Sztuczna inteligencja potrafi zniechęcić do polskich produktów - jak e-sklepy mogą się ubezpieczyć

Zakupy przez internet coraz częściej zaczynają się nie od przeglądania sklepów, lecz od rozmowy z asystentem AI. Problem w tym, że taki asystent bywa niewiarygodnym doradcą - potrafi zmyślić wadę produktu albo polecić zamiennik z zagranicy, mimo że żadnych realnych podstaw do takiej rekomendacji nie ma. Firma TrustMate.io sprawdziła 200 kart produktowych w polskich sklepach internetowych i stwierdziła, że w 46 proc. przypadków brak ustrukturyzowanych danych szedł w parze z halucynacjami modeli - w tym ze zmyślonymi usterkami i podsuwaniem zagranicznych alternatyw. Dla branży e-commerce to realne zagrożenie: niewłaściwa odpowiedź AI może nie tylko zepsuć szansę na sprzedaż, lecz wręcz wypchnąć klienta do konkurenta.

Coraz więcej kupujących nie przewija już kolejnych stron ofert, tylko pyta asystenta AI o to, który produkt wybrać, jakie są jego słabości, czy zdarzają się z nim problemy techniczne i co może go zastąpić. Kłopot zaczyna się tam, gdzie model nie znajduje dość precyzyjnych i sprawdzonych informacji. Jak pokazuje badanie TrustMate.io, w takiej sytuacji AI często uzupełnia dziury w danych własnymi domysłami. Skutkiem bywa przypisanie produktowi usterki, która nie istnieje, posłużenie się nieaktualnymi danymi albo zlepienie cech kilku różnych produktów w jedną, błędną opowieść.

Analizę przeprowadzono we wrześniu 2026 roku na 200 kartach produktów z polskich sklepów internetowych - z kategorii elektroniki użytkowej, artykułów do domu i ogrodu oraz kosmetyków naturalnych. Specjaliści TrustMate.io zestawili produkty mające ustrukturyzowane dane o opiniach transakcyjnych z grupą kontrolną, która takich danych nie posiadała. Jednym z powracających wzorców było przypisywanie polskim produktom nieistniejących usterek, a następnie kierowanie uwagi klienta na zagraniczne zamienniki. W innych sytuacjach modele myliły rodzime marki z podobnie brzmiącymi, tańszymi produktami z importu albo traktowały stare wpisy z forów internetowych jako aktualne źródło wiedzy o produkcie.

Źródłem problemu jest między innymi to, że model stara się odpowiedzieć na pytanie nawet wtedy, gdy nie ma do tego wystarczających danych.

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

Jerzy Krawczyk, prezes zarządu TrustMate.io

Cztery schematy, na które powinny uważać sklepy

Z badania wyłania się kilka powtarzających się mechanizmów, przez które niekompletne dane zniekształcają odpowiedzi modeli.

• Przekierowanie do zagranicznej alternatywy - w przypadku certyfikowanego sprzętu grzewczego model wymyślił ryzyko awarii termostatu, którego nie było, a następnie wskazał importowane zamienniki z globalnych platform handlowych.
• Uprzywilejowanie dużych marketplace'ów - serwisy te generują ogromne wolumeny treści, opinii i opisów, co ułatwia systemom wyszukującym i generującym odpowiedzi sięganie po nie jako źródło. Mały sklep z ograniczoną liczbą danych o produkcie może wypaść gorzej nie z powodu słabszej oferty, a z powodu niedostatku informacji w sieci.
• Mieszanie różnych produktów i marek - przy niedoborze precyzyjnych danych AI przypisuje produktowi cechy lub problemy charakterystyczne dla innego, podobnego wyrobu.
• Sięganie po przestarzały kontekst - w przypadku kosmetyków i chemii domowej modele przypisywały produktom substancje, których nie zawierały, i traktowały stare dyskusje internetowe jako aktualny opis obecnej oferty.

We wszystkich tych przypadkach powtarza się ten sam mechanizm: brak wystarczającej liczby jednoznacznych danych, które umożliwiłyby modelowi prawidłowe rozpoznanie produktu i jego faktycznych właściwości.

Sam opis produktu może nie wystarczyć

Dla sklepu internetowego oznacza to konieczność rewizji podejścia do danych o produktach. Opis pisany klasycznie, z myślą o czytelniku-człowieku, nie musi zawierać wszystkiego, czego potrzebuje system AI do rzetelnej oceny oferty. E-commerce musi więc przesunąć się z tradycyjnego SEO w stronę GEO, czyli Generative Engine Optimization. Modele takie jak ChatGPT, Claude czy Gemini analizują treści w internecie według kryteriów jakościowych E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) - algorytmy premiują dane poparte dowodem realnego doświadczenia zakupowego.

Jednym z elementów odpowiedzi jest ustrukturyzowanie danych przy pomocy Schema.org, obejmujące m.in. informacje o produkcie i opiniach klientów. Samo wdrożenie mikrodanych nie gwarantuje jednak ochrony przed halucynacjami modeli - kluczowe jest, by dane były kompletne, aktualne i zgodne z rzeczywistością.

Drugim istotnym elementem są wiarygodne opinie konsumenckie. Dla systemów AI liczy się nie tylko sama liczba recenzji, ale też ich szczegółowość i kontekst. Opinia opisująca konkretną cechę produktu - na przykład poziom hałasu, jakość wykonania, sposób działania czy trwałość - niesie modelowi znacznie więcej treści niż zdawkowe „polecam” albo „nie polecam”.

Eksperci TrustMate podkreślają też znaczenie niezależnego potwierdzenia faktycznego zakupu. Według nich dane pochodzące z realnych transakcji mogą działać jako dodatkowy sygnał wiarygodności w środowisku, w którym modele przetwarzają ogrom różnorodnych treści.

Jak zabezpieczyć sklep przed błędnymi rekomendacjami AI?

Przygotowanie sklepu na to zjawisko warto zacząć od audytu - sprawdzenia, co można znaleźć w sieci o jego produktach i w jakiej formie te informacje są prezentowane maszynom. Dobrze zweryfikować, czy karty produktów mają komplet danych strukturalnych, czy opisy są na bieżąco aktualizowane, czy parametry techniczne nie są niejednoznaczne oraz czy opinie klientów da się przypisać do konkretnych produktów.

Ważne jest również śledzenie, co na temat danego asortymentu generują najpopularniejsze systemy AI. Sklep powinien regularnie testować, jak asystenci odpowiadają na pytania o jego produkty: jakie cechy wymieniają, jakie wady im przypisują, czy poprawnie rozpoznają model oraz jakie alternatywy wskazują. Szczególnej uwagi wymagają zapytania porównawcze, na przykład „czy ten produkt ma jakieś wady?”, „czy warto go kupić?” albo „co wybrać zamiast niego?”. To właśnie przy takich pytaniach model nie tylko szuka danych, ale też je interpretuje i formułuje własną rekomendację.

Warto zatem pilnować kilku rzeczy równocześnie: pełnych danych strukturalnych, aktualnych parametrów produktów, szczegółowych i rzetelnych opinii, jednoznacznych identyfikatorów produktów oraz regularnego sprawdzania odpowiedzi generowanych przez AI. Nie chodzi o „dopasowywanie” treści pod konkretny model, ale o zapewnienie, że niezależnie od źródła klient trafi na spójne i sprawdzalne 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

Jerzy Krawczyk, TrustMate

Co na to regulacje?

W konfrontacji z algorytmiczną dezinformacją polskie firmy handlowe napotykają barierę prawną, z którą obecne przepisy sobie nie radzą. W klasycznym obrocie gospodarczym rozpowszechnianie nieprawdziwych informacji o wadach towaru dawało podstawę do skorzystania ze środków ochrony dóbr osobistych (art. 23 i 24 k.c.) albo roszczeń wynikających z ustawy o zwalczaniu nieuczciwej konkurencji. W świecie generatywnej sztucznej inteligencji te instrumenty okazują się nieskuteczne.

• Ograniczenia europejskiego AI Act - unijny Akt o Sztucznej Inteligencji skupia się na systemach wysokiego ryzyka oraz ogólnych zasadach przejrzystości modeli ogólnego przeznaczenia (GPAI). Nie daje jednak właścicielowi e-sklepu szybkiego narzędzia prawnego w sytuacji, gdy jego produkt zostaje zdeprecjonowany przez zmyśloną odpowiedź modelu generatywnego.
• Bariera dowodowa - dostawcy modeli AI zabezpieczają się regulaminowymi zapisami o probabilistycznym charakterze generowanych treści. Dowiedzenie winy i bezprawności operatora modelu za konkretną podpowiedź handlową w procesie cywilnym jest zadaniem na granicy możliwości.
• Nieskuteczność tradycyjnego PR - pisma przedprocesowe, komunikaty prasowe i oświadczenia publikowane w formacie PDF są ignorowane przez crawlery AI. Boty indeksujące systemów LLM-RAG nie czytają deklaracji wizerunkowych - opierają się na gęstości danych semantycznych.