Google rozwija w Merchant Center raport AI Performance Insights, który pokazuje, jak marka i jej produkty pojawiają się w konwersacyjnych zapytaniach zakupowych obsługiwanych przez AI. Najnowsza wersja raportu uwzględnia trzy szczególnie ważne obszary: AI Search intent, AI Search terms i AI attributes. Dla e-commerce oznacza to przejście od zgadywania, jak systemy generatywne interpretują ofertę, do pracy na danych o intencjach, terminach i atrybutach produktów.
To istotny sygnał dla zespołów GEO, e-commerce i digital. Widoczność produktu w Google nie zależy już wyłącznie od pozycji na klasyczne zapytanie czy jakości kampanii produktowej. Coraz ważniejsze staje się to, czy Google potrafi jednoznacznie zrozumieć, czym jest produkt, dla kogo jest odpowiedni, jakie ma cechy, w jakim kontekście zakupowym powinien się pojawić i jak wypada na tle alternatyw.
AI Performance Insights to raport w Google Merchant Center przeznaczony do analizy widoczności marki i produktów w zakupowych doświadczeniach opartych na generatywnej AI. Oficjalna dokumentacja Google wskazuje, że raport dotyczy konwersacyjnych zapytań z intencją zakupową w AI Mode i AI Overviews. Google wcześniej zapowiadał również wykorzystanie danych do lepszego rozumienia obecności marek w ekosystemie generatywnego wyszukiwania.
Raport ma pomóc zrozumieć nie tylko samą widoczność, ale również etap ścieżki zakupowej. Google klasyfikuje zapytania na Discovery, Evaluation i Ready to buy. Dzięki temu można zobaczyć, czy produkt jest odnajdywany na etapie inspiracji, porównywania opcji czy już blisko transakcji.
W praktyce jest to odpowiednik nowej warstwy analityki dla AI Search: zamiast patrzeć wyłącznie na klasyczne słowo kluczowe i pozycję, marketer może analizować szerszy kontekst potrzeb i sposobu, w jaki Google interpretuje produkty.
We wrześniu 2026 r. Search Engine Roundtable opisał rozszerzenie raportu o sekcje AI Search intent, AI Search terms i AI attributes. Aktualizację zauważył Brodie Clark, a równolegle Google rozbudował dokumentację pomocy dotyczącą AI Performance Insights.
Źródło: https://www.seroundtable.com/google-merchant-center-ai-performance-new-42043.html
Te trzy elementy są ważne, bo przekładają zachowanie użytkownika w konwersacyjnym wyszukiwaniu na konkretne obszary optymalizacji feedu i kart produktów.
AI Search intent pokazuje kontekst i intencję stojącą za konwersacyjnym wyszukiwaniem. To ważne, ponieważ użytkownik AI Mode może nie wpisywać krótkiej frazy typu „buty do biegania", ale zadać znacznie bardziej szczegółowe pytanie – np. szukać modelu do długich treningów, dla konkretnego typu stopy, nawierzchni lub budżetu.
Dla marki oznacza to konieczność opisania produktów nie tylko przez nazwę kategorii, ale również przez scenariusze użycia, problemy, które rozwiązują, grupę odbiorców i istotne cechy decyzyjne. Im pełniejszy i bardziej spójny zestaw informacji, tym łatwiej systemowi dopasować produkt do konkretnej potrzeby.
AI Search terms wskazuje popularne terminy pojawiające się w konwersacyjnych zapytaniach zakupowych. Google rekomenduje wykorzystywanie trafnych określeń w tytułach i opisach produktów, jeśli odpowiadają rzeczywistym cechom oferty. To nie jest zachęta do mechanicznego „upychania fraz", tylko do uzupełniania języka produktu o informacje, których realnie szukają użytkownicy.
Z perspektywy SEO i GEO to cenna wskazówka: język kategorii i kart produktowych powinien pokrywać nie tylko klasyczne słowa kluczowe, ale także sposób, w jaki użytkownik opisuje potrzebę w pełnym zdaniu, podczas porównania lub zadawania pytania doradczego.
AI attributes pomaga identyfikować popularne specyfikacje produktu, których brakuje w źródle danych. Mogą to być np. rozmiar, kolor, materiał lub inne parametry charakterystyczne dla kategorii. Google łączy te informacje z oceną kompletności atrybutów, co daje zespołowi e-commerce konkretną listę obszarów do uzupełnienia.
To szczególnie istotne w AI Search, ponieważ odpowiedź generatywna często powstaje na podstawie wielu kryteriów jednocześnie. Jeśli użytkownik pyta o „lekki plecak kabinowy z kieszenią na laptop 16 cali i wodoodpornym materiałem", system musi mieć wystarczająco dużo jednoznacznych danych, aby uznać konkretny produkt za trafny.
Raport rozdziela konwersacyjne zapytania zakupowe na trzy etapy: Discovery, Evaluation i Ready to buy. To ważne, bo marka może być dobrze widoczna na zapytania inspiracyjne, ale praktycznie nie istnieć w porównaniach lub zapytaniach bliskich zakupowi.
Google udostępnia m.in. Share of Voice, częstotliwość określonych typów zapytań oraz liczbę produktów pojawiających się przy popularnych terminach, atrybutach i intencjach. Taka struktura pozwala połączyć widoczność z etapem decyzji, a nie oceniać AI jako jednego, zbiorczego kanału.
Dla zespołu marketingowego najcenniejsze będą obszary o wysokiej częstotliwości i niskim udziale marki. To potencjalnie miejsca, gdzie popyt już istnieje, ale dane produktowe albo treści nie pozwalają Google wystarczająco dobrze dopasować oferty.
Google w oficjalnych wytycznych podkreśla, że fundamenty SEO nadal obowiązują w AI Overviews i AI Mode. Strona musi być dostępna do crawlowania, indeksowalna, użyteczna, a ważne informacje powinny znajdować się w treści. Nie istnieje specjalny znacznik schema.org, który gwarantuje obecność w generatywnych wynikach.
Jednocześnie w e-commerce rośnie znaczenie danych produktowych. Google rekomenduje aktualne dane w Merchant Center, wysokiej jakości zdjęcia i prawidłowe dane strukturalne. Dokumentacja Product structured data wskazuje, że równoczesne wykorzystanie danych strukturalnych na stronie i feedu Merchant Center maksymalizuje możliwość wykorzystania bogatych danych produktowych i pomaga Google lepiej je rozumieć oraz weryfikować.
Właśnie w tym miejscu SEO łączy się z GEO. SEO zapewnia techniczną dostępność, jakość strony, semantykę i wiarygodność. GEO rozszerza perspektywę o to, jak marka i oferta są rozumiane, wybierane i przedstawiane w odpowiedziach generatywnych. W e-commerce punktem styku stają się dane produktowe, content, reputacja marki i informacje dostępne poza samą kartą produktu.
Najlepszym podejściem nie jest tworzenie osobnej „wersji pod AI", ale uporządkowanie informacji o produkcie tak, aby były kompletne, zgodne i łatwe do interpretacji przez systemy Google. W praktyce warto pracować równolegle na feedzie Merchant Center, karcie produktu, danych strukturalnych i treściach wspierających decyzję zakupową.
Google rozwija również opcjonalne atrybuty konwersacyjne, które mają pomóc systemom AI lepiej rozumieć niuanse produktów. W polskiej dokumentacji Merchant Center opisano m.in. question_and_answer, document_link i related_product. To kolejny sygnał, że dane produktowe będą coraz częściej projektowane nie tylko pod listę wyników, ale także pod rozmowę, rekomendację i porównanie.
Dla marek oznacza to potrzebę bliższej współpracy między e-commerce, SEO, contentem, zespołem produktowym i osobami odpowiedzialnymi za feed. Dane techniczne przestają być wyłącznie zadaniem operacyjnym – stają się elementem strategii widoczności w AI.
Według aktualnej dokumentacji Google, AI Performance Insights jest dostępny dla zapytań w języku angielskim w wybranych krajach: Australii, Kanadzie, Indiach, Nowej Zelandii i Stanach Zjednoczonych. Polskie sklepy nie powinny więc zakładać powszechnej dostępności raportu na rynku polskim w momencie publikacji tego artykułu.
Nie zmniejsza to jednak znaczenia tej aktualizacji – pokazuje kierunek, w którym Google rozwija analitykę handlową. Marki działające na wielu rynkach mogą już zacząć pracować z raportem tam, gdzie jest dostępny, a zespoły działające w Polsce mogą wcześniej uporządkować feed, atrybuty, dane strukturalne i treści produktowe.
AI Performance Insights jest ważnym źródłem danych w ekosystemie Google, ale nie daje pełnego obrazu widoczności marki we wszystkich systemach generatywnych. Użytkownicy szukają i porównują produkty również w ChatGPT, Gemini, Perplexity i innych narzędziach.
Dlatego monitoring warto prowadzić na dwóch poziomach. Pierwszy to dane platformowe – Merchant Center, Search Console i analityka ruchu. Drugi to regularne badanie odpowiedzi modeli na zestaw pytań odpowiadających realnej ścieżce zakupowej: od inspiracji przez porównanie po rekomendację konkretnego produktu lub marki.
W Whites takie badania łączymy z podejściem GEO i SEO AI, analizując nie tylko obecność marki w odpowiedzi, ale również konkurentów, źródła cytowane przez model, sposób opisu marki oraz obszary, w których brakuje danych lub autorytatywnych treści.
Nie warto czekać na pełny rollout raportu w Polsce. Większość działań, które poprawiają jakość danych dla AI, jest jednocześnie zgodna z dobrymi praktykami klasycznego SEO i Merchant Center. Największą przewagę osiągną marki, które potraktują widoczność produktową jako jeden system informacji, a nie kilka oddzielnych kanałów.
Pierwszym krokiem powinien być audyt: czy Google otrzymuje kompletne dane produktowe, czy karta produktu odpowiada na realne pytania użytkownika, czy dane strukturalne są poprawne i czy informacje o produkcie są spójne w różnych źródłach. Dopiero później warto projektować bardziej zaawansowane działania GEO i monitoring obecności w AI.
To raport pokazujący widoczność marki i produktów w konwersacyjnych zapytaniach zakupowych w doświadczeniach Google opartych na AI, m.in. AI Mode i AI Overviews. Obejmuje m.in. Share of Voice, etapy ścieżki zakupowej, terminy, intencje i atrybuty produktów.
AI Search intent pokazuje kontekst potrzeb stojących za konwersacyjnymi zapytaniami i pomaga zrozumieć, z jakimi scenariuszami zakupowymi Google łączy produkty.
Sekcja prezentuje popularne określenia występujące w konwersacyjnych wyszukiwaniach zakupowych. Może pomóc wskazać trafne terminy, które warto uwzględnić w danych i opisach produktów.
Pomaga zidentyfikować popularne atrybuty produktów, których może brakować w danych produktowych, np. materiał, kolor, rozmiar lub inne specyfikacje.
Nie. Zgodnie z aktualną dokumentacją Google dane w AI Performance Insights dotyczą organicznego ruchu AI, np. bezpłatnych informacji o produktach, a nie ruchu z płatnych reklam.
Nie. Google podkreśla, że nie ma specjalnych danych strukturalnych wymaganych tylko dla AI Overviews lub AI Mode. Nadal obowiązują fundamenty SEO, a w e-commerce warto stosować poprawne dane Product i Merchant listings oraz aktualny feed Merchant Center.
Jeśli chcesz sprawdzić, jak Twoja marka i produkty są widoczne w Google AI, AI Overviews, AI Mode i innych systemach generatywnych, zespół Whites może przeprowadzić audyt widoczności w AI (GEO) oraz zaprojektować działania SEO AI i optymalizacji pod SEO w AI Mode. Punktem wyjścia może być audyt obecności marki w AI, jakości danych produktowych i źródeł, z których modele budują odpowiedzi.