Produktové stránky připravené pro umělou inteligenci

Martin Keg

Proč optimalizovat produktové stránky pro AI asistenty

AI asistenti (ChatGPT, nákupní chatboty, hlasoví asistenti) čtou, extrahují a syntetizují informace jinak než tradiční fulltextové vyhledávače. Místo klíčových slov hledají strojově čitelné parametry, jasné důkazy kvality a konzistentní strukturu. Cílem „SEO pro ChatGPT“ je navrhnout produktové stránky tak, aby se z nich daly bezpečně (a opakovaně) získat odpovědi: technické specifikace, porovnání, doporučení, omezení, záruky a ceny.

Kritické datové vrstvy produktové stránky

  • Obsah: plnohodnotný text (problém → řešení → důkazy → omezení), tabulky parametrů, FAQ, podmínky.
  • Struktura: JSON-LD (schema.org/Product, Offer, Brand, AggregateRating, Review), tabulky s jednotkami, konzistentní názvy polí.
  • Pervazentní identifikátory: GTIN-13/GTIN-14/EAN, MPN, SKU, URL verze, datum vydání, verzování parametrů.
  • Zdrojování: odkazy na datasheety, certifikace, testy, recenze třetích stran, archivní kopie.
  • Právní a kvalitativní rámec: záruční podmínky, kompatibilita, bezpečnostní upozornění, energetické štítky, licence.

Model parametrů: pojmenování, typy, jednotky, důvěryhodnost

  • Názvy parametrů: krátké, jednoznačné, v jednotné terminologii (např. „Hmotnost [g]“, „Napájení [V]“, „Materiál“).
  • Typy: text, číslo, enum, boolean, rozsah; u čísel uvádět jednotky a tolerance.
  • Důkazní původ: u každého klíčového parametru udržovat source_url (datasheet/certifikát), datum měření/testu a verzi.
  • Negativní tvrzení: explicitně uvádět „nepodporováno“ (např. „Nepodporuje Wi-Fi 6E“) pro minimalizaci AI domýšlení.
  • Lokalizace: překládat hodnoty formátů (rozměry, data, měny), nikoli identifikátory (GTIN, MPN).

Doporučená specifikační tabulka

Parametr Hodnota Jednotka Zdroj Datum Poznámka
Model ABC-500 – Výrobce → datasheet 2025-09-10 Rev. 2.1
Hmotnost 735 g Interní měření (kalibrované) 2025-09-12 ± 5 g
Rozměry 210 × 148 × 12 mm CAD výkres / DXF 2025-09-08 Bez příslušenství
Napájení 100 – 240 V AC Certifikát CE 2025-08-29 50/60 Hz
Bezdrátové standardy Bluetooth 5.3 – Datasheet modul BT 2025-09-05 Nepodporuje Wi-Fi

JSON-LD: minimální, ale spolehlivý model

  • Product: name, description, sku, mpn, gtin13/gtin14, brand (Brand.name), model (ProductModel), additionalProperty (PropertyValue s jednotkami), isAccessoryOrSparePartFor/compatibleWith.
  • Offer: price, priceCurrency, priceValidUntil, availability, itemCondition, warranty (link).
  • AggregateRating/Review: ratingValue, reviewCount, datePublished, author (Person/Organization), source_url na ověřitelnou recenzi.
  • Certification: odkazovat přes additionalProperty nebo conformsTo (URI standardu, číslo certifikátu, vydavatel, datum).
  • Datasheet: hasPart nebo isBasedOn s CreativeWork (name, url, encodingFormat, datePublished).

Obsahová architektura pro AI (RAG-ready)

  1. Hero sekce: jasný účel, klíčová odlišení, primární „fit“ (use-case) v jedné větě.
  2. Parametry: tabulka se zdroji a jednotkami; důležitá pole duplikovat i do JSON-LD.
  3. Důkazy kvality: certifikace, test reporty, výsledky měření, záruční podmínky, reference klientů.
  4. Kompatibilita: katalog kompatibilních modelů/software s přesnými verzemi.
  5. FAQ: otázky formulovat v přirozené řeči, odpovědi stručné a ověřitelné, s odkazem na důkaz.
  6. Omezení a známé limity: „co produkt nedokáže“ je pro AI silný antihalucinační signál.

Důkazy kvality: co AI dokáže ověřit

  • Certifikace: CE, RoHS, FCC, TÜV – uveďte číslo certifikátu, orgán, datum, odkaz na PDF.
  • Laboratorní testy: metodika, zařízení, kalibrace, raw data (CSV), statistiky (n, průměr, SD), podpis odpovědné osoby.
  • Výkonnostní benchmarky: definovaná procedura, testovací data, verze FW/SW.
  • Servis a záruka: délka, co kryje/nekryje, turnaround time, SLA pro podnikové využití.
  • Traceability: šarže, výrobní série, kontrolní listy (lot/serial), historie změn parametrů.

Testy „AI-readiness“: protokoly a metriky

  • Extrahovatelnost parametrů (Precision/Recall): automaticky porovnat hodnoty z LLM odpovědí se „zlatým“ CSV ze stránky.
  • Stabilita odpovědí při parafrázích: 20–50 variant otázek; variance v klíčových polích musí být ≈ 0.
  • Odolnost vůči halucinacím: vložit negativní tvrzení (unsupported features) a ověřit, že AI je respektuje.
  • Zdrojování v odpovědi: procento odpovědí, které citují datasheet/certifikát/FAQ s přesným ukotvením.
  • Čitelnost tabulek: AI má správně zrekonstruovat hlavičky a jednotky (test na strukturu tabulek).
  • Aktualizační latence: čas od změny ceny/parametru po správný odraz v AI odpovědi v sandboxových dotazech.

Promptové testy pro produktové Q&A

  1. „Vypiš všechny parametry modelu <XYZ> s jednotkami a uveď zdroj pro každý parametr.“
  2. „Je model <XYZ> kompatibilní s <SW 2.4>? Pokud ne, uveď alternativní model a omezení.“
  3. „Porovnej <XYZ> vs <ABC>: hmotnost, rozměry, výdrž, záruka, cena — tabulka + citace.“
  4. „Co <XYZ> nedokáže, na co si dát pozor při použití venku?“
  5. „Shrň záruční podmínky ve 3 bodech a uveď odkaz na oficiální dokument.“

Projektové KPI „SEO pro ChatGPT“

  • Param Coverage: % produktů s úplnou tabulkou a jednotkami (min. 90 %).
  • Evidence Link Rate: % parametrů se zdrojem (min. 80 % klíčových polí).
  • LLM Exact Match: míra přesné shody extrahovaných hodnot vůči „zlatému“ datasetu (min. 95 % top polí).
  • Negation Fidelity: přesnost AI při respektu k „nepodporuje/není kompatibilní“ (> 98 %).
  • Latency to Reflect Change: medián dní od změny po správnou odpověď AI (< 7 dní).
  • Citační disciplína: % AI odpovědí s alespoň 1 relevantním zdrojem (> 85 %).

Strukturované FAQ a řešení okrajových případů

  • Formát otázek: přirozený jazyk, jednoznačné entity (model/rok/verze).
  • Odpovědi: stručné, verifikované, s odkazem na sekci („Viz tabulka Parametry → Bezdrátové standardy“).
  • Okraje: objasnění rozdílů mezi revizemi (Rev. 2.0 vs 2.1), regionální varianty (EU/US), balení (kit vs bare).
  • Negativní scénáře: „Co dělat, pokud …“ s kroky a referencí na manuál/podporu.

Porovnávací a alternativní doporučení

AI často vytváří „shortlist“. Vytvořte porovnávací bloky s konzistentními poli: výkon, rozměry, hmotnost, cena, záruka, kompatibilita, klíčová plus/mínus. Ukládejte je také jako strukturovaná data (ItemList s itemListElement a explicitním position), aby asistent věděl, co je primární a co alternativa.

Medialibrary pro AI: obrázky a multimédia

  • ALT a titulky: popisné, technické (např. „Konektor USB-C 3.2 Gen 2, pravá hrana“).
  • Schémata a výkresy: technická schémata (SVG/PNG) s legendou a měřítkem; odkaz na CAD soubory.
  • Videa: kapitoly (časové značky), transkript, ukotvení na parametry (timecodes k sekcím).

Řízení verzí a životní cyklus produktu

  • Stav: „available“, „outOfStock“, „discontinued“, „preorder“ (schema.org/Offer.availability).
  • Versioning: ProductModel s isVariantOf, predecessorOf/successorOf, releaseDate, endOfLife.
  • Deprecation notes: doporučená náhrada s důvodem.

Compliance, bezpečnost a transparentnost

  • Právní poznámky: bezpečnostní upozornění, věkové omezení, exportní omezení, materiálové složení.
  • Etika AI: pokud produkt obsahuje AI, uvést datové zdroje, offline/online režim, možnosti opt-out a šifrování.
  • Ověřitelné tvrzení: tvrzení o výkonu vázat na testovací protokol; marketingové superlativy nahradit metrikami.

Interní datová příprava: „zlatý“ dataset

  1. Master specifikace: CSV/JSON se všemi parametry, jednotkami, zdroji, datem a verzí.
  2. Mapování na web: templating (CMS), automatická tvorba tabulek a JSON-LD, kontrola prázdných polí.
  3. Validace: schémata (JSON Schema) a unit testy nad obsahem před publikováním.

Automatizované regresní testy AI

  • Test set otázek: 100–300 otázek na produkt/rodinu s očekávanými odpověďmi a tolerancemi.
  • Eval skripty: porovnání čísel (± tolerance), enumů (přesná shoda), textů (fuzzy s citací).
  • Hlášení chyb: pokud AI vrátí hodnotu bez zdroje, označit pole na audit a doplnění důkazu v obsahu.

Cenové a promo informace pro AI

  • Stabilita: uvádět priceValidUntil, availability a pravidelně obnovovat.
  • Varianty: ceny vázané na SKU/Variant (barva, paměť, balení), nikoli na „model“ obecně.
  • Slevy: jasná pravidla, omezení, data; historické ceny v grafu (obrázek + CSV ke stažení).

Praktický checklist před publikací

  1. Parametry jsou úplné, s jednotkami a zdroji; negativní tvrzení jsou explicitní.
  2. JSON-LD obsahuje Product, Offer, Brand, AggregateRating/Review; validní dle testeru.
  3. FAQ pokrývá top dotazy; odkazy směřují na konkrétní sekce/dokumenty.
  4. Certifikace a datasheety jsou dostupné jako PDF se stabilními URL; uveden orgán, číslo, datum.
  5. Porovnávací tabulky s alternativami a jednoznačnými políčky.
  6. Verzování a dostupnost (available/discontinued) je sladěno s e-shop backendem.
  7. „Zlatý“ dataset existuje a je shodný s webem; proběhly eval testy LLM.

Optimalizace rychlosti a renderu pro AI crawlery

  • SSR/SSG: klíčová data v HTML při načtení; vyhnout se pouze dynamickému renderu parametrů.
  • Light DOM: tabulky a JSON-LD v hlavním DOM (nikoli v shadow/iframe), bez nadměrné fragmentace.
  • Štíhlé skripty: neblokovat obsah; lazy-load až pro média, nikoli pro strukturovaná data

Súvisiace články