AI może odradzać polskie produkty. Jak e-sklepy mogą się przed tym bronić?

Asystenci AI coraz częściej uczestniczą w wyborach zakupowych, ale ich odpowiedzi mogą zawierać nieprawdziwe informacje o produktach. Badanie TrustMate.io przeprowadzone na 200 kartach produktów wykazało, że w 46% analizowanych przypadków brak ustrukturyzowanych danych wiązał się z halucynacjami modeli, w tym ze zmyślonymi usterkami i rekomendowaniem zagranicznych zamienników. Dla e-commerce oznacza to nowe ryzyko: błędna odpowiedź AI może nie tylko zniechęcić klienta do zakupu, ale również skierować go do konkurencyjnej oferty.

Konsumenci coraz częściej nie zaczynają zakupów od przeglądania kolejnych stron sklepów. Zamiast tego pytają asystenta AI, który produkt wybrać, jakie ma wady, czy występują w nim problemy techniczne i czym można go zastąpić. Problem pojawia się wtedy, gdy model nie znajduje wystarczająco precyzyjnych i wiarygodnych informacji. Według badania TrustMate.io, w części takich przypadków AI uzupełnia brakujące dane własnymi wnioskami. W efekcie może przypisać produktowi usterkę, której faktycznie nie ma, wykorzystać nieaktualne informacje albo połączyć cechy różnych produktów.

W badaniu przeprowadzonym we wrześniu 2026 r. przeanalizowano 200 kart produktów z polskich sklepów internetowych z kategorii elektroniki użytkowej, domu i ogrodu oraz kosmetyków naturalnych. Zespół TrustMate.io porównywał produkty z ustrukturyzowanymi danymi dotyczącymi opinii transakcyjnych z grupą kontrolną pozbawioną takich danych. Jak się okazało, jednym z powtarzających się scenariuszy było przypisywanie polskim produktom potencjalnych usterek, a następnie rekomendowanie zagranicznych zamienników. W innych przypadkach modele łączyły rodzime marki z podobnie nazwanymi, tańszymi produktami importowanymi albo wykorzystywały stare wpisy z forów jako źródło aktualnej wiedzy o produkcie.

Problem wynika m.in. z tego, że model próbuje udzielić odpowiedzi nawet wtedy, gdy nie dysponuje wystarczającymi danymi.

„LLM nie powie konsumentowi: nie mam zweryfikowanych danych o tym polskim produkcie, więc nie ocenię jego parametrów. Zamiast tego uruchamia mechanizm asocjacyjny – kompiluje niepewne wątki z sieci, tworzy prawdopodobnie brzmiącą historię o usterce i natychmiast podsuwa zagraniczną alternatywę, która ma w sieci więcej generycznego szumu. To zjawisko bezpośredniego wprowadzania klienta w błąd. Konsument wychodzi z założenia, że asystent AI chroni go przed nietrafionym zakupem, a w rzeczywistości porzuca koszyk w polskim e-sklepie na rzecz oferty globalnych graczy – np. zagranicznej platformy handlowej” – komentuje Jerzy Krawczyk, prezes zarządu TrustMate.io.

Cztery schematy, na które powinny uważać sklepy

Badanie wskazuje kilka powtarzalnych sposobów, w jakie niepełne informacje mogą wpływać na odpowiedzi modeli.

• Pierwszym jest przekierowanie klienta do zagranicznej alternatywy. W jednym ze scenariuszy dotyczących certyfikowanego sprzętu grzewczego model przypisywał produktowi nieistniejące ryzyko awarii termostatu, a następnie wskazywał importowane zamienniki dostępne na globalnych platformach handlowych.
• Drugim jest faworyzowanie dużych marketplace’ów. Duże platformy generują ogromną ilość treści, opinii i opisów produktów, przez co mogą być łatwiejszym źródłem informacji dla systemów wykorzystujących wyszukiwanie i generowanie odpowiedzi. Mniejszy sklep, który publikuje niewiele danych o produkcie, może w takim porównaniu wypaść słabiej nie dlatego, że ma gorszą ofertę, ale dlatego, że model ma o nim mniej informacji.
• Trzeci schemat to łączenie różnych produktów i marek. Przy braku precyzyjnych danych AI może przypisać produktowi cechy lub problemy dotyczące podobnego wyrobu.
• Czwarty to wykorzystywanie nieaktualnego kontekstu. Według badania, w przypadku kosmetyków i chemii domowej modele miały przypisywać produktom substancje, których nie było w ich składzie, oraz wykorzystywać stare dyskusje internetowe jako źródło informacji o obecnej ofercie.

Wspólnym elementem tych scenariuszy jest brak wystarczającej ilości jednoznacznych danych, które pozwoliłyby modelowi prawidłowo zidentyfikować produkt i jego rzeczywiste cechy.

Sam opis produktu może nie wystarczyć

Dla właściciela sklepu oznacza to zmianę podejścia do danych produktowych. Klasyczny opis przeznaczony przede wszystkim dla człowieka niekoniecznie dostarcza systemom AI wszystkich informacji potrzebnych do jednoznacznej oceny oferty. e-handel musi przejść z tradycyjnego SEO na GEO (Generative Engine Optimization). Modele sztucznej inteligencji, w tym ChatGPT, Claude czy Gemini, analizują sieć w oparciu o wytyczne jakościowe E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) – algorytmy faworyzują dane poparte dowodem realnego doświadczenia zakupowego.

Jednym z elementów odpowiedzi ma być strukturyzacja danych za pomocą Schema.org, obejmująca m.in. informacje o produkcie i opiniach. Nie oznacza to jednak, że samo dodanie mikrodanych automatycznie zabezpieczy sklep przed halucynacjami. Dane powinny być przede wszystkim kompletne, aktualne i zgodne ze stanem faktycznym.

Drugim elementem są wiarygodne opinie konsumenckie. Z perspektywy systemów AI znaczenie może mieć nie tylko liczba recenzji, lecz także ich szczegółowość i kontekst. Opinia opisująca konkretną cechę produktu – np. jego głośność, jakość wykonania, sposób działania czy trwałość – dostarcza modelowi znacznie więcej informacji niż zdawkowe „polecam” lub „nie polecam”.

Eksperci TrustMate wskazują również na znaczenie niezależnego potwierdzenia faktu dokonania zakupu. Według nich, dane pochodzące z rzeczywistych transakcji mogą stanowić dodatkowy sygnał wiarygodności w środowisku, w którym modele analizują ogromną liczbę różnego rodzaju treści.

Jak zabezpieczyć sklep przed błędnymi rekomendacjami AI?

Dla e-commerce przygotowanie się na ten problem powinno zacząć się od audytu tego, co o produktach można znaleźć w sieci i jak te informacje są przedstawione maszynom. Warto sprawdzić, czy karty produktów zawierają kompletne dane strukturalne, czy opisy są aktualne, czy parametry techniczne są jednoznaczne oraz czy opinie klientów można powiązać z konkretnymi produktami.

Istotne jest również monitorowanie odpowiedzi generowanych przez najpopularniejsze systemy AI. Sklep powinien regularnie sprawdzać, jak asystenci odpowiadają na pytania o jego produkty: jakie cechy wymieniają, jakie wady przypisują ofercie, czy poprawnie identyfikują model oraz jakie alternatywy proponują. Szczególnej uwagi wymagają pytania porównawcze, np. „czy ten produkt ma jakieś wady?”, „czy warto go kupić?” czy „co wybrać zamiast niego?”. To właśnie w takich zapytaniach model musi nie tylko odszukać dane, ale również dokonać ich interpretacji i stworzyć rekomendację.

Warto więc zadbać o kilka podstawowych elementów jednocześnie: kompletne dane strukturalne, aktualne parametry produktów, szczegółowe i wiarygodne opinie, jednoznaczne identyfikatory produktów oraz regularne testowanie odpowiedzi generowanych przez AI. Nie chodzi przy tym o „optymalizowanie” informacji pod konkretny model, lecz o zapewnienie, że niezależnie od źródła konsument znajdzie spójne i możliwe do zweryfikowania informacje.

„Zbliżamy się do momentu, w którym brak danych przygotowanych pod silniki AI będzie oznaczał dla e-sklepu utratę klientów na ostatniej prostej koszyka. Algorytmy rekomendacyjne przejmują rolę wirtualnych doradców. Jeśli producent nie potwierdzi jakości swoich produktów niezależnymi opiniami z realnych transakcji, sztuczna inteligencja odeśle kupującego do zagranicznej konkurencji. Wygrywa ten, kto dostarczy botom fakty, a nie marketingowe deklaracje” – podsumowuje Jerzy Krawczyk z TrustMate.