Co zrobić, aby ChatGPT (i inne LLM-y) polecały Twój sklep zamiast konkurencji? Wnioski z analizy 50 mln promptów.

Prelegent Tomasz Cięcio, związany z platformami RedCard, Droplo i Semly (narzędzie do budowania widoczności w modelach językowych), wyjaśnia, dlaczego LLM-y rekomendują jedne sklepy, a pomijają inne. Opiera się na danych z badań Semly, obejmujących według tytułu 50 mln promptów, a według prelegenta już więcej. Punktem wyjścia jest zmiana zachowań: klienci wpisują zapytania na 30–60 słów, etap zakupu zaczyna się w oknie czata, a modele wybierają tylko kilka sklepów. Prelegent twierdzi, że dobre SEO nie gwarantuje widoczności w LLM-ach, a zaufanie do modeli wynosi ponad 70%. Według jego badań ok. 80% sklepów jest niewidocznych lub ma bardzo niską widoczność. Na przykładzie realnego promptu (buty do biegania dla osoby ważącej 100 kg, na asfalt) pokazuje, jak model rozbija duże zapytanie na mniejsze: wiedzę ogólną o kategorii, konkretne produkty, opinie i walidację danych. Stąd wniosek, że sklep i karty produktowe powinny odpowiadać na te drobniejsze pytania. Zalecenia dotyczą ośmiu głównych działań: - sprawdzenie dostępu botów w robots.txt (według prelegenta jeden na 10 sklepów blokuje treści, często nieświadomie); - aktualizacja treści, bo ponad 70% cytowanych stron było odświeżanych w ciągu 12 miesięcy, a prelegent radzi robić to co najmniej raz na pół roku; - unikalne wartości, np. produkt polski lub ręcznie robiony, oraz informacja o wysyłce w 24 godziny i płatnościach odroczonych, które według badań zwiększają obecność w rekomendacjach; - plik LLM.txt, którego skuteczność jest sporna, ale prelegent go rekomenduje; - opisy produktów z kontekstem i parametrami zamiast marketingowych sloganów; - sekcja FAQ; - konto w Bing Webmaster Tools z mapą strony; - monitorowanie widoczności, bo ruch z AI w badaniu ze stycznia i lutego konwertował na poziomie 9,27 (jednostka nie jest podana w transkrypcji). W pytaniach z sali prelegent uznaje za wartościowe publikacje na platformach z opiniami, takich jak Reddit, choć częściej dotyczy to marek usługowych niż sklepów. Potwierdza też sens danych strukturalnych i atrybutyzacji (Semly przetwarza feed produktowy do postaci zrozumiałej dla LLM-ów). Zaznacza, że GA4 nie pokazuje pełnego ruchu z LLM-ów, bo odpowiedzi często zawierają samą wzmiankę o marce bez linku. Pośrednio można go śledzić po zapytaniach brandowych i wejściach direct, a Semly mierzy wizyty botów. Pełnej analityki według niego nie ma. Wystąpienie kończy zaproszenie do darmowego sprawdzenia widoczności sklepu w Semly, więc część materiału ma charakter promocyjny.