Czy AI rekomenduje Twoje produkty?
Wykonaj darmowy audyt.
AI Engine Optimization (AEO) 2025
AEO to nowy standard widoczności i sprzedaży w e-commerce.
Dlaczego AEO jest tak ważne dla Twojego sklepu internetowego?
- AI przejmuje ruch z wyszukiwarek. Odpowiedzi AI (AIO) pojawiają się już przy dużej części zapytań e-commerce i generują istotny ruch
- Top 1–3 w Google nie wystarcza. Tylko ułamek tych pozycji trafia do AIO, a większość źródeł w AIO nie pokrywa się z klasycznym TOP3 SEO
- Rozmowa sprzedaje. Zakupy przez chat/voice/AI to setki miliardów dolarów rocznie - to realny kanał przychodu, to teraźniejszość
- Personalizacja = pieniądze. U liderów rekomendacje/personalizacja dają ~35–40% przychodu
- Polska praktyka. Średnio 6% ruchu z czatów AI potrafi wygenerować aż 14% przychodu (case Semly)
- Wniosek: dołóż AEO obok SEO + przygotuj dane, wypchnij ofertę do ChatGPT/Gemini i mierz udział sprzedaży z AI
Co zrobić teraz?
- Uporządkuj dane produktowe
- opublikuj je do ekosystemów LLM
- włącz asystenta zakupowego
- mierz widoczność w AI i wpływ na przychód
Dlaczego SEO już nie wystarcza?
- AI skraca ścieżkę użytkownika, ignorując klasyczne wyniki organiczne (80% źródeł w AI Overview to nie są liderzy SEO)
- 77% e-commerce menedżerów korzysta z AI na co dzień do automatyzacji kampanii, analityki, rekomendacji i personalizacji
- 29% firm retail już buduje przewagę w oparciu o big data i insighty z AI - lepsze prognozowanie, zapasy, szybka reakcja na trendy
- Zero-click rośnie i OSR (Organic Search Revenue) się spłaszcza; presja regulacyjna wokół AIO w UE potwierdza skalę zjawiska
Co realnie dowozi w AEO?
- Share of AI Visibility (SAV): odsetek zapytań, w których marka pojawia się w AIO/LLM. Dziś "nowa 1. strona" w Google
- Conversation-assisted revenue: udział przychodu, gdzie pierwszym dotknięciem jest czat/LLM (atrybucja oparta o parametry i ankiety post-purchase)
- Time-to-Answer (TTA) i Answer Quality Score: latencja i kompletność odpowiedzi (FAQ, cena, dostępność, zwroty)
- Retention & AOV uplift wspierane personalizacją - potwierdzony przez metaanalizy McKinsey
- Conversational GMV - rosnący tort (290 mld $), więc nawet niewielki udział równa się materialne przychody
Architektura AEO - od danych do widoczności
Warstwa danych produktowych
- Kanoniczny feed Google XML + JSON Lines dla LLM (klucze:
productTitle,brand,gtin,mpn,sku,description,price.value/currency,availability,imageUrl,url,shipping,returns,country,language) - Normalizacja jednostek (ml/g/cm), warianty, bundle, zgodność z schema.org/Product (JSON-LD)
- Freshness SLA: ceny/stany min. co 15–60 min. (LLM preferują aktualność)
Warstwa treści AEO-ready
- Opisy oparte o intencję i use-case’y (kompletne odpowiedzi, nie frazy)
- FAQ/Q&A per produkt/kategoria (krótka odpowiedź + źródło)
- Poliglot: te same encje (Brand, GTIN) i tezaurus fraz w EN/PL/DE/ES
Warstwa sygnałów zaufania
- Opinie (liczba, świeżość, rating), polityka zwrotów, gwarancja, lokalne stany (LIA), transparentność dostawy
Warstwa publikacji do ekosystemów AI
- Ingestion endpoints dla ChatGPT/Gemini/Perplexity (feed pull / webhook push)
- Mapowanie kategorii (Google Product Taxonomy) + własna ontologia
- Safety & rights: robots/LLM-allow, polityka źródeł, UTM-y do atrybucji
Warstwa konwersacyjna
- Asystent zakupowy (chat/voice) z groundingiem w feedzie (retrieval), dostępem do cen/stanów i polityk
- Handover do checkoutu lub do koszyka w 1 klik (deep link, schema app links)
Obserwowalność
- Telemetria: SAV, CTR-to-site z AIO/LLM, % odpowiedzi z poprawną ceną/stokiem, czas indeksacji zmian, inferred share of recommendations
Dane z polskiego rynku
- Przykład sklepu z artykułami dziecięcym - wdrożenie AEO (via Semly) przełożyło się na wzrost liczby zapytań produktowych w modelach AI o 130% m/m oraz wzrost współczynnika konwersji w tym kanale o 18%
- Sklep z oświetleniem: pojawienie się produktów w sekcji “See products” Google Gemini dało +25% wartości średniego koszyka
- Sklepy odzieżowe: użytkownicy korzystający z personalizowanych rekomendacji AI spędzają 30% więcej czasu na stronie, co bezpośrednio przekłada się na wyższe wskaźniki konwersji
Jak mierzyć AEO - definicje KPI
- SAV @Top Answer = zapytania z marką w "głównej" odpowiedzi / wszystkie monitorowane zapytania
- Coverage w AIO/LLM = #indeksowanych SKU w modelach / #SKU w feedzie
- Answer Accuracy (cena/stan) z próbkowaniem co N godzin
- Conv-assist rate = zamówienia z pierwszym dotknięciem LLM - chat / wszystkie zamówienia
- mCAC(AI) = (koszt narzędzia + ops) / zamówienia przypisane do AEO
- Uplift AOV/CR w kohortach "z czatem" vs "bez czatu"
30-dniowy plan wdrożenia (battle-tested)
- Dzień 1-5: audyt danych (GTIN/MPN/brand completeness ≥ 95%), spójność schematów, przygotowanie JSON-LD + JSONL
- Dzień 6-10: "Answer packs" na top 100 zapytań (opis, FAQ, parametry, 2–3 porównania alternatyw)
- Dzień 11-15: publikacja do LLM (ChatGPT/Gemini) + routing atrybucyjny (parametry, post-purchase survey)
- Dzień 16-20: asystent zakupowy (chat) z groundingiem i politykami (zwroty/dostawa/cena)
- Dzień 21-25: testy świeżości (cena/stan), walidacja Answer Accuracy > 97%, testy (brak SKU, brak wariantu)
- Dzień 26-30: tuning promptów, porządkowanie kategorii (taxonomy), dashboard KPI (SAV, Conv-assist, AOV uplift)
Conversational Commerce i udział AI w sprzedaży
Globalne wydatki na conversational commerce (zakupy "przez chat", voice, AI) przekroczą 290 miliardów dolarów w 2025 roku. Dla polskich sklepów, wdrożenie AEO przez Semly skutkuje już średnio 6% ruchu pochodzi z chatów AI (ChatGPT, Gemini), odpowiadając za aż 14% przychodu sklepu.
Antywzorce (najczęstsze błędy)
❌ "Przepisywanie" SEO-contentu do AEO 1:1 (za wolne, nieodpowiedziowe)
❌ Brak kanonicznego źródła prawdy (cena/stan) widocznego dla LLM → halucynacje cenowe
❌ FAQ pisane marketingiem zamiast zwięzłych odpowiedzi (LLM preferuje jednoznaczność)
❌ Brak metryk SAV/Accuracy → brak pętli zwrotnej i optymalizacji
Słownik pojęć (AEO 2025)
Podstawowe
- AEO (AI Engine Optimization) - proces przygotowania danych produktowych, treści i sygnałów zaufania oraz ich publikacji do ekosystemów LLM i warstw generatywnych wyszukiwarek, aby zwiększyć widoczność i sprzedaż z odpowiedzi AI
- AIO (AI Overviews) - moduł Google generujący streszczone odpowiedzi AI na zapytania (dawne SGE/AI Snapshots)
- LLM (Large Language Model) - duży model językowy (np. ChatGPT, Gemini) generujący odpowiedzi na bazie wiedzy i źródeł zewnętrznych
- Conversational commerce - sprzedaż inicjowana lub prowadzona przez chat/voice/AI-asystenta
Metryki i KPI
- SAV (Share of AI Visibility) - udział zapytań, w których marka pojawia się w głównej odpowiedzi AI:
SAV = (# zapytań z widocznością w AIO/LLM) / (liczba monitorowanych zapytań) - AIO/LLM Coverage - pokrycie katalogu w modelach:
Coverage = (# SKU widoczne w AIO/LLM) / (# SKU w feedzie)
- Answer Quality Score (AQS) - odsetek odpowiedzi AI zgodnych z ceną/stanem/politykami w próbkach kontrolnych:
AQS = (# odpowiedzi poprawnych) / (# odpowiedzi sprawdzonych)
- TTA (Time-to-Answer) - czas od zapytania do kompletnej odpowiedzi/handoveru do koszyka
- Conv-assist rate (CAR) - udział zamówień, w których pierwszym dotknięciem był LLM/chat:
CAR = (# zamówień z 1. dotknięciem LLM) / (wszystkie zamówienia)
- mCAC(AI) - marginalny koszt pozyskania przez kanał AEO:
mCAC(AI) = (koszt narzędzi + ops + treści AEO) / (# zamówień przypisanych AEO)
- Conversational GMV - wartość sprzedaży z sesji z interakcją konwersacyjną
- AOV (Average Order Value) - średnia wartość zamówienia
- CR (Conversion Rate) - współczynnik konwersji
- CAC (Customer Acquisition Cost) - koszt pozyskania klienta
- ROAS/ROMI - zwrot z wydatków reklamowych / z inwestycji marketingowej
- OSR (Organic Search Revenue) - przychód przypisany do ruchu organicznego z wyszukiwarki
Dane i formaty
- Feed produktowy Google XML - standardowy plik ofert do Google Merchant (rozszerzany pod AEO)
- JSON-LD (schema.org/Product) - dane ustrukturyzowane w stronie (
Product,Offer,AggregateRating,FAQPage) - JSONL (JSON Lines) - liniowy format rekordów (1 produkt = 1 linia) użyteczny do zasilania LLM
- GTIN/EAN, MPN, SKU globalny identyfikator towaru / numer części producenta / identyfikator magazynowy sklepu
- Freshness SLA - gwarantowana częstotliwość odświeżania cen/stanów (np. ≤60 min)
- Answer Packs - krótkie, jednoznaczne bloki odpowiedzi (opis + 2–3 parametry + źródło), które LLM może cytować 1:1
- Product Knowledge Graph - graf encji (produkty-marki-parametry-kategorie) łączący identyfikatory i atrybuty
Implementacja AI
- RAG (Retrieval-Augmented Generation) - generowanie z dołączonym wyszukiwaniem/retirievalem z autorytatywnych danych sklepu
- Grounding - "uziemienie" odpowiedzi AI w aktualnych, zaufanych źródłach (feed, polityki, stany)
- Embedding - wektorowa reprezentacja tekstu/danych używana do szybkiego dopasowania treści i produktów
- Ingestion endpoint - punkt odbioru/pobierania feedu przez ekosystemy AI (pull API, webhook push)
- Taxonomia/Ontologia - słownik kategorii i relacji (np. Google Product Taxonomy + własne rozszerzenia)
- LIA (Local Inventory Ads) - sygnały lokalnej dostępności (stan w sklepie stacjonarnym) przydatne również dla AEO
Atrybucja i analityka
- UTM - parametry linków do śledzenia źródła/medium/kampanii (np. utm_source=chatgpt)
- Post-purchase survey - krótka ankieta po zakupie do walidacji wpływu AEO ("Gdzie pierwszy raz usłyszałeś o produkcie?")
- Deep link - link kierujący bezpośrednio do koszyka/konkretnego wariantu z zachowaniem parametrów atrybucji
- Handover - kontrolowane przekazanie z asystenta AI do ścieżki checkout (np. koszyk z pre-wypełnionym SKU)
- Zero-click - sytuacja, w której użytkownik uzyskuje odpowiedź bez przejścia na stronę (szczególnie w AIO/LLM)
- LLM-allow/robots - polityka dostępowa (robots.txt / meta) jasno zezwalająca wybranym agentom/LLM na pobór danych
- Observability - zestaw logów, wskaźników i testów syntetycznych monitorujących widoczność, świeżość i trafność odpowiedzi AI
Udostępnij:
