Cum măsurăm vizibilitatea produselor în răspunsurile AI

Vizibilitatea unui produs în AI arată cât de des o entitate comercială precisă apare în răspunsurile eligibile și în ce rol. Nu este același lucru cu notorietatea brandului și nu se reduce la existența unui card vizual.

Pentru măsurare separăm produsul de companie, modelul de familie, varianta de produsul-părinte și recomandarea de simpla mențiune. Apoi păstrăm cohorta, numitorii, pasajele-suport, sursele și momentul observației.

Un raport credibil răspunde la șase întrebări: ce produs am urmărit, pentru ce nevoie, în câte răspunsuri putea apărea, de câte ori a fost identificat corect, ce rol a avut și cât de exacte și actuale au fost atributele prezentate.

Vizibilitatea produsului nu este vizibilitatea brandului

Dacă un răspuns spune „Brandul A are o gamă bună de aspiratoare”, brandul este prezent, dar niciun produs nu este identificat. Dacă spune „Modelul A20 este potrivit pentru un apartament mic”, avem o entitate la nivel de produs și un context de utilizare.

Înregistrăm separat:

• brand-only — apare numai marca sau producătorul;
• familie de produse — apare o serie fără model exact;
• produs identificat — modelul poate fi legat fără ambiguitate de catalog;
• variantă identificată — culoarea, dimensiunea, capacitatea ori configurația sunt clare;
• ofertă identificată — produsul este legat de merchant, preț, disponibilitate și moment.

Aceste niveluri nu se convertesc automat unul în altul. Un brand vizibil poate avea produse invizibile, iar un retailer poate fi citat fără ca marca produsului să primească o recomandare.

Rezolvăm identitatea înainte să numărăm

Prima regulă este entity resolution. Păstrăm forma brută din răspuns, apoi o legăm de înregistrarea canonică: nume, model, SKU intern, MPN, GTIN dacă există, familie și variantă.

Google Merchant Center descrie GTIN, MPN și brand ca identificatori care disting produse și avertizează să nu fie inventate valori. Specificațiile GS1 cer identificatori separați pentru articole comerciale distincte. Aceste surse oferă un principiu de identitate, nu înseamnă că fiecare produs analizat trebuie să aibă GTIN.

Problemele frecvente sunt:

• model vechi confundat cu generația nouă;
• numele scurt folosit pentru două produse;
• varianta de 128 GB amestecată cu cea de 256 GB;
• bundle-ul tratat ca produs simplu;
• SKU-ul retailerului confundat cu identificatorul producătorului;
• un accesoriu atribuit produsului principal.

Dacă identitatea rămâne ambiguă, evenimentul intră la revizuire și scade coverage-ul clasificării. Nu îl atribuim celui mai probabil produs doar pentru a completa raportul.

Definim cohorta de scenarii eligibile

Un produs nu are aceeași ocazie să apară în orice întrebare. O cohortă documentată include categoria, nevoia, bugetul, geografia, limba, persona, constrângerile și etapa deciziei.

Exemple de familii distincte:

• discovery fără brand: „ce produs rezolvă problema X?”;
• shortlist: „ce trei modele respectă condițiile X, Y și Z?”;
• comparison: „care sunt diferențele dintre modelele deja selectate?”;
• validation: „ce limitări are produsul pentru utilizarea mea?”;
• transactional: „unde este disponibil în România și la ce condiții?”.

Nu amestecăm prompturile care conțin deja produsul cu discovery organic. O apariție provocată de nume măsoară descrierea și acuratețea, nu capacitatea de a fi descoperit.

O singură execuție nu stabilește o rată. Articolul despre de ce un singur prompt nu este o măsurătoare explică nevoia de repetări și variație controlată.

Patru evenimente în pâlnia de vizibilitate

Pentru aceeași cohortă clasificăm patru trepte. Ele pot fi imbricate, dar fiecare trebuie definită:

1. prezență identificată — produsul exact apare în răspuns;
2. shortlist — produsul este păstrat între opțiunile potrivite pentru nevoie;
3. recomandare — răspunsul îl propune explicit ori condiționat pentru utilizator;
4. alegere principală — produsul primește prioritatea întâi sau concluzia finală.

Menționarea într-o listă exhaustivă nu este automat shortlist. O frază precum „nu aș alege modelul P pentru această utilizare” confirmă prezența, dar nu recomandarea. O comparație neutră poate conține produsul fără să îl favorizeze.

Definițiile exacte ale recomandării și condiționalității vor avea pagina lor canonică. Aici avem nevoie doar de rubrici suficient de clare pentru măsurarea generală.

Numitorul comun face pâlnia comparabilă

Dacă avem 40 de răspunsuri eligibile, calculăm toate treptele principale cu același numitor:

• 14 prezențe identificate / 40 = 35,0%;
• 10 shortlisturi / 40 = 25,0%;
• 6 recomandări / 40 = 15,0%;
• 3 alegeri principale / 40 = 7,5%.

Putem calcula și 6/10 = 60% ca rată de conversie shortlist → recomandare, dar o etichetăm distinct. Nu publicăm „rata de recomandare 60%” fără să spunem că numitorul este doar subsetul shortlistat.

Regula completă pentru numitori este documentată în ghidul KPI pentru vizibilitate, citare și recomandare.

Citarea este un semnal paralel, nu o treaptă obligatorie

Un produs poate fi recomandat fără citarea site-ului producătorului. Invers, pagina oficială poate fi folosită pentru o specificație, iar produsul să nu fie inclus în lista finală.

Pentru fiecare răspuns salvăm:

• domeniul citat și URL-ul exact;
• tipul sursei: producător, merchant, review, publicație sau agregator;
• afirmația pe care pare să o susțină;
• dacă linkul este accesibil și conține informația;
• dacă sursa descrie produsul, varianta sau doar brandul.

În exemplul nostru, site-ul first-party este citat în 8 din 40 de răspunsuri, adică 20%. Nu plasăm această valoare între shortlist și recomandare. Este o dimensiune de proveniență, explicată mai amplu în articolul despre sursele folosite de motoarele AI.

Acuratețea atributelor are alt numitor

Prezența unui produs nu garantează că răspunsul îl descrie corect. Extragem afirmații atomice despre:

• specificații și compatibilitate;
• dimensiune, culoare, capacitate sau generație;
• preț, monedă și merchant;
• disponibilitate și termen de livrare;
• garanție, retur și condiții comerciale;
• limitări importante pentru nevoia utilizatorului.

Dacă 30 dintre 36 de afirmații verificabile sunt corecte, acuratețea atributelor este 83,3%. Numitorul este numărul afirmațiilor verificabile, nu cele 40 de răspunsuri. Raportăm și distribuția erorilor: un preț vechi și o culoare greșită nu au același impact.

OpenAI avertizează în documentația Shopping Research că prețurile, stocul și reducerile se pot schimba și trebuie confirmate pe site-ul merchantului. Aceasta susține separarea acurateței comerciale de simpla apariție.

Freshness-ul trebuie măsurat, nu presupus

Pentru a evalua actualitatea, păstrăm timestampul observației și timestampul stării comerciale verificate. Putem raporta:

• median freshness lag în zile sau ore;
• proporția prețurilor corecte la momentul capturii;
• proporția produselor recomandate care erau disponibile;
• diferența dintre feed, landing page și checkout;
• numărul răspunsurilor care folosesc un model sau o ofertă retrasă.

Specificația Google Merchant Center cere ca prețul și disponibilitatea să corespundă paginii și checkout-ului. Este o regulă pentru ecosistemul Google, nu pentru toate sistemele AI, dar ilustrează de ce starea comercială trebuie versionată.

Feedul și datele structurate nu garantează apariția

Datele curate pot îmbunătăți identificarea și actualitatea, dar nu oferă un drept la vizibilitate. OpenAI descrie folosirea feedurilor pentru product discovery, iar documentația Google arată că Product structured data poate face o pagină eligibilă pentru experiențe bogate.

„Poate fi eligibil” nu înseamnă „va apărea”. Măsurarea rămâne observațională: rulăm cohorta, capturăm răspunsurile și clasificăm evenimentele. Feedul, schema și crawl-ul sunt variabile explicative, nu rezultatul însuși.

Pentru variante, Google recomandă ProductGroup și identificarea relațiilor dintre variante. Articolul dedicat datelor structurate va trata implementarea; aici verificăm numai dacă răspunsul a selectat varianta corectă.

Exemplu complet cu 40 de răspunsuri

Presupunem un produs anonim P și 40 de răspunsuri eligibile, repartizate între patru familii de scenarii nebranded. Sistemul returnează 38 de răspunsuri utilizabile; două execuții eșuează.

Indicator	Calcul	Rezultat	Interpretare
prezență produs	14/40	35,0%	produsul exact a fost identificat
shortlist	10/40	25,0%	a rămas opțiune potrivită
recomandare	6/40	15,0%	a fost propus pentru nevoie
alegere principală	3/40	7,5%	a primit prioritate
citare first-party	8/40	20,0%	semnal paralel de sursă
acuratețe atribute	30/36 afirmații	83,3%	altă unitate și alt numitor
coverage răspunsuri	38/40	95,0%	două execuții lipsesc

Median freshness lag este două zile. Nu îl transformăm în puncte pentru a „îmbunătăți” scorul. Îl publicăm lângă rate, deoarece un produs vizibil cu informații vechi poate produce o experiență mai proastă decât un produs menționat mai rar, dar corect.

Coverage-ul și incertitudinea rămân vizibile

Dacă două execuții din 40 lipsesc, păstrăm numitorul planificat și raportăm coverage 95%. Nu renormalizăm toate ratele la 38 fără să declarăm schimbarea, pentru că am face cohortele greu de comparat.

La eșantioane mici, diferențele de câteva apariții sunt fragile. Raportăm numărul brut, rata, intervalul pentru proporții și variația dintre repetări. Nu concluzionăm că produsul „domină categoria” din 6 recomandări.

NIST AI RMF recomandă legarea măsurării de context, documentarea rezultatelor și includerea incertitudinii. Pentru un indicator compozit opțional, păstrăm regulile din modelul de calcul al scorului de vizibilitate AI, dar nu ascundem diagnosticele într-un singur număr.

Structura raportului la nivel de produs

Un raport reutilizabil conține:

• identitatea canonică și regulile pentru variante;
• cohorta de scenarii, limba, geografia și perioada;
• suprafața și modul folosit la fiecare observație;
• răspunsurile brute și pasajele clasificate;
• prezență, shortlist, recomandare și alegere principală;
• brand-only, retailer-only și cazuri ambigue;
• sursele citate și tipul lor;
• afirmațiile atomice, corectitudinea și severitatea erorilor;
• freshness lag, disponibilitate și momentul verificării;
• coverage, dimensiunea eșantionului și intervalele;
• versiunea dicționarului de produse și schimbările de metodă.

Seriile temporale folosesc aceeași cohortă și aceeași versiune de clasificare. Dacă lansăm un produs nou, schimbăm catalogul sau adăugăm o suprafață, marcăm series break ori recalculăm istoricul.

Checklist înainte de publicarea unui KPI de produs

• produsul și varianta sunt identificabile fără ambiguitate;
• brand-only nu este numărat drept product presence;
• scenariile eligibile și cele branded sunt separate;
• prezența, shortlistul, recomandarea și alegerea principală au rubrici;
• ratele comparabile folosesc același numitor declarat;
• citările și retailerii sunt analizate separat;
• acuratețea folosește afirmații verificabile, nu răspunsuri;
• prețul și disponibilitatea au timestamp și sursă;
• coverage-ul și execuțiile eșuate sunt vizibile;
• există repetări și dovezi brute inspectabile.

Vizibilitatea produsului devine utilă numai când știm exact ce a fost văzut și pentru ce decizie. Un nume de brand nu este un model, un model nu este o variantă, iar o apariție nu este automat recomandare. Măsurarea păstrează aceste diferențe în loc să le comprime într-un procent imposibil de auditat.

Surse

• OpenAI — Using shopping research in ChatGPT
• OpenAI — Powering Product Discovery in ChatGPT
• OpenAI — Introducing shopping research in ChatGPT
• Google Search Central — Product structured data
• Google Search Central — Product variant structured data
• Google Merchant Center — Unique product identifiers
• Google Merchant Center — Product data specification
• GS1 — General Specifications
• NIST — AI Risk Management Framework Core

Sursele au fost reverificate la 2 august 2026. Exemplele numerice sunt ilustrative, nu benchmarkuri de piață. Eligibilitatea prin feed sau date structurate nu garantează apariția într-un răspuns, iar articolul nu afirmă existența unei funcții AYSA deja lansate.