Google từng là tấm biển chỉ đường

Ngày xưa, Google giống như chú bảo vệ đứng trước một khu chợ khổng lồ.

Chúng ta hỏi:

Máy lạnh nào phù hợp với phòng ngủ 18 mét vuông?

Chú bảo vệ không trả lời. Chú chỉ tay về phía trước và đưa cho chúng ta mười tấm biển màu xanh:

• Điện Máy Xanh
• Nguyễn Kim
• MediaMart
• Một bài tư vấn về công suất máy lạnh
• Một bài khác giải thích 1 HP bằng bao nhiêu BTU
• Một diễn đàn đã chết từ năm 2017
• Và vài trang quảng cáo đang cố bán thứ gì đó mà chính chúng cũng không rõ

Người dùng phải tự bước qua từng cánh cửa, đọc từng bài viết, mở từng tab, nhớ từng con số, rồi ghép mọi thứ lại trong đầu.

Google khi đó là cổng vào Internet.

Nhưng cánh cổng ấy đang mọc thêm một cái miệng.

Bây giờ, khi chúng ta hỏi một câu đủ dài, Google không còn chỉ đưa đường. Nó bắt đầu đọc hộ, so sánh hộ, tóm tắt hộ và đôi khi trả lời luôn:

Với phòng ngủ 18 m², bạn nên chọn máy lạnh khoảng 1.5 HP nếu phòng có nắng hoặc nhiều thiết bị tỏa nhiệt. Đây là một số mẫu Inverter chạy êm, giá dưới 10 triệu và có thể giao tại khu vực của bạn.

Người dùng nhận được câu trả lời.

Google giữ lại cuộc trò chuyện.

Còn website đứng phía sau, giống một cửa hàng đã bật đèn, mở máy lạnh, xếp hàng trăm sản phẩm lên kệ, nhưng khách chỉ đứng ngoài cửa hỏi nhân viên của Google rồi quay về.

Không phải website biến mất.

Nhưng vai trò của website đang thay đổi.

AI Search đang trở thành giao diện mặc định

Theo dữ liệu Similarweb được TechCrunch công bố ngày 27 tháng 7 năm 2026, tỷ lệ truy vấn Google xuất hiện AI Overviews đã tăng từ khoảng 15% lên 43% chỉ trong một năm. Trong cùng giai đoạn, lượt truy cập AI Mode tăng từ khoảng 126 triệu vào tháng 6 năm 2025 lên 279 triệu vào tháng 5 năm 2026. Độ dài trung bình của câu truy vấn cũng tăng lên, cho thấy người dùng đang chuyển từ những từ khóa ngắn sang câu hỏi tự nhiên và có nhiều điều kiện hơn.

Đây không chỉ là chuyện Google thêm một ô tóm tắt lên đầu trang.

Hành vi tìm kiếm đang đổi hình dạng.

Ngày trước, người dùng gõ:

1máy lạnh 1.5 hp giá rẻ

Bây giờ, họ có thể hỏi:

1Tôi cần máy lạnh cho phòng ngủ 18 m² ở Thủ Đức,
2ngân sách dưới 10 triệu,
3ưu tiên chạy êm vì có em bé,
4không cần quá nhiều tính năng thông minh,
5và muốn giao lắp trước tối mai.

Một câu hỏi như vậy chứa ít nhất sáu bài toán:

• Xác định công suất phù hợp với diện tích phòng
• Hiểu “chạy êm” tương ứng với độ ồn bao nhiêu
• Lọc theo giá bán thực tế
• Kiểm tra tồn kho theo khu vực
• Kiểm tra lịch giao và lắp đặt
• Cân bằng giữa nhu cầu thật với những tính năng không cần thiết

Google cho biết AI Mode và AI Overviews có thể sử dụng kỹ thuật query fan-out: từ một câu hỏi lớn, hệ thống tự tạo ra nhiều truy vấn nhỏ để tìm dữ liệu từ nhiều nguồn rồi ghép lại thành một câu trả lời.

Nói đơn giản, ngày trước khách hàng tự đi qua mười gian hàng.

Bây giờ AI thả mười con kiến máy đi tìm thông tin, mỗi con tha về một mẩu dữ liệu, sau đó đổ tất cả lên bàn và cố gắng lắp thành một chiếc máy lạnh hoàn chỉnh.

Nếu dữ liệu của nhà bán lẻ rõ ràng, những con kiến ấy tha về đúng linh kiện.

Nếu dữ liệu lộn xộn, một con tha về giá cũ, một con tha về công suất sai, một con khác lấy nhầm chính sách bảo hành của sản phẩm bên cạnh.

Cuối cùng AI có thể tạo ra một con máy lạnh tưởng tượng: giá 8 triệu, công suất 1.5 HP, bảo hành 10 năm, giao trong hai giờ và tồn tại ở một cửa hàng không có thật.

Khi người dùng không còn bấm vào website

AI Search tạo ra một hiện tượng thường được gọi là zero-click search: người dùng tìm được câu trả lời nhưng không cần rời khỏi trang tìm kiếm.

Một nghiên cứu của Pew Research Center trên hành vi tìm kiếm tại Mỹ trong tháng 3 năm 2025 cho thấy người dùng chỉ bấm vào kết quả tìm kiếm truyền thống trong khoảng 8% số lượt truy cập có AI summary, so với 15% khi không có AI summary. Liên kết nằm trực tiếp trong phần tóm tắt AI chỉ được bấm trong khoảng 1% số lượt. Người dùng cũng kết thúc phiên duyệt web sau trang kết quả có AI summary với tỷ lệ cao hơn: 26% so với 16%. Đây là dữ liệu của một nghiên cứu cụ thể tại Mỹ, không thể đại diện cho mọi thị trường, nhưng hướng chuyển động của nó rất đáng suy nghĩ.

Ngày trước, một nhà bán lẻ cố gắng đứng hạng nhất để nhận được cú nhấp chuột.

Ngày nay, có thể xảy ra một tình huống hơi ngáo:

• Nội dung của nhà bán lẻ được Google đọc
• Dữ liệu của nhà bán lẻ được Google dùng để trả lời
• Sản phẩm của nhà bán lẻ được AI nhắc đến
• Nhưng khách hàng không hề bước vào website của nhà bán lẻ

Website vẫn có công.

Chỉ là cú nhấp chuột đi đâu mất rồi.

Điều này không có nghĩa SEO đã chết. Chính Google khẳng định các nguyên tắc SEO nền tảng vẫn tiếp tục được sử dụng trong AI Overviews và AI Mode. Một trang muốn xuất hiện như nguồn hỗ trợ cho câu trả lời AI trước hết vẫn phải được crawl, index và đủ điều kiện xuất hiện trên Google Search. Google cũng nói không có một loại schema bí mật nào dành riêng cho AI Search.

Vì vậy, chuỗi chuyển đổi:

1SEO → AEO/GEO → dữ liệu sản phẩm có cấu trúc

không nên được hiểu là SEO bị vứt vào sọt rác.

Đúng hơn, nó là sự mở rộng:

1SEO nền tảng
2    +
3nội dung có thể trả lời câu hỏi
4    +
5dữ liệu có cấu trúc
6    +
7catalog chính xác và cập nhật
8    +
9khả năng phục vụ AI và agent

AEO, viết tắt của Answer Engine Optimization, và GEO, viết tắt của Generative Engine Optimization, chỉ là những cái tên mới cho mục tiêu cũ: giúp hệ thống hiểu đúng nội dung và xem nguồn dữ liệu của mình đủ đáng tin để sử dụng.

Nhưng trong bán lẻ, có một khác biệt rất lớn.

Một bài viết sai một chút có thể khiến người đọc hiểu nhầm.

Một catalog sai một chút có thể khiến khách mua nhầm máy lạnh.

Catalog không còn là cái bảng để website lọc sản phẩm

Nhiều hệ thống bán lẻ vẫn xem catalog như một bảng dữ liệu phục vụ giao diện website.

Ví dụ:

Dữ liệu này đủ để tạo một ô sản phẩm.

Nó chưa đủ để trả lời câu hỏi của con người.

AI cần biết thêm:

• 1.5 HP tương ứng với công suất làm lạnh bao nhiêu BTU?
• Phù hợp với diện tích phòng từ bao nhiêu đến bao nhiêu?
• Độ ồn dàn lạnh ở chế độ thấp nhất là bao nhiêu dB?
• Giá 9.490.000 đồng có áp dụng tại Thủ Đức không?
• Giá này có cần thanh toán bằng một loại thẻ cụ thể không?
• Sản phẩm còn tồn kho ở cửa hàng nào?
• Có giao và lắp trước tối mai không?
• Phí vật tư phát sinh được tính như thế nào?
• Máy được bảo hành bao lâu?
• Chính sách đổi trả có điều kiện gì?
• Con số nào lấy từ hãng, con số nào do nhà bán lẻ tự đo?
• Dữ liệu được cập nhật lần cuối lúc nào?

Catalog dành cho website thường trả lời câu hỏi:

Sản phẩm này hiển thị như thế nào?

Catalog dành cho AI phải trả lời câu hỏi:

Sản phẩm này thực sự là gì, phù hợp với ai, có mua được ngay không và bằng chứng nằm ở đâu?

Đó là hai cấp độ rất khác nhau.

Năm lớp dữ liệu của một catalog dành cho AI Search

Lớp 1: Danh tính sản phẩm

Trước khi AI tư vấn sản phẩm, nó phải biết sản phẩm đang nói tới là sản phẩm nào.

Các trường quan trọng thường gồm:

• product_id: định danh nội bộ, không thay đổi theo tên hiển thị
• sku: mã đơn vị bán hàng
• gtin: mã thương mại toàn cầu nếu có
• brand: thương hiệu
• model: mã model của hãng
• mpn: mã linh kiện hoặc mã sản phẩm từ nhà sản xuất
• product_group_id: nhóm sản phẩm gốc
• variant_id: biến thể cụ thể
• category_path: đường dẫn danh mục chuẩn hóa

Nghe thì đơn giản.

Nhưng nếu cùng một chiếc tivi xuất hiện với ba tên:

1Sony Google TV 4K 55 inch
2Google Tivi Sony 55 inch 4K
3Tivi Sony KD-55XYZ

mà hệ thống không biết chúng là cùng một model, AI có thể xem đó là ba sản phẩm khác nhau.

Nó sẽ so sánh một chiếc tivi với chính nó, rồi nghiêm túc kết luận:

Mẫu thứ nhất phù hợp hơn mẫu thứ ba vì tên của nó có chữ Google TV.

Xong thuật toán, quá dễ.

Lớp 2: Thuộc tính kỹ thuật đã chuẩn hóa

Dữ liệu từ nhà sản xuất thường rất giàu chữ nhưng nghèo cấu trúc.

Ví dụ:

1Máy vận hành siêu êm, mang đến giấc ngủ thoải mái cho cả gia đình.

Câu này nghe rất mềm.

Nhưng AI không thể so sánh “siêu êm” với “cực kỳ yên tĩnh” bằng một tiêu chuẩn rõ ràng.

Catalog cần chuyển lời quảng cáo thành dữ liệu có thể kiểm tra:

 1{
 2  "cooling_capacity_btu": 12000,
 3  "horsepower": 1.5,
 4  "recommended_room_area_min_m2": 15,
 5  "recommended_room_area_max_m2": 20,
 6  "indoor_noise_min_db": 19,
 7  "indoor_noise_max_db": 38,
 8  "inverter": true,
 9  "energy_rating_stars": 5,
10  "annual_energy_consumption_kwh": 742
11}

Khi đó, câu “chạy êm” không còn là một đám mây thơ mộng bay trên banner.

Nó trở thành một con số.

Con số có đơn vị.

Đơn vị có nguồn gốc.

Và nguồn gốc có ngày cập nhật.

Một số nhóm thuộc tính cần chuẩn hóa trong bán lẻ điện máy gồm:

• Kích thước: mm, cm, inch
• Khối lượng: g, kg
• Công suất điện: W, kW
• Công suất làm lạnh: BTU/h
• Dung tích: lít
• Độ ồn: dB
• Điện áp: V
• Tần số: Hz
• Mức tiêu thụ điện: kWh
• Diện tích hoặc thể tích khuyến nghị
• Ngày sản xuất, năm ra mắt và vòng đời sản phẩm

Không thể để một hệ thống ghi 1 HP, hệ thống khác ghi 9000 BTU, còn hệ thống thứ ba ghi phòng dưới 15 m², rồi hy vọng AI tự ngồi thiền và giác ngộ rằng ba khái niệm này có liên quan với nhau.

Lớp 3: Dữ liệu thương mại

AI không chỉ cần biết sản phẩm tốt hay không.

Nó còn phải biết khách hàng thực sự phải trả bao nhiêu tiền.

Một sản phẩm có thể đồng thời có:

• Giá niêm yết
• Giá bán hiện tại
• Giá theo khu vực
• Giá dành cho thành viên
• Giá khi mua kèm
• Giá trả góp
• Quà tặng
• Phiếu mua hàng
• Khuyến mãi có điều kiện
• Thời điểm bắt đầu và kết thúc chương trình

Vì vậy, chỉ có một trường price là chưa đủ.

Một cấu trúc tốt hơn có thể là:

 1{
 2  "list_price": 10990000,
 3  "sale_price": 9490000,
 4  "currency": "VND",
 5  "price_valid_from": "2026-07-25T00:00:00+07:00",
 6  "price_valid_until": "2026-07-31T23:59:59+07:00",
 7  "promotion_conditions": [
 8    "Áp dụng khi mua online",
 9    "Không cộng dồn với chương trình thành viên"
10  ]
11}

AI phải phân biệt được:

Giá dưới 10 triệu

với:

Giá dưới 10 triệu nếu mở thẻ, đổi điểm, mua thêm máy giặt và hy sinh một con dê dưới ánh trăng.

Điều kiện khuyến mãi không được giấu trong một đoạn chữ nhỏ ở cuối trang.

Nó phải trở thành dữ liệu.

Lớp 4: Tồn kho và khả năng giao hàng

Đây là lớp khiến catalog bán lẻ khác hẳn một bài viết SEO.

Khách hàng không chỉ hỏi:

Sản phẩm nào tốt?

Họ hỏi:

Sản phẩm nào tốt và tôi có thể nhận được trước tối mai?

Câu hỏi đó cần dữ liệu gần thời gian thực:

1{
2  "location_id": "DMX-Q9-001",
3  "location_name": "Điện Máy Xanh Khu Công Nghệ Cao",
4  "sellable_quantity": 3,
5  "inventory_status": "in_stock",
6  "inventory_updated_at": "2026-07-28T18:05:12+07:00",
7  "earliest_delivery_at": "2026-07-29T14:00:00+07:00",
8  "installation_available": true
9}

Google cũng phân biệt rõ dữ liệu sản phẩm và dữ liệu tồn kho cục bộ. Trong Merchant Center, dữ liệu local inventory cho Google biết cửa hàng nào đang có từng sản phẩm. Với các website lớn hoặc thay đổi thường xuyên, Google khuyến nghị sử dụng feed hay API để kiểm soát thời điểm cập nhật tốt hơn; Content API đặc biệt hữu ích cho thay đổi tồn kho cần được phản ánh nhanh.

Một catalog cập nhật tồn kho mỗi ngày một lần có thể phục vụ báo cáo.

Nhưng đối với AI shopping agent, dữ liệu đó có thể đã già như một ổ bánh mì để ngoài trời từ sáng.

AI không cần một câu trả lời đúng vào hôm qua.

Nó cần câu trả lời còn đúng tại thời điểm khách chuẩn bị bấm mua.

Lớp 5: Chính sách và bằng chứng

Một AI tư vấn nghiêm túc phải biết nó đang dựa vào đâu.

Mỗi thuộc tính quan trọng nên có thêm metadata:

1{
2  "attribute": "indoor_noise_min_db",
3  "value": 19,
4  "unit": "dB",
5  "source_type": "manufacturer_product_page",
6  "source_url": "https://www.panasonic.com/vn/air-solutions/detailed-page/air-conditioner/single-split-wall-mount-air-conditioner/inverter-cooling-only/cu-cs-xpu12xkh-8.html",
7  "verified_at": "2026-07-20T10:00:00+07:00",
8  "confidence": 0.98
9}

Các nguồn có thể bao gồm:

• Tài liệu kỹ thuật của hãng
• Trang sản phẩm chính thức
• Kết quả đo nội bộ
• Dữ liệu ERP
• Hệ thống quản lý tồn kho
• Chính sách bảo hành
• Dữ liệu giao nhận
• Đánh giá của khách hàng
• Nội dung do đội ngũ tư vấn biên soạn

Không phải nguồn nào cũng có giá trị giống nhau.

Thông số điện năng nên ưu tiên tài liệu kỹ thuật hoặc nhãn năng lượng.

Cảm nhận “máy chạy êm” có thể tham khảo đánh giá người dùng.

Tồn kho phải lấy từ hệ thống vận hành.

Không thể lấy số lượng tồn kho từ một bài review trên Facebook vì một lý do nào đó mà tác giả chưa nghĩ ra.

Dữ liệu nội bộ và dữ liệu công khai phải nói cùng một sự thật

Một nhà bán lẻ lớn thường có nhiều bản sao của cùng một sản phẩm:

 1PIM
 2ERP
 3Website
 4Ứng dụng di động
 5Search index
 6Recommendation system
 7Google Merchant Center
 8Chatbot
 9Data warehouse
10Cache

Mỗi hệ thống giữ một mẩu sự thật.

Vấn đề bắt đầu xuất hiện khi những mẩu sự thật đó không giống nhau.

Ví dụ:

• ERP báo còn hàng
• Website báo hết hàng
• Merchant Center vẫn giữ giá tuần trước
• Chatbot lấy thông số từ bản cache cũ
• Search index chưa nhận được tên model mới
• Ứng dụng lại hiển thị một chương trình khuyến mãi đã hết hạn

Với người dùng, đây không phải “độ trễ đồng bộ giữa các bounded context”.

Đây đơn giản là cửa hàng nói dối.

Dù cửa hàng không cố ý.

Kiến trúc hợp lý nên có một nguồn dữ liệu sản phẩm chuẩn, sau đó phân phối ra các kênh:

 1Nhà sản xuất / ERP / OMS / WMS / Khuyến mãi
 2                    |
 3                    v
 4        Chuẩn hóa và kiểm tra dữ liệu
 5                    |
 6                    v
 7         Canonical Product Catalog
 8                    |
 9       +------------+-------------+
10       |            |             |
11       v            v             v
12    Website      AI Agent    Merchant Center
13       |            |             |
14       v            v             v
15  JSON-LD/HTML   Product API   Product Feed

Catalog chuẩn không nhất thiết phải chứa mọi dữ liệu vật lý trong một bảng khổng lồ.

Nó có thể là một lớp hợp nhất bằng API, event stream và các bảng chuyên biệt.

Điều quan trọng là mỗi khái niệm phải có một chủ sở hữu rõ ràng:

• PIM sở hữu thông tin và thuộc tính sản phẩm
• Pricing service sở hữu giá
• Promotion service sở hữu khuyến mãi
• Inventory service sở hữu tồn kho
• Fulfillment service sở hữu thời gian giao lắp
• Policy service sở hữu bảo hành và đổi trả

Catalog dành cho AI là một hợp đồng dữ liệu, không nhất thiết là một cục database béo ú ngồi giữa công ty.

Từ catalog nội bộ đến ngôn ngữ Google hiểu được

Google hỗ trợ hai con đường chính để nhận dữ liệu sản phẩm:

• Structured data trên trang web, thường sử dụng JSON-LD
• Product feed thông qua Google Merchant Center

Google cho biết việc cung cấp cả structured data trên website lẫn Merchant Center feed có thể tối đa hóa khả năng đủ điều kiện xuất hiện trong các trải nghiệm sản phẩm, đồng thời giúp hệ thống kiểm tra và hiểu dữ liệu chính xác hơn. Product structured data có thể mô tả giá, tình trạng còn hàng, đánh giá, vận chuyển và chính sách đổi trả.

Ví dụ một phần JSON-LD rút gọn:

 1{
 2  "@context": "https://schema.org",
 3  "@type": "Product",
 4  "name": "Máy lạnh Inverter 1.5 HP ABC XYZ",
 5  "sku": "DMX-AC-001",
 6  "brand": {
 7    "@type": "Brand",
 8    "name": "ABC"
 9  },
10  "offers": {
11    "@type": "Offer",
12    "priceCurrency": "VND",
13    "price": 9490000,
14    "availability": "https://schema.org/InStock"
15  }
16}

Nhưng cần lưu ý một điều quan trọng:

Structured data không phải bùa chú.

Google yêu cầu dữ liệu có cấu trúc phải khớp với nội dung người dùng nhìn thấy trên trang. Việc nhét vào JSON-LD một mức giá đẹp hơn, tồn kho nhiều hơn hoặc đánh giá cao hơn thực tế không biến sản phẩm thành hấp dẫn. Nó chỉ biến dữ liệu thành sai.

Ngoài ra, Google đã cập nhật đặc tả Merchant Center trong năm 2026 với các thuộc tính chi tiết hơn như thời điểm chốt xử lý đơn hàng, giá trị đơn hàng tối thiểu và liên kết video sản phẩm. Điều này cho thấy dữ liệu thương mại đang mở rộng khỏi bộ ba quen thuộc “tên, giá, ảnh” sang khả năng giao hàng, chính sách và trải nghiệm đa phương tiện.

Catalog sạch không chỉ để Google đọc

Có một sai lầm dễ gặp là xây catalog sạch chỉ để làm SEO hoặc đẩy feed lên Google.

Catalog sạch nên là lõi dùng chung cho toàn bộ hệ thống trí tuệ bán lẻ:

 1Catalog sạch
 2    |
 3    +-- Website Search
 4    +-- Bộ lọc sản phẩm
 5    +-- Recommendation
 6    +-- Chatbot tư vấn
 7    +-- AI Search bên ngoài
 8    +-- Agent so sánh sản phẩm
 9    +-- Agent đặt hàng
10    +-- Quảng cáo
11    +-- Tổng đài
12    +-- Phân tích dữ liệu

Giả sử khách hỏi chatbot Điện Máy Xanh:

Tôi muốn tủ lạnh cho gia đình bốn người, rộng dưới 80 cm, tiết kiệm điện và không cần màn hình cảm ứng.

Nếu catalog chỉ có tiêu đề và mô tả, LLM phải đọc hàng nghìn đoạn văn rồi đoán.

Nếu catalog có dữ liệu chuẩn hóa, bài toán trở thành một truy vấn tương đối rõ:

 1SELECT *
 2FROM products
 3WHERE category = 'refrigerator'
 4  AND width_mm <= 800
 5  AND recommended_household_size_min <= 4
 6  AND recommended_household_size_max >= 4
 7  AND energy_efficiency_level >= 4
 8  AND has_touch_screen = FALSE
 9  AND sellable_quantity > 0
10ORDER BY recommendation_score DESC;

LLM không nên tự tưởng tượng sản phẩm.

LLM chỉ nên hiểu ý định của khách hàng, chuyển nó thành điều kiện, gọi công cụ tìm kiếm và giải thích kết quả.

Catalog là mặt đất.

LLM là người hướng dẫn viên.

Không có mặt đất, hướng dẫn viên sẽ lơ lửng trên không trung, tay chỉ về một ngọn núi do chính mình vừa bịa ra.

Tổng kết

Google đang chuyển từ một tấm biển chỉ đường thành một nhân viên tư vấn đứng giữa người mua và nhà bán lẻ.

Khi AI Overviews và AI Mode trở thành một phần mặc định của hành trình tìm kiếm, website có thể không còn nhận được mọi cú nhấp chuột như trước. Nhưng dữ liệu của website vẫn tiếp tục nuôi câu trả lời, ảnh hưởng đến sản phẩm được đề xuất và quyết định thương hiệu nào xuất hiện trong đầu người mua.

Trong bối cảnh đó, catalog sạch không còn là công việc dọn dẹp dữ liệu phía sau hậu trường.

Nó là hệ thống ngôn ngữ để sản phẩm tự giới thiệu mình với thế giới máy móc.

Một sản phẩm không có định danh rõ ràng sẽ bị nhận nhầm.

Một thông số không có đơn vị sẽ bị hiểu sai.

Một mức giá không có điều kiện sẽ trở thành lời hứa giả.

Một tồn kho không có thời gian cập nhật sẽ trở thành ký ức.

Và một nhà bán lẻ có hàng triệu sản phẩm nhưng không thể mô tả chúng bằng dữ liệu có cấu trúc cũng giống như một thư viện khổng lồ, chứa đầy sách quý, nhưng tất cả gáy sách đều bị sơn màu trắng.

Sách vẫn còn đó.

Chỉ là không ai, kể cả AI, biết phải lấy cuốn nào xuống.

Cảm ơn các bạn đã quan tâm và theo dõi bài viết, hẹn gặp lại ở các bài viết tiếp theo.

Tham khảo

• TechCrunch — Google’s AI search is rapidly becoming the default
• Similarweb — The 2026 Generative AI Landscape
• Pew Research Center — Google users click less when an AI summary appears
• Google Search Central — AI features and your website
• Google Search Central — AI features
• Google Search Central — Product structured data
• Google Search Central — Merchant listing structured data
• Google Search Central — Share product data with Google
• Google Merchant Center — Product data specification
• Google Merchant Center — Structured titles
• Google Merchant Center — Product data best practices