SEO w erze agentic commerce: jak przygotować e‑commerce na zakupy obsługiwane przez agentów AI

SEO wchodzi w kolejny etap rewolucji. Po mobile‑first i „Mobilegeddonie” nadchodzi czas, który pół żartem można nazwać AI‑geddonem. Dla właścicieli e‑commerce, marketing managerów i osób odpowiedzialnych za P&L oznacza to bardzo konkretną zmianę: coraz większa część decyzji zakupowych będzie podejmowana nie bezpośrednio przez ludzi, lecz przez agentów AI, którzy porównują oferty, analizują parametry i wybierają najlepsze opcje w imieniu użytkownika.

W takim świecie klasyczne „pozycje w Google” przestają wystarczać. Trzeba zadbać o to, by dane o Twoich produktach były łatwe do przetworzenia przez modele językowe, łatwe do znalezienia przez agentów oraz wiarygodne z punktu widzenia systemów, które budują odpowiedzi i rekomendacje. Ten artykuł pokazuje, jak przełożyć koncepcję agentic commerce na konkretne decyzje SEO i product/tech, mające bezpośredni wpływ na widoczność, ruch, sprzedaż i jakość leadów.

AI agents vs. agentic AI – z kim tak naprawdę „rozmawia” Twój sklep

Warto zacząć od rozróżnienia dwóch pojęć: AI agents oraz agentic AI. W uproszczeniu klasyczne AI agents to „pracownicy” – autonomiczne procesy oparte na modelach językowych (LLM), które realizują zadania krok po kroku. Potrafią wykonać serię działań, ale łatwo się „zacinają”, wymagają doprecyzowania i częstego nadzoru człowieka.

Agentic AI to już raczej „menedżerowie” niż szeregowi pracownicy. Takie systemy potrzebują mniej nadzoru, samodzielnie planują kroki, korzystają z wielu narzędzi i usług, a ich celem jest dostarczenie wyniku końcowego – np. „znajdź najlepszy fotel biurowy do 1500 zł dla osoby z bólem kręgosłupa”. W praktyce agentic AI nie tylko wyszuka produkty, ale też sprawdzi opinie, parametry, dostępność, warunki dostawy, a nawet politykę zwrotów.

Kluczowym elementem działania agentic AI jest tool connectivity – umiejętność łączenia się z zewnętrznymi źródłami danych i narzędziami (API, feedy produktowe, protokoły integracyjne). Jeśli Twój sklep nie jest „podłączony” w sposób zrozumiały dla agentów, ryzykujesz, że w decyzjach zakupowych po prostu nie będziesz brany pod uwagę, nawet jeśli w klasycznym SEO radzisz sobie dobrze.

Z biznesowego punktu widzenia oznacza to przesunięcie ciężaru: z samej walki o pozycje w SERP‑ach na budowanie preferowanego źródła danych dla agentów. Sklep, który dziś wygrywa w Google, w świecie agentic AI może stać się niewidoczny, jeśli jego oferta jest trudna do zintegrowania lub weryfikacji.

Jak LLM‑y „czytają” internet i dlaczego halucynują

Modele językowe nie rozumieją treści tak jak człowiek. Żeby przetwarzać informacje, dokonują chunkowania (dzielą większe fragmenty na mniejsze kawałki), a następnie tokenizacji i wektoryzacji – sprowadzają tekst do ciągu liczb, na podstawie których przewidują kolejne elementy odpowiedzi. Wszystko dzieje się w ograniczonym oknie kontekstu, które trzeba wypełnić jak najbardziej istotnymi danymi.

To ograniczenie powoduje, że dane muszą być podane jak najbardziej efektywnie: zwięźle, strukturalnie i w sposób ułatwiający selekcję kluczowych informacji. Gdy model nie ma dostępu do wystarczająco dokładnych danych lub nie potrafi ich poprawnie połączyć, sięga po swoją statystyczną „intuicję” i zaczyna halucynować – tworzyć odpowiedzi prawdopodobne, ale niekoniecznie prawdziwe.

Agentic AI, działając jak menedżer z zadanym celem, jest dodatkowo „zmotywowany”, by dowieźć wynik nawet przy niepełnych danych. Z perspektywy biznesu oznacza to, że brak poprawnie podanych informacji o Twoich produktach zwiększa ryzyko, iż agent wykorzysta dane konkurencji lub całkowicie pominie Twoją ofertę w rekomendacji. Typowy błąd firm: zakładanie, że „jakoś to się zaciągnie z widocznej strony”, bez zadbania o warstwę techniczną i strukturalną.

Jak serwować dane efektywnie

Mniej JavaScriptu

Skoro dane są paliwem dla agentów AI, pierwszym zadaniem SEO w kontekście agentic commerce jest maksymalne uproszczenie dostępu do tych danych. Pierwsza, stale aktualna zasada: nie polegaj na JavaScript do renderowania kluczowej treści. Większość agentów i crawlerów opartych na LLM nie wykonuje JS tak jak przeglądarka użytkownika. Jeżeli opis produktu, cena czy dostępność „doładowują się” dopiero po stronie klienta, dla agenta te dane często po prostu nie istnieją.

Więcej markdown

Dla agentów AI markdown jest jak gotowy przepis dostarczony razem ze składnikami, podczas gdy HTML przypomina wysłanie gościa do kuchni bez instrukcji. Markdown jest lżejszy tokenowo, zawiera mniej „szumu” i skupia się na treści, dzięki czemu lepiej mieści się w ograniczonym oknie kontekstu. W praktyce treści produktowe, poradniki czy FAQ przygotowane równolegle w formacie markdown mogą być znacznie łatwiej i taniej przetwarzane przez agentów.

Feedy produktowe

Feedy produktowe, które przez lata służyły głównie Google Merchant Center czy marketplace’om, stają się na nowo atrakcyjne, bo są naturalnym, ustrukturyzowanym źródłem danych o Twojej ofercie. Dobrze zaprojektowany feed – z kompletem atrybutów, stanami magazynowymi, precyzyjnymi kategoriami i parametrami technicznymi – to idealne „wejście” dla agentów, którzy chcą szybko porównać wiele ofert i znaleźć najlepsze dopasowanie do zadanych kryteriów.

Dane strukturalne

Kolejny filar to dane strukturalne. Skoro modele mają problem z interpretacją naturalnego języka, a dobrze radzą sobie z jasno zdefiniowanymi strukturami, schema.org i inne formaty danych strukturalnych zyskują jeszcze większe znaczenie niż w klasycznym SEO. Nie chodzi już tylko o rich snippets w Google, ale o to, aby agentic AI mógł łatwo zweryfikować Twoje ceny, dostępność, parametry, gwarancje, warunki dostawy i politykę zwrotów.

W praktyce firmy bardzo często traktują feedy i structured data jako „checklistę pod Google’a”. Tymczasem w świecie agentów stają się one głównym interfejsem sprzedażowym dla AI, wpływając bezpośrednio na liczbę zapytań, które „trafiają” do Twoich produktów.

Jak pomagać agentom znaleźć i zrozumieć dane na Twojej stronie

Samo uporządkowanie danych nie wystarczy, jeśli agent nie wie, gdzie ich szukać i jak z nich korzystać. Jesteśmy w podobnym momencie jak przy przejściu na mobile‑first: zanim wyszukiwarki „nauczyły się” same radzić sobie z różnymi wariantami stron, trzeba było tworzyć osobne wersje mobilne czy korzystać z AMP. Dziś z agentami AI znów jesteśmy na etapie tworzenia nowych konwencji technicznych.

Do gry wchodzą takie pliki jak agent-permissions.json oraz llms.txt. Ich rola jest podobna do robots.txt, lecz dostosowana do potrzeb agentów i LLM‑ów. Mogą wskazywać, które obszary serwisu są przeznaczone do indeksowania przez agentów, gdzie znajdują się kluczowe zasoby (np. endpointy API, feedy, dokumentacja), a także jakie są zasady korzystania z danych.

To wciąż rozwijający się ekosystem, ale kierunek jest jasny: firmy, które jako pierwsze wprowadzą czytelne „mapy” dla agentów AI, zyskają przewagę widoczności w kanałach, które dopiero się kształtują. Warto już teraz uwzględnić w roadmapie technicznej aktualizację robots.txt o reguły dla botów AI, testy z llms.txt oraz przygotowanie prostych, dobrze udokumentowanych punktów wejścia do danych produktowych.

Praktyczna konsekwencja: jeżeli dziś ignorujesz „egzotyczne” boty w logach serwera, jutro możesz w ten sposób ignorować kanał, który odpowiada za dwucyfrowy procent Twojej sprzedaży lub najlepsze leady B2B.

Budowa zaufania i weryfikacji

MCP jako warstwa dostępu

Kolejnym kluczowym elementem agentic commerce jest weryfikacja danych. Agentic AI, generując odpowiedzi i rekomendacje produktowe, musi ograniczyć ryzyko błędów. Robi to, odwołując się do zaufanych źródeł: knowledge graphów, uznanych portali, oficjalnych stron marek. Jeśli Twoja marka i produkty nie są częścią tego „ekosystemu zaufania”, Twoja ekspozycja w odpowiedziach AI będzie ograniczona – nawet przy poprawnym SEO on‑site.

W tym kontekście pojawia się MCP (Model Context Protocol) – adapter wspierający uniwersalne podłączenie agentów do Twoich danych. Zamiast tłumaczyć treści na dziesiątki języków czy formatów, MCP może pełnić rolę jednego, spójnego protokołu, do którego różne agentic AI podłączają się w standaryzowany sposób. Dla agenta to jasny komunikat: tu znajdziesz takie dane, w takim formacie, z takimi parametrami i ograniczeniami.

Z biznesowego punktu widzenia MCP może stać się nowym odpowiednikiem logów serwera czy Search Console dla świata agentów. Daje wgląd w to, jakiego typu zapytania wysyłane są do Twojej infrastruktury, jakie parametry produktów są najczęściej pobierane, gdzie występują błędy integracji. Odpowiedzialność techniczna leży zwykle po stronie zespołów inżynierskich, ale SEO i marketing muszą uczestniczyć w projektowaniu tego ekosystemu, bo to on będzie determinował widoczność oferty w kanałach AI.

Knowledge Graph i sygnały E‑E‑A‑T

Ostatni element to klasyczne, ale jeszcze ważniejsze niż dotychczas budowanie autorytetu i wiarygodności. Systemy oparte na LLM weryfikują odpowiedzi, korzystając z Knowledge Graphu oraz sygnałów podobnych do E‑E‑A‑T (experience, expertise, authoritativeness, trustworthiness). W praktyce oznacza to konieczność konsekwentnego wzmacniania marki w ekosystemie: linki i wzmianki z zaufanych źródeł, spójna obecność w profilach firmowych, oficjalne dane strukturalne o firmie oraz publikacje eksperckie powiązane z konkretnymi osobami (autorami, ekspertami).

Typowy błąd w tym obszarze to skupienie się wyłącznie na własnym serwisie. Tymczasem dla agentów liczy się to, co o Tobie mówią inne wiarygodne źródła – bo to na tej podstawie system weryfikuje, czy może bezpiecznie zarekomendować Twoją ofertę użytkownikowi.

Co to oznacza w praktyce

Dla większości firm e‑commerce i B2B przejście do agentic commerce nie oznacza wyrzucenia do kosza dotychczasowego SEO, ale jego rozszerzenie o warstwę zorientowaną na agentów AI. Do tej pory optymalizowaliśmy przede wszystkim pod kątem robotów wyszukiwarek i ludzi w SERP‑ach. Teraz trzeba założyć, że rosnąca część ruchu, sprzedaży i leadów będzie filtrowana przez agentów – w interfejsach czatowych, asystentach głosowych czy aplikacjach zakupowych opartych na AI.

Jeśli dziś część Twoich przychodów pochodzi z ruchu brandowego, recenzji i porównań, w najbliższych latach odpowiednikiem wyszukiwania „najlepszy ekspres do kawy do biura” coraz częściej będzie rozmowa z asystentem AI. Taki asystent nie pokaże użytkownikowi 10 linków – od razu zaproponuje 1–3 konkretne modele, opierając się na danych, do których ma najłatwiejszy i najbardziej wiarygodny dostęp.

Z perspektywy właściciela biznesu oznacza to konieczność przesunięcia celu z samego „pojawiania się w wynikach” na „bycie domyślnym wyborem w rekomendacjach agentów”. Wymaga to ścisłej współpracy SEO z IT, productem i działem danych. Trzeba zadbać nie tylko o content i linki, ale także o jakość feedów, API, struktur danych, politykę dostępu dla agentów oraz pełną spójność informacji o produktach w całym ekosystemie.

Przykładowo: duży sklep z wyposażeniem biurowym, który dziś wygrywa w Google dzięki szerokiemu asortymentowi i mocnemu SEO on‑page, może przegrać z mniejszym konkurentem w świecie agentów, jeśli ten konkurent jako pierwszy udostępni dobrze udokumentowane API produktowe, kompletny feed z parametrami i zadba o obecność w Knowledge Graph. W efekcie, gdy asystent AI będzie szukał „ergonomicznych foteli do 1500 zł dla pracy hybrydowej”, sięgnie po dane mniejszego sklepu – bo są łatwe do podłączenia, porównania i weryfikacji.

Przygotowanie SEO na agentic commerce warto potraktować jako projekt strategiczny na najbliższe 12–24 miesiące. Pierwszy krok to fundament danych: audyt kluczowych szablonów strony pod kątem zależności od JavaScriptu i zadbanie, by opisy produktów, ceny, dostępność oraz opinie były dostępne w HTML już przy pierwszym renderze. Równolegle trzeba opracować lub zaktualizować feedy produktowe, tak aby obejmowały jak najwięcej istotnych atrybutów (parametry techniczne, wymiary, warianty, gwarancje) i były spójne z danymi w serwisie.

Drugi obszar to dane strukturalne. Warto wdrożyć schema.org dla kluczowych typów (Product, Offer, Organization, Article, FAQ), dbając o ich techniczną poprawność i aktualność. Tam, gdzie do tej pory ograniczałeś się do minimum wymaganego dla rich snippets, opłaca się dodać szerszy zestaw właściwości z myślą o agentach – poprawi to jakość dopasowania rekomendacji produktowych.

Trzecim krokiem jest przygotowanie się na nowe protokoły dla agentów. Wspólnie z zespołem technicznym warto zaplanować pilotaż z wdrożeniem llms.txt i agent-permissions.json, definiując zasady dostępu do danych, kluczowe ścieżki oraz ograniczenia. Równocześnie dobrze jest uwzględnić w roadmapie możliwość integracji z MCP lub podobnymi adapterami – nawet jeśli na początku będzie to projekt pilotażowy, da on bezcenną wiedzę o tym, jak agenci faktycznie korzystają z Twoich zasobów.

Czwarty element to wzmocnienie sygnałów zaufania. Należy zaplanować działania PR/SEO budujące obecność w Knowledge Graph i wzmacniające sygnały E‑E‑A‑T: profil firmy w kluczowych serwisach, eksperckie treści podpisane nazwiskami, cytowania w branżowych mediach, spójne dane NAP (name, address, phone). Trzeba regularnie weryfikować, czy to, co LLM‑y „widzą” o Twojej marce w zewnętrznych źródłach, jest aktualne i spójne z tym, co publikujesz na stronie.

Wreszcie, piąty krok to nowe KPI dla SEO w kontekście AI. Oprócz klasycznych wskaźników (ruch organiczny, udziały w SERP, przychód z SEO) warto wprowadzić metryki typowe dla agentic commerce: kompletność feedów, pokrycie danych strukturalnych, liczbę integracji przez MCP/API, udział produktów z pełnym zestawem atrybutów, „czas do aktualizacji” danych o dostępności. To właśnie te wskaźniki będą w dłuższej perspektywie decydować o tym, jak często i w jakim kontekście Twoja oferta pojawia się w rekomendacjach agentów.

Rekomendacje i wnioski końcowe

W perspektywie biznesowej warto w najbliższych kwartałach podjąć konkretne kroki:

Po pierwsze, zaplanuj audyt techniczny serwisu pod kątem agentic commerce: usuń krytyczne zależności od JavaScriptu w prezentacji kluczowych danych, ujednolić strukturę szablonów produktowych i zadbaj o spójność informacji między stroną, feedami i systemem ERP.

Po drugie, zleć zespołom SEO, IT i produktowym rozszerzenie i uporządkowanie feedów oraz danych strukturalnych. Celem powinno być pełne pokrycie asortymentu danymi, które agent może łatwo porównać i zweryfikować – z naciskiem na parametry decyzyjne (cena, dostępność, warunki dostawy, gwarancje, kluczowe cechy techniczne).

Po trzecie, uruchom pilotaż integracji z agentami AI: wdrożenie llms.txt i agent-permissions.json, przygotowanie pierwszych publicznych endpointów API oraz analiza logów zapytań. Równolegle zaplanuj proof of concept z MCP lub podobnym adapterem, aby zbudować wewnętrzne kompetencje i procesy wokół tego kanału.

Po czwarte, włącz do planu marketingowego systematyczne budowanie autorytetu marki w zewnętrznych źródłach – tak, aby wzmacniać sygnały E‑E‑A‑T i obecność w Knowledge Graph. Oznacza to współpracę z mediami branżowymi, rozwój eksperckiego contentu oraz dopięcie formalnych danych o firmie we wszystkich kluczowych serwisach i katalogach.

Po piąte, zdefiniuj nowy zestaw KPI dla SEO i kanałów organicznych, obejmujący jakość i dostępność danych dla agentów. Regularnie raportuj kompletność feedów, jakość danych strukturalnych, liczbę wykorzystań API przez agentów oraz czas aktualizacji informacji produktowych, traktując te wskaźniki na równi z klasycznymi metrykami ruchu i przychodu.

Firmy, które potraktują ten kierunek poważnie już teraz, zbudują przewagę trudną do nadrobienia dla konkurentów. Agentic commerce nie jest chwilowym trendem, lecz naturalną konsekwencją upowszechnienia AI w procesach zakupowych. W świecie, w którym coraz więcej klientów będzie pytać „swojego” asystenta AI, a nie wyszukiwarkę, o to „co kupić”, Twoim zadaniem jest sprawić, by agent miał wszystkie powody, by wybrać właśnie Ciebie.

Źródło: Moz.com