AI nákupní asistenti jsou tady: co čtou z vašeho katalogu
Jiří Štěpánek
Google AI Mode, Amazon Rufus, ChatGPT i Perplexity budují nákupní zážitky, kde AI doporučuje produkty. Tento průvodce vysvětluje, která katalogová pole tito asistenti čtou — a co musíte opravit, abyste byli doporučeni.
AI nákupní asistenti a váš katalog: co je teď důležité
AI nákupní asistenti už nejsou koncept budoucnosti — aktivně doporučují produkty, srovnávají možnosti a ovlivňují nákupní rozhodnutí ve velkém měřítku. Google AI Mode zpracovává nákupní dotazy z Merchant Center feedů a crawlovaných stránek. Amazon Rufus odpovídá na otázky a porovnává produkty pomocí katalogových dat. ChatGPT a Perplexity budují nákupní funkce, které stahují produktové informace z celého webu.
Pro e-commerce týmy to vytváří nový požadavek: váš katalog musí být čitelný stroji, nejen atraktivní pro lidi. Produktová stránka, která konvertuje browsujícího nakupujícího, může být pro AI asistenta neviditelná, pokud jsou data nekompletní, nestrukturovaná nebo nekonzistentní.
Praktický dopad je už měřitelný. AI-asistované nákupní session konvertují 2-3× vyšším poměrem, protože asistent už adresoval námitky nakupujícího. Vaše produkty z toho ale profitují jen tehdy, když je asistent dokáže najít a zparsovat.
Podrobněji o vývoji asistenta Amazonu v článku o Amazon Rufus a agentic shopping.
Jak jednotliví AI asistenti čtou produktová data
Každý asistent má jinou datovou pipeline, ale požadavky se sbíhají.
Google AI Mode
Google AI Mode je nejvíce závislý na feedech. Čerpá z:
- Merchant Center produktových feedů — titulek, popis, cena, dostupnost, značka, GTIN, obrázek, product type a custom atributy
- Crawlovaných produktových stránek — HTML obsah, schema markup (Product, Offer, AggregateRating), strukturované tabulky specifikací
- Google Shopping Graph — interní knowledge graph agregující data z feedů, crawlovaných stránek a zdrojů třetích stran
Pokud je váš Merchant Center feed silný a PDP má kompletní schema markup, máte nejlepší šanci na zobrazení v AI Mode nákupních výsledcích. Více v našem průvodci optimalizací feedu pro Google Merchant Center.
Amazon Rufus
Rufus funguje v ekosystému Amazonu a čte:
- Obsah listingu — titulek, odrážky, A+ obsah, backend keywords
- Strukturované atributy — product type, atributy kategorie, item specifics
- Zákaznické recenze — text recenzí, hodnocení, společná témata
- Q&A data — otázky a odpovědi na listingu
- Signály ceny a dostupnosti — cenová historie, vzory dostupnosti, Prime oprávnění
Klíčový poznatek: Rufus dokáže zodpovědět otázky o vašem produktu, které dalece přesahují titulek listingu. Pokud jsou vaše backend atributy nekompletní, Rufus má méně materiálu.
ChatGPT shopping
ChatGPT při nákupním zážitku stahuje data z:
- Crawlovaného webového obsahu — produktové stránky, blogové recenze, srovnávací články
- Affiliate a commerce API — strukturované produktové feedy z partnerských sítí
- Schema markupu — Product a Offer schémata na indexovaných stránkách
- Uživatelských recenzí a komunitního obsahu — agregovaný sentiment z crawlovaných recenzních webů
ChatGPT má tendenci doporučovat produkty, o kterých dokáže sebevědomě citovat konkrétní atributy.
Perplexity shopping
Perplexity sleduje podobný vzor jako ChatGPT, ale s větším důrazem na citaci zdrojů. Čerpá z crawlovaných produktových a recenzních stránek, schema markupu, důvěryhodných srovnávacích zdrojů a aktuálního obsahu.
Pole, která AI asistenti prioritizují
Napříč všemi asistenty jsou určitá pole konzistentně vlivnější:
Tier 1: Nutné pro doporučení
Bez těchto polí je nepravděpodobné, že bude váš produkt doporučen:
| Pole | Proč je důležité pro AI |
|---|---|
| Titulek produktu | Primární signál pro matching. Musí obsahovat značku, typ produktu a klíčové odlišovače |
| Cena | Používá se pro filtrování („do 5 000 Kč"), srovnání a hodnocení hodnoty |
| Dostupnost | Asistenti nedoporučují nedostupné produkty |
| Značka | Rozpoznávání entit a signál důvěry |
| Hlavní obrázek | Vizuální potvrzení v nákupních výsledcích |
| Typ/kategorie produktu | Určuje, na které dotazy váš produkt odpovídá |
Tier 2: Klíčové pro srovnávací dotazy
Tato pole rozhodují, zda váš produkt vyhraje přímé srovnání:
| Pole | Proč je důležité pro AI |
|---|---|
| Materiál/složení | Odpovídá na „je to kůže?" nebo „z čeho je to vyrobené?" |
| Rozměry/hmotnost | Nutné pro otázky na velikost, dopravu a padnutí |
| Kompatibilita | „Funguje to s X?" — rostoucí typ dotazu |
| Technické specifikace | Watty, lumeny, kapacita, rozlišení — fakta pro srovnání |
| Certifikace | BIO, CE, UL, energetická třída — signály důvěry a souladu |
| Varianty barva/velikost | Variantová data pomáhají asistentovi doporučit správné SKU |
Tier 3: Odlišovače a signály důvěry
Tato pole pomáhají asistentovi vybrat mezi podobnými produkty — recenze a hodnocení, politika dopravy a vrácení, záruka a země původu.
Kompletní referenci po polích najdete v našem checklistu kvality produktových dat.
Běžné mezery v katalogu, které blokují AI doporučení
Většina e-commerce katalogů má systematické mezery bránící AI asistentům v doporučování:
- Chybějící strukturované atributy — popis říká „voděodolné", ale neexistuje atribut voděodolnosti, takže AI nemůže filtrovat
- Vágní popisy — „prémiové materiály" AI nic neřeknou. „650-fill-power husí peří, nylonová slupka 20D ripstop" řekne všechno.
- Nekonzistentní ceny — PDP ukazuje jednu cenu, feed druhou, marketplace třetí. Asistent ztrácí důvěru.
- Chybí schema markup — stránka má všechna data vizuálně, ale žádné JSON-LD pro strojové zpracování
- JavaScript-renderovaný obsah — klíčové specifikace se načítají JavaScriptem. AI crawlery (GPTBot, ClaudeBot) JavaScript nespouštějí, takže vidí prázdnou stránku.
- Chybějící data variant — parent produkt existuje, ale individuální varianty velikosti/barvy nejsou ve feedu ani schématu
Nástroje jako Lasso jsou navrženy k uzavírání těchto mezer ve velkém — obohacují chybějící atributy z dat výrobců a webových zdrojů, generují strukturované popisy a standardizují variantová data. Podívejte se, jak to aplikují týmy v různých odvětvích, v našich use cases.
Jak auditovat katalog pro AI připravenost
Spusťte tento praktický audit a zjistěte, zda AI asistenti dokáží efektivně číst váš katalog:
Krok 1: Testujte přímo s asistenty
Zeptejte se hlavních asistentů na vaše produkty:
- „Jaký je nejlepší [vaše kategorie] do [cena]?"
- „Porovnej [váš produkt] s [konkurenční produkt]"
- „[Vaše značka] [název produktu] specifikace"
Pokud se váš produkt neobjeví, asistent buď nemá přístup k vašim datům, nebo je považuje za nekompletní.
Krok 2: Zkontrolujte technickou přístupnost
- Robots.txt — ověřte, že GPTBot, ClaudeBot a další AI crawlery nejsou blokovány
- JavaScript rendering — otestujte, zda vaše stránky servírují kompletní HTML bez JavaScriptu
- Schema markup — validujte Product a Offer schema pomocí Google Rich Results Test
- Kompletnost feedu — auditujte Merchant Center feed na volitelné, ale hodnotné atributy
Krok 3: Ohodnoťte kompletnost atributů
Vyberte top 100 SKU a ohodnoťte je:
- Mají vyplněna všechna pole Tier 1? (cíl: 100 %)
- Mají vyplněna pole Tier 2? (cíl: 80 %+)
- Jsou popisy konkrétní a bohaté na atributy?
Rozdíl mezi aktuálním skóre a cíli je váš optimalizační backlog.
Příprava katalogu na AI asistenty
Přechod k AI-asistovanému nakupování odměňuje to samé, co dobrá správa produktových dat vždy vyžadovala: kompletnost, přesnost a strukturu. Rozdíl je, že nyní nejsou mezery jen zmeškanou SEO příležitostí — jsou přímým vyřazením z rostoucího prodejního kanálu.
Začněte u nejvíce hodnotných produktů. Obohaťte jejich atributy, přidejte schema markup, ověřte přesnost feedu a testujte přímo s asistenty. Pak proces škálujte napříč katalogem.
Pokud chcete práci urychlit, prozkoumejte, jak Lasso obohacuje a strukturuje produktová data, nebo nás kontaktujte pro ukázku přizpůsobenou vašemu katalogu.