Отчет | Разрыв в готовности DTC к AI-поиску в 2026 году

Краткое резюме

Это исследование оценивает готовность 1 238 DTC-доменов к AI-поиску по четырем уровням: качество AI-файла, общая структурированная разметка, структурированные сигналы на страницах товаров и метаданные. Средний балл составляет 36,4 из 100, медиана — 37,0. Только 11 доменов достигли уровня ai_ready по этой модели оценки.

Главный вывод — разрыв между поверхностной обнаруживаемостью и пониманием на уровне товара. Самая большая категория качества llms.txt — platform_default, в ней 629 доменов. Это означает, что у многих брендов есть базовый AI-читабельный файл просто потому, что его создала платформа. Но разметка Product на главной странице встречается лишь у 0,9% оцененных доменов, а разметка Product на страницах товаров — у 39,2% доменов, где анализ страниц товаров был выполнен. Сигналы цены на страницах товаров присутствуют у 48,1%, а сигналы отзывов или рейтингов — у 43,5%.

Распределение по уровням показывает, насколько рынок все еще находится на ранней стадии:

Уровень AI-готовности	Домены
Не готовы	435
Частично готовы	425
Базовая обнаруживаемость	367
AI-ready	11

Этот разрыв полезен тем, что разделяет три понятия, которые часто смешивают. Бренд может быть обнаруживаемым. Бренд может иметь метаданные. Бренд может иметь llms.txt. Но обнаруживаемость — это не то же самое, что понятность на уровне товара.

Распределение качества llms.txt делает это еще очевиднее:

Категория качества llms.txt	Домены
Platform default	629
Отсутствует	388
Soft 404	133
Manual light	57
Manual structured	31

Поэтому самый сильный угол для этого отчета — не «у DTC-брендов есть llms.txt». Это слишком поверхностно. Лучше формулировать так: дефолтные файлы платформ создали тонкий первый слой AI-обнаруживаемости, но большинство DTC-брендов не выстроили слой структурированных данных на уровне товара, который нужен для AI-шопинга и answer engines.

Позитивные примеры показывают, как может выглядеть лучшая готовность. В группу ai_ready входят такие бренды, как Mokobara, Magic Mind, Le Petit Ballon, Maine Lobster Now, Yo Mama's Foods, La Maison Convertible, Unbloat, NuRange Coffee, Three Ships Beauty и Manukora. Эти примеры важны, потому что показывают: AI-готовность не ограничена одной категорией или одним типом бренда. Еда, beauty, wellness, мебель, одежда и нишевая e-commerce-торговля — все могут улучшить свой машиночитаемый слой данных о товарах.

Самые цитируемые выводы

1. Средний балл DTC по AI-готовности — всего 36,4/100.

2. Только 11 из 1 238 оцененных доменов достигли уровня ai_ready.

3. llms.txt встречается часто, но в основном генерируется платформами. Самая большая категория качества — platform default, в ней 629 доменов.

4. Manual structured llms.txt встречается редко. Только 31 домен попал в эту категорию.

5. Разметка Product на главной странице почти отсутствует. Она есть только у 0,9% оцененных доменов.

6. Разметка Product на страницах товаров лучше, но все еще неполная. Она есть у 39,2% доменов, где страницы товаров были доступны для анализа.

7. Готовность к AI-шопингу требует фактов о товаре, а не только доступа для краулера. Цена, предложение, отзывы, наличие и сигналы Product schema важнее, чем тонкий файл сам по себе.

1. Чем AI-поиск отличается от базового SEO

Традиционное SEO отвечает на вопросы: может ли страница быть просканирована, проиндексирована, ранжирована и кликнута? AI-поиск добавляет другой уровень: может ли система понять бренд, товар, предложение, цену, отзывы, наличие, политику и связи между сущностями настолько хорошо, чтобы ответить на вопрос или порекомендовать товар?

Для DTC это особенно важно, потому что страницы e-commerce полны деталей, которые человеку понять легко, а машине — нет. Покупатель видит страницу товара и понимает название, цену, размер, подписку, скидку, отзывы, наличие на складе и правила возврата. Краулеру или AI-агенту нужно, чтобы все эти факты были изложены последовательно.

Метаданные помогают. Open Graph помогает. Canonical-теги помогают. llms.txt может помочь краулерам найти важный контент. Но настоящая проверка — это структура на уровне товара. Если AI-помощник для покупок сравнивает пять протеиновых порошков, средств для ухода за кожей, свечей, платьев или кофейных подписок, ему нужны структурированные факты. Без них бренд может быть видимым, но не будет надежно понят.

В этом отчете выделены четыре слоя готовности:

1. Слой AI-файла: есть ли llms.txt и каков его тип — отсутствует, soft 404, platform default, manual light или manual structured.
2. Слой общей структурированной разметки: JSON-LD, Organization, WebSite, BreadcrumbList и Product schema.
3. Слой страницы товара: Product schema, сигналы цены или предложения, сигналы рейтингов или отзывов и сигналы наличия.
4. Слой метаданных: canonical, meta description, Open Graph image, Twitter card, hreflang и подобный машиночитаемый контекст.

Модель по слоям важна, потому что не позволяет сделать поверхностный вывод. Бренд с llms.txt, но без фактов о товаре, не так готов, как кажется. Бренд без llms.txt, но с богатой структурой на страницах товаров, может быть понятнее, чем предполагает один только файловый слой.

Посмотреть структурированные данные о товарах в действии

2. История llms.txt: тонкий слой, который в основном создают платформы

Аудит llms.txt дал пять категорий качества:

Категория качества	Домены	Интерпретация
Platform default	629	Стандартный файл, созданный платформой; обычно тонкий, но валидный
Отсутствует	388	Удобный для использования файл не найден
Soft 404	133	Вводящий в заблуждение или бесполезный ответ
Manual light	57	Файл создан человеком или кастомно, но со слабой структурой
Manual structured	31	Более содержательный ручной файл с заголовками, ссылками, терминами о товарах или политиках

Это самый важный нюанс отчета. На поверхности внедрение llms.txt выглядит сильным, потому что файлы платформенного уровня встречаются часто. Но platform default — это не то же самое, что продуманная стратегия AI-поиска. Чаще всего это просто базовый слой указателей.

Это не делает такие файлы бесполезными. Они могут помочь краулерам находить важные пути. Они также показывают, как быстро решения на уровне платформы могут изменить рынок. Платформа может дать сотням магазинов новый машиночитаемый файл еще до того, как большинство брендов вообще обсудили AI-поиск внутри команды.

Но категория manual structured гораздо меньше: 31 домен. В аудите встречаются такие примеры ручных структурированных файлов, как Dermalogica, Ad Hoc Atelier, DKNY, а также несколько примеров из группы ai_ready, например Magic Mind, Le Petit Ballon, Maine Lobster Now, Yo Mama's Foods и Three Ships Beauty. Это полезные позитивные примеры, потому что они показывают, что значит выйти за пределы дефолтного файла: больше ссылок, больше заголовков, больше терминов о товарах, больше терминов о политиках и более осмысленная структура.

Категория soft-404 тоже важна. Soft 404 означает, что запрос возвращает какой-то ответ, но не полезный llms.txt-файл. Это может ввести в заблуждение простые аудиты. Для AI-готовности недостаточно просто проверить наличие — нужно оценивать качество.

3. Настоящий разрыв — на уровне структуры товара

Самый заметный разрыв в данных — это Product schema.

Разметка Product на главной странице присутствует только у 0,9% оцененных доменов. Разметка Product на страницах товаров присутствует у 39,2% доменов, где анализ страниц товаров был выполнен. Сигналы цены на страницах товаров есть у 48,1%, а сигналы отзывов или рейтингов — у 43,5%.

Эти числа показывают простую картину: базовые факты о товарах не всегда доступны машине в структурированном виде, даже если у бренда есть собственный e-commerce-магазин.

Это важно, потому что AI-поиск и AI-шопинг, вероятно, будут поощрять ясность. Если страница товара содержит Product schema, предложения, цену, наличие, сигналы отзывов и ссылки на политики, она дает машинам более надежные факты. Если же эти факты спрятаны в JavaScript, непоследовательных шаблонах, изображениях или динамических виджетах, машина может их понять неправильно или проигнорировать.

Проблема готовности — это не только вопрос ранжирования. Это вопрос представления. Когда AI-системы суммируют категорию товаров, сравнивают варианты, отвечают на вопросы «лучшее для…» или формируют рекомендации для покупок, бренды с более чистыми товарными фактами легче включить в ответ точно.

Позитивные примеры из группы ai_ready подтверждают это:

• Mokobara получил самый высокий балл в выборке — 83.
• Magic Mind, Le Petit Ballon и Maine Lobster Now набрали по 81.
• Yo Mama's Foods получил 80.
• La Maison Convertible, Unbloat, Vinocheepo и NuRange Coffee — по 79.
• Three Ships Beauty получил 77.
• Manukora получил 75.

Эти примеры охватывают разные категории. AI-готовность — это не только проблема beauty и не только проблема технологий. Она важна для еды, wellness, мебели, одежды, нишевых товаров и любой категории, где покупатель может спросить у AI-системы рекомендации, сравнение или объяснение.

4. Уровни AI-готовности: большинство брендов все еще ниже линии

Распределение по уровням выглядит так:

Уровень	Домены	Доля выборки
Не готовы	435	35,1%
Частично готовы	425	34,3%
Базовая обнаруживаемость	367	29,6%
AI-ready	11	0,9%

Названия уровней выбраны намеренно практично. Not ready не означает, что бренд плохой. Это означает, что публичные сигналы, используемые этой моделью, не показывают достаточной AI-готовности. Partially ready означает, что некоторые элементы есть, но важные слои отсутствуют. Basic discoverability означает, что бренд лучше виден машинам, но ему все еще может не хватать полноты на уровне товара. AI ready означает, что домен демонстрирует более сильное сочетание качества файла, структурированных данных, товарных фактов и метаданных.

До верхнего уровня дошли только 11 доменов. Это и есть заголовок, но более полезный вывод — в структуре середины. Выборка почти равномерно разделена между неготовыми, частично готовыми и теми, у кого есть базовая обнаруживаемость. Рынок не пустой — он находится в переходной стадии. У многих брендов есть отдельные сигналы, но у немногих есть цельная система.

Это создает ближайшее окно возможностей. AI-готовность еще достаточно ранняя, чтобы бренд мог перейти от среднего уровня к сильному сравнительно практичными шагами: улучшить llms.txt, проверить schema, открыть факты о товаре, почистить метаданные и сделать страницы товаров более понятными для машин.

5. Паттерны по категориям: beauty и apparel впереди, но ни одна категория не завершена

Классификация по категориям носит ориентировочный, а не точный характер. Тем не менее таблица категорий показывает полезные закономерности:

Категория	Выборка	Средняя AI-готовность	Ручной или структурированный llms	Product schema на страницах товара	Доля Product schema на страницах товара
Beauty & Skincare	98	46,2	3	56	57,1%
Apparel & Footwear	149	45,7	6	79	53,0%
Jewelry & Accessories	34	44,5	0	20	58,8%
Pet	15	43,5	0	8	53,3%
Baby & Kids	27	42,6	1	15	55,6%
Food & Beverage	118	42,5	5	58	49,2%
Home & Furniture	48	42,3	0	23	47,9%
Health & Wellness	58	40,7	6	27	46,6%
Outdoor & Sports	49	39,8	1	23	46,9%

Beauty & Skincare показывает самый высокий средний балл AI-готовности — 46,2. Следом идет Apparel & Footwear с 45,7. Эти категории часто имеют сильные e-commerce-шаблоны, богатые каталоги товаров, отзывы, варианты, визуальные материалы и контентные потребности. Они могут быстрее выигрывать от структурной работы с товарами.

Jewelry & Accessories демонстрирует высокий уровень Product schema на страницах товаров — 58,8%, но в таблице категорий нет ни одного обнаружения manual structured llms.txt. Это показывает, почему готовность нужно рассматривать по слоям. Категория может быть сильной по Product schema и слабой по качеству AI-файла.

Food & Beverage включает несколько сильных позитивных примеров, среди них Maine Lobster Now, Yo Mama's Foods, NuRange Coffee и Manukora. Это важно, потому что продуктам в категории еды и напитков часто нужны четкие факты: ингредиенты, пищевая ценность, размер порции, подписка, происхождение, доставка, хранение, отзывы и наличие. AI-системы могут точно представить эти детали только если сайт подает их в чистом виде.

Health & Wellness имеет самую высокую долю manual или structured llms — 10,3% — среди крупных категорий в таблице, но средний балл при этом всего 40,7. Это говорит о том, что некоторые бренды в категории активно экспериментируют с AI-читабельными файлами, но структура на страницах товаров все еще нуждается в улучшении. Учитывая высокие требования к доверию и объяснениям в wellness, эта категория должна быть одной из самых агрессивных в вопросах структурированных фактов.

Ни одна категория не завершена. Даже у лидеров средний показатель ниже 50 из 100. Это делает контент об AI-готовности по категориям сильной возможностью для SEO-авторов и консультантов.

6. Как выглядит хороший уровень: позитивные паттерны у AI-ready брендов

Группа ai_ready невелика, но полезна, потому что показывает паттерны, которые стоит копировать.

Mokobara набрал 83 — это самый высокий результат в выборке. Это пример сильной совокупной готовности, а не выигрыша по одному сигналу.

Magic Mind, Le Petit Ballon и Maine Lobster Now получили по 81 и относятся к категории manual structured llms. Это важно, потому что показывает осознанную работу на уровне файла, а не только платформенные дефолты.

Yo Mama's Foods получил 80 тоже с manual structured llms. Продукты питания выигрывают от AI-читабельной структуры, потому что у AI-систем могут спрашивать об ингредиентах, вкусе, сценариях использования, рецептах, соответствии диете и сравнении.

Three Ships Beauty получил 77 с manual structured llms. Beauty — идеальная категория для структурированной AI-готовности, потому что покупатели спрашивают о типе кожи, ингредиентах, рутине, текстуре, отзывах и альтернативах.

Manukora получил 75. Мед и смежные wellness-продукты часто требуют объяснения происхождения, качества, пользы, сертификаций и применения, поэтому структурированные сигналы о товаре и политике особенно ценны.

Вывод не в том, что каждому бренду нужно выглядеть одинаково. Вывод в том, что AI-готовность — это система:

• полезный llms.txt-файл
• чистые метаданные
• структурированные данные об организации и сайте
• Product schema на страницах товара
• сигналы цены и предложения
• сигналы отзывов или рейтингов
• сигналы наличия
• ясность по политикам и поддержке

Каждый слой помогает. Но готовность создает именно их сочетание.

7. Почему одного llms.txt недостаточно

llms.txt стал удобным сокращением для обозначения AI-готовности. Это понятно, потому что файл видимый, его легко проверить, и он достаточно новый, чтобы казаться стратегическим. Но это исследование показывает, почему не стоит считать его всей историей.

Файл llms.txt от платформы может создать базовую дверь. Он может подсказать краулерам важные страницы. Он может сообщить машинам, что у сайта есть AI-читабельная точка входа. Но если страницы товаров не раскрывают факты о товарах ясно, эта дверь ведет в захламленную комнату.

Проблема AI-поиска — не только в том, может ли краулер найти сайт. Вопросы такие:

• Может ли краулер определить товар?
• Может ли он определить бренд?
• Может ли он распарсить цену?
• Может ли он распарсить наличие?
• Может ли он определить отзывы или рейтинги?
• Может ли он отличить контент о товаре от маркетингового контента?
• Может ли он понять политики?
• Может ли он сравнить варианты?
• Может ли он сослаться на правильную canonical-страницу?

llms.txt помогает с навигацией и приоритизацией. Структурированные данные о товаре помогают с пониманием. AI-готовность требует и того, и другого.

8. Рабочий план для операторов: как улучшить готовность к AI-поиску

Для DTC- и e-commerce-команд практический процесс выглядит довольно просто.

Шаг 1: Проверьте слой AI-файла. Есть ли у домена llms.txt? Это настоящий файл или soft 404? Это platform default, manual light или structured? Ведет ли он на полезные страницы?

Шаг 2: Проверьте метаданные. Убедитесь, что корректны canonical-теги, meta description, Open Graph images, Twitter cards, hreflang там, где это уместно, и mobile viewport. Это не самый эффектный слой, но он помогает машинам формировать контекст.

Шаг 3: Проверьте JSON-LD. Посмотрите Organization, WebSite, BreadcrumbList и Product schema. Product schema — самый важный пробел в e-commerce.

Шаг 4: Аудируйте именно страницы товаров, а не только главную. AI-шопинг будет смотреть на страницы товаров. Проверьте название товара, описание, изображение, цену, предложение, наличие, SKU, отзывы, рейтинги, варианты и политику возврата.

Шаг 5: Сделайте факты о товаре стабильными. Не прячьте критически важные сведения только в изображениях, вкладках, которые плохо рендерятся, или JavaScript-виджетах, которые краулер может не разобрать.

Шаг 6: Улучшите ясность политик. Доставка, возвраты, условия подписки, гарантии, сертификаты и заявления о безопасности должны легко находиться и легко парситься.

Шаг 7: Повторно тестируйте после изменений шаблонов. Schema часто ломается при редизайне, смене темы, установке приложений и миграции на headless. Считайте структурированные данные частью QA.

Шаг 8: Возьмите систему под контроль. AI-готовность не должна быть только задачей SEO. Она затрагивает e-commerce, продукт, контент, разработку, юристов и поддержку клиентов.

9. Что могут цитировать SEO- и контент-команды

Это исследование дает несколько сильных цитатных формулировок:

«Только 11 из 1 238 оцененных DTC-доменов достигли уровня AI-ready». Это самый общий и сильный крючок.

«llms.txt встречается часто, но в основном создается платформами». В категории platform default — 629 доменов, а ручные структурированные файлы встречаются только у 31.

«Разметка Product на главной странице есть только у 0,9% оцененных доменов». Это самый резкий разрыв в структурированных данных.

«Разметка Product на страницах товаров есть у 39,2% там, где страницы товаров были доступны». Это добавляет нюанс: на страницах товаров ситуация лучше, чем на главной, но все еще неполная.

«Beauty и Apparel лидируют в таблице по категориям, но все равно в среднем ниже 50/100». Это создает сильный категорийный угол.

«AI-готовность — это многоуровневая система». Это самый важный образовательный тезис для читателей, которые иначе могли бы приравнивать llms.txt к готовности.

Важно учитывать оговорку: данные отражают публичные сигналы сайта в этой выборке, а не полное отраслевое внедрение и не внутреннюю эффективность поиска.

10. Что меняет AI-шопинг для DTC-команд

Традиционное e-commerce-обнаружение строилось вокруг страниц, ранжирования, рекламы и кликов. Покупатель искал, сравнивал результаты, открывал страницы, читал отзывы и принимал решение. AI-шопинг и answer engines сжимают этот путь. Покупатель может спросить: «какой соус с низким содержанием сахара лучше для пасты на будний вечер», «какой рюкзак для ручной клади дешевле $200 и с хорошими отзывами» или «какое мягкое средство для умывания без отдушки подойдет чувствительной коже». AI-система может суммировать варианты еще до того, как покупатель увидит страницу бренда.

Это меняет роль страницы товара. Страница по-прежнему должна убеждать людей, но теперь она должна еще и достаточно ясно описывать товар, чтобы машина могла его сравнить. Одного тона бренда мало. Красивых изображений мало. Остумного названия товара мало. Машине нужны факты: что это такое, для кого это, сколько стоит, есть ли в наличии, какие есть варианты, что говорят отзывы, какие заявления подтверждены, какие ингредиенты или материалы важны и какие политики применимы.

Именно поэтому структура на уровне товара важнее, чем общий AI-файл. llms.txt может помочь краулеру понять, где искать. Product schema и чистые факты на странице товара помогают понять, что именно найдено.

Риск для DTC-брендов — не только быть исключенными из ответа. Риск в том, чтобы быть неправильно представленными. Если страница товара неясна, AI-ответ может описать не ту характеристику, упустить важное отличие, не упомянуть значимую политику или сравнить товар несправедливо с конкурентом, у которого структура лучше. В этом смысле AI-готовность — это еще и вопрос защиты бренда.

Для категорий со сложным процессом выбора ставки еще выше. Покупатели beauty спрашивают о типе кожи, ингредиентах, рутинах, чувствительности и результате. Покупатели еды спрашивают о питательной ценности, аллергенах, происхождении, вкусе, рецептах и соответствии диете. Покупатели одежды спрашивают о посадке, размере, материалах, возвратах и стилизации. Покупатели wellness спрашивают о доказательствах, применении, безопасности и доверии. Покупатели товаров для дома спрашивают о размерах, материалах, доставке, сборке и долговечности. Это в такой же степени задача машиночитаемого контента, как и маркетинга.

И хорошая новость в том, что большинство брендов все еще находятся на ранней стадии. Средний балл готовности всего 36,4/100, и только 11 доменов достигли уровня ai_ready. Бренду не нужно ждать полного редизайна сайта. Можно начать с шаблонов, schema, ясности по политикам и фактов о товаре.

11. План AI-готовности по отделам

AI-готовность не должна принадлежать только SEO. Она затрагивает несколько команд.

SEO отвечает за обнаруживаемость и проверку schema. SEO-команды должны проверять canonical-теги, метаданные, структурированные данные, Product schema, хлебные крошки, hreflang и возможность краулинга. Им также следует следить, чтобы Product schema не ломалась при смене темы и обновлении приложений.

Ecommerce отвечает за факты на странице товара. Названия товаров, цены, варианты, наличие, наборы, подписки, отзывы, условия доставки и возврата должны быть ясными и последовательными. Если эти факты разбросаны по виджетам, вкладкам, изображениям и скриптам, машинам будет сложно.

Контент отвечает за объясняющую глубину. AI-системы любят страницы, которые четко отвечают на вопросы. Гайды по покупке, сравнительные таблицы, объяснения ингредиентов, страницы по сценариям использования, рекомендации по размеру и FAQ помогают и людям, и машинам.

Разработка отвечает за качество реализации. Schema должна быть валидной, стабильной и основанной на шаблонах. Факты о товарах не должны полностью зависеть от хрупкого client-side rendering. Шаблоны страниц товаров нужно тестировать после релизов.

Юристы и комплаенс отвечают за утверждения. Если товар делает заявления о здоровье, устойчивости, безопасности, ингредиентах или эффективности, они должны быть точными, доказуемыми и легко интерпретируемыми. AI-системы могут усиливать неясные заявления.

Поддержка клиентов отвечает за повторяющиеся вопросы. Тикеты показывают, что покупатели и AI-системы будут спрашивать: сроки доставки, посадка, ингредиенты, совместимость, возврат, отмена подписки, инструкции по уходу и сравнение товаров. Эти вопросы должны попадать в контент страниц товара.

Руководство отвечает за приоритизацию. AI-готовность конкурирует с множеством других проектов. Логика для руководства проста: структурированные факты о товарах поддерживают SEO, AI-поиск, товарные фиды, платный шопинг, внутренний поиск, поддержку и конверсию. Это не только AI-проект.

12. Минимально жизнеспособная AI-ready страница товара

Практичная страница товара для DTC должна содержать:

• название товара
• название бренда
• canonical URL
• описание товара
• изображения товара
• цену
• валюту
• наличие
• информацию о вариантах
• SKU или идентификатор товара, где это уместно
• сигналы отзывов или рейтингов, если они доступны
• детали предложения
• ссылки на политику доставки и возврата
• факты о материалах, ингредиентах или характеристиках, если они важны для категории
• FAQ или контент поддержки для типичных вопросов о покупке

На странице также должна быть валидная Product schema, и не следует прятать критически важные факты только внутри изображений или скриптов, которые краулер может не разобрать. Это не означает, что страницы товаров должны быть скучными. Это означает, что нужно разделить убедительный дизайн и надежные структурированные факты.

Для многих брендов самый быстрый выигрыш — не писать длинный документ по AI-стратегии. А проверить десять важных страниц товаров, исправить schema и убедиться, что самые важные факты о товаре видны в HTML и структурированных данных.

Методология

Это исследование использует набор данных DTC dual-report, собранный 11 мая 2026 года. Оценка охватывает 1 238 доменов с использованием master.csv, detection.csv, seo_signals.csv, исходных файлов llms.txt и исходного HTML страниц товаров, где он был доступен.

Модель оценки разделяет четыре слоя:

1. Слой AI-файла: наличие и качество llms.txt.
2. Слой общей структурированной разметки: JSON-LD, Organization, WebSite, BreadcrumbList, Product и связанные структурированные сигналы.
3. Слой страницы товара: Product schema, сигналы цены или предложения, сигналы отзывов или рейтингов и сигналы наличия.
4. Слой метаданных: canonical, meta description, Open Graph image, Twitter card, hreflang и связанный контекст страницы.

Модель формирует балл AI-готовности от 0 до 100 и относит домены к одному из четырех уровней: not ready, partially ready, basic discoverability и ai_ready.

Ограничения

1. AI-готовность — это не AI-трафик. Балл не измеряет реальные переходы из AI-поиска или от shopping-агентов.

2. Публичные сигналы — это нижняя граница. Некоторые структурированные данные могут подгружаться динамически или отображаться так, что краулер их не захватил.

3. Качество llms.txt определяется эвристически. Ручные структурированные файлы определяются по наблюдаемым характеристикам — заголовкам, ссылкам, терминам о товарах и терминам о политиках.

4. Определение страниц товаров зависит от попыток загрузки product page. Проценты Product schema на страницах товаров применимы там, где страницы товаров были попытаны и доступны.

5. Выборка не является полным переписом DTC-рынка. Она смещена в сторону брендов, заметных в экосистемах e-commerce-инструментов и публичных списках DTC.

6. Метки категорий носят ориентировочный характер. Они полезны для общего сравнения, но не являются точной таксономией.

7. Стандарты AI-поиска все еще меняются. Модель оценки создана как практический бенчмарк 2026 года, а не как постоянное определение.

Заметки о воспроизводимости

Папка с результатами включает:

• analyze_ai_search_readiness.py — скрипт оценки, использованный для анализа DTC-доменов по llms.txt, структурированным данным, сигналам страниц товаров и сигналам метаданных.
• ai_search_readiness_scores.csv — баллы AI-готовности на уровне доменов, уровни и компонентные сигналы.
• llms_quality_audit.csv — аудит качества llms.txt на уровне доменов, включая классификации platform-default, soft-404, missing, manual-light и manual-structured.
• category_ai_readiness.csv — сравнение AI-готовности по категориям.
• top_ai_ready_brands.csv — домены с наивысшими баллами для редакторского анализа и отбора примеров.
• lowest_ai_ready_brands.csv — домены с самыми низкими баллами для анализа разрывов и редакторского анализа.
• summary.json — основные агрегированные метрики, процитированные в этом отчете, включая размер выборки, количество доменов по уровням, средний балл, медиану и доли сигналов на страницах товаров.

Скачать все скрипты и наборы данных

---

Исправления методологии, замечания по набору данных и последующий анализ приветствуются по адресу support@thunderbit.com. Этот отчет опубликован независимо от любой коммерческой позиции Thunderbit; мы создаем AI-powered web scraper, и у нас есть структурный интерес в том, чтобы публичные e-commerce-сайты становились понятнее для людей, поисковых систем и AI-агентов. Бенчмарк основан на 1 238 оцененных DTC-доменах по публичным сигналам сайтов, собранным 11 мая 2026 года. Данные в этом отчете существуют сами по себе. — Исследовательская команда Thunderbit, май 2026 года.

Попробуйте Thunderbit для готовности к AI-поиску Get Started Free