Najczęściej nie zaczyna się od wielkiej awarii.

Przynajmniej ja widzę to inaczej. Rozmawiam z firmą produkcyjną, na przykład z producentem elementów dla budownictwa. Sprzedaż działa, klienci są, zamówienia spływają, marketing przygotowuje kolejne materiały, obsługa klienta odpowiada na zgłoszenia. Na zewnątrz wszystko wygląda normalnie.

Klient pyta o status zamówienia. Handlowiec potrzebuje aktualnej karty produktu. Marketing szuka najnowszej wersji specyfikacji do katalogu. Back office ma przygotować zestawienie dla zarządu. Niby nic wielkiego. Tylko że jedna informacja jest w systemie, druga w Excelu, trzecia w mailu, a czwartą najlepiej potwierdzić u osoby, która akurat jest na spotkaniu albo ma urlop.

Nie twierdzę, że to czyjeś lenistwo albo że firma nie umie działać. Po prostu informacja w tej organizacji płynie wolniej niż biznes.

I tu zaczyna się temat, który zwykle nazywamy długiem technologicznym. A że przez ostatnie 20 lat projektów IT dla producentów trochę tych długów widziałem, to się wypowiem.

Nie lubię zaczynać od definicji, bo wtedy łatwo zrobić z tego tekst dla IT. A to nie jest tekst dla IT. Jeśli jesteś właścicielem, CEO albo członkiem zarządu firmy produkcyjnej B2B, ważniejsze jest inne pytanie: czy twoja firma traci pieniądze, bo zbyt wiele rzeczy nadal wymaga ręcznego szukania, przepisywania, sprawdzania i dopytywania?

Dług technologiczny nie zawsze wygląda jak stary system, którego nikt nie chce dotknąć. Czasem to bardzo zwyczajny dzień pracy. Dane są w kilku miejscach. Raport powstaje ręcznie. Aktualna wersja cennika krąży w mailach. Pliki produktowe mają kilka wersji. Zgłoszenie klienta trzeba przepisać z jednego miejsca do drugiego.

Pojedynczo to są drobiazgi. W skali miesiąca mogą być setkami godzin pracy. W skali roku mogą być realnym kosztem, którego nie widać w jednej pozycji budżetu.

I właśnie dlatego ten problem jest tak podstępny. Nie dostajesz faktury za „chaos informacyjny”. Nie masz w controllingu osobnej kategorii „czas stracony na ręczne obejścia”. Nie widzisz w raporcie, ile razy klient czekał za długo, kampania ruszyła później, a decyzja zarządu opierała się na danych składanych ręcznie przez kilka osób.

Widzisz za to objawy. Zespół sprzedaży jest zajęty, ale nadal potrzebuje więcej wsparcia. Obsługa klienta ma coraz więcej podobnych spraw. Marketing tworzy materiały, ale długo zbiera aktualne dane o produktach. Raporty powstają, ale ktoś musi je ręcznie poskładać. Nowe pomysły biznesowe brzmią prosto na spotkaniu zarządu, a potem grzęzną, bo dane, procesy i systemy nie są gotowe na ich obsłużenie.

Firma rośnie, ale sposób działania pozostaje z poprzedniej skali.

To jest moment, w którym technologia zaczyna działać jak ukryty podatek od wzrostu. Im więcej klientów, produktów, wariantów, kanałów komunikacji i danych, tym więcej energii idzie nie na rozwój, tylko na obchodzenie ograniczeń. Twoi ludzie nadal dowożą. Często właśnie dlatego problem jest tak długo niewidzialny. Organizacja przyzwyczaja się do tego, że ktoś zawsze jakoś to sprawdzi, poprawi, przepisze, policzy albo dopilnuje.

Tylko że „jakoś” nie jest strategią skalowania firmy.

W średnich i dużych firmach produkcyjnych B2B największy koszt nie zawsze siedzi na hali produkcyjnej. Często jest między sprzedażą, obsługą klienta, marketingiem i back office. Czyli dokładnie tam, gdzie firma powinna szybko odpowiadać, jasno komunikować, korzystać ze spójnych danych i podejmować decyzje bez ręcznego zszywania informacji.

Pomyśl o tym bardzo praktycznie. Ile czasu zajmuje odpowiedź na typowe pytanie klienta? Ile osób musi dotknąć jednej sprawy, zanim ktoś dostanie konkretną informację? Ile razy w tygodniu marketing, sprzedaż albo obsługa klienta szukają danych, które teoretycznie już gdzieś są? Ile raportów, zestawień i statusów powstaje tylko dlatego, że systemy nie dają ludziom prostego obrazu sytuacji?

To są pytania o tempo działania firmy, a nie o technologię.

Bo dług technologiczny uderza w biznes na kilka bardzo konkretnych sposobów. Spowalnia obsługę klientów, bo prosta odpowiedź wymaga zbyt wielu kroków. Podnosi koszty pracy, bo firma skaluje się przez dokładanie ludzi, a nie przez usprawnianie procesu. Osłabia marketing, bo aktualne informacje produktowe nie są dostępne wtedy, kiedy są potrzebne. Utrudnia wdrażanie nowych inicjatyw, bo każdy pomysł musi przebić się przez stare zależności.

Najgorsze jest to, że przez długi czas można uznawać to za normalne.

„Tak u nas działa proces”. „Ten raport robi Ania”. „O aktualne dane trzeba zapytać Tomka”. „To jest w systemie, ale najlepiej potwierdzić mailowo”. „Marketing ma swoją wersję pliku, sprzedaż swoją, a centrala jeszcze inną”. Brzmi znajomo? Właśnie w takich zdaniach często kryje się koszt, którego zarząd nie widzi od razu.

Nie chodzi o to, żeby każdą firmę straszyć wielką transformacją cyfrową. Szczerze mówiąc, wiele firm ma już za sobą dość takich haseł. I trudno się dziwić. Jeśli słyszysz, że musisz wymienić pół organizacji, zanim zobaczysz jakikolwiek efekt, to naturalnie odkładasz temat na później.

Dlatego coraz częściej bardziej sensowne wydaje mi się inne podejście. Nie zaczynasz od pytania: jaki wielki system musimy wdrożyć? Lepiej: który proces codziennie zabiera ludziom najwięcej czasu, opóźnia odpowiedzi albo rozprasza dane?

To może być obsługa powtarzalnych maili i zgłoszeń. Może to być wsparcie customer service w odpowiadaniu na typowe pytania. Może to być narzędzie dla marketingu i sprzedaży, które porządkuje informacje o produktach, cennikach, materiałach i statusach. Może to być aplikacja webowa porządkująca przepływ danych między działami albo automatyzacja raportu, który dziś powstaje ręcznie.

Nie twierdzę, że takie narzędzie rozwiąże wszystkie problemy firmy. To byłoby zbyt łatwe. Ale dobrze wybrany mały problem potrafi pokazać coś bardzo ważnego: czy w danym obszarze technologia może realnie zdjąć koszt z organizacji.

Tutaj pojawia się AI, ale nie jako magiczna odpowiedź na wszystko.

AI nie naprawia długu technologicznego samo z siebie. Nie zastąpi rozmowy o procesach. Nie uporządkuje firmy, która sama nie wie, gdzie traci czas. Zmienia jednak ekonomikę pierwszego kroku. To, co kiedyś lądowało w szufladzie „może kiedyś, bo za drogie i za ryzykowne”, dziś częściej można sprawdzić szybciej: prototypem, lekką aplikacją webową, automatyzacją albo narzędziem wspieranym AI.

Dzięki temu szybko sprawdzisz, czy jeden konkretny problem naprawdę da się rozwiązać lepiej.

 dotyczącym firm produkcyjnych i dystrybucyjnych 70% organizacji wskazało, że dług technologiczny ma istotny wpływ na ich zdolność do innowacji. Blisko połowa uznała obecną architekturę rozwiązań za przeszkodę w innowacji. Można potraktować to jako dane z raportu. Ale można też zejść poziom niżej i zapytać dużo prościej: co w twojej firmie blokuje zmianę, mimo że na pierwszy rzut oka nie wygląda jak duży problem?

Moim zdaniem od tego warto zacząć rozmowę w zarządzie.

Zostaw na chwilę z boku tematy nowoczesnych systemów, czy listy technologii, a tym bardziej wielki program transformacji. Zacznij od miejsc, w których twoi ludzie codziennie nadrabiają ręczną pracą to, czego nie dowożą procesy i narzędzia. A potem zapytaj, ile to naprawdę kosztuje.

Nie tylko w pensjach. Także w czasie reakcji, jakości obsługi, aktualności komunikacji, utraconych szansach, frustracji zespołów, wolniejszym skalowaniu i marży, która znika w codziennych obejściach.

Bo twoja firma nie musi mieć awarii systemu, żeby tracić pieniądze przez technologię. Wystarczy, że prosta informacja wymaga pracy kilku osób.

Profil mężczyzny w okularach na tle niebieskich wizualizacji danych i wykresów

Ukryty podatek od wzrostu. Jak dług technologiczny spowalnia firmy produkcyjne B2B

Jeśli odpowiadasz za marketing w firmie produkcyjnej, ta sytuacja pewnie nie jest Ci obca.

W raporcie GA4 ruch organiczny spada. Formularzy jest mniej. Sprzedaż mówi, że leady są trudniejsze do zamknięcia. Na spotkaniach wszyscy zadają sobie pytanie, czy to rynek stygnie, czy kampanie przestały dowozić? Może czas zmienić agencję SEO, albo wszystkiemu winna jest konkurencja.

Zazwyczaj w takiej sytuacji marketing na szczyt listy priorytetów wrzuca ambitne zadanie: musimy odzyskać ruch.

Natomiast w B2B, szczególnie w produkcji, może się okazać, że taka decyzja podejmowana jest przedwcześnie, a realne wyzwanie jest większe niż może się wydawać.

Dane pokazują, że znacząco zmienia się sposób, w jaki klienci szukają dostawców i porównują ich oferty. Dotychczasowe punkty styku (informacje ze strony, katalog produktów, dokumentacja, dane techniczne, itd) nie tracą na znaczeniu, ale zmienia się sposób w jaki korzystają z nich potencjalni klienci. Znacznie większa część procesu zakupowego ma miejsce przed wejściem na stronę, które analityka zarejestruje jako sesję, nie mówiąc już o kontakcie z handlowcem, który widoczny będzie w CRMie.

W obliczu tych zmian osoby odpowiedzialne za marketing mają bardzo trudne zadanie, od którego w dużej mierze może zależeć dalszy rozwój całego przedsiębiorstwa. Zespół dalej musi budować popyt, dbać o markę, wspierać sprzedaż i pilnować jakości leadów, a równolegle przygotować digital na zupełnie nową ścieżkę, w której człowiek trafia na stronę później, jest bardziej wyedukowany, często po rekomendacji od agenta AI.

Tu zaczyna się realne wyzwanie i największa zmiana. Obok człowieka pojawia się nowy użytkownik strony, katalogu i treści produktowych: agent AI, który czyta, streszcza i porównuje ofertę w imieniu kupującego.

Branża produkcyjna ma jeszcze czas, ale jest go coraz mniej

Google podczas I/O 2026 pokazało przyszłość AI Mode i wyszukiwania z agentami. Firma nazwała nowy search box największą przebudową wyszukiwarki od ponad 25 lat w tekście 

. Interakcja z wyszukiwarką przesuwa się w stronę pogłębionego dialogu, analizy, podsumowania i rekomendacji.

Dane o kliknięciach pokazują ten sam kierunek. Według analizy 

 dla USA z okresu styczeń - kwiecień 2026, 68,01% wyszukiwań w Google zakończyło się bez kliknięcia. Ahrefs, po analizie 300 tysięcy fraz, pokazał z kolei, że obecność AI Overview korelowała z 

W branży produkcyjnej tempo tej zmiany może być trochę wolniejsze niż w innych sektorach B2B. I to jest dobra wiadomość. Badanie 

 pokazuje, że przy złożonych zakupach od producentów 85% respondentów nadal używa stron dostawców do pozyskania informacji, a tylko 12-13% wskazuje GenAI jako źródło danych w tym typie procesu zakupowego.

Niemniej produkcja jest częścią tej zmiany. Ma jeszcze chwilę na przygotowanie digitalu, zanim zachowania widoczne dziś mocniej w innych segmentach B2B staną się codziennością również tutaj. Strona dostawcy zostaje ważnym elementem działań marketingowych, natomiast jej rola się zmienia. Częściej będzie miejscem pozyskiwania wiedzy przez agentów AI. Dla ludzi pozostanie miejscem weryfikacji, pogłębienia wiedzy i utwierdzenia w słuszności podejmowanej decyzji, a rzadziej pierwszym punktem styku z marką czy produktem.

Przez lata marketing projektował stronę i treści dla różnych grup docelowych: dyrektora technicznego, kupca, inżyniera, projektanta, albo dystrybutora. Te grupy nadal pozostają w centrum. Muszą zobaczyć, czy firma może rozwiązać ich problem, czy produkt spełnia wymogi ze specyfikacji i czy dostawca budzi zaufanie.

Równolegle pojawił się drugi odbiorca. Agent AI działa inaczej niż człowiek. Ładny layout niewiele dla niego znaczy. Informacji o parametrach czy cenach szuka w dostępnych danych, a aktualna karta produktu i to, jakie dane znajdzie, mogą zadecydować o tym, czy konkretna firma pojawi się w jego rekomendacji.

. Dla CMO praktyczny wniosek jest prosty: digital trzeba przeprojektować tak, żeby człowiek mógł wygodnie podjąć decyzję, a agent AI mógł poprawnie odczytać, porównać i zacytować dane.

To powinno mieć wpływ na priorytety. Strona produktowa, katalog, PDF, opisy u dystrybutorów, wersje językowe, schema, PIM, DAM, CRM, wyszukiwarka produktowa i analityka przestają być osobnymi tematami technicznymi. Dla kupującego i agenta AI to jedna warstwa, z której czerpie informacje o firmie, produkcie i porównuje je z konkurencją.

Jeśli ta warstwa nie będzie odpowiednio przygotowana, marketing może zrobić najlepszą kampanię, a klient i tak wybierze rozwiązanie, którego ekosystem w digitalu będzie lepiej przygotowany do nowych realiów w erze AI.

Weźmy prosty scenariusz. Producent ma dobrą ofertę, wykwalifikowanych handlowców i produkt, który pasuje do zapytania. Na stronie karta produktu mówi jedno. PDF z kartą techniczną ma inne parametry i jednostki. Dystrybutor skopiował opis sprzed dwóch sezonów. Wersja EN nie ma najnowszego certyfikatu. Sprzedawcy mogliby wszystko wytłumaczyć, ale będą mieli na to szansę dopiero podczas rozmowy, do której najprawdopodobniej nie dojdzie.

Dla tej konkretnej firmy to są cztery różne miejsca i cztery różne odpowiedzialności.

Dla klienta to po prostu jeden potencjalny dostawca.

Właśnie tu spadek ruchu organicznego przestaje być tylko problemem SEO. Osoba odpowiedzialna za marketing patrzy na wykres i widzi mniej wejść. Natomiast prawdziwe wyzwanie może być wcześniej: w braku danych, w sprzecznym opisie u dystrybutora, w PDF-ie trudnym do odczytania albo na stronie, gdzie architektura i struktura informacji nie jest odpowiednio przygotowana.

 wynika, że 94% kupujących B2B używa LLM w procesie zakupowym. Jeśli firma albo produkt nie jest tam widoczna, to po prostu znika z radaru potencjalnych klientów.

Człowiek przychodzi później, ale wie więcej

W nowej ścieżce użytkownik często trafia na stronę w innym momencie niż wcześniej. Rzadziej na pierwsze rozeznanie, a częściej, żeby zrobić końcową weryfikację: czy dokumentacja się zgadza, czy produkt spełnia normy, czy termin dostawy jest możliwy, czy firma ma doświadczenie w podobnym zastosowaniu i czy cena na stronie jest ostateczna.

Gartner w maju 2026 roku pisał, że 67% kupujących B2B preferuje proces bez kontaktu z przedstawicielem handlowym, 70% woli cyfrowy self-service, a 69% zwraca się do sprzedaży, żeby 

To jest ważne dla osób odpowiedzialnych za marketing, bo rola digitalu wykracza poza pozyskanie ruchu z nowego kanału. Strona i wszystkie punkty styku przed kontaktem ze sprzedażą powinny przygotować kupującego do rozmowy, a czasem obronić firmę w porównaniu z konkurencją, czego nie pokażą żadne narzędzia analityczne.

Podobny sygnał daje Similarweb. W badaniu o widoczności marek w odpowiedziach AI użytkownicy, którzy otrzymali rekomendację marki, byli 

. Część takiego ruchu nie wróci jako elegancki referral z narzędzia AI. Może wrócić jako brand search albo ruch direct.

Dlatego spadek ruchu organicznego pokazuje tylko wycinek rzeczywistości.

Punktem wyjścia powinno być uporządkowanie cyfrowych punktów styku tak, żeby wspierały nową ścieżkę zakupu.

Pierwszy element to architektura informacji. Karty produktów, kategorie, filtry, konfigurator, dokumentacja i case studies muszą odpowiadać na pytania, które kupujący zadaje przed rozmową ze sprzedażą. W branży produkcyjnej często są to normy, certyfikaty, zakresy pracy, kompatybilność, dostępność, serwis, dane logistyczne, wersje językowe i zastosowania.

Drugi element to czytelność dla agenta AI. Dane techniczne powinny być dostępne w HTML lub tabelach, a nie tylko w PDF-ie. Dokumentacja powinna mieć aktualne wersje i spójne nazwy. Opisy u dystrybutorów muszą być spójne z tym, co pokazuje strona i o czym opowiada sprzedawca na targach. Jeśli używacie PIM, DAM albo CRM, marketing potrzebuje wspólnego procesu z osobami, które odpowiadają za aktualność danych we wszystkich tych miejscach.

Trzeci element to UX przeprojektowany pod użytkownika, który trafia na stronę na późniejszym etapie i który jest lepiej wyedukowany. Taki klient ma już sporą wiedzę o firmie, produkcie i konkurencji. Chce szybko zweryfikować konkretny szczegół, pobrać specyfikację, porównać warianty, znaleźć odpowiedni kontakt, żeby wysłać zapytanie albo upewnić się, że dostawca jest wiarygodny.

Czwarty element to analityka. Jeśli marketer widzi tylko sesję i wypełniony formularz, traci z oczu dużą część procesu zakupowego. W raporcie powinien pojawić się ruch na stronach o wysokiej intencji, pobrania dokumentacji i/lub innych plików, użycie wyszukiwarki/konfiguratora, kliknięcia w kontakt, przejścia do formularza, brand search, ruch direct i wejścia na treści techniczne.

To są wyzwania z pogranicza marketingu, UX, technologii i danych. Właśnie tam kryje się klucz, jak przejść od ogólnej diagnozy i leczenia objawów „organic spada, musimy się odbić” do zajęcia się przyczynami: które punkty styku wymagają przebudowy, które dane trzeba uporządkować i zoptymalizować, jakich informacji brakuje agentowi AI, a gdzie człowiek traci zaufanie przed kontaktem ze sprzedażą.

Z naszego doświadczenia wynika, że lepiej niż porywanie się na rewolucję AI w firmie, sprawdza się technika małych kroków.

W firmie produkcyjnej rekomendujemy wybrać jedną rodzinę produktów, istotną dla sprzedaży i przeanalizować cztery miejsca:

Po takim przeglądzie zwykle szybko widać, czy problemem faktycznie jest sam ruch, czy może to źle przygotowana ścieżka użytkownika, która nie odpowiada temu, jak obecnie prowadzony jest etap discovery w procesie zakupowym. Sprawdź, czy strona, pliki do pobrania i dystrybutor mają te same dane i parametry. Zobacz, czy dane techniczne mają zoptymalizowaną strukturę. Porównaj daty aktualizacji. Wejdź w ścieżkę kupującego, który chce zrobić research bez kontaktu z handlowcem. Potem wpisz w ChatGPT, Gemini albo Perplexity zapytanie, które mógłby zadać klient: o warianty produktu, normy, kompatybilność, dostawcę z największym doświadczeniem w danym kontekście.

Marketing w produkcji od dawna działa w trudnym układzie. Sprzedaż ma relacje z klientami i wiedzę z rynku. Product management zna szczegóły techniczne. IT utrzymuje systemy. Dystrybutorzy odpowiadają za swoje punkty styku z klientem. CMO ma dowieźć popyt i wiarygodną komunikację, choć raczej nigdy nie kontroluje wszystkich elementów, które składają się na doświadczenie kupującego.

AI wzmacnia problem, który istnieje od dawna.

Dlatego spadek ruchu z Google może być czymś więcej niż korektą po aktualizacji algorytmu. Może być sygnałem, że discovery przesuwa się w inne miejsca, a użytkownik który trafia na stronę ma inne potrzeby niż dotychczas. Może też być sygnałem, że firma jest niewidoczna dla agentów AI, przez co wypada z gry, w której zaczynają obowiązywać nowe zasady.

Humanoidalny robot AI analizuje dane produktowe na laptopie na tle tablicy ze wzorami technicznymi

Ruch z Google spada. AI analizuje produkty, PDF-y i dystrybutorów

More and more of the buying decision happens before the customer ever lands on your site. They ask AI, read what the model serves up, compare offers in a chat window. The salesperson hears from them last, once the shortlist of suppliers is already settled in their head. You can argue with this. You can assume manufacturing plays by its own rules. The data says otherwise.

Marketing teams at manufacturing companies are dealing in parallel with another, less obvious shift: who actually consumes the content published online about a brand and its products. In June 2026 Cloudflare reported that automated traffic had, for the first time, overtaken traffic generated by people, 57.5% against 42.5%. So your website, your product catalog and every piece you publish online now have two audiences. Designing a single user journey for a human is already a challenge many manufacturers struggle with. It gets harder when a second scenario shows up alongside it, one you have to think through and design for a user with entirely different, new requirements…

The decision is made in conversation with AI, not with a salesperson

Start with where the game is really played. The data more and more people are citing (the report 'State of B2B Revenue 2026' by AeolusGTM) shows that a buyer enters the purchasing process with a ready list of 4-5 suppliers, and in 95% of cases the winner comes from that group.

The salesperson gets a customer who chose their supplier much earlier. During online research, which is where marketing usually works, not sales.

That research has moved to AI. 73% of B2B buyers prefer to find suppliers and buy online (Sana Commerce, B2B Buyer Report 2025), and 89% use generative AI when choosing a supplier (whitepaper by the agencies Small and Com2Be). And if a user does reach for a traditional search engine, 68% of Google searches now end without a click to any site at all (SparkToro, data for January-April 2026).

In practice, a large part of the customer's decision-making happens during a conversation with a chatbot.

A bad buying process has been sending customers to competitors for years

Before we get to agents, one thing you can see in manufacturing companies and distributors going back years. Customers rarely leave over price alone. More often they leave because the buying process is too frustrating. Sana Commerce reports that 85% of buyers hit barriers caused by outdated systems and inaccurate data, and 75% consider switching suppliers because of it.

It is worth checking on your own turf. Open your catalog or B2B store and see whether the current stock level, delivery date and net price are visible without having to call a salesperson. If they are not, the customer who cannot see them sits squarely in that 75% considering a switch.

How does this connect to AI agents? If a person, someone with empathy, context and a real need, trips over the absence of this data, then an AI agent reading the same page mechanically simply will not see it.

And what it does not see, it will not recommend in a conversation with the customer.

Back to that 57.5% of web traffic generated by bots of various kinds. A second, independent measurement points the same way: in its bot report Imperva sees automated traffic rising from 51% in 2024 to 53% in 2025, and HUMAN Security shows machine traffic now growing eight times faster than human traffic.

AI agents drive this: programs that browse the web on someone's behalf, compare offers and increasingly take action.

Adyen's research shows where this is heading: 42% of consumers would hand an algorithm the entire purchase, payment included. That is still the consumer market, but the same mechanism is already entering B2B buying.

From this comes a conclusion that should shift the priorities of marketing teams in manufacturing companies.

The website, the product catalog and the materials in trade media have stopped having a single audience. Now it is a human and an AI agent, and the agent reads these materials differently. A nice layout tells it nothing. It will not see a price hidden behind an 'ask for a quote' button, and it will not read a spec pasted into a PDF as a downloadable image.

An agent needs data in a structure it can read mechanically: clear specifications, available prices and stock levels, consistent descriptions.

There is also a point you cannot dismiss. As much as 85% of the sources AI bases its answer on are external media and trade press, less often the company's own site (Small, Com2Be). Even a site optimized for visibility in LLMs, which is a must have, may not be enough on its own.

This is the point where someone usually asks for a quick fix. There is not one. Adapting every digital touchpoint so that it is readable and picked by agents is work spread over quarters, not a one-month campaign.

The bad news is that it is a marathon. The good news is that for most manufacturers the race is only just starting, so there is still time to take the lead.

Add one more number from the same AeolusGTM report. At any given moment only about 5% of the market is actively looking for a supplier. The other 95% is not buying now and will not respond to a salesperson reaching out.

Presence in content and in AI answers works precisely on that 95%, because it builds awareness before the buying process starts. And when the process does start, we want to be on the shortlist of possible suppliers in customers' heads, which raises the odds of winning.

A manufacturer that is first to adapt its content and data so agents can read them starts getting cited and recommended in the answers customers build their preferences on for future purchases. Companies that drag their feet will not show up in model recommendations or in customers' minds. The longer they wait, the harder it gets to catch up, because the leader's position will have settled into the algorithms.

Strategy is one thing, execution is another

So how do you approach this sensibly? Here begins the part people talk about far too little, and the part that usually decides the outcome.

Optimizing your website, content, product catalog and data for both humans and AI agents is a sizeable undertaking at the meeting point of technology, UX and communication.

From our experience, internal marketing teams at manufacturing companies are often smaller than their more developed sales counterparts, and they still have to carry the daily grind: constant communication, trade shows, ad materials and so on. Adding a project this multidimensional is a straight path to overloading the team. All the more so because projects like this tend to stall when they do not sit high enough on the priority list and have no one with decision-making authority assigned to them.

We have seen it up close. We ran two near-identical online catalog projects at two similar manufacturing companies. One launched on time. The other was stuck for five years. It was not technology or budget that decided it, because there the companies were comparable. What decided it was whether the project had a real owner with a mandate to make decisions. We described the whole story, with specifics, 

If you do one thing this week to get closer to being visible in LLMs, I recommend a simple exercise:

Type a question about your industry and product category into ChatGPT or another model, and see who it names, on what basis, and whether your company is there. Then open your own product catalog and check whether the price, availability, specification and likely delivery date can be found without contacting a salesperson.

If you are wondering how to use AI wisely in your company's next stage of growth and you are looking for a partner who understands manufacturing, get in touch. Even if it seems too early to work together, we are happy to share what we know and point you toward the best way to prepare for this new reality for manufacturers.

Kobieta i humanoidalny robot AI patrzą razem na ekran komputera - agent AI jako drugi użytkownik treści w sieci

Everything you publish online now has a second user. It's called an AI agent

Rozmowa o AI w produkcji zwykle szybko skręca w stronę obrazów z konferencji branżowych. Autonomiczne linie produkcyjne. Roboty. Predictive maintenance. Digital twins. Physical AI.

To wszystko jest ważne i w kolejnych latach zrewolucjonizuje produkcję. Z punktu widzenia użytkownika (klienta końcowego, ale również pracownika) naszą uwagę przykuwa jednak inny obszar - równie ciekawy, choć mniej spektakularny. Historia zaczyna się od adresu e-mail, na który codziennie spływają zapytania ofertowe.

W wielu firmach produkcyjnych pierwszy etap obsługi klienta wygląda dziś bardzo podobnie jak 10 czy 15 lat temu. Klient wysyła e-mail. Czasem w załączniku znajduje się PDF, Excel lub Word, czasem kilka screenów. Klient odwołuje się do poprzedniej oferty albo wcześniejszej korespondencji. Zdarza się też, że posługuje się branżowym slangiem lub używa własnych nazw produktów, które funkcjonują wyłącznie w jego organizacji.

I teraz ktoś w firmie musi to wszystko przeczytać, zrozumieć, znaleźć właściwe produkty, sprawdzić braki, uzupełnić dane, przepisać je do kolejnego systemu i przekazać dalej. Przy pojedynczym zapytaniu nie wygląda to jeszcze groźnie. Problem pojawia się wtedy, gdy takich wiadomości są setki albo tysiące miesięcznie, a każdy klient komunikuje się trochę inaczej. W tym momencie skrzynka mailowa staje się pierwszym wąskim gardłem rozległego procesu: sprzedaży, planowania, produkcji, dostawy i rozliczeń.

AI nie tak dawno traktowane było raczej jako temat eksperymentalny. Coś, co warto obserwować, przetestować na niewielkim wycinku organizacji albo pokazać na prezentacji dla zarządu. Dziś takie podejście staje się coraz bardziej ryzykowne. Coraz więcej firm nie pyta już, czy warto automatyzować. Zastanawia się raczej, które procesy przebudować jako pierwsze, aby nie zostać z kosztami, zbyt wolnym tempem działania i marżą z poprzedniej epoki.

Bo jeśli organizacja sprawniej przyjmuje zapytania, szybciej wykrywa błędy i wraca do klienta z pytaniami, aż wreszcie bez zwłoki i bez błędów przekazuje komplet informacji do produkcji, to radykalnie skraca cykl operacyjny i obniża koszty obsługi.

„Przed erą AI” problemem, rzecz jasna, był wszechobecny chaos. Różne sposoby komunikacji. Różne formaty dokumentów. Różne nazwy produktów. Niekompletne dane. Niejednoznaczne informacje. Klasyczne automatyzacje długo sobie z tym nie radziły, ponieważ wymagało to interpretacji języka, kontekstu i intencji klienta.

AI to zmienia. Dobrze zaprojektowany system może dziś analizować wiadomości i załączniki, rozpoznawać produkty, mapować je do katalogu, wykrywać braki, przygotowywać ustrukturyzowaną wersję zapytania lub zamówienia, proponować odpowiedź do klienta i przekazywać komplet danych do kolejnych etapów procesu.

Nie jako „magiczny bot”, który wie wszystko. Raczej jako bardzo konkretny system wspierający wybrany fragment pracy.

Dla przykładu, w jednym z takich procesów skróciliśmy czas pierwszego etapu obsługi zamówienia o 74%. I nie była to futurystyczna „fabryka przyszłości”, tylko zwykły, codzienny proces, który przez lata traktowano jako nieunikniony koszt działania organizacji. Nagle okazało się, że właśnie tam można odzyskać ogromną ilość czasu i przepustowości operacyjnej.

Firmy bardzo często popełniają błąd, traktując AI jak kolejne narzędzie. Tymczasem największa zmiana nie polega na wdrożeniu następnego panelu w przeglądarce, tylko na przebudowie sposobu pracy. Jeżeli dane produktowe są niespójne, wyjątki nie są opisane, odpowiedzialność jest rozmyta między działami, a każdy proces wygląda trochę inaczej, możemy spodziewać się, że AI nie rozwiąże problemu, lecz go spotęguje.

Dlatego dobre wdrożenia AI w firmach produkcyjnych zwykle opierają się na trzech elementach.

Po pierwsze na danych. System musi rozumieć produkty, warianty, nazewnictwo, obowiązkowe pola, ograniczenia i zależności.

Po drugie na procesie. Trzeba jasno określić, kiedy zapytanie jest kompletne, kiedy system może działać samodzielnie, a kiedy decyzję musi podjąć człowiek.

Po trzecie na kontroli. Logi, historia decyzji, obsługa wyjątków, poziomy pewności, uprawnienia i bezpieczeństwo.

Ta „nudniejsza” strona AI najczęściej decyduje o tym, czy rozwiązanie będzie działało po kwartale i po roku, a nie tylko podczas prezentacji.

Dlatego dobrym początkiem automatyzacji wcale nie musi być największy projekt w organizacji.

Często lepiej zacząć od procesu, który:

Obsługa zapytań ofertowych i zamówień z e-maili jest jednym z takich miejsc. Ta sama logika dotyczy również reklamacji, zgłoszeń serwisowych, dokumentacji technicznej, pracy na danych produktowych czy klasyfikacji spraw trafiających do działów operacyjnych.

Wspólny mianownik jest zwykle ten sam: dużo nieustrukturyzowanych danych, dużo ręcznej interpretacji i dużo czasu ludzi poświęcanego na czynności, które nie tworzą realnej wartości dla klienta.

Rozmowę o AI w firmie produkcyjnej warto zacząć nie od technologii, lecz od pytania: Gdzie dziś tracimy najwięcej czasu na pracę, która nie tworzy wartości dla klienta? Bardzo często odpowiedź nie znajduje się na hali produkcyjnej, tylko w skrzynce mailowej handlowca, w dziale obsługi klienta albo w procesie przygotowywania ofert.

Menedżer w hali produkcyjnej przegląda na laptopie skrzynkę e-mail z zapytaniami ofertowymi

Chcesz automatyzować sprzedaż z AI? Zacznij od analizy zapytań ofertowych

In manufacturing companies, the online product catalog still works mostly as a showcase. It presents the offer, lists parameters, shares files, and sometimes lets you put together a request for quote.

Today, with advanced marketplaces, search engines and AI advisors around, that is no longer enough for the user.

Someone who lands on the site is not there for the “full offer”. They come because they want to solve a specific problem. They want to pick the right product, understand the differences, check availability, download documentation or find a contact person who will help them move forward in the process.

This is why a modern product catalog should not be just a set of product cards. It should work as a decision support system.

In this article we show a few solutions that help guide different groups of users through a manufacturer’s offer: from the investor who does not know the industry terminology, to the specialist who needs fast access to files, technical data and contacts.

Users don’t want to analyze the whole offer

One of the common mistakes in catalog design is assuming that the user wants to compare many products on their own. In practice it usually looks different. The user lands on a specific product and asks themselves: “Is this model good for me, or should I consider something similar?”

That is a completely different intent than the classic “add a few products to compare”.

Similar products gallery embedded on the product card

This is why a comparison tool can work much better when it sits directly on the product card. The user does not have to leave the context they are already in. They do not have to build the list manually. They do not have to go back to the catalog and wonder what else is worth comparing. The system can suggest the closest alternatives to the model being viewed.

Product comparison modal opened from the product card

What also matters is how we show the differences. In technical industries a parameter table quickly becomes unreadable. Coefficients, materials, variants, classes, certificates and add-on options may be obvious to the manufacturer, but for the customer they are often a foreign language.

That is why a good comparison should not only line up the data, but also explain it right where the user needs it.

The effect is simple: the user understands faster whether it is worth staying with the chosen product or moving to an alternative.

For the manufacturer this matters too. When the user does not find the answer on the site, they usually leave it. They ask a friend, a salesperson, a contractor or Google. And there the manufacturer loses control over the path.

A configurator as the answer for those who don’t know what to look for

Some people do not know what solution they need. They know their situation, but they do not know the offer, the categories, the parameters or the relationships between the individual components. In that case a classic catalog can be an obstacle for the person searching, not a help.

Configurator step - choosing the window type

In a situation like this a configurator works much better. Not as a sales gimmick, but as an alternative entry point into the offer. A good configurator does not ask about technical details right away. First it guides the user through their context: where the product will be used, what problem it should solve, what the constraints are, what has already been chosen and what still needs to be selected.

Configurator step - a contextual question with a photo

In practice such a process can replace a good part of the educational content on the site. Instead of expecting the user to read guides, compare categories and draw conclusions on their own, the system leads them step by step to a final recommendation.

First, plain language and visual choices. If the user does not know the industry, they should not have to decide based on technical parameters alone. Pictograms, contextual photos and short explanations lower the barrier to entry.

Second, dependency logic. If one answer rules out a later option, the system should show it clearly. A “selection unavailable” message is not enough. The user should know which earlier decision caused the block and where they can change it.

Third, one specific recommendation. A configurator that ends by showing ten similar products often just moves the problem somewhere else. The user went through the process to get an answer, not another list to analyze.

Configurator - a single recommended product with a premium alternative

A well designed configurator can also handle complementary sales (cross-sell / up-sell), but only when it does it at the right moment. First we help choose the main product. Only then do we show accessories, premium variants or add-ons that improve comfort of use.

Configurator - complementary products (cross-sell and up-sell)

As a result the user does not leave with the product alone, but with a ready set of decisions. They can download a summary, come back to the configuration later, compare a few variants or move on to the distributor’s card.

Configurator summary saved as a shopping list

This is especially important in industries where the decision does not happen right away. The user comes back to the topic after a few days, consults the choice, shows it to a contractor, a partner, a client or an investor.

“Where to buy” in the context of a decision

On many manufacturer sites the “Where to buy” section is a separate part of the site.

That works well for a user with a general intent: they want to find the nearest showroom, point of sale or distributor. It is not enough, however, for a user who has just chosen a specific model.

Global distributor map in the Where to buy section

After going through the product card, the comparison or the configurator, a very practical question shows up: “Where can I buy exactly this product?”. If the user only gets a map of all the points, they still do not know whether a given model is available. They do not know whether they can see it on display. They do not know whether to drive to the showroom or call first.

That is why it is worth separating two scenarios. The first is a global distribution map. The user can search by location, filter points, check opening hours and contact details, and get directions. The second is a contextual entry from the product card. Clicking “See and buy this product” should not push the user out to the general map. It is better when it opens a panel with a list of points matched to the specific model.

Contextual store panel with availability status on the product card

Even better if the list shows a clear status:

It is a small difference in the interface, but a big difference in the experience. The user does not have to call, ask around and confirm. They know where to go and what to expect.

For the manufacturer it is an extra safeguard for the purchase path. If the user leaves for Google after choosing a product, they may run into a competitor there, an outdated point of sale or a salesperson who will redirect them to another brand.

The product card is not only for the end customer

In many manufacturing companies the product card tries to serve everyone at once: the end customer, the architect, the installer, the distributor, the service technician and the purchasing department. The result is content that is “everything for everyone”.

A good solution is to carve out a separate section for professionals on the product card. Not as a separate site detached from the product, but as a clearly marked block within the same card.

Professionals section on the product card

A specialist does not need a marketing description. Most often they are looking for specifics: documentation, 3D models, technical drawings, installation manuals, certificates, logistics data or information about changes to the product.

If they have to look for it in a separate file library, they lose context. If a link takes them to a “bag of all the manuals”, they lose time. If they cannot find the logistics data, they call the manufacturer.

A well designed section for professionals should work like a quick working panel next to the specific model.

This matters, because a specialist often works in a completely different context than the end customer. The architect is in a project. The contractor is on site. The service technician may be dealing with an emergency. In those conditions there is no time to search through the whole site.

What counts here is access to the right file in a few clicks.

Search can be more than a field to type a phrase into

On a manufacturer’s site, search is often treated as an add-on. It is supposed to find a product, an article or a category. Yet for some users it can become the main working tool. Especially when a user comes back to the same products and documents over and over. This applies to architects, contractors, salespeople, service technicians and trade partners.

Search with recent items and a downloads tab

That is why search should not start from an empty field.

When the user clicks the magnifier icon, you can show them recent searches and recently viewed products, even when no user account has been created. This light browser-side memory works as a working stash. It is especially useful on sites that have no login, no cart and no favorites list.

It is equally important to split results by type. The investor usually looks for a product or inspiration. The specialist often looks for a file. If everything lands in one stream of results, both groups get information noise. That is why a separate “Downloads” tab can matter more to a professional than the product list itself.

A file should be described clearly: type, format, size, update date and a download button without having to open the product card. For the user this saves time. For the manufacturer it means fewer questions to customer service and the technical department.

Some groups of users have intents specific enough that a section on the product card is not enough on its own.

Architects, designers, installers or technical partners are a good example. These users do not come to the site for the classic product narrative. They do not want to go through the end customer’s path. They want to get their tools.

Specialist portal with dedicated advisor contacts

That is why it is worth creating a separate entry for them, though it does not have to mean a separate site. Often a portal within the same site is enough, one that groups the most important resources:

A portal like this works as the specialist’s “desk”. They do not have to start from the main navigation every time. They go into their place and immediately see shortcuts to what they use most often.

Contact matters in particular. A general form or a number to customer service is often not enough. A professional wants to know who specifically is responsible for their region or type of case. A name, a photo, a phone number and an email build more trust than an anonymous “we will get back to you”. In many industries, having the contact to the right person decides whether the user moves forward or gives up.

A good catalog does not show everything at once

The most important lesson from projects like these is simple: a product catalog should not be a collection of information for everyone.

The investor needs guidance, simplification and certainty in the choice. The specialist needs speed, documentation and access to data. The distributor needs information about availability and specific models. The architect needs files, inspiration, contact and industry credibility.

Exclusive insights from our work