Klient z ChatGPT kupuje o 54% częściej. Dane Adobe, które powinny zmienić Twój budżet na 2027

TL;DR

Przez dwa lata najczęstszym argumentem przeciw inwestowaniu w widoczność w AI było: „ten ruch i tak nie konwertuje". Dane Adobe Analytics z czerwca 2026 (pomiar: maj 2026, próba ponad bilion wizyt na amerykańskich stronach retail) zamykają tę dyskusję: ruch odsyłany przez AI do sklepów wzrósł o 138% rok do roku (i o 1 324% od października 2024), a użytkownicy przychodzący z AI konwertują o 54% lepiej, generują 53% więcej przychodu na wizytę i oglądają 23% więcej stron.

Jest i druga strona tych danych, o której mówi się rzadziej: Adobe szacuje, że 30–47% treści sklepów (zależnie od branży) pozostaje niewidoczne dla modeli językowych. Ruch rośnie — ale omija tych, których strony są nieczytelne dla maszyn. Poniżej: co dokładnie mówią liczby, jakie mają ograniczenia i jak sprawdzić własny sklep.

Co dokładnie mówią liczby Adobe

Mechanizm preselekcji

Dlaczego ta konwersja jest wyższa? Mechanizm jest prosty: użytkownik odbywa rozmowę doradczą z asystentem przed kliknięciem. Porównanie wariantów, ceny, wątpliwości — wszystko dzieje się w czacie. Na stronę trafia człowiek po preselekcji, często z konkretnym produktem w głowie. AI przejmuje górę lejka, sklepowi zostaje domknięcie — dokładnie odwrotnie niż w klasycznym SEO.

Zanim przełożysz to na budżet: ograniczenia danych

Zgodnie z naszą zasadą klasyfikacji dowodów — trzy zastrzeżenia:

• To dane z rynku USA. W Polsce adopcja asystentów AI w zakupach jest niższa i przesunięta w czasie — kierunek jest ten sam, skala (na razie) mniejsza. Traktuj wyniki jako benchmark trendu, nie prognozę dla własnego P&L.
• Retail ≠ każda branża. Pomiar dotyczy stron handlowych; w usługach B2B ścieżka jest dłuższa, ale mechanizm preselekcji przez AI działa analogicznie (research dostawców w czacie przed pierwszym kontaktem).
• Procenty rosną z małej bazy. +138% robi wrażenie, ale udział AI w całości ruchu wciąż jest jednocyfrowy. Sedno danych to nie wolumen, lecz jakość: konwersja i wartość wizyty są nieproporcjonalnie wysokie.

30–47% treści niewidoczne: gdzie sklepy tracą

Najbardziej praktyczna liczba w raporcie. Modele nie widzą treści, która jest: renderowana wyłącznie JavaScriptem po interakcji, ukryta w grafikach bez opisów, zamknięta w konfiguratorach i zakładkach, albo zablokowana dla botów. Typowe czarne dziury polskich sklepów:

Niewidoczne dane produktowe

Jak sprawdzić własny sklep: audyt w 4 krokach

1. Zmierz obecny ruch z AI. W GA4 zbuduj segment źródeł zawierających chatgpt.com, perplexity.ai, copilot, gemini.google.com. Zanotuj: sesje, konwersję, przychód na sesję — i porównaj ze średnią witryny. To Twoja lokalna wersja danych Adobe.
2. Przetestuj czytelność karty produktu. Wyłącz JavaScript w przeglądarce i otwórz 3 najważniejsze karty produktów: czy cena, dostępność, parametry i opis są widoczne? To, czego nie widzisz bez JS, jest niewidoczne dla większości botów.
3. Sprawdź dostęp botów. W logach serwera odfiltruj OAI-SearchBot, PerplexityBot, ChatGPT-User: czy dostają kody 200? Czy odwiedzają karty produktów, czy tylko stronę główną?
4. Zadaj modelom pytania klientów. Stały zestaw 20 zapytań zakupowych (np. „jaki [produkt] do [zastosowanie] do [kwota] zł") w ChatGPT i Perplexity raz w miesiącu: czy jesteś w odpowiedziach? Kto z konkurencji jest?

Co poprawić najpierw: kolejność wg zwrotu

Jeśli audyt wykaże braki, kolejność prac o najlepszym stosunku efektu do kosztu:

FAQ

Czy dane Adobe dotyczą też polskich sklepów?

Bezpośrednio nie — pomiar obejmuje amerykańskie strony retail. Kierunek trendu jest jednak uniwersalny, a przewaga jakości ruchu z AI (konwersja, wartość wizyty) wynika z mechanizmu preselekcji, który działa tak samo po polsku. Zmierz własny segment AI w GA4 zamiast przenosić liczby jeden do jednego.

Jak w GA4 zobaczyć ruch z ChatGPT i Perplexity?

Zbuduj segment lub eksplorację filtrującą źródło sesji po domenach: chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com. Część ruchu agentowego może być zaniżona lub oznaczona jako direct, więc traktuj wynik jako dolną granicę rzeczywistej skali.

Mój sklep ma mało ruchu z AI. Czy to znaczy, że temat mnie nie dotyczy?

Raczej odwrotnie: przy 30–47% treści niewidocznych dla modeli niski ruch z AI często oznacza barierę techniczną, nie brak popytu. Audyt z tego artykułu (test bez JavaScriptu, logi botów, pytania do modeli) pokaże, czy problemem jest podaż informacji, czy rzeczywiście popyt.

Co konkretnie znaczy, że treść jest niewidoczna dla LLM?

Model nie może jej pobrać lub odczytać: dane zamknięte w grafikach, treść renderowana dopiero po interakcji użytkownika, warianty produktów istniejące tylko w konfiguratorze albo strony zablokowane dla botów. Taka treść nie zasili odpowiedzi ani rekomendacji.

Czy inwestycja w widoczność AI kanibalizuje moje SEO?

Nie — fundament jest wspólny: czytelna struktura, dane produktowe, dostępność techniczna i treść odpowiadająca na pytania. Prace pod widoczność w AI z reguły poprawiają też klasyczne SEO; różnica dotyczy pomiaru i formatów treści, nie konkurujących budżetów.

Jak często mierzyć widoczność w odpowiedziach AI?

Stały zestaw zapytań raz w miesiącu to rozsądne minimum — odpowiedzi modeli zmieniają się wraz z aktualizacjami, więc pojedynczy pomiar niczego nie dowodzi. Ważniejsza od częstotliwości jest powtarzalność: te same pytania, te same warunki, zapisywane wyniki.

Podsumowanie

Dane Adobe kończą spór o jakość ruchu z AI: +138% wolumenu rok do roku i konwersja wyższa o 54% oznaczają kanał, który przynosi klientów po preselekcji — z zastrzeżeniem, że to pomiar amerykańskiego retailu i procenty rosną z małej bazy. Najbardziej praktyczny wniosek dotyczy podaży: 30–47% treści sklepów jest dla modeli niewidoczne, więc zanim zbudujesz strategię, zrób czterokrokowy audyt — segment AI w GA4, test kart produktów bez JavaScriptu, logi botów i comiesięczny zestaw pytań do modeli. Kolejność napraw: dane produktowe w HTML, znaczniki Product, świadomy dostęp botów, treść doradcza.

Powiązane materiały

Źródła