AI-поиск и ecommerce: как меняется SEO-оптимизация

Искусственный интеллект кардинально меняет правила игры в ecommerce, смещая фокус с оптимизации под ключевые слова на контекст и сценарии использования продукта.

В статье разбираю, как меняется поведение покупателей и какие практические шаги нужно сделать уже сегодня, чтобы адаптировать ваш бизнес к новой реальности.

Материал создан по мотивам выступления на конференции «НаЗахід 27»:

Как меняется поведение покупателей в поиске

Поведение покупателей изменилось, и это не просто интуитивное ощущение — это подтверждают цифры, которые свидетельствуют о масштабе сдвига:

• 39% американских потребителей уже используют AI для поиска товаров;
• половина из них — поколение Z, а это означает, что с ростом их платежеспособности роль AI-поиска вырастет резко и необратимо;
• в Украине каждый четвертый опрошенный использует AI для покупок;
• 33% готовы попробовать, что указывает на сформировавшийся спрос.

По данным Salesforce, 21% всех праздничных покупок в ближайшие годы будет осуществляться с помощью AI-агентов. Это объем рынка примерно в $263 млрд.

Эти данные доказывают, что меняется не только способ поиска — меняется и то, как бизнес должен подавать информацию о товаре, чтобы попасть в рекомендации AI-ассистентов.

AI-поиск — ваш персональный консультант

Чтобы понять этот сдвиг, воспользуюсь аналогией. Представьте большой гипермаркет. Человек заходит и часто не знает, какой именно товар ему нужен. Ему нужна не «дрель 18 В», а решение задачи — например, повесить полки.

В магазине покупатель обращается к консультанту:

Консультант задает уточняющие вопросы о стенах, типе полок, бюджете и опыте. В результате он рекомендует не только дрель, но и полный набор: шурупы, уровень, сверла.

Теперь между покупателем и магазином стоит AI-агент, который заменяет классический поисковик. Для AI карточка товара — это источник контента и контекста. Искусственный интеллект отталкивается не от ключевого слова, как в классическом SEO, а от комплексной задачи и условий, которые назвал пользователь.

AI-ассистент:

• задает уточняющие вопросы;

• знает историю поиска пользователя;

• анализирует отзывы и рейтинги;

• обобщает информацию со страниц товаров;

• предлагает набор продуктов, а не один товар.

AI-ассистенты собирают товары из разных брендов, магазинов, источников и формируют набор рекомендаций. Поэтому оптимизация карточек должна включать:

• полноценные ответы на пользовательские сценарии;

• контекст вместо набора характеристик;

• разметку, которую AI может считывать и интерпретировать;

• структурированные данные, чтобы LLM понимала, что означает каждый фрагмент информации.

Прямые покупки в ChatGPT

Консолидация информации и предоставление готовых решений — главная функция AI. Это наглядно иллюстрирует опция прямой покупки, которую запустил OpenAI — instant checkout.

Сейчас она доступна в США для всех тарифов, интегрируется с Etsy, Shopify и другими платформами. Чтобы ваши товары появились в рекомендациях, нужно:

1. Подготовить фид товаров по определенным правилам.

2. Подать заявку в OpenAI с правильно структурированным фидом.

3. Подключить Agentic Commerce Protocol. В Shopify и Etsy он интегрирован по умолчанию, что упрощает процесс.

Что влияет на приоритет показа товара в AI-рекомендациях:

1. Релевантность запроса. Ассистент анализирует полный контекст: личные предпочтения, историю поиска, параметры, которые указал пользователь.

2. Цена и наличие. Предпочтение отдается товарам, которые доступны прямо сейчас и соответствуют бюджету.

3. Качество и доверие. Важно, являетесь ли вы основным продавцом, ваш рейтинг на маркетплейсах и внешних источниках.

4. Активная опция мгновенного оформления. Если функция instant checkout включена, товар получает приоритет.

Особое внимание нужно уделять атрибутам фида. AI использует два ключевых элемента товарной карточки: описание товара (обязательное) и FAQ / блок вопросов и ответов (рекомендуемый). Именно эти атрибуты, вероятно, будут иметь наибольшее влияние на релевантность товара.

Как оптимизировать карточки товара под AI-поиск

Чтобы карточка стала релевантной в мире AI, она должна содержать контекст, а не просто технические характеристики. AI использует четыре ключевые группы атрибутов для понимания товара:

1. Кто, для кого и почему — целевая аудитория, основные сценарии использования, какую проблему или потребность решает товар.

2. Условия использования — температура, погода, сезонность, рекомендуемый уровень интенсивности использования.

3. Совместимость или интеграции — актуально для аксессуаров, дополнений, оборудования.

4. Специфические атрибуты для вашей ниши — нормы, стандарты, материалы, уровень прочности, сертификации, типы интеграций или совместимость с оборудованием.

Рассмотрю на примере, как выглядит контекстный поиск через ИИ.

Я ввела в GPT поисковый запрос, который состоял из шести параметров:

AI сформировал ответ: предоставил список с конкретными товарами со ссылками на сайты, собрав информацию из разных источников.

Если запрос очень детализирован, содержит несколько переменных, условий или параметров, которых в тренировочной базе LLM недостаточно, тогда модель подключает веб-поиск, собирает информацию из разных источников и только после этого формирует ответ.

Именно в этом режиме мы можем напрямую влиять на результат через контекст, структуру и содержание товарной карточки.

Как выглядит оптимизированное описание товара

Оптимизированное описание должно заменить сухой перечень характеристик контекстом, понятным как человеку, так и LLM.

Примеры оптимизированных описаний

Контекст сразу отвечает на вопросы: кто? для чего? в каких условиях? какие проблемы решает?

Контекст — важный, но не единственный фактор

Есть еще несколько факторов, которые влияют на то, попадет ли ваш товар в рекомендации ИИ.

Репутация сайта

AI учитывает внешние сигналы: рейтинги, отзывы, упоминания, общую репутацию ресурса. Если сайт имеет смешанные сигналы или низкий уровень доверия, AI, скорее всего, не будет рекомендовать его как надежный источник.

Расширенная разметка Schema.org 

Все возможные параметры карточки товара должны быть заполнены. LLM легче «читает» структурированные данные, а значит быстрее сопоставляет описание с запросом.

Стоит также использовать новые типы разметки, которые помогают AI лучше понимать товар и его назначение:

• Audience Type — чтобы указать, для кого предназначен товар;

• UsageInfo — для описания сценариев использования.

Качественная структура страницы

Также остаются важными:

• понятные заголовки и описания;

• структурированная страница без полотна текста;

• полное описание всех параметров;

• четкая и понятная подача информации.

Когда контекстная оптимизация не работает

Например, когда пользователь задает очень конкретный запрос:

На первый взгляд кажется, что это идеальный кейс для контекстной оптимизации. Но что происходит на самом деле:

1. AI сначала ищет модели кроссовок, а не карточки товаров. Это глобальные бренды, такие как Nike, Asics, Hoka, Adidas, которые имеют подробные описания на официальных сайтах.

2. Все характеристики этих моделей уже есть в тренировочных данных LLM. Ей не нужно обращаться к вашему сайту, чтобы знать, для чего предназначены конкретные модели.

3. После этого AI переходит в локальные магазины только для того, чтобы найти, где купить. Но он не читает ваше описание, он читает модель.

В таких тематиках контекстная оптимизация не сработает, потому что бренды-производители уже предоставили LLM весь необходимый контекст в глобальных источниках.

Три практических шага, которые нужно сделать сейчас

Итак, как начать внедрять эти изменения на практике? Предлагаю три конкретных шага, которые можно сделать уже сейчас.

Создать базу контекстов

Даже если вы сами хорошо разбираетесь в товаре, часто сложно предвидеть все реальные ситуации использования. Для сбора уникальных юзкейсов используйте международные UGC-платформы — Reddit, Quora, Amazon Reviews, eBay Reviews. В Украине для этого подходят Rozetka, Hotline, MakeUp и другие маркетплейсы, где есть тысячи отзывов о товарах.

Эти данные можно пропустить через LLM и извлечь самое ценное: атрибуты, боли, примеры использования, среду, сезонность, проблемы и преимущества, которые реально важны покупателю.

На основе этого формируется база инсайтов, которая и лежит в основе обновленных карточек товаров.

Провести тест на топ-20 товарах

Выберите 20 ключевых позиций и выполните следующее:

1. Для каждого товара выделите проблему, среду, условия использования и тип пользователя.

2. Перепишите первый абзац описания, интегрируя блоки «Области применения», «Преимущества», «Для кого подходит».

3. Добавьте триггеры («идеально подходит для…», «лучший выбор, если…»), которые усиливают релевантность.

4. Расшифруйте технические параметры: 100% хлопок → идеальный для лета материал, дышит, не парит; 100 мл → удобно брать в ручную кладь.

Проверьте разметку

Все поля Schema.org должны быть заполнены без ошибок. Разметка — это база для того, чтобы AI мог быстро прочитать страницу как структурированные данные.

Масштабирование AI-трафика и построение дополнительного источника конверсий — кейс нашего партнера

В качестве примера эффективности приведу кейс Shopping-Kobolde — специализированного магазина с большим ассортиментом оборудования для водоснабжения, дренажа, молниезащиты и других технических решений для дома и сада.

Команда Netpeak искала точки роста для проекта и решила сосредоточиться на AI-реферальном трафике, поскольку он, хоть и не на небольших объемах, показывал лучшую конверсию — в два раза больше обычной.

За четыре месяца сотрудничества, в дополнение к SEO-работам, мы сосредоточились на:

• оптимизации карточек товаров под LLM;

• дооптимизации контента в категориях под LLM;

• размещении обратных ссылок с упоминанием и правильным позиционированием бренда.

Результаты: после проведенных работ доход с AI-трафика вырос на 120%, а переходы — на 693%.

Выводы

1. Поведение пользователя изменилось. Люди ищут информацию о товарах и покупают по-другому.

2. Контекстный поиск есть в каждом AI-ассистенте, оптимизация под него универсальна.

3. Чтобы адаптироваться, нужно:

• оптимизировать карточки под контекст, а не под ключевые слова;
• работать со всеми AI-ориентированными сигналами — качеством описания, структурой, разметкой, релевантностью, аудиторией, сценариями использования.

Блок вопросов и ответов

Как оптимизировать карточки товаров, чтобы AI-ассистенты использовали информацию именно с нашего сайта?

Нужно предоставлять максимально структурированную и авторитетную информацию. LLM-модели ценят факты, которые легко идентифицировать и проверить.

Нужно ли создавать отдельный контент специально для AI, или достаточно просто улучшить существующий?

Нет, не нужно. Более эффективным будет улучшение и реструктуризация существующего контента в соответствии с принципами LLM-оптимизации и маркетинга.

Как внедрить AI-оптимизацию для ecommerce-проектов?

Стоит начать с аудита, приоритезации и постепенной LLM-оптимизации наиболее конверсионных точек.

1. Определите, получаете ли вы уже AI-трафик и какие страницы наиболее конверсионные.

2. Внедрите или дополните разметку для цены, наличия, SKU и рейтингов. Добавьте блок «Вопрос-ответ».

3. Превратите тексты в структурированные, конкретные описания.

4. Добавьте контент, который четко отвечает на сложные и детализированные запросы.

5. Получайте обратные ссылки, которые упоминают ваш бренд и продукт в контексте экспертных рекомендаций.

6. Обеспечьте поток качественных, подробных отзывов для повышения доверия AI.

7. Применяйте успешные практики на другие страницы после подтверждения эффективности.