Hai graph schema chọi nhau, AI đánh rơi thương hiệu

Tóm tắt nhanh: Một shopping agent không đọc trang của bạn. Nó đọc graph của bạn — và phần lớn store ship tới hai cái mà không biết. Khi hai graph JSON-LD lệch nhau, agent không gộp chúng lại. Nó chọn một. Nếu nó chọn nửa không có thương hiệu bạn, nó trả lời câu hỏi của người mua về bạn bằng dữ liệu của người khác — một cách tự tin, và không có thông báo lỗi nào ở đâu cả.

#Một shopping agent đọc graph của bạn, không đọc trang

Phần lớn store Shopify và Magento phát ra structured data (JSON-LD) từ nhiều hơn một nguồn mà không nhận ra: theme ship bộ node Product, Organization và BreadcrumbList riêng, còn một SEO hay reviews app ship bộ của nó nữa. Cả hai đều hợp lệ. Cả hai đều load. Và đó chính là vấn đề.

Khi một AI agent parse trang sản phẩm của bạn, nó không gộp hai graph thành một bức tranh gọn gàng. Nó chọn. Và nó không có cách nào biết cái nào trong hai node Organization của bạn là cái "thật" — nên nó có thể vớ lấy graph thiếu thương hiệu bạn, thiếu các liên kết @id, hoặc trỏ brand về một handle store thay vì nhà sản xuất thật.

Kết quả không phải một thông báo lỗi. Nó tệ hơn: agent trả lời tự tin, bằng nửa sai trong chính dữ liệu của bạn.

#Nó trông thế nào ngoài thực tế

Trên một nhà bán lẻ nội thất Shopify ở Mỹ mà chúng tôi làm việc cùng (30.855 sản phẩm), theme và một SEO app mỗi cái đang phát ra bộ node Product, Organization và Breadcrumb riêng. Cái graph mà agent bám vào có brand gắn vào một thứ chẳng có nghĩa gì.

Trong một bài test before/after 20 ô trên bốn AI agent, một trong số đó — Gemini — không chỉ bỏ sót thương hiệu. Nó tự tin mô tả nhà bán lẻ này chính là cái brand bán buôn mà họ chỉ phân phối, rồi kết luận rằng vì thế họ "không thể bán" một trong những dòng sản phẩm thật của chính họ. Sai entity, sai catalog, giao với sự tự tin tuyệt đối.

Đó là dấu hiệu của bài toán graph chọi nhau: không phải im lặng, mà là nhận diện sai một cách tự tin. Một agent không thể biết bạn là ai sẽ trả lời các câu hỏi về bạn bằng dữ liệu của người khác.

#Vì sao "thêm schema" làm tệ hơn, không phải tốt hơn

Bản năng khi visibility kém là thêm structured data — cài thêm một schema app, bật thêm nhiều loại node. Nếu bạn vốn đã có bài toán graph chọi nhau, đó là thêm một giọng thứ ba vào một cuộc cãi mà agent vốn đang thua.

Cách sửa không phải nhiều hơn. Nó là một graph sạch:

1. Tìm mọi nguồn JSON-LD. View-source trên một trang sản phẩm và đếm số khối application/ld+json. Nhiều hơn một Product hay Organization? Bạn có graph chọi nhau.
2. Dedup. Chọn một chủ sở hữu cho mỗi loại node — thường theme cho Product/Breadcrumb, một nguồn cho Organization. Tắt các bản trùng ở app kia.
3. Nối @id để graph tự tham chiếu. Product nên trỏ về Organization của bạn qua một @id chung, và brand nên phân giải về entity nhà sản xuất thật — không phải handle store. Đây là cái cho phép một agent nối "sản phẩm này" với "thương hiệu này" với "người bán này" thành một đối tượng mạch lạc.

Trên nhà bán lẻ đó, dedup graph và gắn lại brand vào Product qua một @id chung là một trong năm fix về tính đúng đắn ship trong mười ngày. Khi test lại, cái hallucination về brand-entity đã biến mất — agent nêu đúng sản phẩm, đúng nhà bán lẻ. Bản tường thuật đầy đủ — triệu chứng, nguyên nhân, năm fix, before/after có ghi ngày — nằm trong Four AI Agents Told Shoppers This Furniture Store Was Out of Stock, và trang case đã được client duyệt ở luma-e.com/work/home-elegance-usa-ai-agent-commerce-readiness-2026.

#Phép kiểm tra 30 giây cho chính store của bạn

Mở một trang sản phẩm, view-source:, và tìm (Ctrl+F) "@type":"Organization" và "@type":"Product". Đếm chúng. Nếu một trong hai xuất hiện nhiều hơn một lần, hoặc nếu brand hiện handle store của bạn thay vì tên nhà sản xuất, thì một agent đọc trang phải đoán phiên bản nào của bạn là thật — và đôi khi nó sẽ đoán sai, nói thành lời, cho một người mua.

Tính đúng đắn trước, visibility sau. Một store mà agent đọc đúng là cái nền bạn xây mọi thứ khác lên trên — cũng chính là cái nền làm cho entity authority và citation trở nên khả thi ngay từ đầu.

Gửi một URL store và chúng tôi sẽ chạy một lượt đọc AI-correctness async miễn phí: chúng tôi hỏi các AI agent thật về sản phẩm của bạn, kiểm tra xem chúng thực sự phân giải graph schema nào, và gửi lại một punch-list nêu tên chính xác chỗ JSON-LD của bạn tự mâu thuẫn và một agent đang mô tả bạn ra sao vì điều đó: luma-e.com/ai-readiness. Không cần call.