
Che le persone cerchino su Google, vadano su Amazon o chiedano a un chatbot, oggi l’AI restituisce una risposta che include un prodotto, e la maggior parte dei brand ecommerce non ha idea di come diventare quel prodotto. La qualità dei dati di prodotto per l’AI significa che titoli, specifiche, identificatori, prezzi e stato delle scorte sono completi, coerenti in ogni punto in cui compaiono e leggibili dal software. Sistema questi elementi, e un agente può confrontare il tuo prodotto con quello di un concorrente e scegliere il tuo.
La parte più buffa, secondo me, è per quanto tempo abbiamo tutti rifinito le homepage. L’agente non vede mai la tua. Legge il feed di prodotto, il catalogo e i dati strutturati nelle pagine prodotto, e passa oltre quando manca qualcosa. Il tuo banner principale è bellissimo, e nessuno lo guarda.
TL;DR
- Gli agenti AI confrontano i prodotti usando i campi del feed, i dati di catalogo e i dati strutturati nelle pagine prodotto, non la tua homepage o il racconto del brand.
- Campi mancanti, incoerenti o non aggiornati (specifiche, identificatori, prezzo, disponibilità) sono i motivi più comuni per cui un agente salta un prodotto.
- Il feed e il markup della pagina devono dire la stessa cosa. Google usa entrambi e verifica l’uno rispetto all’altro.
- Controlla prima le incongruenze che porterebbero un acquirente a scegliere in modo sbagliato: identità, adeguatezza, offerta, destinazione.
- Inizia in piccolo: una scansione gratuita di ecentic copre i tuoi 10 prodotti principali e mostra quale concorrente supera i tuoi prodotti e perché.
Cosa significa la qualità dei dati di prodotto quando a comprare è un agente
Per una persona, una pagina prodotto è una storia con foto. Per un agente, è una scheda. L’agente si pone una domanda semplice: questa scheda mi dice che cos’è l’oggetto, se corrisponde alla richiesta, quanto costa, se è disponibile e dove acquistarlo?
Un articolo del 2026 sulla scoperta di prodotti per gli acquisti con AI fa una precisazione importante: dati di prodotto completi possono aumentare la probabilità che un sistema assistito dall’AI valuti e metta in evidenza un prodotto, ma non dimostrano che un prodotto meno noto supererà un brand più grande. Sono d’accordo con questa impostazione. Dati puliti sono il biglietto d’ingresso. Non sono una garanzia.
Jager Robinson di LogicBroker aggiunge un’osservazione utile in un articolo del 2026 sulla qualità dei dati di prodotto: chi vince nella discovery guidata dall’AI spesso non è chi ha il budget marketing più alto, ma chi ha dati abbastanza puliti, strutturati e coerenti da poter essere letti e ritenuti affidabili dai modelli. La maggior parte dei cataloghi è stata costruita per pubblicare i prodotti in fretta, con la completezza come extra gradito. Un tempo questo compromesso costava poco. Ora non più.
Le quattro cose che un agente controlla
Per me è più semplice ragionare in quattro domande, che corrispondono al framework di audit del report sulla preparazione all’AI shopping:
- Identità. Di quale prodotto esatto e di quale variante si tratta? A rispondere sono gli identificatori e l’immagine principale.
- Idoneità. Corrisponde a ciò che l’acquirente ha chiesto? A rispondere sono attributi, compatibilità ed elementi a supporto.
- Offerta. Qual è il prezzo, in quale valuta, è disponibile e a quali condizioni?
- Destinazione. Il link porta alla scheda prodotto giusta con una procedura d'acquisto funzionante?
Se una delle quattro è sbagliata, l’agente o tira a indovinare o passa oltre. E indovinare è peggio per te, perché un prezzo sbagliato o una taglia sbagliata mostrati a un acquirente diventano un ordine restituito o un ordine perso.
Perché le lacune fanno sì che gli agenti passino oltre
LogicBroker descrive questi problemi come prevedibili su larga scala: le specifiche sono incomplete, le descrizioni sono piene di parole chiave, gli attributi sono compilati in modo disomogeneo tra gli SKU e lo stesso prodotto ha nomi diversi in canali diversi. La sua sintesi, molto diretta, è che un modello non aggira le lacune: va avanti.
Google dice qualcosa di simile, con parole sue. Google afferma nella sua specifica dei dati di prodotto di Merchant Center che informazioni di prodotto errate, imprecise o mancanti possono impedire l’approvazione dei prodotti, limitarne l’idoneità o portare a visualizzazioni errate, e che dati accurati e formattati correttamente sono essenziali per gli annunci e le inserzioni gratuite nei formati basati sull’AI.
Esiste anche un fallimento più silenzioso: dati che un essere umano riesce a raggiungere ma un agente no. Core dna ha descritto un test su un sito Clark Rubber in cui le informazioni a livello di prodotto erano recuperabili, mentre la disponibilità a livello di negozio era dietro un’interazione che il percorso di recupero non esponeva mai. Una persona clicca un selettore del negozio e vede la disponibilità. L’agente non clicca mai nulla. Giusto così, è un robot, ma decide comunque chi ottiene la vendita.
Cosa vediamo nelle nostre simulazioni
Questi sono dati ecentic, ricavati dalle nostre esecuzioni, quindi leggili come dati nostri. Entro ottobre 2026 avevamo eseguito 36.797 acquisti simulati. Sullo stesso catalogo, ChatGPT sceglieva il prodotto circa tre volte più spesso di Claude o Gemini, 51,6% contro circa 18,5%. Quindi “l’AI” non è un unico acquirente. Ogni modello attribuisce pesi diversi ai tuoi dati, e una scheda che vince in uno può perdere in un altro.

In un audit anonimo, un marketplace di alcolici con circa €70M di fatturato annuo aveva un errore nei dati letti dagli agenti sull’88% dei suoi 9,699 prodotti. Quando agli agenti è stato chiesto dove acquistare due bottiglie che aveva in stock, è comparso 0 volte su 20. Nessuno se n’era accorto, perché il sito sembrava ottimo.
Un altro audit, su un brand svedese di prodotti per la cura della pelle, ha rilevato che i flussi di checkout gestiti dagli agenti arrivavano alla fase di pagamento in 0 paesi su 6, perché un’impostazione di spedizione richiedeva un numero di telefono. Un agente che riempie un carrello non ha il numero di telefono del tuo cliente. Un piccolo dettaglio di configurazione ha bloccato ogni ordine.
Quali specifiche e attributi fornire
Parti da ciò che chiedono le piattaforme stesse. OpenAI specifica del feed di prodotto richiede item_id, title, description, url, brand, seller_name, image_url, availability e price. Elenca come facoltativi i campi condition, product_category, material, color, size, gender, age_group, dimensions e weight. Facoltativo è la parola gentile. Quando due prodotti competono, quello con materiale e dimensioni compilati è più facile da associare a una richiesta specifica.
Xorosoft espone l’argomento pratico nella sua guida ai dati per gli agenti AI per gli acquisti: la completezza fattuale conta più del linguaggio promozionale, e gli attributi strutturati rendono il confronto più semplice perché il software non deve dedurre i dettagli dalla prosa. Il loro esempio è un acquirente che chiede una scrivania in noce larga meno di 50 pollici. La corrispondenza è molto più affidabile quando materiale e larghezza sono campi, non aggettivi in un paragrafo.
Photoroom propone una struttura della scheda prodotto a sette livelli che trovo utile come checklist:
| Livello | Cosa includere |
|---|---|
| Titolo | Tipo di prodotto, marchio, modello, materiale, colore, taglia, capacità |
| Attributi strutturati | Colore, taglia, materiale, genere, condizione, compatibilità, dimensioni |
| Descrizione | Costruzione, prestazioni, contenuto della confezione, uso previsto, manutenzione |
| Identificatori | GTIN, MPN, SKU, ID gruppo articolo |
| Dati dell’offerta | Prezzo, valuta, disponibilità, condizione, consegna, resi |
| Immagini | Principale, angolazioni alternative, dettagli, lifestyle |
| Coerenza tra pagina e feed | Prezzo, stock, titolo, variante, immagine e URL corrispondenti |
Nota cosa manca: gli slogan. Un titolo come “The Only Mug You’ll Ever Need” non dice nulla a un agente. “Stoneware Coffee Mug, 12 oz, Matte Black, Dishwasher Safe” gli dice tutto quello che può confrontare. Se vuoi un approfondimento su titoli e descrizioni, la nostra guida a ottimizzazione delle schede prodotto copre la parte di riscrittura.
Feed e markup della pagina devono coincidere
La maggior parte degli store mantiene due versioni della verità: il feed di prodotto e i dati strutturati (JSON-LD, un blocco leggibile dalle macchine) nella pagina prodotto. Divergono più velocemente di quanto chiunque ammetta.
La documentazione Search Central di Google afferma che fornire sia i dati strutturati sia un feed Merchant Center massimizza l’idoneità e aiuta Google a verificare i dati. Alcune esperienze combinano i due, quindi gli snippet di prodotto possono prendere il prezzo dal feed quando il markup della pagina non lo include. La pagina di assistenza di Merchant Center aggiunge anche le regole che più spesso creano problemi: il markup deve essere nell’HTML restituito dal server, non generato da JavaScript; deve corrispondere a ciò che vede l’utente; le pagine devono includere un oggetto Product con un Offer annidato; e il prezzo usa il punto come separatore decimale.
Il blog Universal Commerce Protocol elenca le proprietà minime dello schema Product per il commercio con agenti AI: name, description, sku o gtin13, brand, image, offers con prezzo e disponibilità e aggregateRating. Consiglia di aggiungere weight, height, width, depth, color, size, category e additionalProperty per attributi specifici del tipo di prodotto. Se non hai familiarità con il markup stesso, una spiegazione semplice su come funziona il markup schema può aiutare, e una guida passo passo all’aggiunta del markup schema di prodotto include un esempio pronto da copiare.
| Feed di prodotto | Dati strutturati della pagina | |
|---|---|---|
| Dove si trova | Caricato su un canale come Merchant Center | Nell’HTML di ogni pagina prodotto |
| Ideale per | Prezzo, stock e identità su larga scala, sempre aggiornati | Permettere ai sistemi di verificare che la pagina corrisponda al feed |
| Problema tipico | Prezzo o stock non aggiornati | Offer mancante, markup solo JavaScript |
| Chi se ne occupa di solito | Team growth o canali | Sviluppatore o tema del sito |
BBQ Growth Lab lo descrive bene come quattro livelli: dati di origine (PIM, ERP, inventario, prezzi), un modello di prodotto normalizzato, output per i canali (HTML della pagina, JSON-LD, feed) e un livello di feedback con stati, avvisi e rifiuti. La loro regola è che nessun feed di piattaforma dovrebbe sovrascrivere silenziosamente i dati di origine. Credo sia corretto, ed è la regola che la maggior parte dei piccoli store infrange la prima volta che qualcuno modifica un titolo dentro un canale di vendita.
Una precisazione importante: i dati strutturati non garantiscono una raccomandazione. Core dna lo spiega correttamente, dicendo che offrono ai sistemi AI informazioni commerciali migliori su cui lavorare, mentre la scoperta dipende comunque da pertinenza, contesto e altri segnali. Inoltre, avere un’API non equivale a essere raggiungibili da un agente, a meno che l’agente non abbia un modo supportato per usarla.
Per il nostro punto di vista sul markup, vedi la checklist dei dati strutturati per le pagine prodotto e l’articolo su schema di prodotto supportato da simulazioni.
Come verificare il tuo catalogo
Non serve correggere 10.000 prodotti il primo giorno. Correggi quelli in cui un’incongruenza potrebbe portare un acquirente a scegliere male. Questa è la priorità proposta da First Brand nel suo verifica della preparazione, ed è un filtro sensato.
- Esporta il tuo feed e scegli i 20 prodotti più venduti. Piccoli campioni mostrano rapidamente gli schemi ricorrenti.
- Per ciascuno, controlla l’identità: ogni variante ha il proprio identificatore e il titolo è lo stesso sul tuo sito, nel feed e nei marketplace?
- Controlla l’idoneità: materiale, taglia, dimensioni, compatibilità e uso previsto sono compilati come campi e non nascosti nel testo?
- Controlla l’offerta: confronta prezzo, valuta e disponibilità nel feed con ciò che mostra la pagina live e con quanto indicato nel JSON-LD.
- Controlla la destinazione: fai clic sull’URL del feed. Deve portare alla variante corretta, con una procedura d'acquisto che non richieda login o numero di telefono.
- Chiedi a qualche chatbot informazioni sul tuo prodotto come farebbe un acquirente e annota chi viene nominato al posto tuo.
Il passaggio 6 è dove la maggior parte dei team si blocca, perché manualmente è lento e le risposte cambiano da un modello all’altro. È il motivo per cui abbiamo creato il lato simulazione di ecentic. Più sotto trovi altri dettagli.
Come misurare se i tuoi dati sono abbastanza buoni
Non esiste un punteggio unico di settore, quindi manterrei una semplice scheda di valutazione e la monitorerei ogni mese. Quattro misure coprono il necessario:
- Completezza: la quota di prodotti con tutti i campi richiesti e consigliati compilati.
- Coerenza: la quota di prodotti in cui titolo, prezzo e disponibilità coincidono tra feed, pagina e marketplace.
- Accuratezza: un controllo a campione rispetto al prodotto reale, alla confezione e alla scheda del fornitore.
- Aggiornamento: quanto tempo passa tra una modifica di prezzo o stock nel tuo sistema e la stessa modifica nel feed.
Anche gli strumenti che hai già aiutano. Merchant Center mostra avvisi e rifiuti a livello di articolo, offrendo un controllo gratuito di coerenza rispetto alle regole di Google. Conta anche chi gestisce cosa. Secondo BBQ Growth Lab, il team prodotto definisce i dati, i sistemi commerciali gestiscono la verità su prezzi e inventario, l’ingegneria si occupa della distribuzione e il team growth gestisce la mappatura sulle piattaforme e i controlli qualità. Ciò che va governato è che prezzo, inventario, identificatori, varianti e immagini siano rappresentati correttamente ovunque, non chi carica il file.
Per un’implementazione più estesa, il nostro piano da 30 a 90 giorni per l’ottimizzazione delle pagine prodotto per l’AI e l’articolo su quali fonti dati usa l’AI per gli acquisti illustrano la sequenza.
La nostra visione su dove sta andando tutto questo
Pensiamo che i dati di prodotto stiano diventando la vetrina. Quando qualcuno chiede a un agente di trovare un regalo, confrontare due frullatori o riordinare il caffè, l’agente legge record. Non naviga, non si lascia convincere da un banner e non perdona una taglia mancante.
Per questo ecentic lavora sullo store stesso: il feed di prodotto, il catalogo e il checkout che un agente usa per acquistare. Ci colleghiamo a Shopify, WooCommerce o a un feed di prodotto. Facciamo confrontare a ChatGPT, Claude e Gemini ciascuno dei tuoi prodotti con quello di un concorrente nominato e mostriamo, in inglese semplice, perché il tuo perde. Quando fai clic su Apply, riscriviamo titolo, descrizione e dati strutturati e li pubblichiamo nel tuo store.
La parte checkout conta. L’acquisto direttamente nella risposta AI è attivo su Google AI Mode e Gemini negli Stati Uniti tramite UCP, lo standard aperto di Google per il checkout tramite agenti. Su WooCommerce, il plugin gratuito ecentic permette agli agenti di cercare, riempire un carrello e completare il pagamento tramite UCP. Su Shopify, inviamo le correzioni a Google Merchant Center e monitoriamo le visite dagli assistenti AI. ChatGPT rimanda al checkout dello store, quindi lì la pagina prodotto e il checkout devono comunque funzionare per un agente. OpenAI ha ACP, Google ha UCP, Amazon ha un muro.
Il nostro primo pilota, DUA Flavours, ha registrato un aumento del 12% delle visite dagli assistenti AI e del traffico diretto da aprile a luglio 2026. Si tratta di un dato sulle visite, non sulle vendite, e voglio essere chiaro su questo punto. Siamo agli inizi e stiamo conducendo progetti pilota.
Xhurian Shaba
Inizia con una scansione gratuita
Se preferisci vedere le lacune invece di leggerne, la scansione gratuita di ecentic copre i tuoi 10 prodotti principali, non richiede carta di credito e mostra quale concorrente nominato ogni modello AI preferisce e perché. Puoi anche eseguire il audit gratuito WebMCP per lo shopping per il tuo store e leggere come funziona prima di collegare qualsiasi cosa.

Quando vuoi pubblicare le correzioni, il piano Compete costa $14.90 al mese per un massimo di 100 prodotti. Scale costa $44.90 al mese per un massimo di 1.000 prodotti e aggiunge le correzioni con un clic. Dominate costa $149 al mese e aggiunge la sincronizzazione con Google Merchant Center e la configurazione del checkout tramite agenti. Esiste anche un’opzione pay-as-you-go al 3% degli ordini attribuiti all’AI, con un limite massimo di $500 al mese. I termini attuali sono nella pagina prezzi, e i cataloghi più grandi possono valutare Enterprise.
FAQ
Che cos’è la qualità dei dati di prodotto per l’AI?
È il livello di completezza, coerenza, accuratezza e aggiornamento dei tuoi record di prodotto, e quanto siano leggibili dal software. Gli agenti confrontano i prodotti in base a campi come titolo, attributi, identificatori, prezzo e disponibilità. Un record con lacune è facile da scartare, quindi il prodotto con il record più completo tende a essere quello più facile da raccomandare.
Quali specifiche di prodotto contano di più per gli agenti AI per gli acquisti?
Inizia dai campi richiesti dalle piattaforme: titolo, descrizione, brand, immagine, prezzo e disponibilità, oltre a identificatori come GTIN o SKU. La specifica del feed di OpenAI elenca anche materiale, colore, taglia, dimensioni e peso come campi facoltativi. Compilali come campi separati, non solo nella descrizione.
Mi servono sia un feed di prodotto sia i dati strutturati?
Sì, perché svolgono funzioni diverse. La documentazione di Google afferma che fornirli entrambi massimizza l’idoneità e consente di verificarli l’uno rispetto all’altro. Mantienili identici per prezzo, disponibilità, titolo e variante, e assicurati che il markup sia nell’HTML restituito dal server.
Dati puliti garantiscono che l’AI raccomandi il mio prodotto?
No. Dati puliti rendono il tuo prodotto leggibile e confrontabile, ma contano comunque pertinenza, contesto e altri segnali. Quello che fanno è eliminare le ragioni evitabili per cui un prodotto viene scartato, che spesso sono anche le più economiche da correggere.
Fonti
- AI Shopping Discovery: perché i dati di prodotto contano
- Perché l’AI non trova i tuoi prodotti: qualità dei dati di prodotto
- Preparazione all’AI shopping: dati di prodotto per le raccomandazioni
- Specifica dei dati di prodotto, Guida di Google Merchant Center
- Ottimizzazione dei feed di prodotto per AI Shopping e ricerca AI
- Specifica del feed di prodotto OpenAI
- Dati di prodotto per AI Shopping: come prepararsi agli agenti per gli acquisti
- Come strutturare le schede prodotto per gli agenti AI per gli acquisti
- Introduzione ai dati strutturati di prodotto su Google
- Configurare i dati strutturati per Merchant Center
- Dati strutturati per agenti AI: schema.org, JSON-LD e UCP
- Dati strutturati di prodotto vs. feed
- Markup schema spiegato