnie o 527% rocznie
- Brak niszy: sklep "ze wszystkim" nie ma kategoryjnej tożsamości. Model AI nie wie, w jakiej odpowiedzi go umieścić. Paradoksalnie, mniejszy sklep z jasną specjalizacją ma łatwiejszą drogę do widoczności niż duży generalist
Co mogą zrobić sklepy internetowe — praktyczne kroki LLMO
Dobra wiadomość: większość działań poprawiających widoczność e-commerce w AI jest niskokosztowa lub bezkosztowa. To nie kwestia budżetu reklamowego — to kwestia architektury informacji i strategii treści. Oto konkretne kroki, które rekomendujemy sklepom na podstawie naszych audytów:
Product Schema na każdej karcie
Schema.org Product z ceną, dostępnością, ocenami, marką producenta. To minimalne wymaganie — bez tego Gemini i Perplexity traktują Twoją kartę produktu jak niestrukturalny tekst.
FAQ content per kategoria
Sekcja FAQ przy każdej kategorii produktowej: "Jaki laptop do 3000 zł?", "Czym się różni X od Y?". Format pytanie-odpowiedź ma najwyższy citation rate w modelach generatywnych. Dodaj FAQ Schema.
Brand mentions w mediach
Artykuły gościnne, udział w rankingach, recenzje na portalach branżowych. Każda wzmianka Twojego sklepu w wiarygodnym źródle to sygnał dla modelu AI, że Twoja marka jest godna rekomendacji.
Niche authority content
Blog ekspercki w Twojej niszy — nie 200-słowowe wpisy na "content marketing", ale głębokie poradniki z danymi. "Jak wybrać ekspres do kawy — porównanie 15 modeli 2026" buduje autorytet kategoryjny.
Entity consistency audit
Ujednolic nazwę, opis i pozycjonowanie marki na: strona, Google Business, Ceneo, Opineo, LinkedIn, Facebook, katalogi branżowe. Minimum 5 źródeł z identycznym opisem.
Odblokuj boty AI
Sprawdź robots.txt — czy GPTBot, CCBot, anthropic-ai, Google-Extended mają dostęp? Blokowanie tych botów to blokowanie jedynego kanału rosnącego o 527% rocznie. Koszt: 5 minut, 0 zł.
Kluczowa zasada: optymalizuj pod pytania, nie pod słowa kluczowe. W SEO myślisz o frazach. W LLMO myślisz o pytaniach, które zadaje użytkownik modelowi AI. "Gdzie kupić tanio telewizor 55 cali?" to pytanie, na które Twoja strona powinna mieć gotową, strukturalną odpowiedź.
LLMO roadmap dla e-commerce — plan na 3 miesiące
Na podstawie naszych audytów i wdrożeń opracowaliśmy trzymiesięczny plan działań LLMO dla sklepów internetowych. Koszt: głównie czas, minimalny budżet na content.
Miesiąc 1 — Fundamenty
Schema markup: Organization + Product + FAQ na kluczowych stronach. Robots.txt: odblokowanie botów AI. Entity audit: ujednolicenie nazwy i opisu na 5+ platformach. Brand Checker: baseline widoczności. Koszt: 0 zł + czas.
Miesiąc 2 — Content
FAQ per kategoria: 5-10 pytań z danymi liczbowymi. Poradniki zakupowe: 3-4 głębokie artykuły w niszy (1500+ słów, fact density co 150-200 słów). Strona "O nas": jasne pozycjonowanie marki z datami "As of Q2 2026". Koszt: ~2000-4000 zł (copywriting).
Miesiąc 3 — Autorytet
Media outreach: 2-3 artykuły gościnne na portalach branżowych. Rankingi i porównania: udział w zestawieniach branżowych. Review seeding: zachęcanie klientów do recenzji na Ceneo, Opineo, Google. Pomiar: ponowny Brand Checker + analiza AI-referred traffic w analytics. Koszt: ~2000-3000 zł.
W naszych audytach widzimy, że sklepy, które konsekwentnie realizują ten plan, zaczynają pojawiać się w odpowiedziach modeli z RAG (Perplexity, SearchGPT) w ciągu tygodni. Widoczność w bazowej wiedzy modeli (ChatGPT, Claude) wymaga dłuższego horyzontu — efekty narastają w ciągu kwartału.
Podsumowanie — e-commerce w erze AI to nowa gra
Polski e-commerce stoi przed zmianą, która jest porównywalna z nadejściem Google dwie dekady temu. Wtedy sklepy, które zainwestowały w SEO jako pierwsze, zbudowały przewagę na lata. Dziś ta sama dynamika powtarza się z AI:
- 527% wzrostu ruchu z AI rocznie — to najszybciej rosnący kanał w historii digital marketingu
- 15,9% konwersji z AI — 9x wyższy niż Google organic. Użytkownik AI ma sprecyzowaną intencję zakupową
- 93% zero-click — jedyną szansą na konwersję jest obecność w samej odpowiedzi modelu
- Winner-takes-most — AI nie pokazuje 10 wyników. Pokazuje 3-4 rekomendacje. Brak obecności = brak szansy
Nasze obserwacje wskazują, że większość polskich sklepów internetowych — poza wąską grupą liderów — jest obecnie niewidoczna w modelach AI. To jednocześnie problem i ogromna szansa: kto zacznie teraz, wejdzie do odpowiedzi AI zanim zrobi to konkurencja.
Sprawdź, czy AI zna Twój sklep: Brand Checker pokaże Ci status w ChatGPT, Claude i Gemini w 30 sekund. Jeśli wynik jest niepokojący — skontaktuj się z nami po darmowy audyt widoczności AI dla e-commerce.