Jak przygotować katalog produktowy (PIM) pod agentów AI w 2026?

W erze Agentic Commerce wygrywa nie najładniejszy sklep, tylko ten, którego produkty agent AI potrafi zrozumieć, porównać i polecić. Fundamentem jest katalog w systemie PIM. Poniżej konkretna checklista i to, co warto zmienić już teraz.

To trzeci wpis z naszej serii. We wprowadzeniu Agentic Commerce i AI Shopping Agents tłumaczymy, co się zmienia w e-commerce. We wpisie o modułach Agentic Commerce dla Magento 2 opisujemy protokoły ACP, UCP i MCP. Tutaj schodzimy do samych danych produktowych.

Co to znaczy, że katalog jest gotowy na agentów AI?

Katalog gotowy na agentów AI to taki, w którym każdy produkt da się przeczytać jako kompletny rekord: stały identyfikator, wypełnione atrybuty, jawnie opisane warianty i relacje, a do tego dostępność i cena pobrane z systemu, który je naprawdę zna. Agent nie domyśla się niczego z układu strony. Czego nie ma w danych, tego dla niego nie ma.

Jak konkretne są te wymagania, widać w specyfikacji feedu produktowego OpenAI dla zakupów w ChatGPT: wymaganych pól jest dziewięć (m.in. identyfikator, tytuł, opis, adres strony, marka, sprzedawca, zdjęcie, dostępność i cena), a wiersz bez poprawnej wartości dostępności jest odrzucany (odczyt specyfikacji: 25 września 2026).

Dlaczego w 2026 roku o widoczności produktu decyduje PIM?

Bo agenci AI, czyli ChatGPT, Claude, Gemini i shopping agenci budowani przez same sklepy, nie przeglądają witryny jak człowiek, tylko czytają ustrukturyzowane dane. Produkt ze słabymi albo sprzecznymi danymi jest dla nich niewidoczny albo polecany do złych zastosowań. Tę zdolność do bycia poprawnie zrozumianym nazywa się coraz częściej AI Visibility.

System PIM przestaje być więc tylko narzędziem do zarządzania treściami. Staje się jednym źródłem prawdy o produkcie, z którego korzystają ludzie, kanały sprzedaży i maszyny. Jeśli ten sam produkt ma inną nazwę w sklepie, inną na marketplace i jeszcze inną w feedzie, agent dostaje trzy sprzeczne sygnały i wybiera produkt konkurencji, którego dane się zgadzają.

Czym dane dla człowieka różnią się od danych dla agenta?

Człowiek czyta kontekst, zdjęcie i ton, agent czyta pola i ich wartości. Opis, który przekonuje kupującego, może być dla agenta bezużyteczny, jeśli najważniejsza informacja siedzi w zdaniu zamiast w atrybucie.

Co	Wystarczy człowiekowi	Potrzebuje agent AI
Wymiary	„Kompaktowy, zmieści się w każdej szafce”	`szerokość: 42 cm`, `głębokość: 30 cm`, `wysokość: 55 cm`
Wariant	Zdjęcie z próbnikiem kolorów	Osobny rekord na każdy kolor i rozmiar, ze wspólnym identyfikatorem grupy
Zgodność	„Pasuje do większości modeli”	Lista modeli jako relacja „akcesorium do”
Dostępność	Zielona kropka przy przycisku	Wartość `w magazynie` / `brak` / `przedsprzedaż`, aktualna
Zwroty	Strona „Regulamin” w stopce	Okno zwrotu w dniach i adres polityki przy produkcie
Identyfikacja	Nazwa i zdjęcie	GTIN (EAN), numer katalogowy producenta, marka

Czego agent AI potrzebuje z katalogu?

Agent potrzebuje ośmiu grup danych, ale nie wszystkie powinny mieszkać w PIM. To ważne rozróżnienie: stany magazynowe i bieżące ceny zmieniają się za często, żeby PIM był dla nich źródłem prawdy. Synchronizacja PIM ze sklepem odbywa się zwykle raz albo dwa razy dziennie, co opisujemy szerzej w artykule o danych ciepłych i zimnych w PIM.

Dane	Przykład	Gdzie jest źródło prawdy
Atrybuty strukturalne	materiał, moc, wymiary, norma	PIM
Relacje między produktami	komplet, zamiennik, akcesorium, część zamienna	PIM
Warianty i opcje	kolor, rozmiar, pojemność	PIM
Identyfikatory	GTIN (EAN), MPN, marka	PIM
Treści wielojęzyczne	tytuły i opisy per rynek	PIM
Jednostki i reguły sprzedaży B2B	jednostka miary, minimalna ilość, opakowanie zbiorcze	PIM (reguły cenowe w platformie B2B)
Stany magazynowe i ceny	dostępność, cena, cena kontraktowa	ERP, WMS albo platforma e-commerce
Polityki	dostawa, zwroty, gwarancja	platforma e-commerce, z odnośnikiem przy produkcie

Dopiero feed albo API sklepu składa te dwie połowy w jeden rekord, który trafia do agenta. Specyfikacja OpenAI podaje też limity, które warto przenieść do reguł w PIM: tytuł do 150 znaków, opis do 5 000 znaków, czystym tekstem, bez HTML.

Checklista: jak przygotować PIM pod agentów AI w trzech poziomach?

Zacznij od fundamentu, bo bez niego dwa kolejne poziomy nie działają. Kolejność ma znaczenie: bogaty opis produktu bez jednoznacznego identyfikatora dalej jest produktem, którego agent nie potrafi porównać z ofertą konkurencji.

Poziom 1: fundament (obowiązkowy)

Uporządkowany model danych: atrybuty, grupy atrybutów i rodziny produktów. Różnicę między rodziną a kategorią wyjaśniamy w artykule o rodzinach i kategoriach w PIM.
Brak duplikatów i sprzecznych wartości tego samego atrybutu.
Wymuszona kompletność kluczowych atrybutów, osobno dla każdego kanału i języka.
Jednoznaczne, stałe identyfikatory. GTIN ma dokładnie 8, 12, 13 albo 14 cyfr z poprawną cyfrą kontrolną, a zera na początku trzeba zachować, więc trzymaj go jako tekst, nie liczbę.

Poziom 2: gotowość na agentów

Opisy faktograficzne i unikalne, a obok nich te same fakty w atrybutach.
Relacje produktowe z nazwanym typem („zamiennik”, „akcesorium do”, „część kompletu”), a nie tylko „podobne produkty”.
Wersjonowanie i historia zmian, żeby dało się odtworzyć, co i kiedy trafiło do kanału.
Eksport pod agentów: feed w JSON albo CSV zgodny z wymaganiami kanału oraz dane strukturalne schema.org na kartach produktów (gtin, mpn, isAccessoryOrSparePartFor, hasMerchantReturnPolicy).
Mapowanie atrybutów na standardy: GS1 dla identyfikatorów, a w B2B klasyfikacje ETIM albo ECLASS, które agent rozpozna bez tłumaczenia Twojej wewnętrznej nomenklatury.

Poziom 3: przewaga konkurencyjna

Kontekst B2B: kto może kupić jaki asortyment, w jakiej jednostce i po jakiej cenie kontraktowej (dane z platformy B2B, powiązane z produktem z PIM).
Dane jakościowe, jeśli są dostępne: oceny, powody zwrotów, najczęstsze pytania klientów.
Wzbogacanie treści przez AI w samym PIM, zawsze z akceptacją człowieka przed publikacją. Jak to działa w praktyce, opisujemy w artykule o AI w PIM.
Gotowość na bezpośrednie zapytania agentów: API z ograniczonym zakresem uprawnień, tylko do odczytu, zamiast pełnego dostępu do systemu.

Jakie błędy najczęściej odbierają produktom widoczność w agentach AI?

Najczęstszy błąd to wpisywanie wartości zastępczych w miejsce brakujących danych. Specyfikacja OpenAI mówi wprost: nie używaj ciągów takich jak null, unknown czy n/a, pustej wartości nie traktuj jak zera, a brakującego GTIN nie zastępuj wymyślonym numerem producenta. Pole puste jest uczciwe, pole zmyślone wprowadza agenta w błąd.

Pozostałe błędy, które widzimy najczęściej:

Kluczowe dane tylko w sklepie. Atrybuty dopisywane ręcznie w Magento zamiast w PIM rozjeżdżają się z marketplace’ami i feedami przy pierwszej zmianie.
Różne wartości tego samego atrybutu w różnych kanałach. „Czarny”, „czarna”, „black” i „BLK” to dla agenta cztery różne kolory.
Opisy pisane wyłącznie pod SEO. Tekst nasycony frazami, w którym parametr techniczny pojawia się raz, w trzecim akapicie, agent przeczyta gorzej niż krótką tabelę atrybutów.
Brak relacji i kontekstu użycia. Bez relacji „akcesorium do” agent nie zbuduje kompletnego koszyka.
Nieaktualne stany i ceny. Najczęściej dlatego, że trafiły do PIM i czekają na nocną synchronizację.
Niestabilne identyfikatory. Specyfikacja OpenAI zabrania ponownego użycia identyfikatora dla innego produktu i wkładania ceny do identyfikatora oferty. Identyfikator ma przetrwać zmianę ceny, stanu, tytułu i zdjęć.

Jak przygotować pod agentów Akeneo, Pimcore i Ergonode?

Każdy z trzech systemów ma mechanizmy potrzebne na poziomie 1 i 2, różnią się tym, ile trzeba dołożyć samemu. Szersze porównanie znajdziesz w artykule Ergonode, Pimcore i Akeneo.

System	Co najbardziej pomaga	Co warto dopracować
Akeneo	Kompletność liczona per kanał i język, rodziny i warianty produktów, ocena jakości danych, skojarzenia między produktami	Typy skojarzeń nazwane tak, jak rozumie je kanał (zamiennik, akcesorium), a nie jedno ogólne „powiązane”; reguły automatyzacji w edycjach płatnych
Pimcore	Dowolny model danych, walidacja pól, workflow akceptacji, API GraphQL przez Datahub	Elastyczność działa w obie strony: model trzeba zaprojektować świadomie, bo system nie narzuci struktury za Ciebie
Ergonode	Kompletność na szablonach produktów, statusy workflow, wbudowane AI do tłumaczeń i opisów	Akceptacja treści generowanych przez AI przed publikacją; spójne słowniki wartości dla atrybutów wyboru

We wszystkich trzech najważniejsza jest ta sama rzecz: reguły jakości danych. Atrybut obowiązkowy dla kanału, słownik dozwolonych wartości i walidacja formatu (GTIN, jednostki) wychwytują błąd w PIM, zanim trafi do agenta.

Jak połączyć PIM z Magento albo OroCommerce, żeby agent dostał pełny obraz?

PIM jest źródłem prawdy o produkcie, platforma e-commerce konsumuje te dane, a ERP dostarcza stan i cenę. Agent widzi tylko wynik tego złożenia, więc słabe ogniwo w dowolnym miejscu łańcucha psuje cały rekord.

Trzy integracje są krytyczne:

Produkt z PIM do platformy (Magento 2, OroCommerce): atrybuty, warianty, relacje i treści. Sklep niczego tu nie poprawia ręcznie.
Stany i ceny z ERP do platformy, możliwie często. W B2B także cenniki kontraktowe i reguły dla kont klientów.
Warstwa dla agentów: feed produktowy, dane strukturalne na kartach produktów i API pod protokoły agentowe. Które moduły ACP, UCP i MCP są już dostępne dla Magento, opisujemy we wpisie o Magento 2 i Agentic Commerce.

Jak zaprojektować przepływ danych między tymi systemami, pokazujemy na stronie o integracjach systemów.

Co zrobić w ciągu najbliższych 30, 60 i 90 dni?

W pierwszym miesiącu zmierz, w drugim uporządkuj, w trzecim wystaw dane agentom i przetestuj. Kolejność jest ważniejsza od tempa: feed zbudowany na nieuporządkowanym modelu danych trzeba potem przebudować.

Termin	Co zrobić	Jak poznać, że gotowe
Dni 1–30	Audyt katalogu: kompletność kluczowych atrybutów, duplikaty, sprzeczne wartości, pokrycie GTIN	Znasz odsetek produktów z kompletem danych dla każdego kanału
Dni 31–60	Uporządkowanie modelu danych i wdrożenie reguł jakości w PIM	Nowy produkt nie przejdzie do kanału bez obowiązkowych atrybutów
Dni 61–90	Feed i dane strukturalne pod agentów, testy z prawdziwymi agentami AI	Agent poprawnie odpowiada na pytania o Twoje produkty i buduje z nich koszyk

Test z agentem jest prosty i darmowy: zadaj ChatGPT, Claude albo Gemini pytanie, które zadałby Twój klient („jaki zamiennik pasuje do modelu X?”), i sprawdź, czy odpowiedź opiera się na Twoich danych, czy na danych konkurencji.

Podsumowanie

Przygotowanie katalogu pod agentów AI to nie projekt IT na przyszłość. To praca, która już teraz decyduje o tym, czy agent pokaże Twój produkt, czy produkt konkurencji. Firmy z uporządkowanym PIM zyskają wyraźną przewagę w najbliższych miesiącach, bo reszty tej drogi, czyli feedów i protokołów, nie da się zbudować na chaotycznych danych.

W Macopedii mamy za sobą ponad 30 wdrożeń PIM (Akeneo, Pimcore i Ergonode). Pomagamy przejść całą tę drogę: od audytu gotowości katalogu, przez model danych i reguły jakości w PIM, po integracje z Magento 2 i OroCommerce oraz warstwę dla agentów. Jeśli chcesz sprawdzić, na ile Twój katalog jest gotowy, porozmawiajmy.