Đọc được thì được nhắc. Có xác nhận thì được chọn.

Tóm tắt nhanh: Một AI shopping agent nhìn vào trang sản phẩm của bạn và giữ lại rất ít. Text, giá đang live, tình trạng tồn kho. Ảnh hero, badge uy tín, widget 4,8 sao gần như rơi hết. Nên thật ra có hai bài kiểm tra tách biệt. Một, agent có đọc đúng các dữ kiện trên trang của bạn không? Hai, khi đã đọc đúng, có gì bên ngoài site của bạn xác nhận các dữ kiện đó, để nó chọn bạn thay vì store bên cạnh? Chúng tôi gọi cái đầu là legibility (đọc được), cái sau là corroboration (được xác nhận). Phần lớn store trượt bài đầu mà không biết, rồi bỏ tiền vào bài sau.

#Agent thật sự giữ lại gì từ một trang sản phẩm

Hỏi ChatGPT hay Perplexity "cái sofa này còn hàng không, giá bao nhiêu" rồi xem nó trích gì. Nó trích text. Tên sản phẩm, vài dòng spec trong mô tả, một con số giá, một chữ về tình trạng hàng. Nguồn của mấy thứ đó mới quan trọng: HTML mà server trả về ở request đầu tiên, và JSON-LD nằm trong HTML đó.

Thứ nó không trích lại là những thứ team merchandising mất cả tuần để làm. Ảnh lifestyle không có giá trong đó. Badge "Hơn 10.000 khách hàng tin dùng" là một tấm ảnh. Số sao do app review render sau khi trang load thường không có mặt trong HTML đầu tiên. Với người mua, mấy thứ đó vẫn có ích. Với agent thì gần như vô hình.

Nên khi ai đó hỏi "store của tôi đã AI-ready chưa", câu trả lời thật đầu tiên là: mở source của trang ra và đọc nó như một cái máy. Nếu giá chỉ nằm trong ảnh banner, hoặc tồn kho chỉ hiện sau khi JavaScript chạy, thì agent đang đọc một trang khác với trang người mua của bạn đang xem.

#Tầng 1: legibility (đọc được)

Đọc được nghĩa là agent hiểu dữ kiện của bạn giống hệt cách người mua hiểu. Chỗ sửa gần như không bao giờ nằm ở theme hay design. Nó nằm ở mấy chỗ khá nhàm:

• Mô tả dạng text có spec thật: kích thước, chất liệu, mã model. Ba dòng copy cảm xúc thì agent không có gì để trích.
• Giá và tồn kho là text trong HTML.
• JSON-LD nói đúng điều trang đang hiển thị, và chỉ nói một lần. Nếu theme và một app SEO cùng xuất một graph Product mà hai cái lệch nhau, agent phải đoán cái nào đúng.

Home Elegance USA là ví dụ rõ nhất. Đây là store Shopify 30.855 sản phẩm, bán 30 thương hiệu nội thất ở Mỹ. Bốn AI agent (ChatGPT, Gemini, Perplexity, Claude) đều nói với khách rằng nội thất đang còn hàng là backordered. Nguyên nhân là một câu bị hard-code trong template của mọi trang sản phẩm, còn tình trạng tồn kho thật thì JavaScript vẽ vào sau. Người mua thấy "In stock". Agent đọc HTML và thấy "backordered". Chúng tôi sửa template và phần dữ liệu quanh nó trong 10 ngày, chạy lại đúng bài test 20 ô, và số agent báo sai đi từ 4 về 0. Ba agent giờ nói thẳng "In stock". Trước và sau đầy đủ nằm ở trang case Home Elegance USA.

Không redesign. Store hôm nay trông y như trước khi sửa.

#Tầng 2: corroboration (được xác nhận)

Đây là chỗ nhiều người bất ngờ. Sau khi sửa, Home Elegance đã đọc được. Agent nào cũng mô tả sản phẩm chính xác. Nhưng khi chúng tôi hỏi các câu theo ngành rộng hơn, kiểu "nội thất cao cấp giá hợp lý nên mua ở đâu", độ hiện diện gần như đứng yên: 4/12 trước, 3 đến 4/12 sau. Trang case ghi rõ điều này, có chủ ý.

Đọc đúng bạn và giới thiệu bạn là hai bước khác nhau. Khi agent đã đọc được mười store cùng bán một kiểu sofa, nó cần một lý do để gọi tên store của bạn. Nó không tin lời bạn tự nói. Nó tìm nguồn ngoài site đồng ý với bạn: một bài tổng hợp trong ngành hoặc danh sách nhà phân phối có tên bạn, cùng spec và mã model xuất hiện ở trang hãng lẫn trang sàn, con số nó kiểm được ở đâu đó không phải trang chủ của bạn. Site của bạn tự nhận là "lựa chọn uy tín" thì gần như không tính. Ba nơi khác ghi cùng một spec thì có tính.

Oroca cho thấy một store thắng ở bước hai trông thế nào. Đây là nhà phân phối vật liệu nha khoa B2B ở Việt Nam, ra mắt một site hoàn toàn mới, dựng để máy đọc được ngay từ ngày đầu, và xuất phát ở mức không có mặt trong câu trả lời AI. Chúng tôi theo dõi hằng tuần trên 30 câu hỏi thật của người mua, trên ChatGPT và Gemini. Tới tuần 37 năm 2026, Oroca giữ 45,0% share of voice trong ngành, đứng đầu trong sáu thương hiệu được theo dõi, với AI mention rate 82% trên các câu hỏi đó. Mỗi lần được nhắc đều gắn với một câu hỏi, một engine và một tuần, nên con số mở ra kiểm được từng dòng. Cách đo và bảng số nằm ở trang case Oroca.

Có một điều con số đó không nói: mỗi engine đã dựa vào nguồn bên ngoài nào khi gọi tên Oroca. Dashboard ghi lại ai được nhắc, ai được cite. Nó không ghi lại lý do của agent, và chúng tôi nói thẳng chỗ này thay vì giả vờ là có.

#Vì sao phần lớn store thua ở tầng 1 rồi lại chi tiền cho tầng 2

Lỗi tầng 1 thì im lặng. Analytics không báo gì khi agent đọc ra "backordered" trên một sản phẩm còn hàng. Google vẫn xếp hạng trang, vì Google render JavaScript và chịu chờ. Chủ store không bao giờ thấy phiên bản trang mà agent đọc, nên mặc định nó giống phiên bản của mình.

Tầng 2 là chỗ ngân sách đổ vào, vì nó có triệu chứng nhìn thấy được: "ChatGPT giới thiệu đối thủ, không giới thiệu mình." Nghe giống chuyện uy tín, nên tiền đi vào PR, bài listicle, chiến dịch review và content. Một phần trong đó đáng làm. Nhưng nếu agent còn chưa đọc đúng giá hay tồn kho của bạn, mỗi lần được nhắc ở bên ngoài lại dẫn nó về một trang nói sai. Bạn trả tiền để đưa traffic về một trang mà agent đọc nhầm.

Thứ tự là chuyện quan trọng. Legibility rẻ và kiểm nhanh, thường chỉ vài ngày sửa template và dữ liệu. Corroboration chậm và chạy theo tháng. Làm cái chậm trước là cách một store tiêu cả quý cho việc được nhắc tên, rồi vẫn bị báo là hết hàng.

#Tự kiểm cả hai tầng

Lần đọc đầu tiên không cần call, cũng không cần mua tool nào.

Tầng 1, khoảng 15 phút:

1. Mở ba trang sản phẩm bạn quan tâm nhất. Thêm view-source: trước URL. Tìm giá và chữ về tồn kho trong HTML thô. Thiếu một trong hai, hoặc chữ sai đang nằm đó, thì đó là chỗ sửa đầu tiên.
2. Trong cùng source đó, tìm các khối application/ld+json và đếm bao nhiêu khối ghi "@type": "Product". Hơn một khối trên một trang thường nghĩa là có hai app đang giành nhau.
3. Hỏi thẳng ChatGPT và Perplexity: "[tên sản phẩm chính xác] của [store bạn] còn hàng không, giá bao nhiêu?" Ghi câu trả lời cạnh con số trong admin.

Tầng 2, khoảng 30 phút. Ví dụ dưới đây viết cho một nhà sỉ B2B ở Việt Nam, bạn đổi theo ngành mình:

1. Viết ra năm câu người mua hỏi trước khi họ biết tên bạn, kiểu "nhà phân phối vật tư X uy tín ở TP.HCM" hay "mua sỉ X cho đại lý ở Hà Nội ở đâu". Hỏi mỗi câu trên hai AI assistant.
2. Ghi lại ai được gọi tên.
3. Tìm các thương hiệu đó ở ngoài site của họ. Danh sách nào, nhà phân phối nào, trang hãng nào, sàn nào nhắc tới họ, và spec có khớp từ nơi này sang nơi khác không?
4. Làm y vậy với store của bạn. Khoảng cách giữa danh sách của họ và của bạn chính là backlog corroboration.

Nếu tầng 1 trượt, sửa nó trước khi chi đồng nào cho tầng 2.

Muốn có người soát lại cả hai tầng? Gửi một URL store, chẳng hạn trang catalog sỉ hay trang sản phẩm bán chạy nhất của bạn, và chúng tôi sẽ chạy một bản async AI-correctness read miễn phí: chúng tôi hỏi các AI agent thật xem chúng thấy gì trên trang sản phẩm của bạn, đối chiếu với điều store bạn thật sự ghi, và gửi lại một punch-list có tên rõ ràng cho từng tầng: luma-e.com/ai-readiness. Không cần call.