Produktspecs på nettstedet ditt – hjelper de faktisk AI-anbefalinger? Testing av noen teorier

David, hypotesen din stemmer ifølge våre data.

Dette har vi målt hos 20+ netthandelskunder:

Produkter med omfattende spesifikasjoner blir sitert 3,8x oftere på spesifikke søk enn produkter med minimale spesifikasjoner.

Hvorfor dette skjer:

AI-systemer matcher søkeintensjon med innhold. Når noen spør “beste laptop for videoredigering med minst 32GB RAM,” må AI-en:

1. Forstå søkekravene
2. Finne produkter som matcher disse kravene
3. Sammenligne alternativer

Hvis produktsiden din ikke eksplisitt oppgir RAM-kapasitet, kan ikke AI-en matche produktet til det søket.

Spesifikasjonsattributtene som betyr mest (elektronikk):

Hovedpoenget: AI kan kun anbefale det den forstår. Vage spesifikasjoner = usynlig for spesifikke søk.

Innholdsperspektiv på spesifikasjoner:

Formatet betyr like mye som dataen:

Vi har testet tre spesifikasjonsformater:

1. Ustrukturerte avsnitt med spesifikasjoner nevnt
2. Enkle HTML-tabeller med spesifikasjoner
3. Strukturerte tabeller + skjema-markup

Resultater for AI-siteringer:

Hvorfor tabeller vinner: AI-systemer kan enkelt lese tabelldata. Når spesifikasjonene er gjemt i avsnitt, må AI-en jobbe mer for å hente dem ut og kan gå glipp av dem helt.

Våre beste praksiser for spesifikasjonstabeller:

• Konsistent navngivning av attributter på tvers av produkter
• Klar verdi-formattering (ikke “32 GB” vs “32GB” vs “32 Gigabytes”)
• Inkluder enheter der det er aktuelt
• Ett attributt per rad
• Bruk overskriftsrader

Jeg driver et produktsammenligningsnettsted. Her er hvorfor spesifikasjoner betyr så mye for AI:

AI lager sammenligninger fra spesifikasjonsdata.

Når noen spør “MacBook Pro vs Dell XPS 15 for koding,” må AI-en sammenligne:

• Prosessorspesifikasjoner
• RAM-konfigurasjoner
• Skjermkvalitet
• Tastaturkvalitet
• Port-tilgjengelighet
• Pris

Hvis produktsiden din mangler noe av dette, hopper AI-en over produktet ditt eller gjør antakelser.

Dette er AI god på:

• Hente ut spesifikasjoner fra tydelige tabeller
• Forstå spesifikasjonsrelasjoner (mer RAM = bedre for multitasking)
• Sammenligne produkter med lignende spesifikasjonsformater

Dette sliter AI med:

• Spesifikasjoner i bilder (kan ikke lese)
• Inkonsistent formatering på tvers av produkter
• Manglende spesifikasjoner (kan ikke sammenligne det som ikke er der)
• Vagt språk (“stort minne” vs “32GB”)

For nettbutikker: Jo mer søkbare spesifikasjonene dine er, desto flere søk kan du matche.

Dypdykk i skjema for produktspesifikasjoner:

Den tekniske implementasjonen som fungerer:

<script type="application/ld+json">
{
  "@type": "Product",
  "name": "ProductName",
  "additionalProperty": [
    {
      "@type": "PropertyValue",
      "name": "Skjermstørrelse",
      "value": "15.6",
      "unitCode": "INH"
    },
    {
      "@type": "PropertyValue",
      "name": "RAM",
      "value": "32",
      "unitCode": "E37"
    }
  ]
}
</script>

Viktige punkter:

1. Bruk additionalProperty for alle tekniske spesifikasjoner
2. Bruk PropertyValue med name, value og unitCode
3. Bruk standard UN/CEFACT-enhetskoder for enheter
4. Ta med alle spesifikasjoner som påvirker kjøpsbeslutningen

Vanlige feil:

• Bare bruke grunnleggende produktskjema (navn, pris, bilde)
• Spesifikasjoner kun i HTML, ikke i strukturert data
• Inkonsistente egenskapsnavn på tvers av produkter
• Manglende enheter eller bruk av ikke-standard enheter

Når både HTML og skjema stemmer overens, har AI-systemene tillit til dataene.

Fra AI-perspektivet, her er hvorfor spesifikasjoner betyr noe:

Hvordan LLM-er behandler produktsøk:

1. Tolker søkekrav – “laptop med minst 32GB RAM”
2. Leter etter matchende innhold – Ser etter RAM-spesifikasjoner
3. Henter relevant data – Finner RAM-verdi på produktsider
4. Sammenligner alternativer – Hvilke produkter oppfyller kravene
5. Genererer svar – Anbefaler matchende produkter

Her hjelper spesifikasjoner:

Steg 3 er der spesifikasjonsformatet betyr noe. Hvis RAM er:

• I en tabell med “RAM: 32GB” = Enkel uthenting
• I tekst “leveres med 32 gigabyte minne” = Vanskeligere uthenting
• I et bilde av spesifikasjonsark = Umulig uthenting
• Ikke nevnt = Produktet vurderes ikke

Terskelspørsmålet du spurte om:

Det finnes ikke et magisk tall, men dekk:

• Alle attributter kundene spør etter
• Alle attributter konkurrentene oppgir
• Alle attributter som skiller produktet ditt ut

For elektronikk er det typisk 15–25 attributter. Mangler du nøkkelattributter, mister du søk.

Praktiske råd for implementering på de 450 gjenværende produktene:

Prioriteringsrammeverk:

Ikke oppgrader alle 450 samtidig. Prioriter etter:

1. Søkevolum – Produkter med høy etterspørsel først
2. Margin – Høyere margin gir bedre avkastning på innsatsen
3. Konkurransegap – Der konkurrenter har svake spesifikasjoner
4. Sammenligningsfrekvens – Produkter som ofte sammenlignes

Effektiv spesifikasjonsimplementering:

1. Lag en spesifikasjonsmal per kategori
2. Bulk-uttrekk spesifikasjoner fra produsentdata
3. Normaliser formatering på tvers av alle produkter
4. Implementer skjema via mal (ikke manuelt for hvert produkt)
5. Valider med verktøy for strukturert datatesting

For 450 produkter:

• Maloppretting: 4–8 timer
• Uttrekk/innlegging av spesifikasjoner: 2–4 minutter per produkt i snitt
• Totalt: 20–40 timer for gjennomføring

Det er 1–2 uker med fokusert arbeid for en betydelig AI-synlighetsfordel.

Data om spesifikasjonsviktighet per kategori:

Elektronikk: Mest sitert: RAM, lagring, prosessor, skjerm, batteritid Minst sitert: Farge, opprinnelsesland, innhold i esken

Klær: Mest sitert: Størrelsesutvalg, materiale, vaskeinstruksjoner, mål Minst sitert: Produksjonsland, stilkode

Hjem og interiør: Mest sitert: Dimensjoner, vektkapasitet, materiale, montering nødvendig Minst sitert: Fargevarianter, emballasjetype

Sportsutstyr: Mest sitert: Vekt, dimensjoner, ferdighetsnivå, anbefalt bruk Minst sitert: Fargevalg, merkevarehistorie

Mønsteret: Funksjonelle spesifikasjoner som påvirker kjøpsbeslutninger blir sitert. Estetiske eller logistiske spesifikasjoner blir sjelden sitert.

Fokuser spesifikasjonsoptimaliseringen på attributter som:

1. Påvirker produktets ytelse
2. Brukere filtrerer etter i sitt tankesett
3. Skiller produkter i kategorien

Slik måler du spesifikasjoners effekt på AI-synlighet:

Sporingsmetode:

Før du oppgraderer spesifikasjoner, noter:

• Hvilke søk nevner produktene dine
• Hvilke attributter AI siterer ved anbefaling
• Konkurrenters spesifikasjonsdekning

Etter oppgradering:

• Test de samme søkene
• Nye spesifikke søk rettet mot dine spesifikasjoner
• Sammenlign endringer i siteringsrate

Vi bruker Am I Cited for å følge dette systematisk. For hvert produkt overvåker vi:

• Generiske kategorisøk (“beste laptoper”)
• Spesifikke attributtsøk (“laptop med 32GB RAM”)
• Sammenligningsspørsmål (“produkt A vs produkt B”)

Dette ser vi vanligvis:

• Synlighet i generiske søk: +20–40 % forbedring
• Spesifikke attributtsøk: +150–300 % forbedring (dersom spesifikasjonen manglet)
• Sammenligningsspørsmål: +50–100 % forbedring

De største gevinstene er på spesifikke søk du ikke kunne matche tidligere.

Denne tråden bekreftet og utvidet hypotesen min. Viktige læringspunkter:

Hvorfor spesifikasjoner er viktige for AI:

• AI kan bare anbefale det den forstår
• Spesifikke søk krever spesifikke, lesbare spesifikasjoner
• Format (tabeller + skjema) er like viktig som å ha dataene

Implementeringsplan for resterende 450 produkter:

Fase 1 (uke 1–2):

• Lag spesifikasjonsmaler per kategori
• Prioriter topp 100 produkter etter margin og søkevolum

Fase 2 (uke 3–4):

• Masseuttrekk spesifikasjoner fra produsentdata
• Normaliser formatering på tvers av alle produkter
• Implementer utvidet produktskjema

Fase 3 (uke 5–6):

• Valider strukturert data
• Test nøkkelsøk for synlighetsforbedringer
• Iterer på spesifikasjonsmal basert på resultater

Fase 4 (løpende):

• Fullfør gjenværende produkter
• Overvåk endringer i AI-synlighet
• Oppdater spesifikasjoner ved produktendringer

Den 3,8x siteringsforbedringen og data på spesifikke søk er overbevisende nok til å prioritere dette arbeidet. Takk til alle for teknisk dybde og praktiske rammeverk.