Czy ChatGPT poleca Twój sklep internetowy?

Klasyczna strona wyników wyszukiwania daje kupującemu dziesięć (albo więcej) linków i pozostawia mu decyzję. Pytanie zakupowe zadane w ChatGPT działa inaczej: model czyta pytanie, ustala, jak powinna wyglądać dobra odpowiedź, i pisze krótką listę dwóch do sześciu sklepów lub produktów, każdy z jednym zdaniem uzasadnienia. Nie ma tu przewijania, strony drugiej ani "pozycji jedenastej", na którą można się wspiąć w przyszłym miesiącu.

Ta jedna różnica zmienia znaczenie słowa "widoczność". W Google sklep może być na trzeciej stronie wyników i wciąż zostać znaleziony przez wytrwałego kupującego. W odpowiedzi ChatGPT sklep, którego nie ma na tej krótkiej liście, jest niewidoczny dla tego pytania, niezależnie od tego, jak wysoko plasuje się gdzie indziej. Kupujący często dopytują dalej - "a coś tańszego", "czy jest w czarnym kolorze" - i każde takie dopytanie to nowa okazja, by model dodał, usunął albo przestawił kolejność sklepów w tym samym mechanizmie. Praktyczne pytanie dla właściciela sklepu brzmi więc już nie "na jakiej jesteśmy pozycji", tylko "czy zostaliśmy wymienieni i w jaki sposób".

Dlaczego odpowiedzi zakupowe to nie dziesięć niebieskich linków

To zmiana warta zapamiętania na wstępie: zadaniem sklepu nie jest już wspinaczka po stronie wyników, tylko zdobycie miejsca w bardzo krótkiej, napisanej odpowiedzi.

Pytania neutralne, słowa kluczowe z marką i pamięć ChatGPT

Pytanie neutralne (ang. cold prompt) to pytanie zakupowe, w którym nie pada nazwa marki ani domena, na przykład "najlepsze wodoodporne buty trekkingowe dla szerokiej stopy" albo "pomysł na prezent dla miłośnika kawy do 200 zł". Pytania neutralne to uczciwy test odkrywalności: pokazują, czy model sam sięga po dany sklep, bez podpowiedzi.

Pytanie z marką od razu zawiera nazwę sklepu lub domenę ("czy sklep X jest wiarygodny", "polityka zwrotów w sklepie X"). Takie pytania są przydatne z innych powodów, ale nic nie mówią o odkrywalności, bo kupujący i tak już znał sklep. Dlatego pytania z marką są wyłączone z mention rate: mention rate to udział śledzonych pytań, w których sklep został wymieniony w danym tygodniu, a wliczenie pytań, które już zawierają nazwę sklepu, sztucznie by go zawyżyło.

Zalogowane konta ChatGPT mogą korzystać z pamięci - wcześniejsze rozmowy i zapisane preferencje potrafią po cichu wpłynąć na kolejną odpowiedź. To wygodne dla kupującego, ale sprawia, że pojedynczy czat na zalogowanym koncie to słaby sposób testowania widoczności: to samo pytanie neutralne może zwrócić różne sklepy dla różnych osób albo różne sklepy dla tej samej osoby tydzień później. Sprawdzenie, co zobaczy nowy kupujący, bez historii wpływającej na wynik, wymaga kontekstu, w którym pamięć nie kształtuje odpowiedzi.

Jak model właściwie wybiera sklep

Warto rozdzielić trzy mechanizmy, które decydują o tym, czy sklep pojawi się w odpowiedzi zakupowej.

Retrieval

Przy większości aktualnych pytań zakupowych model nie polega wyłącznie na tym, czego nauczył się podczas treningu. Wykonuje krok zwany retrieval (wyszukiwanie): sprawdza aktualne strony pasujące do pytania, a następnie porównuje, co mówi kilka z nich, zanim napisze odpowiedź. Aby ten krok w ogóle znalazł sklep, strony produktowe muszą być dostępne dla robotów i zaindeksowane. Jeśli strona kategorii zwraca błędy, blokuje roboty albo ukrywa ceny i dostępność za skryptem JavaScript, który nigdy się nie renderuje dla bota, sklep przegrywa wyścig, zanim jakość treści w ogóle wejdzie do gry.

Cytowania

Kiedy odpowiedź wymienia sklep, zwykle pobrała konkretne dane - cenę, materiał, rozmiar, dostępność - z konkretnej strony, na którą może wskazać. To wskazówka dla właścicieli sklepów: strony, które podają fakty wprost, wraz z pasującym schematem Product i Offer, są łatwiejsze do pewnego odczytania i zacytowania przez model. Wpis blogowy, który nigdy nie podaje aktualnej ceny w formie czytelnej dla maszyn, budzi mniej zaufania niż strona produktowa z czystymi danymi strukturalnymi.

Aktualność

Nieaktualne strony - wycofane produkty wciąż widniejące w ofercie, ceny niezgodne ze schematem, mapy witryny nieaktualizowane od miesięcy - obniżają pewność modelu, tak samo jak nieaktualna strona obniża zaufanie kupującego. Świeżość treści przekłada się na to, co w audycie pojawia się jako content score.

Za tymi trzema mechanizmami stoi prostsza brama: czy roboty AI w ogóle mają dostęp do witryny. GPTBot, Google-Extended i ClaudeBot to jedne z robotów zbierających materiał, na którym te systemy się opierają, a plik llms.txt to jeden ze sposobów, by w formacie stworzonym do tego celu określić, które części witryny mają być czytane. Żaden z tych elementów sam w sobie nie gwarantuje wzmianki - eliminuje jedynie powody, dla których sklep zostałby pominięty.

Co czytać w jednej odpowiedzi

Pojedyncza odpowiedź zakupowa AI niesie więcej informacji niż samo tak/nie w kwestii widoczności, dlatego warto czytać ją jak krótki raport, a nie jak wynik testu. Warto uważnie przyjrzeć się czterem elementom:

• Czy sklep został wymieniony. Podstawowa kontrola: czy sklep pojawia się w ogóle przy danym pytaniu neutralnym w tym tygodniu.
• Kolejność. Sklepy wymienione jako pierwsze są zwykle prezentowane jako najlepiej dopasowane do pytania, nawet bez jawnego rankingu.
• Cytowania. Czy sklep jest zalinkowany lub wskazany jako źródło, czy tylko wspomniany z nazwy bez odesłania. Do tego służy pełny tekst odpowiedzi - a nie sama liczba wzmianek - dostępny w widoku takim jak Answer Explorer.
• Ton. Otwarcie polecony, wymieniony jako jedna z kilku opcji, czy opatrzony zastrzeżeniem ("przed zamówieniem sprawdź aktualny stan magazynowy"). Ton decyduje o tym, ile jest warta dana wzmianka.

Porównywanie tonu i kolejności w zestawie pytań przez kilka tygodni pozwala też zobaczyć share of voice sklepu (udział w rozmowie): którzy konkurenci są wymieniani przy tych samych pytaniach i jak często.

Kiedy pozycja w Google i odpowiedź ChatGPT się rozjeżdżają

Nierzadko zdarza się, że sklep dobrze plasuje się w tradycyjnym wyszukiwaniu, a mimo to nie pojawia się w odpowiedzi ChatGPT na bardzo podobne pytanie - albo odwrotnie: mniejszy sklep z uporządkowanymi danymi strukturalnymi, słabiej widoczny w Google, zostaje wymieniony przed większymi konkurentami w odpowiedzi AI. Dla właściciela sklepu obie sytuacje są równie ważne, bo pokazują, że optymalizacja pod jeden kanał nie przekłada się automatycznie na drugi.

Przyczyny pokrywają się z mechanizmami opisanymi wyżej. Ranking wyszukiwarki nagradza linki przychodzące, wieloletni autorytet domeny i lata zgromadzonych sygnałów. Odpowiedź AI nagradza stronę, którą model może bez trudu znaleźć, pewnie odczytać i zacytować - a to czasem lepiej udaje się nowszemu sklepowi z dobrze otagowanymi stronami produktowymi niż starszemu sklepowi z ubogimi lub niespójnymi danymi produktowymi. Sklep, który przez lata inwestował w linki, ale wciąż pokazuje ceny wyłącznie w formie obrazka albo blokuje roboty zasilające te odpowiedzi, może dobrze rankować i rzadko być wymieniany. Żaden z tych systemów nie zastępuje drugiego - odpowiadają po prostu na inne pytania ("które strony pasują do tego zapytania" kontra "co powiedzieć temu kupującemu teraz"), a zadaniem sklepu jest być czytelnym dla obu.

Praktyczna cotygodniowa metoda

Prosta, powtarzalna metoda jest skuteczniejsza niż jednorazowa kontrola.

1. Zacznij od punktu odniesienia. Darmowy Aigely Scan uruchamia dziesięć neutralnych pytań zakupowych w ChatGPT dla jednej domeny, raz w tygodniu, bez konta i karty płatniczej, i zwraca scorecard gotowy do udostępnienia. Wystarczy, by w tym tygodniu zobaczyć, czy sklep w ogóle jest wymieniany przy neutralnych pytaniach z jego kategorii.
2. Zdecyduj, czy potrzebna jest historia. Pojedynczy skan pokazuje jeden moment. Śledzenie mention rate i share of voice przez kilka tygodni - i w więcej niż jednym silniku AI - wymaga już stałego projektu, a nie jednorazowej kontroli.
3. Zwiększ zakres, jeśli potrzebne jest śledzenie co tydzień. Darmowe konto obejmuje jeden projekt z dziesięcioma promptami w ChatGPT i jeden ręczny skan tygodniowo, bez automatycznego zadania cotygodniowego. Siedmiodniowy okres próbny (wymagana karta) odblokowuje pięćdziesiąt promptów w ChatGPT, Gemini i Google AI Overviews razem, choć bez Claude. Plany płatne dodają automatyczne śledzenie co tydzień: Starter obejmuje ChatGPT i Google AI Overviews, Shop dodaje Gemini, a Business dodaje Claude do reszty.
4. Działaj na podstawie tego, co pokazują odpowiedzi. Wykorzystaj audyt, by sprawdzić llms.txt, dostęp robotów oraz schemat Product/Offer na stronach faktycznie wymienianych lub pomijanych w odpowiedziach - domyślnie oznacza to każdy adres URL z mapy witryny sklepu, albo konkretną listę adresów, gdy sklep chce zawęzić zakres audytu.

Czego nie robić

• Nie wpisuj nazwy marki do testowanego pytania. Pytanie w stylu "poleć sklepy podobne do [nazwa sklepu]" albo dopisanie domeny niweczy sens pytania neutralnego i nie pokaże tego, co widzi nowy kupujący.
• Nie oceniaj widoczności na podstawie osobistego, zalogowanego czatu ChatGPT. Pamięć i wcześniejsze rozmowy mogą kierować odpowiedź w stronę sklepu lub od niego z powodów niemających nic wspólnego z rzeczywistą widocznością sklepu dla nowego kupującego.
• Nie traktuj jednej odpowiedzi jako ostatecznego wyroku. Odpowiedzi modelu różnią się tydzień od tygodnia i pytanie od pytania; mention rate zbudowany na śledzonym zestawie pytań w czasie jest bardziej wiarygodny niż pojedynczy czat.
• Nie myl pozycji w Google z wzmianką w AI. Są mierzone inaczej i mogą poruszać się w przeciwnych kierunkach, jak opisano wyżej.

Sprawdzenie, jak wygląda widoczność sklepu, zaczyna się od dwóch minut: uruchom darmowy Aigely Scan na neutralnych pytaniach zakupowych w ChatGPT i przeczytaj otrzymany scorecard. Jeśli sklep potrzebuje śledzenia mention rate i share of voice co tydzień, w większej liczbie silników AI, i pełnego tekstu za każdą odpowiedzią, porównaj plany, by dobrać odpowiedni zakres.