Карточку товара человек понимает за секунду. Название, фото, цена, размер, наличие. Машина видит совсем другую картину: неполные атрибуты, варианты без устойчивых ID, цену в одном месте и остаток в другом.

На десяти SKU это можно поправить руками. На пятидесяти тысячах уже нет. Поэтому для меня AI-ready каталог начинается не с нового описания, а с чистых структурированных данных. AI shopping быстро показывает качество каталога: если товарные факты разъехались по каналам, агенту нечего надёжно сравнивать.

Если сайт, Merchant Center, маркетплейс и будущий shopping-agent получают разные версии одного товара, никакая генерация текста это не исправит. Сначала нужен один поток фактов.

Отделите факты товара от маркетингового текста

Бренд, GTIN, артикул, размер, материал, цвет, цена и наличие — это факты. Заголовок, короткое описание и продающая подача — контентный слой. Их удобно хранить и обновлять отдельно.

Так мы не просим AI угадывать характеристики из красивого текста. Он получает подтверждённый набор атрибутов и уже на его основе делает представление для конкретного канала.

Google Product structured data и Merchant Center тоже строятся вокруг структурированных product fields. Чем чище этот слой, тем меньше расхождений между поиском, фидом и самой карточкой.

Проверяемые источники: Google Search Central — Intro to Product structured data · Google Merchant Center — Product data specification

У каждого варианта должен быть устойчивый идентификатор

Футболка размера M и та же модель размера L — один продукт для покупателя, но разные sellable variants для каталога. Если у вариантов нет стабильных ID, обновления цены и наличия быстро начинают попадать не туда.

Я бы держала master product ID и отдельный variant/SKU ID. Где доступен корректный GTIN, он добавляет внешний стандартный идентификатор. GS1 определяет GTIN именно как идентификатор trade item, а не как красивый номер для карточки.

Google отдельно поддерживает structured data для product variants. Значит, варианты лучше моделировать явно, а не прятать размер и цвет в свободном названии.

Проверяемые источники: Google Search Central — Product Variant structured data · GS1 — Global Trade Item Number (GTIN)

MEDIA FRAME · PLACEHOLDERИллюстрация будет добавлена позже
AI shopping: как подготовить каталог товаров для shopping-агентов · временная заглушка

Атрибуты должны иметь одинаковый смысл во всех каналах

Если `цвет` на сайте означает маркетинговое название, а в фиде — технический код поставщика, синхронизация уже сломана. То же самое с единицами измерения, размерами и совместимостью.

Для каждого ключевого атрибута я бы задала canonical field, тип значения, допустимый словарь и преобразования для каналов. Тогда marketplace-specific label становится transform, а не отдельной копией факта.

AI можно использовать для mapping новых supplier values, но master value должен проходить правила и QA. Иначе каталог начнёт тихо разъезжаться партия за партией.

Проверяемые источники: Google Merchant Center — Product data specification · Google Search Central — Share your product data with Google

Цена и наличие — отдельный быстрый поток

Описание можно обновить вечером. Остаток после продажи должен измениться намного быстрее. Я не стала бы запускать все поля карточки через один тяжёлый контентный pipeline.

Разделите медленные product facts и быстро меняющиеся offer data: price, availability, condition, shipping-related values. Google Merchant Center явно различает наборы продуктовых данных и требует актуальности значений.

Это ещё и упрощает ошибки. Если stock feed задержался, не нужно пересобирать описание и варианты. Исправляем один поток.

Проверяемые источники: Google Merchant Center — Product data specification · Google Search Central — Share your product data with Google

AI-ready означает, что данные можно проверить партией

Я бы добавила batch QA до публикации: SKU без обязательного ID, варианты без parent, неизвестные единицы, цена без валюты, товар в наличии без offer, конфликт атрибутов между master и channel feed.

Проверка должна выдавать очередь исключений, а не отчёт на тысячу строк. Редактор или catalog manager разбирает только то, что не прошло правила.

На масштабе именно эта очередь показывает здоровье каталога. Если каждый новый поставщик увеличивает ручную проверку пропорционально количеству SKU, поток ещё не готов расти.

Проверяемые источники: Google Merchant Center — Product data specification · Google Search Central — Share your product data with Google

AI-поиск не оправдывает отдельную копию каталога

Мне бы не хотелось создавать ещё один `AI catalog`, который через месяц станет четвёртой версией товара. Лучше отдавать новым каналам тот же подтверждённый master через подходящий feed или API-представление.

Google рекомендует сочетать structured data и Merchant Center feeds для более полного представления product data. Сам принцип шире Google: канал может требовать свой формат, но факты должны приходить из одного источника.

Тогда новый shopping-agent не создаёт новый ручной процесс. Мы добавляем ещё один output из существующего конвейера. Вот это для меня и есть AI-ready.

Проверяемые источники: Google Search Central — Intro to Product structured data · Google Search Central — Share your product data with Google

Проверяйте readiness по категориям, а не одной средней цифрой

Каталог может выглядеть чистым в среднем и иметь провал в одной большой категории. Например, у электроники заполнены идентификаторы и варианты, а у запчастей нет совместимости — именно того поля, которое нужно для выбора.

Я бы считала coverage обязательных атрибутов по category и channel. Рядом — количество конфликтов, устаревших offer data и SKU без устойчивого variant ID.

Так появляется нормальный backlog: не «улучшить данные», а закрыть три поля в конкретной категории. Партия становится измеримой.

Проверяемые источники: Google Search Central — Intro to Product structured data · Google Merchant Center — Product data specification

Что проверить перед следующей партией

Что такое AI-ready каталог товаров?

Это каталог, где ключевые факты о товаре структурированы, имеют устойчивые идентификаторы и единый source of truth. Такой каталог можно надёжно отдавать сайту, фидам, поиску и AI-каналам без ручного копирования.

Нужен ли GTIN каждому товару?

GTIN используется для типов товаров, которым он назначен по стандартам GS1. Не стоит генерировать его самостоятельно ради заполненного поля. Внутренний SKU и GTIN выполняют разные роли.

Нужно ли писать отдельные описания для AI-поиска?

Я бы сначала привела в порядок структурированные факты. Представление можно адаптировать под канал, но отдельная копия каталога ради AI быстро создаёт рассинхронизацию.

Если после подключения нового канала команда снова копирует характеристики руками, каталог не стал AI-ready. Хороший поток меняет факт один раз, валидирует его и раздаёт в нужные представления. Ручная работа остаётся на исключениях, а не на каждом SKU.

Следующие задачи в каталожном потоке для «AI shopping»: Контент-конвейер для тысяч SKU: как выстроить процесс без хаоса · QA карточек товаров: как проверять качество до публикации.