Kiedy użytkownik wpisuje w Google pytanie w rodzaju „jaki odkurzacz bezworkowy do mieszkania z kotem”, coraz częściej zamiast listy linków dostaje gotowe zestawienie: kilka modeli, krótkie uzasadnienie, ceny i sklepy. Produkty w AI Overviews nie pojawiają się tam przypadkiem. To efekt połączenia danych z feedów zakupowych, opinii klientów i treści stron sklepów. Część tych sygnałów sklep kontroluje bezpośrednio, część tylko pośrednio, a część wcale. W tym tekście rozdzielamy jedno od drugiego.
Warto zacząć od zastrzeżenia, które opisaliśmy szerzej w tekście o tym, jak AI Overviews zachowuje się przy intencji komercyjnej: przy wielu frazach transakcyjnych podsumowanie AI w ogóle się nie wyświetla albo nie ma w nim klasycznego bloku źródeł. Odpowiedzi zakupowe pojawiają się najczęściej tam, gdzie użytkownik jeszcze porównuje i szuka rekomendacji, a nie tam, gdzie wpisuje konkretny model z dopiskiem „cena”.
Jak wygląda odpowiedź zakupowa w praktyce
Typowa odpowiedź zakupowa składa się z trzech warstw. Pierwsza to tekst wygenerowany przez model: krótkie omówienie kryteriów wyboru (moc ssania, poziom hałasu, filtr HEPA). Druga to karty produktów z miniaturą, ceną, oceną i nazwą sprzedawcy. Trzecia to linki do źródeł, czyli recenzji, poradników i stron sklepów, z których model zaczerpnął argumenty.
Te warstwy mają różne źródła danych. Karty produktów pochodzą głównie z Shopping Graph, czyli bazy produktowej Google. Według komunikatu Google z maja 2025 roku Shopping Graph obejmuje ponad 50 mld ofert produktowych, a co godzinę odświeżanych jest ponad 2 mld z nich (blog Google o zakupach w AI Mode). Tekst i lista źródeł opierają się z kolei na zwykłym indeksie wyszukiwarki. Sklep może więc pojawić się w odpowiedzi na dwa sposoby: jako oferta na karcie produktu albo jako strona cytowana w treści.
Czego model szuka w zapytaniu
Odpowiedzi zakupowe są zbudowane wokół atrybutów. Jeśli pytanie zawiera „do małego mieszkania”, „cichy” czy „do 1500 zł”, system dopasowuje produkty, które te cechy mają zapisane w danych. Produkt, którego karta nie podaje głośności w decybelach, przegrywa z konkurentem, który ją podaje, nawet jeśli w rzeczywistości jest cichszy.
Rola Merchant Center i danych strukturalnych
Merchant Center to najprostsza droga do Shopping Graph. Feed produktowy przesłany do Google zawiera tytuł, opis, cenę, dostępność, identyfikatory GTIN i MPN, markę oraz kategorię. Dla odpowiedzi zakupowych liczy się nie tylko to, że feed istnieje, ale jak dokładny jest. Szczegółowo omawialiśmy pola i częstotliwość aktualizacji w tekście o feedzie produktowym dla agentów AI; tu zostańmy przy trzech wnioskach:
- bezpłatne informacje o produktach (free listings) muszą być włączone, bo bez nich oferta trafia tylko do formatów reklamowych;
- atrybuty opcjonalne (materiał, rozmiar, wzór, przeznaczenie, cechy produktu) to dokładnie te dane, po których model dopasowuje produkt do pytania;
- niezgodność ceny w feedzie i na stronie kończy się odrzuceniem oferty, a odrzucona oferta znika z kart produktów.
Drugim kanałem są dane strukturalne na stronie produktu. Google opisuje w dokumentacji znaczniki Product, Offer i AggregateRating oraz osobny wariant dla stron, na których można kupić produkt (merchant listing). Znaczniki pozwalają Google zebrać ofertę nawet bez feedu, ale dla sklepu z większym katalogiem Merchant Center pozostaje kanałem głównym, a schema na stronie pełni rolę potwierdzenia: te same dane w dwóch miejscach to sygnał spójności.
| Kanał | Co zasila | Kontrola sklepu |
|---|---|---|
| Feed w Merchant Center | Karty produktów, cena, dostępność | Pełna |
| Dane strukturalne Product | Potwierdzenie oferty, oceny, warianty | Pełna |
| Treść karty produktu | Argumenty w tekście odpowiedzi | Pełna |
| Opinie na zewnętrznych platformach | Ocena, wątki do podsumowania | Pośrednia |
| Recenzje w mediach i rankingi | Linki źródłowe, rekomendacje | Pośrednia lub żadna |
Opinie, ceny i dostępność jako sygnały
Trzy dane decydują o tym, czy produkt w ogóle ma szansę pojawić się na karcie: cena, dostępność i oceny. Produkt niedostępny nie zostanie polecony, bo system nie chce wysyłać użytkownika do pustej półki. Cena wpływa na dopasowanie przy pytaniach z budżetem, a w zestawieniach porównawczych model często pokazuje zakres cenowy u kilku sprzedawców.
Opinie działają dwojako. Średnia ocena i liczba recenzji są widoczne na karcie i wpływają na kliknięcie. Treść opinii jest natomiast surowcem dla tekstu odpowiedzi: jeśli w wielu recenzjach powtarza się „głośny przy maksymalnej mocy”, model może to przytoczyć jako wadę. W osobnym tekście opisaliśmy, jak model korzysta z opinii i polityki zwrotów; z perspektywy odpowiedzi zakupowej najważniejsze jest to, że kilkadziesiąt świeżych opinii z konkretnymi szczegółami daje więcej niż kilkaset ogólnikowych.
Do tej grupy należą też informacje o wysyłce i zwrotach. Google pozwala wprowadzić je w Merchant Center na poziomie konta, a w ostatnich miesiącach pojawiają się one w kartach coraz częściej, jako „darmowa dostawa” lub „zwrot do 30 dni”. Dla użytkownika porównującego trzy podobne produkty taka etykieta bywa rozstrzygająca.
Karta produktu, która wspiera odpowiedź
Feed dostarcza dane, ale tekst odpowiedzi powstaje na podstawie stron. Karta produktu, która ma szansę zostać zacytowana, różni się od typowej karty sklepu kilkoma elementami:
- Specyfikacja w tabeli HTML, nie w grafice ani w zakładce ładowanej skryptem. Wymiary, waga, moc, poziom hałasu, kompatybilność: wszystko jako tekst.
- Akapit „dla kogo”, który odpowiada wprost na typowe pytania: do jakiego metrażu, dla alergików, do jakiej podłogi. To fragment, który model może podnieść niemal dosłownie.
- Uczciwe ograniczenia. Zdanie w rodzaju „przy dywanach z długim włosiem lepiej sprawdzi się model z turboszczotką” zwiększa wiarygodność strony i pomaga dopasować produkt do właściwego pytania.
- Własny opis zamiast tekstu producenta. Ten sam opis na dwustu stronach nie daje modelowi powodu, by wybrać akurat Twoją.
- Sekcja pytań i odpowiedzi oparta na realnych pytaniach klientów z obsługi i czatu.
Te same zasady obowiązują w przygotowaniu sklepu na zakupy realizowane przez agentów, które opisaliśmy w poradniku o agentic commerce. Agent i odpowiedź zakupowa potrzebują tego samego: danych, które da się odczytać i porównać bez zgadywania.
Marki własne kontra odsprzedawcy
Producent sprzedający własne produkty ma przewagę w jednym obszarze: jest naturalnym źródłem specyfikacji. Jego strona częściej trafia do linków źródłowych, a nazwa marki pojawia się w tekście odpowiedzi. Odsprzedawca konkuruje z kolei na poziomie oferty: ceny, dostępności, kosztu dostawy i ocen sprzedawcy.
Dla odsprzedawcy oznacza to dwie strategie. Pierwsza to wygrywanie kart produktów dzięki kompletnemu feedowi z poprawnym GTIN (bez identyfikatora system nie połączy oferty z właściwym produktem w Shopping Graph). Druga to treści, których producent nie napisze: porównania modeli różnych marek, poradniki doboru, testy w realnych warunkach. To one trafiają do linków źródłowych przy pytaniach typu „który wybrać”.
Marka własna sklepu (private label) jest w najtrudniejszej sytuacji, bo nie ma zewnętrznych recenzji ani wzmianek w mediach. Tu najwięcej daje systematyczne zbieranie opinii i zadbanie, by nazwa produktu była jednoznaczna i taka sama we wszystkich kanałach.
Pomiar wpływu na ruch i sprzedaż
Pomiar to najsłabsze ogniwo. Google Search Console nie wydziela ruchu z AI Overviews w osobnym raporcie: kliknięcia z podsumowania AI wpadają do ogólnych danych z wyszukiwarki. Z kolei kliknięcia z bezpłatnych informacji o produktach widać w Merchant Center, w raporcie skuteczności, ale bez rozbicia na to, czy karta pojawiła się w AI Overviews, w zakładce Zakupy czy w klasycznych wynikach.
W praktyce sprawdza się podejście pośrednie:
- lista 30–50 pytań zakupowych z Twojej kategorii, sprawdzana ręcznie raz w tygodniu (czy jest odpowiedź AI, czy pojawia się Twój produkt, czy Twoja strona jest w źródłach);
- porównanie kliknięć z free listings w Merchant Center przed i po zmianach w feedzie;
- w GA4 segment ruchu organicznego na karty produktów z podziałem na strony, których treść zmieniono, i grupę kontrolną bez zmian;
- współczynnik konwersji tego ruchu, bo użytkownik, który przeszedł przez odpowiedź zakupową, zwykle przychodzi z mocniej sprecyzowaną potrzebą.
Uczciwie trzeba powiedzieć, że przy małej skali danych trudno odróżnić efekt zmian od zwykłych wahań. Dlatego warto zmieniać jedną rzecz naraz (najpierw feed, potem treść kart) i dawać każdej zmianie co najmniej kilka tygodni.
FAQ
Czy trzeba płacić, żeby produkt pojawił się w AI Overviews?
Nie. Karty produktów w odpowiedziach AI korzystają z bezpłatnych informacji o produktach w Merchant Center i z danych zebranych ze stron. Reklamy mogą pojawiać się obok, ale są oznaczone osobno i nie są warunkiem obecności w odpowiedzi.
Czy bez Merchant Center produkt ma szansę trafić do odpowiedzi zakupowej?
Tak, Google może zebrać ofertę z danych strukturalnych Product na stronie. Jest to jednak kanał mniej przewidywalny, a dla sklepów z większym katalogiem feed w Merchant Center daje znacznie lepszą kontrolę nad ceną i dostępnością.
Które pola feedu mają największe znaczenie?
Poza polami obowiązkowymi najwięcej dają GTIN, marka, szczegółowa kategoria i atrybuty opisujące cechy produktu, bo to po nich system dopasowuje ofertę do pytania użytkownika.
Jak sprawdzić, czy moje produkty pojawiają się w AI Overviews?
Narzędzia Google nie raportują tego osobno. Najpewniejsza metoda to stała lista pytań zakupowych sprawdzana ręcznie lub narzędziem do monitoringu odpowiedzi AI, uzupełniona o dane z raportu skuteczności w Merchant Center.
Czy negatywne opinie wykluczają produkt z odpowiedzi?
Nie wykluczają, ale model może przytoczyć powtarzające się zarzuty jako wadę. Lepszą obroną niż walka z opiniami jest odpowiadanie na nie i poprawianie opisu tam, gdzie klienci mieli inne oczekiwania niż to, co obiecywała karta produktu.