Báo cáo | Khoảng cách sẵn sàng cho AI Search của DTC trong năm 2026

Tóm tắt điều hành

Nghiên cứu này chấm điểm 1.238 tên miền DTC về mức sẵn sàng cho AI search dựa trên bốn lớp: chất lượng tệp AI, dữ liệu có cấu trúc tổng quát, tín hiệu có cấu trúc ở trang sản phẩm và metadata. Điểm trung bình là 36,4/100, và trung vị là 37,0. Chỉ 11 tên miền đạt mức ai_ready theo mô hình chấm điểm này.

Phát hiện lớn nhất là khoảng cách giữa khả năng được tìm thấy ở bề mặt và khả năng được hiểu ở cấp độ sản phẩm. Nhóm chất lượng llms.txt lớn nhất là platform_default, với 629 tên miền. Điều đó có nghĩa là nhiều thương hiệu đã có sẵn một tệp đọc được bởi AI vì nền tảng tự tạo ra. Nhưng schema Product ở trang chủ chỉ xuất hiện trên 0,9% các tên miền được chấm điểm, còn schema Product ở trang sản phẩm chỉ xuất hiện trên 39,2% các tên miền có trang sản phẩm được thử kiểm tra. Tín hiệu giá ở trang sản phẩm xuất hiện trên 48,1%, và tín hiệu đánh giá hoặc xếp hạng xuất hiện trên 43,5%.

Phân bổ theo tầng cho thấy thị trường vẫn còn rất sớm:

Mức độ sẵn sàng AI	Tên miền
Chưa sẵn sàng	435
Sẵn sàng một phần	425
Khả năng được tìm thấy cơ bản	367
Sẵn sàng cho AI	11

Sự phân tách này hữu ích vì nó tách ba khái niệm thường bị trộn lẫn với nhau. Một thương hiệu có thể được tìm thấy. Một thương hiệu có thể có metadata. Một thương hiệu có thể có llms.txt. Nhưng được tìm thấy không đồng nghĩa với việc được hiểu ở cấp độ sản phẩm.

Phân bố chất lượng llms.txt làm điều này rõ hơn nữa:

Nhóm chất lượng llms.txt	Tên miền
Mặc định của nền tảng	629
Thiếu	388
Soft 404	133
Tự làm, cấu trúc đơn giản	57
Tự làm, có cấu trúc	31

Vì vậy, góc nhìn mạnh nhất của báo cáo này không phải là "các thương hiệu DTC có llms.txt". Tiêu đề đó quá nông. Góc nhìn tốt hơn là: các mặc định của nền tảng đã tạo ra một lớp đầu tiên mỏng cho khả năng được AI tìm thấy, nhưng phần lớn thương hiệu DTC vẫn chưa xây dựng được lớp dữ liệu có cấu trúc ở cấp độ sản phẩm cần cho AI shopping và các công cụ trả lời.

Các ví dụ tích cực cho thấy mức độ sẵn sàng tốt hơn có thể trông như thế nào. Nhóm ai_ready bao gồm các thương hiệu như Mokobara, Magic Mind, Le Petit Ballon, Maine Lobster Now, Yo Mama's Foods, La Maison Convertible, Unbloat, NuRange Coffee, Three Ships Beauty và Manukora. Những ví dụ này quan trọng vì chúng cho thấy mức sẵn sàng cho AI không chỉ dành cho một ngành hay một kiểu thương hiệu. Thực phẩm, làm đẹp, chăm sóc sức khỏe, nội thất, thời trang và thương mại ngách đều có thể cải thiện lớp sản phẩm có thể đọc được bởi máy.

Những phát hiện dễ chia sẻ nhất

1. Điểm sẵn sàng AI trung bình của DTC chỉ là 36,4/100.

2. Chỉ 11 trong 1.238 tên miền được chấm điểm đạt mức ai_ready.

3. llms.txt khá phổ biến, nhưng chủ yếu do nền tảng tạo ra. Nhóm lớn nhất là mặc định của nền tảng, với 629 tên miền.

4. llms.txt tự làm, có cấu trúc rất hiếm. Chỉ 31 tên miền thuộc nhóm tự làm, có cấu trúc.

5. Schema Product ở trang chủ gần như vắng bóng. Nó chỉ xuất hiện trên 0,9% tên miền được chấm điểm.

6. Schema Product ở trang sản phẩm tốt hơn nhưng vẫn chưa đầy đủ. Nó xuất hiện trên 39,2% tên miền có trang sản phẩm được thử kiểm tra.

7. Sẵn sàng cho AI shopping cần dữ kiện sản phẩm, không chỉ quyền truy cập của crawler. Giá, ưu đãi, đánh giá, tình trạng còn hàng và tín hiệu schema Product quan trọng hơn một tệp mỏng đơn thuần.

1. Vì sao Sẵn sàng cho AI Search khác với những điều cơ bản của SEO

SEO truyền thống hỏi liệu một trang có thể được thu thập, lập chỉ mục, xếp hạng và được nhấp hay không. AI search bổ sung một lớp khác: hệ thống có thể hiểu thương hiệu, sản phẩm, ưu đãi, giá, đánh giá, tình trạng còn hàng, chính sách và các mối quan hệ giữa thực thể đủ tốt để trả lời câu hỏi hoặc đề xuất sản phẩm hay không?

Sự khác biệt này đặc biệt quan trọng với DTC vì các trang ecommerce chứa rất nhiều chi tiết mà con người có thể hiểu ngay, nhưng máy thì dễ thấy rối. Người mua có thể nhìn vào trang sản phẩm và hiểu tên sản phẩm, giá, kích cỡ, tùy chọn đăng ký, giảm giá, đánh giá, tình trạng tồn kho và chính sách trả hàng. Một crawler hoặc AI agent cần các dữ kiện đó được biểu đạt nhất quán.

Metadata có ích. Open Graph có ích. Thẻ canonical có ích. llms.txt có thể giúp crawler tìm nội dung quan trọng. Nhưng cấu trúc ở cấp độ sản phẩm mới là phép thử thực sự. Nếu một trợ lý mua sắm AI đang so sánh năm loại bột protein, sản phẩm chăm sóc da, nến, váy hoặc gói cà phê định kỳ, nó cần các dữ kiện có cấu trúc. Thiếu chúng, thương hiệu có thể được nhìn thấy nhưng không được hiểu một cách đáng tin cậy.

Báo cáo này tách bốn lớp sẵn sàng:

1. Lớp tệp AI: llms.txt có tồn tại hay không, và nếu có thì nó bị thiếu, soft 404, mặc định của nền tảng, tự làm đơn giản hay tự làm có cấu trúc.
2. Lớp dữ liệu có cấu trúc tổng quát: JSON-LD, Organization, WebSite, BreadcrumbList và schema Product.
3. Lớp trang sản phẩm: schema Product, tín hiệu ưu đãi hoặc giá, tín hiệu đánh giá hoặc xếp hạng, và tín hiệu còn hàng.
4. Lớp metadata: canonical, meta description, Open Graph image, Twitter card, hreflang và các ngữ cảnh khác mà máy có thể đọc.

Mô hình theo lớp này quan trọng vì nó ngăn kết luận quá hời hợt. Một thương hiệu có llms.txt nhưng không có dữ kiện sản phẩm thì không sẵn sàng như vẻ ngoài của nó. Một thương hiệu không có llms.txt nhưng có schema phong phú ở trang sản phẩm có thể dễ hiểu hơn so với những gì lớp tệp gợi ý.

Xem dữ liệu sản phẩm có cấu trúc trong thực tế

2. Câu chuyện llms.txt: Một lớp mỏng, phần lớn do nền tảng tạo ra

Kiểm tra llms.txt tạo ra năm nhóm chất lượng:

Nhóm chất lượng	Tên miền	Diễn giải
Mặc định của nền tảng	629	Một tệp tiêu chuẩn do nền tảng tạo ra, thường mỏng nhưng hợp lệ
Thiếu	388	Không tìm thấy tệp có thể sử dụng
Soft 404	133	Phản hồi gây hiểu lầm hoặc không hữu ích
Tự làm, cấu trúc đơn giản	57	Tệp do người làm hoặc tùy chỉnh, nhưng cấu trúc hạn chế
Tự làm, có cấu trúc	31	Tệp tự làm đầy đủ hơn, có tiêu đề, liên kết, thuật ngữ sản phẩm hoặc chính sách

Đây là sắc thái quan trọng nhất của báo cáo. Bề ngoài, mức độ áp dụng llms.txt trông khá mạnh vì các tệp mặc định của nền tảng xuất hiện rất nhiều. Nhưng mặc định của nền tảng không giống một chiến lược AI search có chủ đích. Nó thường chỉ là một lớp chỉ dẫn cơ bản.

Điều đó không có nghĩa là tệp mặc định của nền tảng là vô giá trị. Chúng có thể giúp crawler tìm các đường dẫn quan trọng. Chúng cũng cho thấy các quyết định ở cấp nền tảng có thể thay đổi thị trường nhanh như thế nào. Một nền tảng có thể cung cấp cho hàng trăm cửa hàng một tệp có thể đọc bằng máy trước khi phần lớn đội ngũ thương hiệu kịp bàn về vận hành AI search.

Nhưng nhóm tự làm, có cấu trúc nhỏ hơn nhiều: 31 tên miền. Các ví dụ trong kiểm tra gồm những tệp tự làm có cấu trúc từ các thương hiệu như Dermalogica, Ad Hoc Atelier, DKNY, và một số ví dụ ai_ready như Magic Mind, Le Petit Ballon, Maine Lobster Now, Yo Mama's Foods và Three Ships Beauty. Đây là những ví dụ tích cực hữu ích vì chúng cho thấy ý nghĩa của việc vượt ra khỏi tệp mặc định: nhiều liên kết hơn, nhiều tiêu đề hơn, nhiều thuật ngữ sản phẩm hơn, nhiều thuật ngữ chính sách hơn và cấu trúc có chủ đích hơn.

Nhóm soft-404 cũng rất quan trọng. Soft 404 nghĩa là yêu cầu có phản hồi, nhưng không phải một tệp llms.txt hữu ích. Điều đó có thể đánh lừa các cuộc audit đơn giản. Với mức sẵn sàng cho AI search, kiểm tra tồn tại thôi là chưa đủ. Kiểm tra chất lượng mới quan trọng.

3. Cấu trúc ở cấp độ sản phẩm mới là khoảng cách thực sự

Khoảng cách mạnh nhất trong dữ liệu là schema Product.

Schema Product ở trang chủ chỉ xuất hiện trên 0,9% các tên miền được chấm điểm. Schema Product ở trang sản phẩm xuất hiện trên 39,2% các tên miền có trang sản phẩm được thử kiểm tra. Tín hiệu giá ở trang sản phẩm xuất hiện trên 48,1%, và tín hiệu đánh giá hoặc xếp hạng xuất hiện trên 43,5%.

Những con số này kể một câu chuyện rõ ràng. Các dữ kiện sản phẩm cơ bản không được máy đọc một cách nhất quán, ngay cả khi thương hiệu có cửa hàng ecommerce.

Điều này quan trọng vì AI search và AI shopping có khả năng sẽ thưởng cho sự rõ ràng. Nếu một trang sản phẩm hiển thị schema Product, ưu đãi, giá, tình trạng còn hàng, tín hiệu đánh giá và liên kết chính sách, nó cho máy nhiều dữ kiện đáng tin cậy hơn. Nếu các dữ kiện này bị chôn trong JavaScript, template không nhất quán, hình ảnh hoặc widget động, máy có thể hiểu sai hoặc bỏ qua.

Khoảng cách sẵn sàng không chỉ là câu chuyện về xếp hạng. Nó là câu chuyện về cách biểu đạt. Khi các hệ thống AI tóm tắt một danh mục sản phẩm, so sánh lựa chọn, trả lời câu hỏi "tốt nhất cho" hoặc tạo khuyến nghị mua sắm, những thương hiệu có dữ kiện sản phẩm sạch hơn có thể dễ được đưa vào hơn và chính xác hơn.

Các ví dụ tích cực từ nhóm ai_ready cho thấy điều đó:

• Mokobara đạt điểm cao nhất trong kết quả là 83.
• Magic Mind, Le Petit Ballon và Maine Lobster Now đều đạt 81.
• Yo Mama's Foods đạt 80.
• La Maison Convertible, Unbloat, Vinocheepo và NuRange Coffee đạt 79.
• Three Ships Beauty đạt 77.
• Manukora đạt 75.

Những ví dụ này trải rộng nhiều ngành. Sẵn sàng cho AI không chỉ là vấn đề của ngành làm đẹp hay ngành công nghệ. Nó quan trọng với thực phẩm, chăm sóc sức khỏe, nội thất, thời trang, sản phẩm ngách và bất kỳ danh mục nào mà người mua có thể hỏi một hệ thống AI để nhận khuyến nghị, so sánh hoặc giải thích.

4. Các tầng sẵn sàng AI: Phần lớn thương hiệu vẫn đang ở dưới ngưỡng

Phân bổ theo tầng là:

Tầng	Tên miền	Tỷ lệ trong mẫu
Chưa sẵn sàng	435	35,1%
Sẵn sàng một phần	425	34,3%
Khả năng được tìm thấy cơ bản	367	29,6%
Sẵn sàng cho AI	11	0,9%

Tên gọi được đặt theo hướng thực dụng. Chưa sẵn sàng không có nghĩa là thương hiệu tệ. Nó có nghĩa là các tín hiệu công khai được mô hình này dùng chưa cho thấy đủ mức sẵn sàng cho AI search. Sẵn sàng một phần nghĩa là đã có một số mảnh ghép, nhưng còn thiếu các lớp quan trọng. Khả năng được tìm thấy cơ bản nghĩa là thương hiệu đã dễ thấy hơn với máy, nhưng có thể vẫn thiếu độ đầy đủ ở cấp độ sản phẩm. Sẵn sàng cho AI nghĩa là tên miền cho thấy sự kết hợp mạnh hơn giữa chất lượng tệp, dữ liệu có cấu trúc, dữ kiện sản phẩm và metadata.

Chỉ 11 tên miền đạt tầng cao nhất. Đó là tiêu đề lớn, nhưng insight hữu ích hơn là hình dạng của nhóm ở giữa. Mẫu gần như chia đều giữa chưa sẵn sàng, sẵn sàng một phần và khả năng được tìm thấy cơ bản. Thị trường không rỗng. Nó đang chuyển tiếp. Nhiều thương hiệu có một số tín hiệu, nhưng rất ít thương hiệu có một hệ thống hoàn chỉnh.

Điều này tạo ra cơ hội ngắn hạn. Sẵn sàng cho AI search vẫn còn đủ sớm để một thương hiệu có thể đi từ trung bình lên mạnh bằng những việc khá thực tế: cải thiện llms.txt, xác thực schema, hiển thị dữ kiện sản phẩm, làm sạch metadata và giúp trang sản phẩm dễ được máy phân tích hơn.

5. Mẫu theo ngành: Làm đẹp và thời trang đang đi trước, nhưng chưa ngành nào hoàn tất

Phân loại ngành chỉ mang tính định hướng, không tuyệt đối. Dù vậy, bảng ngành cho thấy những mẫu hữu ích:

Ngành	Mẫu	Điểm sẵn sàng AI trung bình	llms tự làm hoặc có cấu trúc	Schema ở trang sản phẩm	Tỷ lệ schema trang sản phẩm
Làm đẹp & Chăm sóc da	98	46,2	3	56	57,1%
Thời trang & Giày dép	149	45,7	6	79	53,0%
Trang sức & Phụ kiện	34	44,5	0	20	58,8%
Thú cưng	15	43,5	0	8	53,3%
Trẻ sơ sinh & Trẻ em	27	42,6	1	15	55,6%
Thực phẩm & Đồ uống	118	42,5	5	58	49,2%
Nhà cửa & Nội thất	48	42,3	0	23	47,9%
Sức khỏe & Chăm sóc bản thân	58	40,7	6	27	46,6%
Ngoài trời & Thể thao	49	39,8	1	23	46,9%

Làm đẹp & Chăm sóc da có điểm sẵn sàng AI trung bình cao nhất là 46,2. Thời trang & Giày dép theo sau với 45,7. Các ngành này thường có template ecommerce mạnh, danh mục sản phẩm phong phú, đánh giá, biến thể, tài sản hình ảnh và nhu cầu nội dung lớn. Chúng có thể hưởng lợi nhanh hơn từ công việc cấu trúc sản phẩm.

Trang sức & Phụ kiện có tỷ lệ schema ở trang sản phẩm cao ở mức 58,8%, nhưng trong bảng ngành lại không có phát hiện llms.txt tự làm hoặc có cấu trúc. Điều đó cho thấy vì sao mức sẵn sàng phải được nhìn theo nhiều lớp. Một ngành có thể mạnh về schema sản phẩm nhưng yếu về chất lượng tệp AI.

Thực phẩm & Đồ uống có một số ví dụ tích cực mạnh, bao gồm Maine Lobster Now, Yo Mama's Foods, NuRange Coffee và Manukora. Điều này quan trọng vì sản phẩm thực phẩm và đồ uống thường cần các dữ kiện rõ ràng: nguyên liệu, dinh dưỡng, khẩu phần, đăng ký định kỳ, nguồn gốc, vận chuyển, bảo quản, đánh giá và tình trạng còn hàng. Hệ thống AI chỉ có thể biểu diễn chính xác các chi tiết này nếu site bày ra chúng một cách gọn gàng.

Sức khỏe & Chăm sóc bản thân có tỷ lệ llms tự làm hoặc có cấu trúc là 10,3%, cao nhất trong các ngành lớn ở bảng, nhưng điểm trung bình chỉ 40,7. Điều này cho thấy một số thương hiệu trong ngành đang chủ động thử nghiệm với tệp có thể đọc bởi AI, trong khi cấu trúc ở trang sản phẩm vẫn còn nhiều chỗ cần cải thiện. Với gánh nặng về niềm tin và giáo dục trong wellness, đây nên là một trong những ngành mạnh tay nhất về dữ kiện có cấu trúc.

Chưa ngành nào hoàn tất. Ngay cả các ngành dẫn đầu cũng vẫn dưới 50/100 trung bình. Điều đó khiến nội dung về sẵn sàng AI theo từng ngành trở thành một cơ hội mạnh cho người viết SEO và chuyên gia tư vấn.

6. Hình mẫu tốt trông như thế nào: Mẫu tích cực từ các thương hiệu sẵn sàng cho AI

Nhóm ai_ready tuy nhỏ nhưng rất hữu ích vì nó cho thấy các mẫu đáng học theo.

Mokobara đạt 83, cao nhất trong kết quả. Đây là ví dụ về mức sẵn sàng mạnh tổng hợp chứ không chỉ thắng ở một tín hiệu đơn lẻ.

Magic Mind, Le Petit Ballon và Maine Lobster Now đều đạt 81 và thuộc nhóm llms tự làm, có cấu trúc. Điều đó quan trọng vì chúng cho thấy công việc có chủ đích ở cấp tệp, chứ không chỉ dựa vào mặc định của nền tảng.

Yo Mama's Foods đạt 80, cũng với llms tự làm, có cấu trúc. Các thương hiệu thực phẩm có thể hưởng lợi từ cấu trúc đọc được bởi AI vì hệ thống AI có thể được hỏi về thành phần, hương vị, trường hợp sử dụng, công thức, phù hợp với chế độ ăn và so sánh.

Three Ships Beauty đạt 77 với llms tự làm, có cấu trúc. Làm đẹp là một ngành lý tưởng cho mức sẵn sàng AI có cấu trúc vì người mua hỏi về loại da, thành phần, quy trình chăm sóc, kết cấu, đánh giá và lựa chọn thay thế.

Manukora đạt 75. Mật ong và các sản phẩm thực phẩm gần với wellness thường cần được giáo dục về nguồn gốc, chất lượng, lợi ích, chứng nhận và cách dùng, nên tín hiệu sản phẩm và chính sách có cấu trúc rất giá trị.

Bài học không phải là mọi thương hiệu phải giống hệt nhau. Bài học là sẵn sàng cho AI là một hệ thống:

• Một tệp llms.txt hữu ích
• Metadata sạch
• Dữ liệu tổ chức và website có cấu trúc
• Schema ở trang sản phẩm
• Tín hiệu giá và ưu đãi
• Tín hiệu đánh giá hoặc xếp hạng
• Tín hiệu tình trạng còn hàng
• Chính sách và hỗ trợ rõ ràng

Bất kỳ lớp nào cũng có ích. Nhưng sự kết hợp mới tạo ra mức sẵn sàng.

7. Vì sao chỉ llms.txt là chưa đủ

llms.txt đã trở thành cách nói tắt tiện lợi cho mức sẵn sàng AI. Điều đó dễ hiểu vì nó dễ thấy, dễ kiểm tra và đủ mới để tạo cảm giác chiến lược. Nhưng nghiên cứu này cho thấy vì sao không nên coi nó là toàn bộ câu chuyện.

Một tệp llms.txt mặc định của nền tảng có thể tạo ra một cánh cửa cơ bản. Nó có thể chỉ cho crawler tới các trang quan trọng. Nó có thể nói với máy rằng site có một điểm vào có thể đọc được bởi AI. Nhưng nếu trang sản phẩm không hiển thị rõ dữ kiện sản phẩm, cánh cửa đó chỉ dẫn vào một căn phòng bừa bộn.

Vấn đề AI search không chỉ là "crawler có tìm thấy site không?" Mà là:

• Crawler có nhận diện được sản phẩm không?
• Nó có nhận diện được thương hiệu không?
• Nó có phân tích được giá không?
• Nó có phân tích được tình trạng còn hàng không?
• Nó có nhận diện được đánh giá hoặc xếp hạng không?
• Nó có phân biệt được nội dung sản phẩm với nội dung marketing không?
• Nó có hiểu được chính sách không?
• Nó có so sánh được các biến thể không?
• Nó có trích dẫn đúng trang canonical không?

llms.txt giúp về điều hướng và ưu tiên. Dữ liệu sản phẩm có cấu trúc giúp về khả năng hiểu. Sẵn sàng cho AI cần cả hai.

8. Sổ tay vận hành: Cách cải thiện mức sẵn sàng cho AI search

Với các đội DTC và ecommerce, quy trình thực tế khá rõ ràng.

Bước 1: Kiểm tra lớp tệp AI. Tên miền có llms.txt không? Nó có thật hay là soft 404? Nó là mặc định của nền tảng, tự làm đơn giản hay có cấu trúc? Nó có trỏ tới các trang hữu ích không?

Bước 2: Audit metadata. Xác nhận thẻ canonical, meta description, ảnh Open Graph, Twitter card, hreflang nếu có liên quan và viewport cho thiết bị di động. Những thứ này không hào nhoáng, nhưng chúng giúp máy xây ngữ cảnh.

Bước 3: Xác thực JSON-LD. Kiểm tra schema Organization, WebSite, BreadcrumbList và Product. Schema Product là khoảng trống quan trọng nhất của ecommerce.

Bước 4: Audit trang sản phẩm, không chỉ trang chủ. AI shopping sẽ quan tâm đến trang sản phẩm. Xác nhận tên sản phẩm, mô tả, ảnh, giá, ưu đãi, tình trạng còn hàng, SKU, đánh giá, xếp hạng, biến thể và chính sách trả hàng.

Bước 5: Làm dữ kiện sản phẩm ổn định. Tránh chỉ giấu các dữ kiện quan trọng trong hình ảnh, các tab không render sạch hoặc widget JavaScript mà crawler có thể không phân tích được.

Bước 6: Cải thiện độ rõ ràng của chính sách. Thông tin vận chuyển, trả hàng, điều khoản đăng ký, bảo hành, chứng nhận và tuyên bố an toàn nên dễ tìm và dễ phân tích.

Bước 7: Kiểm tra lại sau khi thay template. Schema thường bị hỏng khi redesign, đổi theme, thay app hoặc chuyển sang headless. Hãy coi dữ liệu có cấu trúc là một phần của QA.

Bước 8: Sở hữu cả hệ thống. Mức sẵn sàng cho AI không nên chỉ nằm ở SEO. Nó chạm tới ecommerce, sản phẩm, nội dung, kỹ thuật, pháp lý và hỗ trợ khách hàng.

9. Điều mà đội SEO và nội dung có thể trích dẫn

Nghiên cứu này tạo ra một số góc trích dẫn mạnh:

"Chỉ 11 trong 1.238 tên miền DTC được chấm điểm đạt tầng sẵn sàng cho AI." Đây là góc nhìn rộng nhất về mức sẵn sàng.

"llms.txt khá phổ biến, nhưng chủ yếu do nền tảng tạo ra." Nhóm mặc định của nền tảng có 629 tên miền, trong khi tệp tự làm, có cấu trúc chỉ xuất hiện ở 31.

"Schema Product ở trang chủ chỉ xuất hiện trên 0,9% tên miền được chấm điểm." Đây là khoảng trống dữ liệu có cấu trúc rõ nhất.

"Schema Product ở trang sản phẩm xuất hiện trên 39,2% ở những nơi trang sản phẩm được thử kiểm tra." Điều này thêm sắc thái: trang sản phẩm tốt hơn trang chủ, nhưng vẫn chưa đầy đủ.

"Làm đẹp và thời trang dẫn đầu bảng ngành, nhưng vẫn trung bình dưới 50/100." Điều này tạo ra một góc nhìn theo ngành.

"Mức sẵn sàng cho AI là theo lớp." Đây là điểm giáo dục quan trọng nhất cho độc giả, những người có thể nhầm llms.txt với mức sẵn sàng.

Điều cần lưu ý là dữ liệu phản ánh các tín hiệu công khai trên website trong mẫu này, không phải mức áp dụng của cả ngành và cũng không phải hiệu suất tìm kiếm nội bộ.

10. AI shopping thay đổi điều gì cho các đội DTC

Khám phá ecommerce truyền thống được xây quanh trang, xếp hạng, quảng cáo và lượt nhấp. Người mua tìm kiếm, so sánh kết quả, mở trang, đọc đánh giá và ra quyết định. AI shopping và các công cụ trả lời rút ngắn hành trình đó. Người mua có thể hỏi "loại sốt ít đường tốt nhất cho món pasta tối trong tuần", "ba lô xách tay dưới 200 đô có đánh giá tốt", hoặc "sữa rửa mặt dịu nhẹ cho da nhạy cảm không hương liệu". Hệ thống AI có thể tóm tắt lựa chọn trước khi người mua nhìn thấy trang của thương hiệu.

Điều đó thay đổi vai trò của trang sản phẩm. Trang vẫn phải thuyết phục con người, nhưng cũng phải mô tả sản phẩm đủ rõ để máy có thể so sánh. Giọng điệu thương hiệu thôi là chưa đủ. Hình ảnh đẹp thôi là chưa đủ. Tên sản phẩm hay thôi là chưa đủ. Máy cần dữ kiện: đó là gì, dành cho ai, giá bao nhiêu, có còn hàng hay không, có những biến thể nào, đánh giá nói gì, những tuyên bố nào được hỗ trợ, thành phần hoặc vật liệu nào quan trọng, và chính sách nào áp dụng.

Đó là lý do vì sao cấu trúc ở cấp độ sản phẩm quan trọng hơn một tệp AI chung chung. llms.txt có thể giúp crawler biết nên nhìn ở đâu. Schema Product và dữ kiện trang sản phẩm sạch sẽ giúp nó hiểu thứ nó tìm thấy.

Rủi ro cho thương hiệu DTC không chỉ là bị loại khỏi cuộc chơi. Nó còn là bị mô tả sai. Nếu trang sản phẩm không rõ ràng, một câu trả lời AI có thể tóm tắt sai tính năng, bỏ sót điểm khác biệt quan trọng, bỏ qua một chính sách quan trọng hoặc so sánh sản phẩm một cách không công bằng với đối thủ có cấu trúc tốt hơn. Theo nghĩa đó, mức sẵn sàng cho AI một phần là vấn đề bảo vệ thương hiệu.

Với các ngành có hành trình cân nhắc phức tạp, mức độ rủi ro còn cao hơn. Người mua đồ làm đẹp hỏi về loại da, thành phần, quy trình chăm sóc, độ nhạy cảm và kết quả. Người mua thực phẩm hỏi về dinh dưỡng, dị ứng, nguồn gốc, hương vị, công thức và sự phù hợp với chế độ ăn. Người mua thời trang hỏi về phom dáng, kích cỡ, chất liệu, trả hàng và phối đồ. Người mua wellness hỏi về bằng chứng, cách dùng, độ an toàn và độ tin cậy. Người mua đồ gia dụng hỏi về kích thước, vật liệu, giao hàng, lắp ráp và độ bền. Tất cả đều là vấn đề nội dung có thể đọc bằng máy, không chỉ là vấn đề marketing.

Cơ hội nằm ở chỗ phần lớn thương hiệu vẫn còn rất sớm. Điểm sẵn sàng trung bình chỉ 36,4/100, và chỉ 11 tên miền đạt tầng ai_ready. Thương hiệu không cần chờ một lần làm lại toàn bộ site. Có thể bắt đầu với template, schema, độ rõ ràng của chính sách và dữ kiện sản phẩm.

11. Kế hoạch sẵn sàng AI theo từng bộ phận

Mức sẵn sàng cho AI không nên thuộc riêng SEO. Nó chạm tới nhiều nhóm.

SEO chịu trách nhiệm về khả năng được tìm thấy và xác thực schema. Đội SEO nên audit thẻ canonical, metadata, dữ liệu có cấu trúc, schema Product, breadcrumbs, hreflang và khả năng thu thập. Họ cũng nên theo dõi xem schema Product có còn hoạt động sau khi thay theme và cập nhật app hay không.

Ecommerce chịu trách nhiệm về dữ kiện trang sản phẩm. Tên sản phẩm, giá, biến thể, tình trạng còn hàng, bundle, đăng ký định kỳ, đánh giá, điều khoản vận chuyển và chi tiết trả hàng phải rõ ràng và nhất quán. Nếu các dữ kiện này bị phân mảnh trên widget, tab, hình ảnh và script, máy có thể gặp khó.

Nội dung chịu trách nhiệm về chiều sâu giải thích. Các hệ thống AI thưởng cho những trang trả lời câu hỏi một cách rõ ràng. Hướng dẫn mua, bảng so sánh, giải thích thành phần, trang về trường hợp sử dụng, hướng dẫn chọn size và phần FAQ có thể giúp cả người và máy.

Kỹ thuật chịu trách nhiệm về chất lượng triển khai. Schema phải hợp lệ, ổn định và dựa trên template. Dữ kiện sản phẩm không nên phụ thuộc hoàn toàn vào render phía client dễ lỗi. Template trang sản phẩm nên được kiểm thử sau mỗi lần phát hành.

Pháp lý và tuân thủ chịu trách nhiệm về tuyên bố. Nếu sản phẩm có các tuyên bố về sức khỏe, bền vững, an toàn, thành phần hoặc hiệu năng, những tuyên bố đó phải chính xác, có thể hỗ trợ được và dễ diễn giải. Hệ thống AI có thể khuếch đại những tuyên bố không rõ ràng.

Hỗ trợ khách hàng chịu trách nhiệm về các câu hỏi lặp lại. Vé hỗ trợ cho biết người mua và hệ thống AI có thể hỏi gì: thời gian giao hàng, độ vừa vặn, thành phần, khả năng tương thích, trả hàng, hủy đăng ký, hướng dẫn bảo quản và so sánh sản phẩm. Những câu hỏi đó nên được đưa vào nội dung trang sản phẩm.

Lãnh đạo chịu trách nhiệm về ưu tiên. Mức sẵn sàng cho AI cạnh tranh với nhiều dự án khác. Lập luận cho lãnh đạo rất đơn giản: dữ kiện sản phẩm có cấu trúc hỗ trợ SEO, AI search, product feed, quảng cáo mua sắm, tìm kiếm trên site, hỗ trợ và chuyển đổi. Đây không chỉ là một dự án AI.

12. Trang sản phẩm tối thiểu nhưng đủ dùng cho AI

Một trang sản phẩm DTC thực tế nên hiển thị:

• Tên sản phẩm
• Tên thương hiệu
• URL canonical
• Mô tả sản phẩm
• Hình ảnh sản phẩm
• Giá
• Đơn vị tiền tệ
• Tình trạng còn hàng
• Thông tin biến thể
• SKU hoặc mã định danh sản phẩm nếu phù hợp
• Tín hiệu đánh giá hoặc xếp hạng nếu có
• Chi tiết ưu đãi
• Liên kết chính sách vận chuyển và trả hàng
• Thông tin về chất liệu, thành phần hoặc thông số kỹ thuật nếu phù hợp với ngành
• Nội dung FAQ hoặc hỗ trợ cho những câu hỏi mua lặp lại

Trang cũng nên có schema Product hợp lệ và tránh giấu các dữ kiện quan trọng chỉ trong hình ảnh hoặc script mà crawler có thể không phân tích được. Điều này không có nghĩa là phải làm trang sản phẩm nhàm chán. Nó đòi hỏi tách biệt giữa thiết kế thuyết phục và dữ kiện có cấu trúc đáng tin cậy.

Với nhiều thương hiệu, chiến thắng nhanh nhất không phải là viết một tài liệu chiến lược AI dài dòng. Mà là xác thực mười trang sản phẩm quan trọng, sửa schema và đảm bảo các dữ kiện sản phẩm quan trọng nhất hiển thị trong HTML và dữ liệu có cấu trúc.

Phương pháp luận

Nghiên cứu này sử dụng bộ dữ liệu DTC dual-report được thu thập vào 11/05/2026. Nó chấm điểm 1.238 tên miền bằng master.csv, detection.csv, seo_signals.csv, các tệp llms.txt thô và HTML thô của trang sản phẩm khi có sẵn.

Mô hình chấm điểm tách bốn lớp:

1. Lớp tệp AI: sự tồn tại và chất lượng của llms.txt.
2. Lớp dữ liệu có cấu trúc tổng quát: JSON-LD, Organization, WebSite, BreadcrumbList, Product và các tín hiệu có cấu trúc liên quan.
3. Lớp trang sản phẩm: schema Product, tín hiệu ưu đãi hoặc giá, tín hiệu đánh giá hoặc xếp hạng, và tín hiệu tình trạng còn hàng.
4. Lớp metadata: canonical, meta description, ảnh Open Graph, Twitter card, hreflang và ngữ cảnh trang liên quan.

Mô hình tạo ra điểm sẵn sàng AI từ 0 đến 100 và xếp tên miền vào một trong bốn tầng: chưa sẵn sàng, sẵn sàng một phần, khả năng được tìm thấy cơ bản, và ai_ready.

Lưu ý thận trọng

1. Sẵn sàng AI không phải lưu lượng AI. Điểm số không đo các lượt giới thiệu thực tế từ hệ thống tìm kiếm AI hay agent mua sắm.

2. Tín hiệu công khai là mức tối thiểu. Một số dữ liệu có cấu trúc có thể tải động hoặc xuất hiện theo cách mà crawl không ghi nhận được.

3. Chất lượng llms.txt được xác định theo heuristic. Các tệp tự làm, có cấu trúc được nhận diện qua những đặc điểm quan sát được như tiêu đề, liên kết, thuật ngữ sản phẩm và thuật ngữ chính sách.

4. Phát hiện trang sản phẩm phụ thuộc vào các lần fetch trang sản phẩm đã thử. Tỷ lệ schema trang sản phẩm chỉ áp dụng ở những nơi trang sản phẩm được thử kiểm tra và có sẵn.

5. Mẫu không phải là điều tra dân số đầy đủ của DTC. Nó thiên lệch về các thương hiệu hiện diện trong hệ sinh thái công cụ ecommerce và các danh sách DTC công khai.

6. Nhãn ngành chỉ mang tính định hướng. Chúng hữu ích cho so sánh rộng, nhưng không phải taxonomy chính xác.

7. Tiêu chuẩn AI search vẫn đang thay đổi. Mô hình chấm điểm được thiết kế như một chuẩn thực dụng cho năm 2026, không phải một định nghĩa cố định.

Ghi chú về khả năng tái lập

Thư mục bàn giao bao gồm:

• analyze_ai_search_readiness.py — script chấm điểm được dùng để đánh giá các tên miền DTC trên llms.txt, dữ liệu có cấu trúc, tín hiệu trang sản phẩm và tín hiệu metadata.
• ai_search_readiness_scores.csv — điểm sẵn sàng AI cấp tên miền, các tầng và tín hiệu thành phần.
• llms_quality_audit.csv — audit chất lượng llms.txt ở cấp tên miền, bao gồm phân loại mặc định của nền tảng, soft-404, thiếu, tự làm đơn giản và tự làm có cấu trúc.
• category_ai_readiness.csv — so sánh mức sẵn sàng AI theo ngành.
• top_ai_ready_brands.csv — các tên miền có điểm cao nhất để biên tập và chọn ví dụ.
• lowest_ai_ready_brands.csv — các tên miền có điểm thấp nhất để phân tích khoảng trống và biên tập.
• summary.json — các chỉ số tổng hợp nổi bật được trích dẫn trong báo cáo này, bao gồm cỡ mẫu, số lượng theo tầng, điểm trung bình, điểm trung vị và tỷ lệ tín hiệu trang sản phẩm.

Tải xuống toàn bộ script và bộ dữ liệu

---

Hoan nghênh các chỉnh sửa về phương pháp, vấn đề dữ liệu và phân tích tiếp theo tại support@thunderbit.com. Báo cáo này được xuất bản độc lập với bất kỳ vị thế thương mại nào Thunderbit nắm giữ; chúng tôi xây dựng một công cụ thu thập dữ liệu web dùng AI, và chúng tôi có lợi ích mang tính cấu trúc trong việc các website ecommerce công khai trở nên dễ hiểu chính xác hơn cho con người, công cụ tìm kiếm và các agent AI. Chuẩn so sánh này dựa trên 1.238 tên miền DTC được chấm điểm từ các tín hiệu website công khai thu thập vào ngày 11/05/2026. Dữ liệu trong báo cáo này tự đứng vững. — Nhóm nghiên cứu Thunderbit, tháng 5/2026.

Dùng thử Thunderbit để sẵn sàng cho AI search Get Started Free