24 marca 2026 roku OpenAI wyłączyło funkcję Instant Checkout, która pozwalała użytkownikom dokonywać zakupów bez opuszczania interfejsu ChatGPT. Firma wyjaśniła, że pierwsza wersja nie oferowała oczekiwanej elastyczności, dlatego sprzedawcy mieli wrócić do obsługi własnych procesów płatności, a OpenAI skupić się na odkrywaniu produktów.

Pół roku wcześniej ta sama funkcja została uruchomiona z udziałem największych graczy – Walmart, Etsy i Shopify – a kolejny milion sprzedawców miał być wkrótce gotowy do dołączenia. Co więc poszło nie tak?

Typowy podejrzany 

Zbyt wygodnie byłoby zrzucać winę za całą tę sytuację na dane produktowe. Uczciwa wersja jest bardziej złożona. Etsy powiedziało serwisowi Modern Retail, że nie odnotowało dużych wolumenów sprzedaży i że ChatGPT pozostaje dla większości kupujących kanałem wczesnego etapu. Innymi słowy, to problem po stronie popytu, a nie danych.

Analitycy powiedzieli CNBC, że OpenAI miało trudności z onboardingiem sprzedawców oraz z obsługą koszyków wieloproduktowych i programów lojalnościowych. Jednocześnie musiało wyświetlać aktualne dane produktowe. Emily Pfeiffer z Forrestera wyjaśniła mechanizm w rozmowie z CNBC: OpenAI scrapowało strony niektórych sprzedawców w celu pozyskania informacji o produktach, zamiast otrzymywać je bezpośrednio. Oznaczało to, że kluczowe dane mogły być niedokładne lub nieaktualne.

Ten szczegół to sedno całego artykułu. Kiedy agent nie może uzyskać od Ciebie ustrukturyzowanych i aktualnych informacji o produkcie, nie rezygnuje. Składa coś z tego, co jest w jego zasięgu, i prezentuje wynik klientowi z pełną pewnością siebie. Tak więc porażka nie polegała na tym, że AI słabo czytało. Po prostu nie miało nic wiarygodnego do przeczytania.

Spójrzmy, co przetrwało to wycofanie z rynku. Protokół leżący u podstaw Instant Checkout nadal działa, ale jego zadaniem są teraz feedy produktowe, dostępność, promocje i atrybuty. Interfejs został wyłączony z ledwie miesięcznym wyprzedzeniem, ale warstwa danych pozostała i stała się ważniejsza niż kiedykolwiek wcześniej.

Jeśli planujesz na przyszły rok funkcjonalności takie jak wyszukiwanie oparte na AI, rekomendacje, asystentów czy sprzedaż agentyczną, potraktuj to jako zapowiedź: powierzchnie będą się ciągle zmieniać, a każda z nich jest zasilana z tego samego źródła.

Zmienił się kanał, nie katalogi 

Ruch referral z AI przestał być jedynie ciekawostką. Adobe Digital Insights, analizując ponad bilion wizyt na amerykańskich stronach handlu detalicznego, odnotowało wzrost ruchu ze źródeł AI o 393% rok do roku w pierwszym kwartale 2026 roku, po sezonie świątecznym 2025, który był o 693% lepszy niż rok wcześniej. W towarzyszącym badaniu przeprowadzonym na ponad 5000 konsumentów 39% stwierdziło, że korzystało już z AI podczas zakupów online, a 85% z nich oceniło, że poprawiło to ich doświadczenie zakupowe.

Jeszcze ciekawsze są dane dotyczące konwersji. W marcu 2026 roku ruch z AI konwertował o 42% lepiej niż ruch spoza AI. W marcu 2025 roku konwertował o 38% gorzej. W ciągu zaledwie dwunastu miesięcy kanał przemienił się z najsłabszego w najsilniejszy, a kupujący przychodzący od asystenta spędzają na stronie o 48% więcej czasu i przeglądają o 13% więcej podstron. Warto jednak wspomnieć o dwóch zastrzeżeniach: są to dane z własnej analityki Adobe, a nie z audytowanego badania rynkowego, a porównanie jest prowadzone względem całego ruchu spoza AI łącznie, a nie wyłącznie Google Organic.

I tu pojawia się fragment, który powinien Cię niepokoić. Adobe ocenia również, ile treści danej strony model językowy jest w stanie faktycznie odczytać – gdzie wynik 50% oznacza, że połowa zawartości jest niewidoczna dla maszyn. W przypadku amerykańskiego handlu detalicznego strony główne osiągnęły średnio 75%, a strony kategorii – 74%. Strony produktowe uzyskały 66% – najniższy wynik spośród wszystkich typów stron zmierzonych przez Adobe.

A graphic in Polish showing AI readability: 74% for other retail sites and 66% for product pages, based on dane produktowe. Source: Adobe Digital Insights, 2026.

Przeczytaj tę listę jeszcze raz w kategoriach komercyjnych. Twoja polityka zwrotów uzyskuje średnio 82%. Strona kontaktowa – 81%. FAQ – 80%. Strony, na których wyjaśniasz, jak odesłać towar, są bardziej czytelne dla agenta AI niż strony, na których wyjaśniasz, co sprzedajesz.

W B2B jest jeszcze gorzej

Powyższe dane pochodzą z amerykańskiego handlu detalicznego, gdzie istnieje infrastruktura pomiarowa. Producent czy dystrybutor techniczny mógłby łatwo uznać je za problem kogoś innego, jednak z naszego doświadczenia projektowego jest wręcz odwrotnie. Dzieje się tak z trzech powodów:

  1. Katalogi B2B są większe i znacznie bardziej zależne od atrybutów. Kupujący, który wybiera złączkę hydrauliczną, nie wydaje estetycznej oceny, lecz dopasowuje specyfikację techniczną. Oznacza to, że decyzja zakupowa opiera się niemal w całości na ustrukturyzowanych atrybutach, a nie na obrazach czy opisach.
  2. Takie katalogi niosą też więcej historii: dane produktowe, które przeszły przez ERP, jedno lub dwa przejęcia, rutynę importu od dostawcy napisaną dekadę temu i dział marketingu, który nigdy nie miał nad tym władzy.
  3. B2B sprzedaje przez więcej kanałów jednocześnie – ten sam produkt pojawia się w portalu dystrybutora, na marketplace, w katalogu punch-out i w drukowanej karcie specyfikacji, z własną wersją prawdy w każdym miejscu.

Dane z handlu detalicznego są wskaźnikiem wyprzedzającym, a nie odrębnym zjawiskiem. Mechanizm jest identyczny, a ekspozycja – wyższa.

Biznesowe skutki problemów

Większość organizacji nadal traktuje informację produktową jako obowiązek back-office. Ktoś w operacjach odpowiada za kompletność, ktoś w marketingu za opisy. ERP odpowiada za… cokolwiek ERP uważa za swoje. Jakoś to działa, bo ludzki klient kompensuje luki – sprawdza inną stronę lub po prostu przyjmuje pewne założenie. To tworzy pewne zgrzyty, ale sprzedaż nadal może dojść do skutku. Kiedy po drugiej stronie stoi agent AI, może nie być drugiej szansy.

Agent nie kompensuje, tylko filtruje. Ta różnica zmienia to, ile finalnie kosztuje Cię puste pole w opisie produktu.

Problem z danymi Tradycyjne wyszukiwanie Odkrywanie przez agenta
Brakujący atrybut Niższy ranking, ale produkt nadal jest widoczny Wykluczony z wyników
Niespójne wartości w systemach Człowiek je weryfikuje Produkt pominięty lub błędnie opisany
Nieaktualna cena lub stan magazynowy Korygowane przy kasie Udzielona zła odpowiedź, konwersja nigdy nie dochodzi do skutku
Gdzie to zauważasz? Analityka i rankingi Nigdzie

Ostatni wiersz powinien Cię niepokoić najbardziej. Spadek w rankingach pojawia się w raporcie, ale wykluczenie z zestawu kandydatów nie generuje żadnego punktu danych. Nie widać przychodów, których nie osiągasz – i właśnie dlatego temu problemowi nie przykłada się należytej mu uwagi.

W rozmowach z liderami eCommerce widzimy ten sam schemat raz po raz. Problem rzadko polega na braku danych produktowych. Chodzi o to, że nikt nie zdecydował:

  • Które informacje faktycznie mają znaczenie dla decyzji zakupowej?
  • Kto jest za nie odpowiedzialny?
  • Gdzie muszą być spójne?

Te odpowiedzi były zazwyczaj ustalane lata temu i z myślą o ludzkich klientach. Gdy AI zaczyna podejmować decyzje zakupowe w imieniu klienta, wszystko zaczyna się sypać.

Dlaczego „poprawmy dane” to nie ten projekt 

Nikogo nie trzeba przekonywać, że w jego danych produktowych są luki. Jednak „nasz katalog jest niekompletny” to stwierdzenie o higienie danych, a higiena przegrywa każdą rundę budżetową z inicjatywami, które mają bardziej namacalny wpływ na budżet. Diagnoza to łatwa część. Trudność zaczyna się przy pokazaniu, które luki kosztują przychody i mniej więcej ile.

Standardowa odpowiedź brzmi w tym miejscu mniej więcej tak: uruchomić program jakości danych, ustanowić ład, zunifikować źródło prawdy, wyczyścić katalog. To nie jest złe podejście, ale z naszego doświadczenia właśnie dlatego tak niewiele się zmienia. Pełna remediacja dużego asortymentu to osiemnastomiesięczny program bez widocznych efektów aż do jego późnej fazy, w którym nic nie da się powiązać z konkretną złotówką przychodów w trakcie realizacji. Widzieliśmy wiele takich programów rozpoczynanych z prawdziwym zaangażowaniem i cicho tracących sponsora przy pierwszej repriorytetyzacji. A agenci AI cały czas czytali błędne dane.

Z tym podejściem jest jeszcze inny problem. Generatywne AI sprawia, że wypełnianie pustych pól na dużą skalę jest trywialne. Sprawia to wrażenie postępu, ale często nim nie jest. Generowanie atrybutów bez warstwy walidacji produkuje warianty szybciej niż jakikolwiek ludzki zespół: logika kategorii się rozszczepia, nazewnictwo rozbieżnie ewoluuje między regionami i kanałami, a w efekcie katalog staje się większy i mniej wiarygodny jednocześnie. Nie możesz wygenerować się z problemu z ładem danych i nie możesz zarządzać katalogiem, którego nie zdefiniowałeś.

Pytanie, które zadalibyśmy klientowi, jest stricte biznesowe: które atrybuty i pytania zakupowe decydują o tym, czy sprzedaż w ogóle dochodzi do skutku? Większość Twojego katalogu nie musi być doskonała. Musisz wiedzieć, która jego część kosztuje Cię pieniądze teraz,  bo to właśnie ona dostanie finansowanie.

Jak zawęzić analizę 

Poniżej przedstawiamy sekwencję, której używamy z klientami. Przebiega w tygodniach, a nie kwartałach, a każdy krok daje coś, co możesz przedstawić swojemu CFO.

1. Zacznij od zapytania maszyn, co teraz o Tobie mówią.

Weź dziesięć produktów o najwyższej marży i zadaj pytania, które faktycznie zadają Twoi kupujący, popularnym asystentom AI:

  • Z czego to jest zrobione?
  • Do czego pasuje?
  • Jakiego rozmiaru potrzebuję?
  • Czy jest dostępne?
  • Czym różni się od modelu wyżej?

Zapisz odpowiedzi dosłownie. Spodziewaj się produktów opisanych specyfikacją konkurenta, cen nieaktualnych od poprzedniego kwartału, a nawet produktów, które w ogóle się nie pojawiają. To koszt kilku dni pracy jednej osoby, a przekształca abstrakcyjny argument o jakości danych w listę konkretnych komercyjnych problemów, na które strona biznesowa zareaguje.

2. Ustalaj zakres według marży, nie liczby SKU. 

Priorytetyzuj produkty niosące nieproporcjonalnie duży udział w marży kontrybucji, a nie te z największą liczbą wariantów. W większości asortymentów ten zbiór jest wystarczająco mały, by remediacja zajęła tylko tygodnie. Zaczynanie od długiego ogona to przepis na cichą śmierś takiego projektu.

3. Mapuj pytania kupujących z atrybutami, a następnie sprawdzaj, czy atrybuty w ogóle istnieją.

Dla wybranego zestawu produktów zapisz dziesięć pytań, jakie kupujący zadaje przed zakupem, i prześledź każde z nich do pola, które na nie odpowiada. To ćwiczenie zazwyczaj ujawnia, że najcenniejsze atrybuty to dokładnie te, o których utrzymanie nikt nigdy nie był proszony, bo żaden ludzki kupujący nie potrzebował, by były zapisane.

4. Warstwę kontrolną buduj na końcu.

Ład danych to mechanizm, który zapobiega powrotowi zremediowanego katalogu do poprzedniego stanu, i jest wart niewiele, zanim zdecydujesz, czym zarządzasz. Zaplanowany w tej kolejności staje się decyzją konserwacyjną o zdefiniowanym zakresie, a nie programem transformacji wymagającym własnej linii budżetowej.

„Ale my już mamy PIM” 

To jedna z najczęstszych odpowiedzi, jakie słyszę od klientów. Posiadanie PIM-a to nie to samo co posiadanie danych produktowych gotowych na erę AI. Twój PIM przechowuje to, co biznes wcześniej uznał za ważne. Pytanie brzmi więc: czy te informacje wystarczają, by maszyna zrozumiała Twój produkt i porównała go z innymi?

Dlatego właśnie trzeci krok opisany powyżej ma większe znaczenie niż wybór platformy. Wynik tego ćwiczenia to decyzja o tym, które atrybuty są obowiązkowe dla jakich produktów w jakim kanale. PIM to miejsce, gdzie ta decyzja jest egzekwowana, a nie tylko dokumentowana. To również jedyne sensowne miejsce na umieszczenie warstwy walidacji nad treścią generowaną przez AI. Zapewnia, że atrybuty i opisy napisane przez maszyny stają się ustrukturyzowaną i sprawdzoną informacją produktową, a nie wariacją, która rozprzestrzenia się szybciej, niż ktokolwiek jest w stanie ją sprawdzić.

W rozmowach z klientami, w których uczestniczę, technologia rzadko jest najtrudniejszą częścią. Trudniejszym pytaniem jest: jakie informacje produktowe biznes jest naprawdę gotowy posiadać i za które chce ponosić odpowiedzialność.

Gotowość na AI jest ważniejsza niż adopcja AI 

Aby przygotować się na erę AI, nie musisz naprawiać całego katalogu. Musisz wiedzieć, które produkty mają największe znaczenie i na jakie pytania Twoi klienci potrzebują odpowiedzi. A następnie zweryfikować, czy Twoje dane produktowe potrafią na nie odpowiedzieć spójnie.

Właśnie tam, moim zdaniem, musi się przenieść ta rozmowa: od adoptowania kolejnych narzędzi AI do upewnienia się, że biznes jest faktycznie gotowy na czerpanie z nich korzyści.