Najważniejsze wnioski w pigułce
Skala problemu z opisami produktów
- 30% pól opisu produktu w badanych sklepach liczy mniej niż 50 słów, ale po zmierzeniu surowego kodu HTML — czyli tego, co faktycznie czytają roboty AI — naprawdę „cienkich” treści jest tylko 15,6%
- W 71% przypadków, gdy standardowe pole opisu jest niemal puste, reszta strony zawiera wystarczająco dużo treści, by robot mógł ją odczytać
- Mediana długości treści specyficznej dla produktu w surowym HTML to 133 słowa
Najsłabsze ogniwo: dane strukturalne
- 88% sklepów publikuje dane strukturalne produktu (structured data)
- Ale w 59% przypadków opis czytelny dla AI ma mniej niż 50 słów albo w ogóle go brakuje — a to właśnie ten fragment model językowy może zacytować z największą pewnością
Duplikacja treści
- 22% produktów ma niemal identyczną treść jak inny produkt w tym samym sklepie (duplikacja szablonowa)
- 20% opisów pojawia się dosłownie lub niemal dosłownie na co najmniej jednej innej domenie
- Duplikaty niemal zawsze trafiają do sieci detalistów i marketplace’ów, nie do konkurencyjnych marek
Cytowania AI — realne liczby
- W 60 kategoriach zakupowych badane, ugruntowane marki były cytowane lub rekomendowane w warstwie odpowiedzi Google tylko w 9,5% przypadków
- W jednej trzeciej kategorii nie pojawiła się ani jedna z nich
- Z 1851 przeanalizowanych źródeł zaledwie 2,8% stanowiła własna strona marki
Brak korelacji między metrykami
- Głębokość treści, szybkość ładowania i gotowość na AI to trzy niezależne problemy — szybki sklep może być całkowicie niewidoczny dla AI, a bogaty katalog może ładować się wolno
Nowe pytanie, które musi zadać sobie każdy sprzedawca
Pierwsze zetknięcie klienta z marką coraz częściej odbywa się wewnątrz odpowiedzi generowanej przez AI, a nie na stronie sklepu. Analiza Semrusha pokazała stały wzrost udziału AI Overviews w zapytaniach komercyjnych na przestrzeni 2025 roku — a każda taka odpowiedź wybiera, któremu źródłu przypisać zasługę. To zmienia fundamentalnie sposób myślenia o widoczności.
Dawniej pytanie brzmiało: „czy moja karta produktu się rankuje?”. Dziś brzmi: „gdy model językowy odpowiada na pytanie zakupowe, czy wspomina o mnie i czy cytuje moją stronę jako źródło?”. To dwie różne rzeczy — marka może zostać zarekomendowana w odpowiedzi, podczas gdy cytowanie i klik trafiają do tego źródła, które AI uznała za autorytet.
Badanie Shero Commerce objęło 1000 sklepów Shopify, z których 883 zwróciły aktywne dane produktowe (88% skuteczności pobrania). Przeanalizowano 8573 opisy produktów oraz 60 kategorii zakupowych w trzech narzędziach AI: trybie AI Google, ChatGPT i Perplexity. To trzecia część serii — poprzednie mierzyły szybkość ładowania i gotowość techniczną na AI, ale żadna nie sprawdzała samych słów ani efektu, jaki przynoszą.
Pole opisu to zła miara tego, co widzi AI
Na pierwszy rzut oka wynik wygląda alarmująco: 30% pól opisu miało poniżej 50 słów. Ponowny pomiar pokazał jednak, że problemem jest samo pole, nie treść. Nowoczesne szablony Shopify — Dawn czy Horizon — renderują treść z metapól, zakładek i sekcji motywu, które nigdy nie dotykają standardowego pola opisu.
Doskonałym przykładem jest Rare Beauty: publiczne pole opisu produktu Soft Pinch Tinted Lip Oil zawiera 25 słów, a wyrenderowana strona około 2100. Podobnie działa Our Place. To oznacza, że audyty oceniające wyłącznie pole opisu — a tak działa wiele płatnych narzędzi SEO — mierzą wskaźnik zastępczy, nie rzeczywistość. Po zmierzeniu surowego HTML z odjęciem powtarzalnego boilerplate’u (nawigacja, stopka, akordeony z dostawą, widżety opinii) prawdziwa „cienkość” dotyczy 27 z 173 dokładnie zmierzonych sklepów, czyli 15,6%.
W tej grupie znalazły się marki z realnymi budżetami na treść: Ridge, Atari, Nine West, Amiri czy Credo Beauty. Najciekawszy jest jednak przypadek Nothing — producent elektroniki użytkowej prezentuje człowiekowi dopracowaną kartę produktu, ale strona renderuje się w JavaScripcie. Robot otrzymuje w surowym HTML około 90 słów, w większości etykiet menu, i zero danych strukturalnych. Ponieważ roboty AI w większości nie wykonują JavaScriptu, taka strona po prostu nie istnieje w ich świecie.
Dane strukturalne: warstwa, którą AI cytuje najchętniej — i najsłabsza
Najbardziej niepokojący wynik dotyczy właśnie danych strukturalnych. Wprawdzie 88% sklepów je publikuje, ale w 59% przypadków opis produktu w tej warstwie ma poniżej 50 słów albo nie istnieje. To paradoks, bo dokładnie ten fragment model językowy może zacytować z największą pewnością — jest jednoznacznie oznaczony, przypisany do konkretnego produktu i nie wymaga zgadywania, gdzie kończy się treść, a zaczyna szablon.
Wypełnienie pola description w danych strukturalnych to jedno z najprostszych i najtańszych działań, jakie może wykonać sklep, by zwiększyć swoje szanse na cytowanie. Nie wymaga przebudowy szablonu ani nowej strategii treści — wystarczy przekazać tam pełny, unikalny opis produktu, a nie skrócony fragment lub puste pole. W praktyce jednak większość marek traktuje tę warstwę jako techniczny obowiązek wobec Google, a nie jako źródło, z którego korzysta AI.
Warto pamiętać, że treść w zakładkach i akordeonach liczy się tylko wtedy, gdy motyw renderuje ją po stronie serwera. Jeśli tekst wstrzykuje wyłącznie JavaScript, robot go nie zobaczy — niezależnie od tego, jak dopracowana wydaje się strona w przeglądarce.
Co piąty opis produktu żyje na cudzej domenie
Duplikacja występuje w dwóch formach i obie prowadzą do tego samego rezultatu. 22% produktów dzieli niemal identyczną treść z innym produktem w tym samym sklepie — to duplikacja szablonowa, typowa dla katalogów zbudowanych z jednego wzorca opisu z podmienionymi parametrami. Poważniejszy jest jednak drugi wynik: 20% opisów pojawia się dosłownie lub niemal dosłownie na co najmniej jednej innej domenie.
Kluczowa jest tożsamość tych domen. Niemal zawsze to detalista lub marketplace, nie konkurencyjna marka na Shopify. To oznacza, że marki same syndykują swoje opisy w sieci — przekazują je partnerom handlowym, hurtownikom i platformom sprzedażowym, często w ramach standardowych feedów produktowych. Gdy model językowy odpowiada na pytanie zakupowe, traktuje jako źródło ten podmiot, który uznaje za autorytet, i wysyła tam cytowanie zamiast do sklepu, który treść napisał.
Warto podkreślić, czego badanie nie mierzy: nie sprawdza, czy skopiowana treść jest karana. Google od lat powtarza, że nie stosuje kar za duplicate content — filtruje duplikaty i wybiera kanoniczną wersję. Badanie mierzy więc częstotliwość duplikacji i jej koszt w kategoriach atrybucji, a nie wpływ na ranking. W świecie odpowiedzi AI ten koszt atrybucji jest jednak dokładnie tym, o co toczy się gra.
AI rekomenduje markę, ale cytuje magazyn
Warstwa cytowań przyniosła najostrzejszy wynik całego badania. Realne pytania zakupowe — takie jak „najlepsze legginsy na trening siłowy” czy „najlepsze zrównoważone marki odzieżowe” — przepuszczono przez tryb AI Google, ChatGPT i Perplexity w 60 kategoriach produktowych. Każdą odpowiedź zapisano według tego, czy sklep był cytowany (jego domena pojawiła się jako źródło), rekomendowany (wskazany jako wybór), wspomniany, czy całkowicie nieobecny.
Ugruntowane marki z próby były cytowane lub rekomendowane w warstwie odpowiedzi Google tylko w 9,5% sprawdzeń. W jednej trzeciej kategorii nie pojawiła się ani jedna z nich. Najmocniejsza liczba dotyczy jednak samych źródeł: spośród wszystkich 1851 odnotowanych źródeł zaledwie 2,8% stanowiła własna strona marki. Pozostałe 97,2% to publikacje branżowe, magazyny, porównywarki i marketplace’y.
To jest ta „jedna porażka w dwóch formach”, o której mówią autorzy badania. Zarówno cienka treść, jak i skopiowana treść nie dają modelowi nic oryginalnego do przypisania. Efekt jest identyczny: cytowanie idzie w inne miejsce. Sklep może być wymieniony w odpowiedzi jako rekomendacja, ale klik, ruch i budowanie autorytetu przechwytuje wydawca, który tę samą informację opisał własnymi słowami.
Trzy niezależne problemy, nie jeden
Ostatni wniosek ma wymiar praktyczny dla planowania budżetów. Głębokość treści, szybkość ładowania i gotowość na AI korelują ze sobą w minimalnym stopniu. Szybki sklep z doskonałymi Core Web Vitals może być całkowicie niewidoczny dla modeli językowych. Rozbudowany katalog z bogatymi opisami może ładować się wolno. Poprawa jednego wskaźnika nie naprawia dwóch pozostałych.
To oznacza, że optymalizacja pod AI wymaga własnego zestawu działań, a nie tylko przyspieszenia strony czy dodania kolejnych akapitów. Priorytety wyłaniające się z badania są konkretne: renderowanie treści produktowej po stronie serwera, wypełnienie pola opisu w danych strukturalnych pełnym unikalnym tekstem, likwidacja duplikacji szablonowej w katalogu i świadome zarządzanie tym, komu i w jakiej formie przekazujemy opisy produktów do syndykacji.
W praktyce najczęstszym punktem wyjścia jest audyt tego, co robot AI naprawdę widzi na karcie produktu — czyli pobranie surowego HTML bez wykonywania JavaScriptu i porównanie go z tym, co widzi klient. Różnica między tymi dwoma obrazami to często cała przestrzeń utraconej widoczności.
Podsumowanie
Badanie 1000 sklepów Shopify pokazuje, że problem widoczności w AI rzadko wynika z braku treści — wynika z braku treści oryginalnej i czytelnej dla robota. Gdy tylko 2,8% źródeł w odpowiedziach AI stanowią strony samych marek, a co piąty opis produktu żyje równolegle na cudzej domenie, atrybucja przestaje być kwestią techniczną i staje się kwestią strategiczną. Sklepy, które chcą być cytowane, muszą dać modelowi coś, czego nie znajdzie nigdzie indziej — i podać to w warstwie, którą model potrafi odczytać.
Źródło: Shero Commerce, „Duplicate Content and AI Citations in 1,000 Shopify Stores” — sherocommerce.com
