Coraz częściej widzimy, że klienci zaczynają zakupy nie w Google, lecz w ChatGPT, Perplexity czy Gemini. I choć jeszcze rok temu można było traktować to jako ciekawostkę, dziś obserwujemy, że AI Search realnie wpływa na to, jakie marki w ogóle biorą udział w procesie zakupowym. W Google można było walczyć o pierwszą stronę, klikać w kilka wyników, analizować produkty. W świecie AI Search to znika — użytkownik dostaje jedną, maksymalnie dwie rekomendacje. Jeśli tam się nie pojawisz, nie istniejesz.
Dlatego tak ważne jest zrozumienie nie „czym jest AI Search”, ale jak działa. Jak modele wybierają marki? Dlaczego polecają jedne produkty, a inne pomijają? Skąd biorą informacje? I dlaczego potrafią zmienić rekomendacje z dnia na dzień?
To nie będzie techniczny artykuł. Chcemy pokazać AI Search tak, jak my go rozumiemy na co dzień, analizując setki promptów, robiąc audyty i obserwując zachowanie modeli z perspektywy e-commerce. Prostym językiem, obrazowo, z przykładami i analogiami, które każdy właściciel sklepu od razu zrozumie.
Jak modele „wiedzą”, co polecać?
Najłatwiej myśleć o modelu AI jak o kimś, kto przez kilka lat czytał ogromne ilości treści z internetu: recenzje, porównania, katalogi produktów, poradniki, artykuły, opisy na stronach producentów. Taka osoba nie pamięta każdego zdania, ale pamięta sens. Wie, że Makita to elektronarzędzia, Patagonia to outdoor, a Samsonite to walizki.
Modele działają podobnie. Mają swoją „bibliotekę startową”, czyli wiedzę, którą przyswoiły podczas treningu. I to jest pierwszy powód, dla którego jedne marki pojawiają się w odpowiedziach częściej, a inne rzadziej — nie dlatego, że są „lepsze”, ale dlatego, że ich opis w internecie był przez lata spójny, powtarzalny i bogaty w konkretne informacje.
Drugim źródłem wiedzy jest kontekst rozmowy. Modele zapamiętują to, co mówisz w trakcie interakcji, mniej więcej tak jak człowiek, który prowadzi z tobą dialog. Jeśli w jednym zdaniu powiesz, że mieszkasz w małym mieszkaniu, a chwilę później zapytasz o biurko, model automatycznie dopasuje rekomendację do ograniczonego metrażu. Nie musisz tego powtarzać — kontekst działa jak druga warstwa pamięci.
Trzecie źródło to aktualne informacje z internetu, które modele pobierają poprzez tzw. browsing. I tu pojawia się największe zaskoczenie. AI nie pobiera całej strony sklepu. Nie analizuje jej jak Google. Zamiast tego pobiera fragmenty — czasem trzy akapity, czasem pięć — i tylko na tej podstawie próbuje zrozumieć produkt. Jeśli dane na stronie są rozrzucone, opisane ogólnikami albo pozbawione parametrów, model nie ma szansy zrozumieć, czym produkt właściwie jest.
To prowadzi do bardzo prostej obserwacji:
AI nie poleca rzeczy, których nie potrafi zinterpretować.
Jak AI interpretuje pytania użytkownika?
Google działał na słowach kluczowych. AI działa na znaczeniu.
Kiedy użytkownik pyta: „Jaka lampa do warsztatu samochodowego?”, model nie szuka frazy „lampa warsztatowa” — model próbuje zrozumieć, czego ta osoba naprawdę potrzebuje. Czyli:
– że warsztat = mocne światło,
– że samochód = przyda się możliwość montażu,
– że praca precyzyjna = liczy się barwa światła,
– że pracuje się długo = bateria ma znaczenie.
Nawet jeśli użytkownik o tym nie wspomniał, model to dopowiada, bo tak działa interpretacja kontekstu. Dlatego produkty, które mają bardzo ogólne opisy, wypadają z gry. Model nie ma z czego „uzupełnić” odpowiedzi.
Z kolei produkty opisane faktami są dla AI jak klarowne puzzle — model może je łatwo dopasować do pytania.
Dlaczego jedne marki pojawiają się w odpowiedziach, a inne nie?
W AI Search nie działa pozycjonowanie. Nie działa link building. Nie działa klasyczna optymalizacja. Działa coś znacznie prostszego: zrozumiałość.
Marki, które pojawiają się w odpowiedziach, mają jedną wspólną cechę — ich dane są jasne, kompletne i logiczne. Model widzi, czym marka się zajmuje, komu służy, co sprzedaje i jakie cechy mają produkty. Widać to zwłaszcza w kategoriach technicznych. Regał metalowy z udźwigiem, wymiarami i materiałem będzie polecany dziesięć razy częściej niż „regał wysokiej jakości dla wymagających użytkowników”.
Drugi czynnik to obecność poza stroną sklepu. Modele karmią się „ogólną wiedzą internetu”. Jeśli marka jest obecna na forach, w porównaniach, rankingach, recenzjach i artykułach, ma znacznie większe szanse, by pojawiać się w odpowiedziach. To trochę tak, jakby AI pytało o opinię całego internetu i wybierało marki, które najczęściej pojawiają się w kontekście danego zagadnienia.
Trzeci element to spójność. Jeśli produkty są opisane inaczej w każdej kategorii, jeśli nazewnictwo jest niespójne, jeśli parametry raz są podane, a raz nie — model gubi się. A gdy się gubi, wybiera konkurencję.
Widzimy to w każdym audycie:
chaos informacyjny = brak widoczności.
Dlaczego odpowiedzi AI zmieniają się z dnia na dzień?
To jedno z pytań, które słyszymy najczęściej.
„Wczoraj model polecał nasze produkty. Dziś poleca kogoś innego. Co się stało?”
AI Search nie działa jak Google, gdzie zmiany w rankingach są raczej powolne i przewidywalne. Modele zmieniają odpowiedzi dynamicznie, bo:
– browsing pobiera za każdym razem inne fragmenty stron,
– kontekst rozmowy jest zmienny,
– modele są aktualizowane po cichu,
– informacje konkurencji również się zmieniają,
– interpretacja intencji użytkownika może być inna.
W praktyce oznacza to jedno:
AI Search trzeba monitorować, a nie sprawdzać jednorazowo.
Największe ryzyka AI Search (o których prawie nikt nie mówi)
Największym ryzykiem jest to, że odpowiedź AI to nie lista dziesięciu linków, tylko jeden akapit. W świecie Google nawet pozycja numer siedem dawała szansę na kliknięcie. W AI Search nie ma pozycji siedem. Jest „jesteś w odpowiedzi” albo „nie istniejesz”.
Drugie ryzyko jest jeszcze większe: modele nie wybaczają chaosu. Jeśli dane produktu są słabe, model nie ma z czego go zrozumieć. Jeśli opis marki jest ogólnikowy, AI nie ma jak ją zaklasyfikować. Jeśli struktura kategorii jest nielogiczna, AI nie wie, czym się zajmujesz.
Trzecie ryzyko to niestabilność. To, że model poleca Cię dziś, nie oznacza, że poleci Cię jutro.
To wszystko tworzy nową rzeczywistość, w której wygrywają nie te marki, które mają największy budżet marketingowy, ale te, które mają najbardziej uporządkowane informacje.
Co z tego wynika dla e-commerce?
W praktyce AI Search oznacza konieczność zmiany podejścia. Trzeba przestać myśleć o SEO jako o głównym źródle ruchu. SEO nadal jest ważne, ale równolegle powstaje drugi system wyszukiwania — taki, który nie analizuje linków, tylko fakty.
To oznacza, że:
– opisy produktów muszą być precyzyjne, nie marketingowe,
– dane muszą być kompletne i jednoznaczne,
– struktura sklepu musi być logiczna i spójna,
– informacje o marce muszą być jasne,
– obecność poza własnym sklepem nabiera znaczenia,
– widoczność trzeba monitorować regularnie.
To właśnie fundament AI Search w e-commerce — i dokładnie dlatego powstaje AI Visibility. Bo dopiero kiedy zaczniemy mierzyć to, jak modele widzą markę, możemy cokolwiek poprawiać.
Jak my do tego podchodzimy w Seedlight
Kiedy pracujemy z markami nad AI Search, zaczynamy zawsze od tych samych rzeczy: danych produktowych, struktury, logiki kategorii, informacji o marce, obecności w zewnętrznych źródłach. W każdej branży — od mebli, przez narzędzia, po elektronikę — widzimy dokładnie to samo. Modele nie potrzebują ładnych tekstów. Potrzebują jasnych faktów.
I dopiero gdy te fakty są dobrze podane, modele zaczynają polecać produkty. Czasem wystarczy poprawić trzy bestsellery. Czasem trzeba uporządkować cały sklep. Ale efekt jest zawsze ten sam — w końcu marka zaczyna istnieć w świecie AI Search.
Podsumowanie
AI Search to nie kolejna funkcja, nie nowinka i nie trend. To nowa warstwa internetu, w której modele nie dają listy linków, tylko gotowe odpowiedzi. I te odpowiedzi decydują o tym, które marki w ogóle biorą udział w procesie zakupowym.
To świat, w którym dane mają większą wartość niż słowa kluczowe.
Świat, w którym modele rekomendują produkty, które rozumieją.
Świat, w którym chaos informacyjny oznacza niewidoczność.
I świat, w którym przewagę zdobywają ci, którzy pracują na faktach, a nie frazach.
