Користувач усе рідше починає вибір товару з короткого "пилосос купити". Він формулює задачу: "порадь тихий бездротовий пилосос для маленької квартири", "порівняй ці три велосипеди", "знайди подарунок дитині, яка любить малювати". У такому сценарії ChatGPT не просто дає посилання. Він уточнює потребу, збирає варіанти, показує товарні картки й пояснює, чому один товар краще відповідає запиту, ніж інший.
Для e-commerce це зміщує точку входу в покупку. Магазин більше не змагається тільки за позицію у Google чи за фільтр на маркетплейсі. Він змагається за місце у короткому списку, який AI складає ще до переходу користувача на сайт.
Що ховається за словом "Shopping"
Під ChatGPT Shopping зазвичай мають на увазі не одну функцію, а кілька суміжних сценаріїв, і їх корисно розрізняти.
| Сценарій | Як виглядає для користувача | Що важливо бізнесу |
|---|---|---|
| Товарні результати в ChatGPT Search | ChatGPT бачить shopping intent і показує товари з фото, деталями та посиланнями | Товар має бути зрозумілим за назвою, описом, ціною, наявністю і контекстом |
| Shopping Research | Користувач запускає глибше дослідження, відповідає на уточнення й отримує buyer's guide | Модель порівнює компроміси, тому слабкі описи й неповні характеристики стають проблемою |
| Product feeds / ACP | Мерчант передає структурований каталог OpenAI | Якість каталогу прямо впливає на точність товарної інформації |
OpenAI у довідці про Shopping with ChatGPT Search пише, що коли запит має shopping intent, ChatGPT може показувати товари із зображеннями, деталями й посиланнями на сайти для купівлі або вивчення. Там же є важливе формулювання: product results обираються незалежно, не є рекламою і не залежать від партнерств OpenAI.
Тому задача магазину не "купити місце в каруселі", а зробити так, щоб AI правильно зрозумів товар і побачив його релевантність у конкретному купівельному сценарії.
Чому AI читає намір, а не ключове слово
Класичний пошук часто будується навколо ключового слова. AI-shopping будується навколо наміру. Модель читає не тільки категорію товару, а й приховані обмеження: для кого покупка, який бюджет, де товар використовуватиметься, що важливіше - ціна, якість, дизайн, гарантія, доставка чи сумісність.
Візьмемо запит "найкращий ноутбук до 1000 доларів для ігор і навчання". Для класичного фільтра це "ноутбуки, ціна < 1000". Для ChatGPT це одразу кілька критеріїв: ціна в межах, відеокарта достатня для заявленого рівня ігор, прийнятні екран, клавіатура й автономність для навчання, наявність у продавців, яких модель може прочитати, та повторювані згадки в якісних оглядах. А далі - компроміси: продуктивність проти ваги, ціна проти гарантії, бренд проти характеристик.
У довідці OpenAI пояснює, що ChatGPT може враховувати сам запит, контекст розмови, Memory та Custom Instructions, якщо вони увімкнені. Тому два користувачі можуть отримати різні каруселі на схожий запит: для одного модель сильніше зважить бюджет, для іншого - бренд, розмір чи попередні вподобання.
Звідси практичний висновок для картки товару. Якщо в ній лише "сучасний дизайн, висока якість", AI не має з чого зробити корисну рекомендацію. Якщо там матеріал, вага, сумісність, розміри, гарантія, обмеження, відгуки й FAQ - модель отримує основу для порівняння.
Як товар потрапляє в карусель
Товар з'являється в каруселі, коли ChatGPT вважає його релевантним наміру. У довідці OpenAI перелічені фактори, які можуть братися до уваги: структуровані metadata від постачальників даних, інший сторонній контент, попередня відповідь моделі, стандарти безпеки та політики продуктів.
На практиці це багатокроковий відбір: модель класифікує запит як комерційний чи дослідницький, виділяє категорію, бюджет і обмеження, формує список кандидатів із доступних джерел, перевіряє відповідність базовим вимогам, ранжує варіанти за релевантністю, ціною, наявністю та якістю даних і показує короткий набір товарів, а не всю категорію.
Точність тут не гарантована. OpenAI окремо попереджає, що ціни, наявність, розміри, кольори, доставка й знижки можуть змінюватися швидше, ніж інформація в ChatGPT, тому фінальні умови користувач має перевіряти на сайті продавця. Для магазину це додає відповідальності: якщо ціна у feed, на сторінці товару й у кошику відрізняється, AI-канал швидко втрачає довіру. Те саме - з availability, SKU, варіантами й промо.
Shopping Research: коли рекомендація стає buyer's guide
Shopping Research - це глибший режим для рішень із порівняннями й кількома обмеженнями. OpenAI запустила його 24 листопада 2025 року й описує як досвід, у якому ChatGPT ставить уточнювальні питання, досліджує інтернет, аналізує джерела й формує персоналізований buyer's guide (OpenAI).
У довідці про Shopping Research процес виглядає так: користувач описує потребу або запускає Research з уже вибраних товарів, ChatGPT уточнює бюджет, бренди, розміри, сценарій і пріоритети, у процесі з'являються товари, які можна прибрати чи попросити "більше схожих", а фінальна відповідь містить top picks, причини вибору, сильні сторони, компроміси й порівняльні таблиці.
Цей режим особливо важливий для категорій, де покупка не зводиться до найнижчої ціни: електроніка, beauty, товари для дому, кухонна техніка, спорт, дитячі товари. Тут AI стає не вітриною, а радником: пояснює, що означає характеристика, чому легша модель може мати слабшу автономність, а дешевша - коротшу гарантію. Якщо опис товару не дає цих відповідей, модель шукатиме аргументи в оглядах, на маркетплейсах, форумах або у конкурентів.
Звідки ChatGPT бере товарні дані
Джерел три, і вони доповнюють одне одного.
Перше - публічні сторінки: картки товарів, категорії, огляди, медіа, маркетплейси, документація виробників, сторінки підтримки й повернення. Це той самий шар, що вже важливий для SEO та AI-видимості. Якщо сторінку важко прочитати або вона закрита для потрібного краулера, шанс потрапити у відповідь нижчий - про технічний бік ми писали окремо в матеріалі як керувати AI-краулерами через robots.txt.
Друге - структуровані metadata від постачальників і партнерів: назва, опис, ціна, availability, зображення, рейтинг, продавець, категорія, варіанти.
Третє - product feeds через Agentic Commerce Protocol. У документації OpenAI ACP описаний як відкритий стандарт, що допомагає ChatGPT отримувати структуровані дані каталогу, розуміти inventory мерчанта й показувати релевантні товари в контексті (OpenAI Developers). У гайді Get Started OpenAI радить починати з product feed і передавати актуальні назви, описи, зображення, ціни та наявність; для великих каталогів - повний snapshot принаймні щодня через file upload, а оновлення протягом дня через API.
Що має бути в product feed
Feed - це не "ще один XML для галочки", а машинно-читабельна версія каталогу. Якщо вона неповна чи застаріла, AI отримує поганий вхідний сигнал.
У специфікації для file upload OpenAI перелічує базові поля: item_id, title, description, url, brand, країни таргетингу й магазину, а також додаткові атрибути - GTIN, MPN, матеріал, розміри, вагу, вікову групу, колір, rating, reviews, Q&A і related products (Products spec). Для API-моделі структура інша, але логіка та сама: Product, стабільний id, Variant, ціна, availability, media й категорії (Products API).
Окремо OpenAI дає best practices, які варто читати як чеклист якості:
| Елемент | Що перевірити |
|---|---|
| Назви товарів | Без капслоку, зрозумілі людині, з важливими атрибутами без переспаму |
| Опис | Фактичний, конкретний, без рекламної води |
| URL | Валідний, публічний, веде на сторінку товару |
| Варіанти | Окремі title, url, media, price і availability там, де вони різняться |
| Зображення | Якісні, доступні, відповідні конкретному варіанту |
| Seller links | Стабільні публічні URL для політик, підтримки, повернень |
| Attribution | UTM-параметри для вимірювання feed-specific трафіку |
Найчастіша помилка тут - передати feed як технічну копію каталогу, не перевіривши, чи розуміє стороння система різницю між parent product, variant, offer, seller і promotion. Якщо розмір, колір і ціна живуть не там, де очікує схема, рекомендація може бути неточною.
Instant Checkout: чому ставку перенесли на discovery
Окремий шар agentic commerce - Instant Checkout, коли користувач підтверджує замовлення й оплату прямо в ChatGPT. OpenAI описала цей сценарій у вересні 2025 року (Buy it in ChatGPT), з принциповим моментом для продавця: merchant залишається merchant of record - замовлення, платежі, fulfilment, повернення й підтримка лишаються в його системах, а ChatGPT виступає AI-агентом користувача.
Але тут важлива свіжа поправка. У березні 2026 року OpenAI публічно згорнула Instant Checkout як окрему пріоритетну функцію: до неї підключилися лише близько десятка мерчантів Shopify, конверсія в покупку всередині чату виявилася низькою, а ставку компанія перенесла саме на product discovery і на окремі застосунки ретейлерів усередині ChatGPT (CNBC, TechCrunch).
Для e-commerce це не привід ігнорувати тему, а навпаки - підтвердження головного тезису. Поки сама покупка мігрує між форматами, найстабільніший приз - бути товаром, який AI впевнено рекомендує на етапі вибору. Тому фокус варто тримати не на "як вбудувати checkout", а на тому, щоб ваш товар взагалі потрапляв у короткий список і мав чим виграти порівняння.
Чим AI-shopping відрізняється від SEO і маркетплейсу
AI-shopping не замінює SEO. Він додає проміжний шар між запитом і сайтом, який сам складає короткий список, пояснює варіанти й може зменшити кількість переходів, що раніше робив користувач.
| Питання | Класичне SEO | Маркетплейс | AI-shopping |
|---|---|---|---|
| Що ранжується | Сторінка або домен | Товар у межах платформи | Товар, продавець або джерело в контексті запиту |
| Основний сигнал | Релевантність, посилання, технічна якість | Ціна, наявність, рейтинг, логістика | Намір, якість даних, джерела, ціна, availability, контекст |
| Як виглядає вибір | Користувач сам відкриває сторінки | Користувач фільтрує список | AI формує короткий список і пояснює trade-offs |
| Де виникає довіра | На SERP і сайті | Усередині маркетплейсу | У відповіді AI та в цитованих джерелах |
Для SEO-команди це не привід згортати технічну оптимізацію - навпаки. Structured data, доступність сторінок, canonical, якісні картки товарів, FAQ й огляди стають ще важливішими. Детальніше про цей шар - у статті як структуровані дані впливають на AI-видимість.
Що e-commerce варто зробити вже зараз
Починати краще не з великої інтеграції, а з аудиту даних і сценаріїв, у яких ваші товари можуть рекомендуватися.
Зберіть prompt-набір для категорій. Візьміть 30-50 реальних запитів, які покупці ставлять не як ключові слова, а як задачі: "порадь кавомашину для офісу на 20 людей", "який матрац підійде, якщо болить спина", "знайди ноутбук для дизайнера до 1500 доларів", "що купити дитині 6 років для творчості". Тут потрібні сценарії вибору, обмеження й типові компроміси, а не keyword research. Як будувати такі набори, можна звірити з матеріалом як правильно обирати запити для моніторингу AI-видимості.
Перевірте, які товари AI вже рекомендує. Проганяйте набір у ChatGPT Search, Shopping Research, Perplexity та Gemini й фіксуйте: які бренди й товари з'являються, чи є ваш магазин серед merchant links, які джерела цитуються, які характеристики модель повторює, де помиляється і хто з конкурентів потрапляє у відповідь частіше. Один скріншот не дає картини - потрібна повторюваність: кілька запитів, кілька моделей, кілька днів.
Вирівняйте картку товару, feed і кошик. Для кожної пріоритетної категорії перевірте базове: назва зрозуміла без внутрішніх скорочень, опис містить факти, а не обіцянки, характеристики повні й однаково названі в усіх системах, ціна й availability збігаються скрізь, варіанти не змішані, є якісні фото для кожного важливого варіанту, а return policy, гарантію й доставку легко знайти. Якщо сильна перевага товару живе тільки на банері чи зображенні, AI може її не побачити - вона має бути в тексті, характеристиках і feed.
Описуйте товари через сценарії. AI краще працює з товаром, коли бачить use case: для кого підходить, у яких умовах працює найкраще, які має обмеження, з чим сумісний, чим відрізняється від дешевшої чи дорожчої моделі, що часто купують разом. Це не означає писати простирадла SEO-тексту під кожен SKU - часто достатньо сильнішого опису, таблиці характеристик, блоку "кому підійде / кому ні" й чесного порівняння із сусідніми моделями.
Налаштуйте вимірювання. Поки AI-shopping як канал формується, метрики будуть змішаними, але мінімум варто бачити: чи з'являється товар у відповідях на контрольні prompts, як часто модель згадує бренд у категорії, чи показує ChatGPT саме ваш магазин серед продавців, які URL модель бере як джерела, скільки приходить AI-трафіку й чи доходить він до покупки. Окремо корисно відстежувати розбіжності між feed, карткою товару й кошиком - саме вони найшвидше вбивають довіру. Якщо AI стабільно рекомендує товар, а продажів немає, проблема часто не в рекомендації, а в ціні, доставці чи невідповідності даних.
Де команди спотикаються найчастіше
Кілька типових пасток варто назвати окремо, бо вони повторюються майже в кожному магазині. Перша - покладатися тільки на feed: він передає дані, але не замінює сильні картки товару, відгуки й технічну доступність. Друга - описувати товар рекламними фразами замість фактів, обмежень і сценаріїв. Третя - не розділяти product, variant і offer, через що модель показує не той варіант або неправильну ціну. Четверта - ігнорувати політики магазину, хоча для багатьох покупок повернення, гарантія й доставка важать не менше за характеристики. І остання - чекати стабільної видачі як у класичному SERP: AI-відповіді залежать від формулювання, персоналізації й доступних джерел, тому тут потрібен моніторинг патернів, а не однієї позиції.
Важливо й те, що AI-shopping лежить між SEO, product data, merchandising і operations. Якщо ці команди працюють окремо, AI бачить фрагменти: гарний опис без актуальної ціни, feed без політик повернення, товар у наявності без нормального URL. Для користувача це виглядає як привід не довіряти рекомендації.
Підсумок
ChatGPT Shopping не скасовує сайт, SEO чи маркетплейси. Він додає шар, де користувач формує короткий список товарів ще до переходу на сторінку продавця. У цьому шарі виграють не ті, хто має найбільший каталог, а ті, у кого дані точні, описи конкретні, сторінки доступні, ціни й наявність оновлюються, а переваги товару зрозумілі в реальному сценарії вибору. І навіть коли формати покупки змінюються - як це сталося з Instant Checkout навесні 2026 - саме видимість на етапі discovery лишається стабільним призом.
Практичний старт - не "оптимізуватися під ChatGPT" абстрактно. Почніть із категорій, де покупці ставлять складні питання: зберіть prompts, перевірте відповіді, знайдіть конкурентів у каруселях, вирівняйте product data й посильте сторінки, які AI має цитувати.
У цьому й допомагає VYDAI. Стандартна аналітика покаже клік, але не покаже, чи був ваш товар у короткому списку, кого модель поставила поруч і з якого джерела взяла аргументи. VYDAI збирає контрольні prompts для категорії, перевіряє відповіді ChatGPT, Gemini, Claude і Perplexity та фіксує згадки брендів, цитовані джерела й конкурентів - щоб ви бачили не абстрактний "AI-аудит", а карту: які товари посилити, де бракує даних, а де конкурент уже виграє рекомендацію. Подивитися, як це працює у вашій категорії, можна, якщо створити акаунт або глянути демо.
