Kiedy asystent AI odpowiada na pytanie „który sklep wybrać”, nie ogląda zdjęć produktu ani banera z promocją. Czyta tekst: oceny, treść recenzji, warunki zwrotu, terminy dostawy. Te elementy przestały być ozdobą karty produktu i stały się danymi wejściowymi do rekomendacji. Jeśli przygotowujesz sklep pod zakupy prowadzone przez agentów, zacznij od szerszego obrazu w przewodniku jak przygotować sklep na zakupy AI, a potem wróć tutaj po szczegóły dotyczące opinii.
Poniżej rozkładam na części pierwsze to, co model faktycznie bierze pod uwagę, i pokazuję, jak wystawić te informacje, żeby dało się je odczytać bez zgadywania.
Skąd model bierze opinie o produkcie
Źródła dzielą się na trzy grupy i warto je rozróżniać, bo każda zachowuje się inaczej.
- Twoja strona. Opinie wyrenderowane w HTML karty produktu, najlepiej wsparte danymi strukturalnymi. To jedyne źródło, które w pełni kontrolujesz.
- Platformy zewnętrzne. Serwisy porównywarkowe, marketplace’y, agregatory recenzji. Model traktuje je jako niezależne potwierdzenie.
- Treści społecznościowe. Wątki na forach, komentarze, materiały wideo z transkrypcją. Nieprzewidywalne, ale często decydujące przy zapytaniach typu „czy warto”.
Kluczowa uwaga techniczna: opinie doładowywane JavaScriptem po kliknięciu „pokaż więcej” w praktyce nie istnieją dla większości crawlerów AI. Jeśli w źródle strony nie ma tekstu recenzji, model go nie zobaczy, nawet jeśli użytkownik w przeglądarce widzi ich czterysta. Pierwsze kilkanaście opinii powinno być w statycznym HTML, reszta może pozostać za paginacją.
Ocena średnia, liczba opinii i świeżość
Sama gwiazdka to za mało. Modele porównujące oferty operują na trójce parametrów, którą można streścić tak:
| Sygnał | Jak jest czytany | Praktyczny próg |
|---|---|---|
| Ocena średnia | Filtr wstępny, odrzuca oferty wyraźnie odstające w dół | 4,0 i wyżej |
| Liczba opinii | Miara wiarygodności średniej | 10–30 na produkt daje sensowną podstawę |
| Świeżość | Wskazuje, czy ocena opisuje aktualną wersję produktu | opinie z ostatnich 6–12 miesięcy |
Ocena 4,9 przy trzech recenzjach przegrywa z 4,5 przy dwustu. Model preferuje rozkład, który wygląda naturalnie, czyli z widoczną mniejszością ocen niższych. Zestaw wyłącznie piątek jest sygnałem ostrzegawczym, nie atutem.
Świeżość ma znaczenie szczególnie tam, gdzie produkt bywa aktualizowany. Recenzja sprzed trzech lat opisuje inny model urządzenia niż ten, który dziś jest w koszyku. Warto więc wyświetlać datę przy każdej opinii i pokazywać ją także w danych strukturalnych, bo bez daty model musi przyjąć, że opinia jest stara.
Treść opinii: co model z niej wyciąga
Tu zaczyna się część, której klasyczne SEO nie obejmowało. Model nie zlicza gwiazdek, tylko streszcza argumenty. Z korpusu recenzji wyciąga powtarzalne wątki i przekłada je na zdania w odpowiedzi: „użytkownicy chwalą trwałość, ale zwracają uwagę na zawyżony rozmiar”.
Wynika z tego kilka konsekwencji operacyjnych:
- Długie opinie są cenniejsze niż krótkie. Jedno zdanie „polecam” nie wnosi nic do streszczenia. Prośba w mailu posprzedażowym o opisanie konkretnego zastosowania podnosi jakość całego korpusu.
- Warto zbierać opinie w podziale na aspekty. Osobne oceny dla rozmiaru, jakości wykonania i stosunku ceny do jakości dają modelowi gotowe kategorie.
- Odpowiedzi sprzedawcy się liczą. Publiczna reakcja na krytyczną recenzję pokazuje sposób obsługi reklamacji i bywa cytowana jako dowód rzetelności.
- Negatywne opinie są potrzebne. Zestaw wyłącznie pochwał obniża ocenę wiarygodności. Trzy gwiazdki z rzeczową argumentacją budują zaufanie skuteczniej niż wyczyszczona sekcja.
Sposób opisywania produktu w treści opinii warto potem odzwierciedlić we własnych tekstach. Jeśli klienci konsekwentnie używają innego słownictwa niż karta produktu, to ich język jest tym, którego model użyje w zapytaniu.
Polityka zwrotów jako czynnik decyzyjny
Przy zapytaniach zakupowych zwroty są drugim najczęściej sprawdzanym parametrem po cenie. Agent, który ma zarekomendować sklep, szuka odpowiedzi na cztery pytania: ile dni na zwrot, kto płaci za przesyłkę, jak wygląda procedura, ile trwa zwrot pieniędzy. Jeżeli tych informacji nie ma w jednoznacznej formie, oferta zostaje pominięta na rzecz konkurenta, który je podaje.
Najczęstszy błąd to ukrycie warunków w regulaminie napisanym językiem prawnym, gdzie termin zwrotu pojawia się w paragrafie siódmym w zdaniu podrzędnym. Rozwiązanie jest proste: krótka sekcja na karcie produktu z konkretami (liczba dni, koszt, czas rozpatrzenia), a dopiero pod nią odesłanie do pełnego regulaminu. Ta sama zasada dotyczy dostawy, którą opisałem szerzej przy okazji feedu produktowego dla agentów AI, gdzie warunki logistyczne trafiają do osobnych pól.
Wart odnotowania niuans: „30 dni na zwrot” bez dopisku o koszcie przesyłki bywa czytane jako zwrot płatny. Jeśli odsyłka jest darmowa, trzeba to napisać wprost, bo model nie zakłada wariantu korzystniejszego dla sklepu.
Dane strukturalne dla opinii i zwrotów
Znaczniki nie zastępują treści, ale usuwają dwuznaczność. Dla opinii służą typy Review i AggregateRating, opisane w dokumentacji schema.org. Dla zwrotów istnieje MerchantReturnPolicy podpięty pod ofertę, z polami określającymi liczbę dni, kraj i stronę pokrywającą koszt przesyłki.
Minimalny zestaw, który ma sens wdrożyć w tej kolejności:
AggregateRatingz polamiratingValue,reviewCountorazbestRating, spójny z tym, co widać na stronie.- Kilka pojedynczych obiektów
ReviewzdatePublished,authori pełnymreviewBody, nie samą oceną liczbową. MerchantReturnPolicyzmerchantReturnDaysireturnFees, umieszczony wewnątrzOffer.
Rozbieżność między znacznikiem a treścią widoczną dla użytkownika jest gorsza niż brak znacznika, bo podważa zaufanie do całej strony. Szczegóły implementacyjne dla pozostałych pól oferty zebrałem w tekście o danych strukturalnych Product w e-commerce. Warto też zajrzeć do wytycznych Google Search Central, bo część reguł dotyczących opinii własnych obowiązuje niezależnie od tego, kto czyta stronę.
Opinie z zewnętrznych platform
Model, który weryfikuje rekomendację, chętnie sięga poza sklep. Opinia potwierdzona w drugim, niezależnym źródle waży więcej niż dziesięć recenzji z własnej witryny. Dlatego obecność w kilku dużych serwisach opiniotwórczych działa jak dywersyfikacja ryzyka: jeśli jedno źródło jest ubogie, drugie ratuje obraz całości.
Praktyczne minimum to jeden agregator ogólny, jeden branżowy oraz profil w mapach, jeśli sklep ma punkt stacjonarny. Ten ostatni element ma szczególne znaczenie przy zapytaniach z intencją lokalną, co opisałem w materiale o lokalnych rekomendacjach w ChatGPT i Gemini.
Osobna kwestia to spójność. Jeśli na własnej stronie widnieje 4,8, a w zewnętrznym serwisie 3,4, model najczęściej zaufa źródłu niezależnemu i może wprost zasygnalizować rozbieżność w odpowiedzi. Monitorowanie ocen poza sklepem jest więc częścią pracy nad widocznością, nie zadaniem działu obsługi klienta.
Czego nie robić: sztuczne opinie i ryzyko
Kupowanie recenzji jest kuszące i coraz łatwiejsze do wykrycia. Sygnały, które zdradzają sztuczny korpus, są dość oczywiste po zestawieniu: nagłe skoki liczby opinii w krótkim oknie czasowym, powtarzalna składnia, brak wzmianek o wadach, komentarze niezwiązane z konkretnym wariantem produktu, konta bez historii.
Ryzyko jest asymetryczne. Zysk z podbicia średniej o 0,3 punktu jest niewielki, a koszt utraty wiarygodności obejmuje nie tylko wyniki wyszukiwania, ale też odpowiedzi asystentów, które trudniej naprawić niż pozycję w rankingu. W Unii Europejskiej publikowanie fałszywych opinii jest dodatkowo zakazane przez przepisy o nieuczciwych praktykach rynkowych, a obowiązek weryfikacji autentyczności spoczywa na sprzedawcy.
Sensowna alternatywa jest nudna, ale działa: automatyczna prośba o opinię wysyłana po realnym doświadczeniu z produktem (7–14 dni po dostawie), pytanie o konkretny aspekt zamiast ogólnej oceny, publikowanie wszystkich recenzji łącznie z krytycznymi oraz odpowiadanie na te negatywne. Taki proces buduje korpus, który wygląda naturalnie, bo naturalny jest.
Podsumowanie
Opinie i zwroty to dziś dane, nie element interfejsu. Model czyta treść recenzji, sprawdza jej datę, weryfikuje ocenę w źródle zewnętrznym i szuka jednoznacznej informacji o warunkach zwrotu. Wystarczy zadbać o trzy rzeczy: żeby te informacje istniały w statycznym HTML, żeby były opisane danymi strukturalnymi zgodnymi z tym, co widzi użytkownik, i żeby nie były podkoloryzowane. Reszta to konsekwencja w zbieraniu opinii.
FAQ
Ile opinii potrzebuje produkt, żeby AI go rekomendowało?
Nie ma progu twardego, ale przy mniej niż dziesięciu recenzjach średnia ocena jest traktowana jako mało wiarygodna. Przedział 10–30 opinii na wariant produktu daje modelowi podstawę do streszczenia powtarzalnych wątków. Ważniejsza od liczby jest długość i konkretność treści.
Czy negatywne opinie szkodzą widoczności w odpowiedziach AI?
Nie, o ile stanowią mniejszość i mają rzeczową treść. Model odczytuje wyłącznie pozytywny korpus jako podejrzany. Krytyczne recenzje z odpowiedzią sprzedawcy działają na korzyść, bo pokazują sposób rozwiązywania problemów.
Czy wystarczy dodać AggregateRating bez pojedynczych recenzji?
Sama zagregowana ocena daje liczbę, ale nie daje argumentów. Model streszcza treść recenzji, więc bez obiektów Review z polem reviewBody nie ma z czego zbudować zdania o zaletach i wadach produktu. Warto wystawić oba typy.
Jak opisać politykę zwrotów, żeby model ją znalazł?
Krótka sekcja na karcie produktu z liczbą dni, informacją o koszcie przesyłki zwrotnej i czasem rozpatrzenia, uzupełniona znacznikiem MerchantReturnPolicy wewnątrz oferty. Sam odnośnik do regulaminu jest niewystarczający, bo warunki giną w tekście prawnym.
Czy opinie z Google i marketplace’ów mają większą wagę niż moje własne?
Przy weryfikacji tak, ponieważ pochodzą ze źródła, na które sprzedawca ma ograniczony wpływ. Najlepszy efekt daje zgodność między źródłami. Duża rozbieżność między oceną na stronie a oceną zewnętrzną bywa cytowana w odpowiedzi jako zastrzeżenie.
Czy tłumaczone opinie z innych rynków są brane pod uwagę?
Tak, jeśli są oznaczone językiem oryginału i widoczne w HTML. Problemem bywa mieszanie języków w jednym bloku bez oznaczenia, co utrudnia przypisanie treści do wersji językowej strony i obniża jej użyteczność jako źródła.