5 marca 2026 OpenAI wygasiło Instant Checkout, czyli zakupy domykane bez wychodzenia z czatu. Funkcja przeżyła około pięciu miesięcy. W pierwszym miesiącu spróbowało jej 8% dorosłych użytkowników ChatGPT w USA, zintegrowało się mniej więcej tuzin sklepów na Shopify, a Walmart zmierzył, że zakup domykany w czacie konwertuje około 3x gorzej niż przejście na walmart.com i zakup tam. Zamiast tego OpenAI zaczęło przekierowywać transakcje do zewnętrznych aplikacji.
W tym samym czasie strona odkrywania urosła. Shopify w danych za pierwszy kwartał 2026 podaje ruch z AI wyższy około 8x rok do roku, zamówienia z wyszukiwania napędzanego AI wyższe około 13x i kanały AI przyprowadzające nowych kupujących prawie 2x częściej niż pozostałe. Nosto podaje, że 72% kupujących oczekuje pomocy agentów zakupowych przy zakupie.
Te dwie liczby razem układają się w jeden model zachowania: klient znajduje produkt w czacie, a płaci u ciebie. Koszyk został na twojej stronie, a przed koszykiem stanął feed produktowy. O tym jest ten tekst: co konkretnie musi być w danych, żeby model miał czym się posłużyć.
Co się zmieniło: kasa w czacie padła, odkrywanie urosło
Branża szykowała się na protokoły płatnicze wewnątrz asystentów. Okazało się, że ludzie nie chcą podawać karty w oknie czatu, a sklepy nie chcą oddawać relacji z klientem. Została część, która działa: model zbiera informacje o produktach, składa z nich krótką listę i podaje link.
To zmienia przedmiot rywalizacji. Nie chodzi o integrację z płatnościami, tylko o obecność na tej krótkiej liście. A lista powstaje z danych, które model może odczytać, porównać i zacytować bez ryzyka, że poda nieaktualną cenę. Produkt bez pewnej ceny i pewnej dostępności model po prostu pomija, bo pomyłka kosztuje go zaufanie użytkownika.
W Polsce to nie jest już scenariusz na przyszły rok. Google uruchomiło AI Mode w Polsce i po polsku 8 października 2025. Senuto podaje, że odpowiedź AI pojawia się przy 24,17% polskich zapytań w Google. Z ChatGPT korzysta ponad 10 milionów osób w Polsce. Tam, gdzie wyświetla się AI Overview, Ahrefs w badaniu na 300 tysiącach słów kluczowych zmierzył spadek CTR o około 34,5%.
Czym jest feed pod AI i skąd model bierze dane
Nie ma jednego „feedu dla ChatGPT”. Są trzy źródła i każde robi co innego.
Plik feedu. XML w standardzie RSS 2.0 albo CSV/TSV, pod jednym stałym URL, generowany automatycznie. To kanoniczna wersja katalogu. Ten sam plik konsumuje Google Merchant Center, porównywarki i partnerzy, więc jeżeli robisz go raz, robisz go pod wszystkich.
Dane strukturalne na karcie. JSON-LD typu Product z blokiem offers: price, priceCurrency, availability, gtin, sku, brand. Bez tego karta jest dla maszyny tekstem, a nie ofertą.
Zwykły HTML karty produktu, renderowany po stronie serwera. Tu bywa najwięcej niespodzianek. Crawlery AI nie wykonują JavaScriptu: GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot, Claude-SearchBot, PerplexityBot ani Meta-ExternalAgent nie uruchamiają skryptów. Vercel w swoim badaniu crawlerów policzył, że GPTBot pobiera pliki JS w około 11,5% żądań, a ClaudeBot w około 23,8%, ale żaden z nich ich nie wykonuje. Wyjątkiem jest Gemini i Google AI Mode, które korzystają z renderowania Googlebota.
Praktyczny wniosek jest brutalny: jeśli cena i stan magazynowy pojawiają się na karcie dopiero po hydracji Reacta albo po kliknięciu w zakładkę, dla ChatGPT twój produkt nie ma ceny. Sprawdza się to w minutę przez curl i view-source, bez żadnego narzędzia.
Atrybuty feedu: co jest wymagane, a co realnie decyduje
Poniżej zestaw, który wkładam do każdego sklepu. Kolumna „odświeżanie” to nie teoria, tylko harmonogram, który wpisuję w cronie.
| Atrybut | Status | Format wartości | Jak często odświeżać |
|---|---|---|---|
id | wymagany | stały SKU, nie zmienia się przy edycji karty | przy zmianie katalogu |
title | wymagany | marka + model + kluczowy parametr, do 150 znaków | przy zmianie karty |
description | wymagany | do 5 000 znaków, zalecane 500-1000, czysty tekst bez HTML | przy zmianie karty |
link | wymagany | pełny URL kanoniczny, https, bez parametrów sesji | przy zmianie katalogu |
image_link | wymagany | URL obrazu, zalecane od 800 px po dłuższym boku | przy zmianie karty |
availability | wymagany | in_stock, out_of_stock, preorder, backorder | co godzinę |
price | wymagany | 199.00 PLN, cena brutto, kropka jako separator | co godzinę |
sale_price + sale_price_effective_date | opcjonalny, realnie kluczowy | cena promocyjna i zakres dat w ISO 8601 | co godzinę |
gtin lub mpn + brand | opcjonalny formalnie, decydujący przy dopasowaniu | GTIN 8, 12, 13 lub 14 cyfr, bez spacji | przy zmianie katalogu |
item_group_id + color, size, material | wymagany przy wariantach | ten sam item_group_id dla całej rodziny | przy zmianie katalogu |
shipping + czas dostawy | opcjonalny, mocno wpływa na wybór | kraj, koszt, okno w dniach roboczych | przy zmianie cennika wysyłki |
product_type i kategoria sklepowa | opcjonalny | pełna ścieżka kategorii z twojego menu | przy zmianie katalogu |
condition | opcjonalny | new, refurbished, used | rzadko |
identifier_exists | opcjonalny | no tylko dla produktów własnych bez GTIN | rzadko |
Wymagane atrybuty decydują o tym, czy produkt w ogóle wejdzie do indeksu. O tym, czy zostanie wybrany, decydują cztery inne rzeczy.
Dostępność i cena z aktualnym znacznikiem czasu. To jedyne dwa pola, które zmieniają się w ciągu dnia. Feed odświeżany raz na dobę oznacza, że przez większość doby podajesz nieprawdę o własnym magazynie.
GTIN. Kod kreskowy jest kluczem, po którym model łączy twoją ofertę z tym samym produktem u konkurencji, z recenzjami i z opisami producenta. Bez GTIN twój produkt jest osobnym bytem bez kontekstu, więc trudniej go polecić.
Warianty spięte przez item_group_id. Bez tego rozmiar 42 i rozmiar 44 to dwa niepowiązane produkty, a model nie umie odpowiedzieć na pytanie „czy jest w moim rozmiarze”.
Koszt i czas dostawy. Przy pytaniu „gdzie kupię to na jutro” to jest kryterium rozstrzygające, a jednocześnie pole, którego prawie nikt nie wypełnia.
Opis dla człowieka, dane dla maszyny
Częsty błąd: sklep bierze marketingowy opis z karty i wrzuca go do description w feedzie. Model dostaje trzy akapity o pasji założycieli i zero parametrów.
Rozdzielam to. Na karcie zostaje tekst dla człowieka. Do feedu idzie opis, który zaczyna się od tego, czym produkt jest, dla kogo i jakie ma parametry, a dopiero potem opowiada. Pierwsze dwa zdania to część, którą model najczęściej wykorzystuje.
Osobno pilnuję, żeby konkretne dane były w polach, a nie zaszyte w prozie. Zapis „Materiał: bawełna organiczna 220 g/m2” jako osobny atrybut jest użyteczny. To samo w zdaniu w środku opisu wymaga od modelu zgadywania. Analogiczna zasada dotyczy kategorii i filtrów w sklepie, rozpisałem to w checkliście SEO dla sklepu internetowego.
Skąd wziąć feed: WooCommerce, Shopify, Shoper, BaseLinker
| Platforma | Czym generuję feed | Na co uważać |
|---|---|---|
| WooCommerce | wtyczka do feedów albo własny endpoint na WP REST API | ceny z podatkiem i bez, wariacje produktów, cache strony podający stary plik |
| Shopify | natywny kanał zakupowy plus metafields na brakujące atrybuty | multi-currency i ceny w feedzie, limity częstotliwości aktualizacji |
| Shoper, PrestaShop | wbudowany eksport XML z panelu | kodowanie pliku, mapowanie kategorii, warianty jako osobne produkty |
| BaseLinker | katalog produktów jako jedno źródło prawdy dla wszystkich kanałów | stany z kilku magazynów, mapowanie atrybutów na kanały sprzedaży |
| Sklep na Next.js lub Medusa | endpoint /feed.xml prosto z bazy | generowanie po stronie serwera, nie po hydracji; ETag i cache |
W polskim e-commerce BaseLinker jest w praktyce warstwą operacyjną nad wszystkim innym: to tam siedzi realny stan magazynowy i to on powinien być źródłem dla feedu, a nie panel sklepu. Jeżeli sklep dopiero powstaje, wpinam generowanie feedu od razu we wdrożenie sklepu internetowego, bo dorabianie tego rok później zawsze kosztuje więcej.
Hurtownia ma tu osobny problem: ceny są indywidualne per kontrahent, a katalog często siedzi za logowaniem. Do publicznego feedu idzie wtedy cena katalogowa albo nic, a model widzi pustą kartę. Rozwiązuję to tak, że publiczna warstwa katalogu ma cenę widełkową i informację „cena po zalogowaniu”, a właściwy cennik zostaje w panelu B2B. Resztę różnic takiego sklepu opisałem w tekście o sklepie B2B dla hurtowni.
Jak zmierzyć ruch i zamówienia z AI w GA4
Modele nie dodają parametrów UTM, więc ruch przychodzi jako referral z hosta asystenta. Wystarczy to poukładać raz.
- W GA4 wchodzę w Administrację, Wyświetlanie danych, Grupy kanałów i tworzę własną grupę „AI”.
- Warunek: źródło pasuje do wyrażenia regularnego
chatgpt\.com|chat\.openai\.com|perplexity\.ai|claude\.ai|gemini\.google\.com|copilot\.microsoft\.com. - Dodaję raport z wymiarem „strona docelowa”, bo ruch z AI prawie zawsze ląduje bezpośrednio na karcie produktu, a nie na stronie głównej.
- Ten sam wzorzec ustawiam w filtrze logów serwera, żeby osobno widzieć wizyty crawlerów i osobno wizyty ludzi z linku podanego przez model.
Jedno ograniczenie, o którym warto wiedzieć od razu: ruch z Google AI Mode raportuje się jako google / organic i nie da się go czysto oddzielić od zwykłych wyników. Kto obiecuje pełny rozdział tych dwóch kanałów, obiecuje coś, czego GA4 dziś nie umie.
Czego nie robić
Rozjazd ceny między feedem a kartą. Najczęstsza przyczyna wypadnięcia produktu z poleceń. Cena w feedzie musi być tą, którą klient zobaczy po kliknięciu, razem z podatkiem.
Sztuczne stany magazynowe. Ustawianie wszystkiego na in_stock, bo „przecież zamówimy u dostawcy”, psuje dokładnie ten sygnał, na którym modelowi zależy najbardziej.
Feed generowany raz w tygodniu. Przy zmiennych cenach to jest gorsze niż brak feedu, bo systematycznie wprowadza w błąd.
Traktowanie llms.txt jako rozwiązania. Ahrefs przebadał 137 tysięcy stron i 97% plików llms.txt nie dostało w maju 2026 żadnego ruchu. Google publicznie nie wspiera tego formatu. Plik można mieć, ale nie zastąpi danych produktowych.
Liczenie, że sam schema załatwi sprawę. SE Ranking podaje, że około 71% stron cytowanych przez ChatGPT ma dane strukturalne, ale eksperyment Ahrefs na 1 885 stronach po dodaniu JSON-LD dał zmiany nieodróżnialne od zera: cytowania w AI Overviews -4,6%, w AI Mode +2,4%, w ChatGPT +2,2%. Schema to infrastruktura, a nie dźwignia. Robisz go, bo bez niego jest gorzej, nie dlatego, że sam coś podniesie.
Blokowanie crawlerów AI w robots.txt „na wszelki wypadek”. Jeżeli chcesz, żeby model polecał twój sklep, musi go najpierw przeczytać. To decyzja biznesowa, ale trzeba ją podjąć świadomie.
Ile to kosztuje po stronie sklepu
Zakres pracy zależy od tego, gdzie stoi sklep i jak wygląda dziś katalog.
- Sklep na gotowej platformie, katalog w porządku. Konfiguracja feedu, uzupełnienie GTIN i wariantów, JSON-LD na karcie, cron co godzinę: zwykle 1-2 dni robocze.
- Sklep custom albo headless. Własny endpoint feedu, render danych po stronie serwera, monitoring rozjazdu ceny między feedem a kartą: 3-5 dni.
- Katalog do poskładania. Jeżeli brakuje GTIN, warianty są rozjechane, a opisy trzeba przepisać, to jest osobny projekt i jego koszt zależy od liczby SKU, nie od technologii.
Mój audyt widoczności w AI zaczyna się od 3 900 zł i obejmuje sprawdzenie, co crawlery faktycznie widzą na kartach, kompletność feedu i konfigurację pomiaru. Nowy sklep to koszt od 7 700 zł (1 800 €), z feedem wpiętym od pierwszego dnia.
Czego nie obiecuję: że po wdrożeniu model zacznie polecać twój sklep. Akademicki przegląd 45 badań nad GEO z lat 2023-2026 stwierdza wprost, że żadna z badanych technik nie ma stabilnego, potwierdzonego wpływu na widoczność w różnych systemach, a popularna liczba „GEO podnosi widoczność o 40%” jest w tym przeglądzie obalona jako wynik z symulatora. To, co ten sam przegląd ocenia jako dobrze potwierdzone, to obecność sprawdzalnych danych: cen, dat, parametrów, porównań. Feed jest dokładnie takim materiałem i to jedyna uczciwa podstawa tej pracy.
Jeżeli chcesz wiedzieć, co dziś widzą crawlery na twoich kartach produktu, napisz i podeślij adres sklepu. Odpiszę, co jest do poprawy i czy w ogóle warto. Szerszy kontekst tego, jak zmieniły się zakupy w asystentach, opisałem w tekście o zakupach w ChatGPT i agentic commerce.
FAQ
Czy istnieje osobny feed produktowy dla ChatGPT? Nie ma osobnego formatu. Modele korzystają z tych samych danych, które publikujesz w standardowym feedzie produktowym XML lub CSV, z danych strukturalnych JSON-LD typu Product na karcie oraz z treści HTML strony renderowanej po stronie serwera. Jeden dobrze zrobiony feed obsługuje Google Merchant Center, porównywarki i asystentów AI naraz.
Jak często trzeba odświeżać feed produktowy? Cenę i dostępność co godzinę, resztę atrybutów przy zmianie katalogu. Feed generowany raz na dobę oznacza, że przez większość doby podajesz nieaktualny stan magazynu, a rozjazd między feedem a kartą produktu jest najczęstszą przyczyną, dla której produkt przestaje być pokazywany. Przy stabilnym asortymencie i niezmiennych cenach dobowe odświeżanie wystarczy.
Czy modele AI widzą ceny renderowane JavaScriptem? Nie. Według danych z 2026 roku GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot, Claude-SearchBot, PerplexityBot ani Meta-ExternalAgent nie wykonują JavaScriptu. Vercel policzył, że GPTBot pobiera pliki JS w około 11,5% żądań, a ClaudeBot w około 23,8%, ale żaden ich nie uruchamia. Wyjątkiem jest Gemini i Google AI Mode korzystające z renderowania Googlebota. Jeżeli cena pojawia się dopiero po hydracji, dla ChatGPT jej nie ma.
Czy warto jeszcze robić integrację z zakupami wewnątrz czatu? OpenAI wygasiło Instant Checkout 5 marca 2026 po około pięciu miesiącach. W pierwszym miesiącu spróbowało go 8% dorosłych użytkowników ChatGPT w USA, zintegrowało się mniej więcej tuzin sklepów na Shopify, a Walmart zmierzył około 3x gorszą konwersję zakupu w czacie niż po przejściu na własny sklep. Sensowniejsze jest dziś inwestowanie w dane produktowe i we własny koszyk.
Które atrybuty feedu najbardziej wpływają na to, czy model poleci produkt?
Aktualna cena, aktualna dostępność, GTIN oraz warianty spięte wspólnym item_group_id. Cena i dostępność decydują o tym, czy model w ogóle zaryzykuje polecenie. GTIN łączy twoją ofertę z tym samym produktem w innych źródłach i z recenzjami. Warianty pozwalają odpowiedzieć na pytanie o rozmiar lub kolor. Koszt i czas dostawy rozstrzygają przy zapytaniach z terminem.
Jak zmierzyć w GA4 ruch z ChatGPT i Perplexity?
W GA4 tworzysz własną grupę kanałów z warunkiem na źródło pasujące do wyrażenia chatgpt\.com|chat\.openai\.com|perplexity\.ai|claude\.ai|gemini\.google\.com|copilot\.microsoft\.com, bo modele nie dodają parametrów UTM. Warto dołożyć wymiar strony docelowej, bo ruch z AI trafia zwykle wprost na kartę produktu. Ruchu z Google AI Mode nie da się oddzielić: raportuje się jako google / organic.
Ile kosztuje przygotowanie feedu produktowego pod AI? Na gotowej platformie z uporządkowanym katalogiem to zwykle 1-2 dni pracy, przy sklepie custom lub headless 3-5 dni. Mój audyt widoczności w AI, obejmujący sprawdzenie kart, kompletności feedu i pomiaru, startuje od 3 900 zł. Jeżeli w katalogu brakuje GTIN i wariantów, koszt zależy od liczby SKU do uzupełnienia, a nie od technologii sklepu.
Czy blokować crawlery AI w robots.txt? To decyzja biznesowa, nie techniczna. Zablokowanie GPTBota i pozostałych chroni treść przed wykorzystaniem w treningu, ale jednocześnie usuwa sklep z odpowiedzi asystentów. Skoro Shopify raportuje za pierwszy kwartał 2026 ruch z AI wyższy około 8x rok do roku, dla sklepu blokada oznacza rezygnację z rosnącego kanału odkrywania. Blokuj świadomie albo nie blokuj wcale.
