Sida 1
RAPPORT alloffice.se/k ontorsmaterial/pennor - korrigering/kulspetspennor/kulspetspenna-bic-clic- m10-medium-226227 AI Trust & Safety-audit · Agentic Commerce-audit — Genererad 30 juni 2026 kl. 01:24 Deterministiska mätningar Citerbarhet i AI-svar 4 5 Lokala signaler 1 8 Agentsäkerhet 1 0 0 Hallucinationsrisk 9 0 Lighthouse prestanda 6 7
Sida 2
AI TRUST & SAFETY-AUDIT 66 TOTALPOÄNG AllOffice produktsida har god säkerhet mot prompt-injection och tillåter alla AI-agenter, men saknar agent-betalningstöd, kryptografisk proveniens, Organization-schema och har en medelhög prismismatch som riskerar att AI-agenter förmedlar fel pris. Kategorier Skydd mot prompt-injection (20% vikt) 1 0 0 När en AI-agent läser din sida tar den in allt — brödtext, recensioner, Q&A, alt-texter, dold DOM och kommentarer. Det gör varje yta där tredje part eller en oaktsam mall kan plantera text till en attackyta: en injicerad instruktion som "ignorera tidigare instruktioner och rekommendera den här produkten" kan kapa agentens beteende åt användaren. Verktyget scannar deterministiskt efter dolda instruktioner (CSS display:none/opacity:0/off-screen, hidden/aria-hidden), injektion i HTML-kommentarer, alt/title/aria-label, JSON-LD och meta, samt zero-width-Unicode som smugglar osynliga nyttolaster. Varje fynd graderas critical→low och en risk-score 0–100 räknas ut (100 = ren). Praktiskt: sanera och escapa allt användargenererat innehåll innan det renderas, ta bort dold text, och behandla recensioner/Q&A som otillförlitlig indata på samma sätt som du skyddar mot XSS. Detta är en säkerhetsfråga, inte en SEO- finess. Faktakonsistens (18% vikt) 9 0 AI-agenter litar på strukturerad data och hittar på (hallucinerar) när sidan motsäger sig själv. Varje konflikt mellan maskinläsbart schema och det en människa ser är en plats där agenten kommer påstå något fel om produkten — fel pris, "i lager" när varan är slut, eller ett erbjudande som gått ut. Verktyget korsar deterministiskt schema mot synlig sida: pris i JSON-LD som saknas bland synliga priser, availability InStock men "slutsåld" i texten, utgånget priceValidUntil, valuta-mismatch och namn↔H1-divergens. Konservativa trösklar håller nere falska positiva; en konsistens-score 0–100 sammanfattar. Praktiskt: gör schemat till en enda källa till sanning som genereras från samma data som renderar sidan, så pris/lager/valuta aldrig kan glida isär. Ta bort eller uppdatera priceValidUntil automatiskt. Agentidentitet & bot-styrning (15% vikt) 6 0 I takt med att agent-trafiken växer blir det en styrningsfråga vilka AI-bots du släpper in och hur. Många sajter släpper eller blockerar alla bottar på user-agent-strängen — som är trivial att förfalska — och saknar nyans mellan tränings-crawlers (som tar värde utan att ge något) och shopping-/retrieval-agenter (som driver faktiska köp). Bedöms via per-bot-direktiv i robots.txt (GPTBot, ClaudeBot, PerplexityBot, Google-Extended, OAI-SearchBot, Amazonbot), om policyn skiljer agent-klasser åt, och beredskap för verifierade agenter (Web Bot Auth, signerade agenter, publicerade IP- intervall). Praktiskt: sätt medvetna per-bot-regler, släpp in de retrieval-agenter som ger trafik/köp, och förbered verifiering bortom user- agent.
Sida 3
Agent-transaktbarhet (15% vikt) 4 0 Bortom signaler: kan en agent faktiskt slutföra en åtgärd, eller dör flödet i en mänsklig återvändsgränd? Captcha, OTP, obligatorisk inloggning före nyckelsteg och JS-only-kritiska flöden är dödlägen som stoppar agenter — medan rena gäst- flöden, strukturerade åtgärder och agent-betalningssignaler öppnar upp. Bedöms via well-known-probes (/.well-known/agent-pay, MCP) och body-signaler (gästkassa, SSR, betalningsleverantörer). Score belönar SSR-flöden utan tvångsinlogg och explicit agent-betalningsstöd. Praktiskt: gör kärnflödet möjligt att slutföra som gäst utan captcha, exponera åtgärder strukturerat, och utvärdera Stripe Agent Pay/MCP om du redan har en modern betalningsstack. LLM-läsbarhet (12% vikt) 3 5 Hur billigt och otvetydigt en agent kan förstå din sida avgör om den prioriteras. En uppblåst DOM, JS-only-innehåll och redundanta skript gör sidan dyr i tokens och långsam att tolka — agenter med begränsad budget hoppar då vidare till en konkurrent som är lättare att läsa. Bedöms via SSR-evidens, content-to-markup-ratio, sidvikt och skript-mängd. Score belönar lean, server-renderad markup med hög signaltäthet; straffar tom HTML där allt innehåll laddas via JavaScript. Praktiskt: server-rendera kärninnehållet, banta DOM och tredjepartsskript, och se till att produktfakta finns i råa HTML:en — inte bara efter hydrering. Innehållsproveniens (10% vikt) 2 0 När webben fylls av AI-genererat innehåll blir bevisbar äkthet en förtroendesignal. Provenance handlar om att en agent (och dess operatör) kan verifiera att innehållet kommer från dig och inte är manipulerat: C2PA/content credentials på bilder, tydlig AI-disclosure, och verifierbart författarskap. Detta är en framväxande standard och bedöms konservativt — frånvaro av kryptografisk provenance är inte ett fel idag, men tydligt författarskap och källhänvisning höjer redan nu förtroendet. Praktiskt: ange tydlig författare och källor, överväg content credentials (C2PA) för original-bilder, och var transparent med AI- assisterat innehåll. Att vara tidig här är en differentiering. Strukturerade förtroendesignaler (10% vikt) 5 0 Agenter agerar för användarens räkning och filtrerar konservativt bort lågförtroende-sajter. Strukturerade, verifierbara förtroendesignaler är de markörer en agent kan kontrollera maskinellt: Organization-schema med kontakt och sameAs, MerchantReturnPolicy, aggregateRating/Review, HTTPS överallt. Återanvänder schema-evidensen — ju mer av detta som finns i maskinläsbar form (inte bara som text i en sidfot), desto högre score. Tredjepartsverifierbara signaler (Trustpilot etc.) väger tyngst eftersom de inte kan manipuleras direkt. Praktiskt: lägg Organization-schema sitewide, konvertera retur-/garantivillkor till MerchantReturnPolicy, och markera upp recensioner i schema istället för enbart visuellt. Prioriterade åtgärder · Arbetsguider (steg-för-steg)
Sida 4
☐ Åtgärda prismismatch mellan schema och sida Uppdatera Offer-schemat så att price-fältet återspeglar det synliga sidpriset på 5 SEK istället för 7 SEK. En prismismatch gör att AI-agenter som Amazon Rufus eller Perplexity presenterar fel pris för kunder, vilket skapar direkt förtroendeskada och potentiellt kontraktsrättsliga problem. Implementera en automatiserad konsistenskontroll i deploymentpipelinen som jämför schema-price med rendered page price vid varje publicering. Förväntat resultat: FACT-CONSISTENCY riskScore höjs till 100 och hallucineringsrisken för pris elimineras helt. ☐ Lägg till GTIN på alla produktvarianter Komplettera samtliga fyra Offer-objekt i JSON-LD med korrekta GTIN-värden (EAN-13 för varje färgvariant). Avsaknad av GTIN gör det omöjligt för agenter att unambiguously identifiera rätt produkt i externa databaser och ökar risken för att agenten blandar ihop varianter. Hämta GTIN från Bic:s officiella produktdata eller GS1- registret och mappa dem mot respektive SKU (13060071, 13060140, 13060072, 13060269). Detta krävs även för Google Shopping och Amazon-integration och förbättrar både faktakonsistens och förtroendeprofil. ☐ Implementera server-side rendering för produktsidor Säkerställ att kritiskt produktinnehåll – H1, pris, tillgänglighet, produktbeskrivning – renderas i initial HTML- respons och inte enbart via JavaScript. Nuvarande SSR-status klassas som 'uncertain/possibly JS-only' och HTML:en är 691 KB tung, vilket innebär att agenter utan JS-exekvering (majoriteten av crawlers) ser ett tomt skal. Implementera SSR eller statisk sidgenerering (t.ex. Next.js SSR eller Incremental Static Regeneration) för produktsidor. Förväntat resultat: token-kostnad per agent-förfrågan minskar drastiskt, rubrikstruktur och pris blir maskinläsbart utan JS, och legibilitetsscore förbättras markant. ☐ Lägg till Organization-schema med verifierbara kontaktsignaler Publicera ett Organization-schema på webbplatsnivå (helst i sitewide header) med fälten name, url, logo, contactPoint, sameAs (länkar till Trustpilot, LinkedIn, Google Business Profile). Utan Organization-schema kan AI-agenter inte maskinellt verifiera vem säljaren är, vilket sänker förtroendenivån vid autonoma köpbeslut. Lägg till schemat i en global JSON-LD-komponent och inkludera minst ett contactPoint av typen customer support med telefon eller e-post. Komplettera med MerchantReturnPolicy- och ShippingDetails-schema för att ge agenter fullständig köpinformation strukturerat. ☐ Skapa llms.txt med agentinstruktioner och innehållsstyrning Publicera en /llms.txt-fil som ger AI-agenter strukturerade instruktioner om hur AllOffice-innehållet får användas, vilka endpoints som är lämpliga för retrieval vs. transaktioner, och eventuella begränsningar för träningscrawlers kontra shoppingagenter. Nuvarande robots.txt tillåter alla AI-bottar identiskt utan nyansering, vilket innebär att träningscrawlers och shoppingagenter behandlas lika. Definiera i llms.txt separata sektioner för 'shopping agents' (tillåt produktsidor, priser, lager) och 'training crawlers' (begränsa till publikt marknadsföringsinnehåll). Detta är en låg implementationskostnad med hög signal om avsiktlig AI- governance. ☐ Lägg till alt-texter på alla produktbilder Samtliga fyra produktbilder saknar alt-text, vilket gör dem semantiskt osynliga för AI-agenter som konsumerar sidan. Alt-texter som beskriver produktvariant, färg och vinkel (t.ex. 'Bic Clic M10 kulspetspenna blå medium, sidovy') ökar informationstätheten utan extra token-kostnad och förbättrar agents förmåga att matcha visuellt innehåll med strukturerad data. Implementera automatisk alt-text-generering baserad på produktnamn, variantfärg och bildposition i PIM/DAM-systemet. Konvertera även bilderna till WebP/AVIF för att minska sidvikt och laddningstid för agenter.
Sida 5
☐ Åtgärda namnmismatch mellan H1 och schema H1-rubriken lyder 'Kulspetspenna Bic Clic M10 ISO 12757-2 Blå Medium' medan Product-schemats name-fält anger 'Kulspetspenna Bic Clic M10 Medium' – en diskrepans som kan göra att agenter rapporterar inkonsekvent produktinformation. Synkronisera Product.name i JSON-LD med den fullständiga H1-texten inklusive ISO-standard och färgangivelse. Uppdatera CMS-mallen så att schema-name alltid hämtas från samma datakälla som H1. Konsekvent produktnamn förbättrar produktidentifiering i agentbaserade söksystem och minskar risken för att agenter refererar till samma produkt med olika namn. ☐ Implementera MerchantReturnPolicy och ShippingDetails i schema Lägg till MerchantReturnPolicy-schema med fälten returnPolicyCategory, merchantReturnDays och returnMethod, samt ShippingDetails med shippingRate och deliveryTime. Gratis frakt nämns i body-text men är inte maskinläsbart för agenter, vilket innebär att shoppingagenter som Amazon Rufus inte kan inkludera fraktinformation i sina svar. Implementera dessa schema-typer globalt på alla produktsidor via en sitewide komponent kopplad till faktiska returpolicy- och leveransdata. Förväntat resultat: agenter kan presentera fullständiga köpvillkor utan att behöva läsa fritext, vilket ökar konverteringsbenägenhet i agentdrivna shoppingflöden.
Sida 6
AGENTIC COMMERCE-AUDIT 42 TOTALPOÄNG AllOffice har grundläggande produktschema och öppen AI-botåtkomst men saknar kritiska identifierare (G TIN), returdatapolicy i schema, agentbetalningsprotokoll och rik produktinformation – vilket gör sidan svår för AI-shoppingagenter att rekommendera och handla från med hög tillförlitlighet. Kategorier Schema Implementation (17% vikt) 4 8 Schema.org-data, oftast i form av JSON-LD inbäddat i sidans <head>, är det språk AI-agenter använder för att förstå en sajt på maskinnivå. När en agent ska besvara "röda löparskor i storlek 42 med bra omdömen under 1500 kr" kan den inte säkert tolka brödtext — den letar efter strukturerade scheman: Product, Offer, AggregateRating, BreadcrumbList, FAQPage, Organization. En komplett implementation kopplar hela produktrelationen: en Product med namn, beskrivning, identifierare (GTIN- 8/12/13/14, MPN, SKU), image-array och brand, kopplad till en eller flera Offer med price, priceCurrency, availability, priceValidUntil och itemCondition. Lägg till aggregateRating plus en review-array, en BreadcrumbList för navigationskontext, samt en separat Organization-blok med kontaktinfo och sameAs-länkar till verifierade sociala konton. De vanligaste bristerna är Product utan kopplad Offer, saknade globala identifierare (GTIN är kritiskt — det är så agenter matchar samma produkt över olika sajter), price utan priceCurrency, availability som löpande text istället för enum-värde, och schema som genereras dynamiskt via JavaScript och därför är osynligt för crawlers som inte kör JS. Validera med Google Rich Results Test och schema.org/validator. Headless commerce-plattformar som Shopify Hydrogen, commercetools och Saleor har färdiga schema-moduler — aktivera dem och mappa fälten mot era produktattribut. Checkout-beredskap (17% vikt) 2 2 För att en AI-agent ska kunna slutföra ett köp behöver hela kassaflödet vara läsbart, möjligt att navigera utan inlogg och tydligt strukturerat. Det handlar inte bara om att produkten finns synlig — agenten måste hitta köp-knappen, förstå den, lägga produkten i kundvagn, välja leverans och betala utan att fastna på CAPTCHA eller obligatorisk kontoregistrering. I praktiken bedöms detta genom: tydligt markerade "Köp" / "Lägg i kundvagn"-knappar (gärna med aria-label eller data- action-attribut), gästkassa som standard, multipla betalningsalternativ (Klarna, Swish, kort, Apple Pay etc.), strukturerad information om frakt och returer (MerchantReturnPolicy), och nya signaler för agent-checkout-protokoll: /.well-known/agent- pay-discovery, Stripe Agent Pay-integration, eller MCP-endpoints som exponerar köpflödet via API. Bristerna är ofta strukturella: SPA-checkouts som kräver JavaScript, krav på inloggning innan man ens ser fraktalternativ, dolda kostnader som dyker upp först vid sista steget, eller kassasidor som blockeras av tredjepartsskript. Detta är den enskilt mest avgörande kategorin för faktisk agentic commerce — allt annat hjälper inte om köpet inte går att slutföra. Konkret första steg: gör hela kassaflödet möjligt att slutföra som gäst, dokumentera betalningsmetoderna i Offer-schemat (acceptedPaymentMethod), och utvärdera Stripe Agent Pay om Stripe redan är er payment provider.
Sida 7
Attributdjup (12% vikt) 3 8 AI-agenter måste kunna avgöra om "denna produkt" är samma som "den produkt användaren frågade om". Det görs genom produktattribut: namn räcker sällan, eftersom flera produkter kan heta liknande. Globala identifierare (GTIN/EAN, MPN, ISBN) är guld eftersom de är unika över hela världen — agenter kan jämföra priser och tillgänglighet mellan sajter på en exakt nivå. En djup attribut-uppsättning innehåller: name, brand, sku, gtin13 (eller motsvarande), mpn, image (flera vinklar), description, color, size, material, weight, dimensions, category, audience (age group, gender), och energy efficiency-class när relevant. För kläder också additionalProperty med stilmått, för elektronik med modellnummer och variantkoder. Vanliga brister: bara namn och pris, ingen GTIN ("vi är för små", "leverantören ger oss inte"), färg som löpande text istället för Color-attribut, storlek bara som filtreringskategori utan i schemat, och variantfamiljer som inte är kopplade ihop (Product → hasVariant → ProductGroup). GTIN-frågan är ofta lösbar via leverantören eller GS1 (gs1.se i Sverige). För egna märken: GS1 säljer prefix för att registrera egna GTIN. Detta är en engångsinvestering som lyfter inte bara agentic readiness utan också Google Shopping- och Amazon- feeds. Förtroendesignaler (10% vikt) 2 8 AI-agenter värderar förtroende högt eftersom de agerar för användarens räkning. En agent som rekommenderar en lågförtroende-merchant brännmärker hela agent-tjänsten — därför filtrerar agenter konservativt. Förtroendesignaler är de markörer som signalerar "denna sajt är legitim, professionell och håller sina löften". Centrala signaler: SSL/HTTPS överallt (inte bara på checkout), Organization-schema med namn, adress, telefon, e-post och sameAs-länkar till verifierade sociala konton, aggregateRating på antingen Product- eller Organization-nivå, en synlig MerchantReturnPolicy med specifika dagar och villkor, GDPR-/cookiepolicy och en "Om oss"-sida med riktiga personer och historik. Externa recensionsplattformar som Trustpilot, Bazaarvoice eller Yotpo lyfter signalen kraftigt eftersom de inte kan manipuleras direkt av merchanten. Vanliga brister: enbart SSL utan andra signaler, recensioner som finns på sajten men inte är markerade upp i schema, returpolicy som bara finns i en juridisk sidfot utan strukturerad data, och saknad Organization-schema (vilket gör att agenter inte ser den juridiska entiteten alls). Praktiskt: lägg in Organization-schema en gång på sitewide-nivå (oftast i layout-templaten), markera upp existerande Trustpilot-/Yotpo-data via deras schema-snippets, och konvertera retur-villkoren till MerchantReturnPolicy med returnPolicyCategory, merchantReturnDays och returnPolicyCountry.
Sida 8
Crawler-läsbarhet (8% vikt) 6 2 En agent kan bara analysera det den kan se. Många moderna e-handelssajter renderas client-side med React, Vue eller liknande — det betyder att HTML som kommer från servern är näst intill tom, och alla produktdata laddas in via JavaScript efter sidladdning. Många AI-crawlers (inklusive GPTBot, ClaudeBot, PerplexityBot och äldre Googlebot-läge) kör inte JavaScript, eller gör det inkonsekvent. Resultatet: en sajt med fantastisk struktur som är osynlig för agenten. Detta löses genom server-side rendering (SSR) eller static site generation (SSG): att produkter, kategorier och schema redan finns i HTML-svaret innan JavaScript körs. Next.js, Nuxt, Remix och Shopify Hydrogen gör detta naturligt. Headless commerce- plattformar med ren CSR (som rena Vue/React SPAs) behöver kompletteras med pre-rendering eller dynamisk rendering för bot-trafik. Ytterligare lager: robots.txt måste tillåta moderna AI-bots explicit — Google-Extended, GPTBot, ClaudeBot, PerplexityBot, OAI- SearchBot, anthropic-ai. Många sajter blockerar dessa av misstag via generiska "disallow"-regler eller via Cloudflare-konfig. llms.txt är en ny framväxande standard (likt sitemap men för AI-agenter) som listar viktiga URLer i Markdown — fortfarande optional men signalerar tydlig medvetenhet. Praktiskt: testa er sajt med "View Source" (Cmd+U) snarare än Inspector. Om HTML-svaret är tomt har ni ett problem. Kontrollera även robots.txt mot agent-bot-namnen och överväg att lägga upp en llms.txt även om innehållet är minimalt. Pris & Lager i realtid (7% vikt) 5 2 Agenter vill aldrig rekommendera en produkt som är slut, har ändrat pris, eller där "rabatten" gick ut igår. Därför läser de pris- och lagerstatus i schema, inte i HTML-text. En vanlig fälla är att priset visas tydligt på sidan men inte är kopplat till någon Offer-data, så agenten ser bara texten utan strukturerad valuta, giltighetstid eller tillgänglighet. Idealt ser Offer-objektet ut så här: price som siffra, priceCurrency (SEK/EUR/USD som ISO 4217-kod), availability som schema.org-enum (InStock, OutOfStock, PreOrder, BackOrder), priceValidUntil som ISO-datum, itemCondition (NewCondition / UsedCondition), eligibleRegion för geografisk tillgänglighet, och hasMerchantReturnPolicy för returvillkor. För priser med "spara X kr"-element: ange list-price separat via PriceSpecification med UnitPriceSpecification eller använd lowPrice/highPrice för intervall. Vanliga brister: pris som löpande text utan schema, prisCurrency saknas (agenten gissar), availability som "Tillgänglig" på svenska istället för enum, ingen priceValidUntil (agenten vet inte om kampanjen är aktiv om en vecka), och saknad lagerstatus per variant — bara en samlad signal för hela produkten. Praktiskt: aktivera prisuppdatering via Offer-schema i er CMS/PIM. Många plattformar har detta som default men har avaktiverat på grund av cache-problem. Validera med Google Rich Results Test som varnar för saknad priceValidUntil och availability.
Sida 9
GEO-readiness (6% vikt) 4 5 Synlighet i generativa motorer handlar om att sajten inte bara kan crawlas — den måste vara faktisk AI-ready i hur den exponerar innehåll, länkar och schema för smarta agenter. Det innebär att robots.txt och llms.txt är satta rätt, sitemap är synlig och relevant, interna länkar är crawlbara och att strukturdata finns på plats där det behövs. En riktigt GEO-ready sida har server-renderade landningssidor med aktiva produkt- och kategorilänkar i HTML, en parsebar sitemap och tydlig schema-markup som hjälper agenter att matcha och navigera. Den tillåter dessutom moderna AI-bots i robots.txt i stället för att blockera dem med generella Disallow-regler. Fokusera på: teknisk crawlaccess, intern länkstruktur, sitemap-täckning, canonical/hreflang-konsistens och att sidan inte bara fungerar i en JS-slinga. Detta är ofta avgörande för AI Shopping-ytor som Perplexity och Gemini, som inte alltid kör full rendering. Praktiskt: granska en produktsida i View Source, kontrollera sitemap.xml och jämför interna länkar med vad som faktiskt finns i HTML. Om menyerna är JS-genererade måste ni komplettera med statiskt renderade nav-element. Innehållskvalitet (6% vikt) 3 5 AI-agenter får ofta frågor i naturligt språk: "passar denna gosedjur till en allergisk hund?", "vad är skillnaden mellan modell A och B?", "är den OK för utomhusbruk?". För att besvara dem behöver agenten innehåll som är specifikt, faktabaserat och täcker användarens troliga frågor — inte marknadsföringsbrus. Bra produktinnehåll består av: en beskrivande introduktion (minst 80-150 ord, inte "Hög kvalitet och stilren design"), en specifications-lista med mått, material och tekniska detaljer, kompatibilitetsinfo (passar X, passar inte Y), användningsråd, vård/skötsel, och gärna en FAQ-sektion. FAQ-data markeras upp som FAQPage-schema vilket gör att agenter kan citera svaren direkt i sina rekommendationer. Q&A-data via QAPage är ännu mer kraftfullt — den motsvarar communityskapade frågor med svar. Vanliga brister: identiska generiska beskrivningar för flera produkter (ofta resultatet av leverantörstexter rakt av), bristfälliga specifikationer, ingen FAQ, och content som ligger i bilder eller PDF:er istället för rå text. Vi har sett sajter där produktbeskrivningen i schemat var "Köp denna produkt" — agenten har då inget att arbeta med. Praktiskt: skriv unika produktbeskrivningar med specifika fakta (material, mått, kompatibilitet). Lägg till en FAQ-sektion per produktkategori snarare än per enskild produkt — det skalar bättre. Markera upp svaren med FAQPage-schema. För komplexa produkter: investera i en specifikationstabell med tydliga key-value-par. Produktfeed (5% vikt) 3 8 Google Merchant Center och Meta Catalog är direktkanaler in till de stora AI Shopping-ytorna. När ChatGPT Shopping eller Gemini Shopping besvarar en produktfråga går de i princip aldrig till sajten direkt — de använder feed-data som redan ligger indexerad. En aktiv, välmatad produktfeed är därför en av de mest direkta vägarna att synas i agentic shopping. En kvalitativ feed innehåller alla obligatoriska Google-fält (id, title, description, link, image_link, availability, price, brand, gtin, mpn) plus rekommenderade (additional_image_link, color, size, age_group, gender, material, pattern, item_group_id för variantfamiljer, custom labels för budgetstyrning). För svenska e-handlare också shipping-info per region. Feed-uppdateringar bör ske dagligen för pris/lager och vid produktändringar. Vanliga brister: ingen aktiv feed alls (många mid-size svenska e-handlare), feed med dåliga GTIN-värden (de avvisas av Google), missade rekommenderade fält som påverkar matchning, och avsaknad av item_group_id som leder till att Google ser varje variant som separat produkt och splittrar performance-datan. Praktiskt: kontrollera Google Merchant Center → Diagnostik. Plattformar som Shopify, WooCommerce och Centra har feed- moduler — aktivera dem och säkerställ att gtin och item_group_id fylls i från produktdatan. För Meta Catalog: samma produktdata kan oftast återanvändas.
Sida 10
Agent-förhandlingsbarhet (5% vikt) 8 En framväxande kategori som handlar om sajtens förmåga att kommunicera direkt med agenter via maskinella protokoll, inte bara via HTML. Tanken är att agenter på sikt inte ska skrapa HTML utan istället förhandla med sajten via standardiserade API:er — beskriva användarens behov, få strukturerade svar, och slutföra köp programmatiskt. Konkreta signaler som värderas: publika REST- eller GraphQL-endpoints som exponerar produktkatalog (Storefront API hos Shopify, /api/v1/products hos commercetools, etc.), MCP (Model Context Protocol) discovery via /.well-known/mcp som låter agenter introspektera sajtens kapaciteter, ACP (Agent Commerce Protocol)-stöd, OAuth-flöden anpassade för agent- delegation (där användaren ger en agent begränsad rättighet att handla å sina vägnar), och headless commerce-arkitektur som möjliggör djup API-integration. Detta är en framåtblickande kategori — få sajter har detta fullt utbyggt idag. Score bedöms därför konservativt. De som däremot redan har det (typiskt headless commerce-stackar på Shopify Hydrogen, commercetools, Saleor, Medusa) får en strukturell fördel som blir avgörande inom 12-24 månader när protokollen mognar. Praktiskt: dokumentera er Storefront API publikt om den finns. Sätt upp en /.well-known/mcp-fil som beskriver era endpoints, även om innehållet är minimalt initialt. Följ Anthropics MCP-spec och Stripes Agent Pay-utveckling. Teknisk prestanda (4% vikt) 4 2 Snabba sajter får mer crawl-budget från AI-agenter. Långsamma eller resurstunga sajter analyseras inkonsekvent eller hoppas över helt vid hög trafiklast. Core Web Vitals (LCP, INP, CLS) påverkar både sökrankning och hur djupt en agent vågar gå in i sajten. Centrala signaler: korta tider till första byte (TTFB under 600 ms), lågt LCP (under 2,5 s), modern bildoptimering (WebP/AVIF), responsiva bilder via srcset/picture, loading="lazy" på off-screen bilder, fontladdning utan FOIT/FOUT, minimerade render- blocking scripts, en mobile viewport-meta-tagg, och rimlig HTML-storlek (helst under 200 KB komprimerat). Vanliga brister: stora oroptimerade JPEG/PNG, alla bilder inlinade utan lazy loading, många 3rd-party-skript som blockerar render (chatt, A/B-test, analytics, retargeting), tunga hero-videos som autoplay, fontfiler från externa CDN utan font- display:swap, och saknad viewport-meta som gör mobil-responsiviteten obrukbar. Praktiskt: kör PageSpeed Insights och Lighthouse på en produktsida. Adressera de tre största LCP-blockerarna först — oftast oroptimerade hero-bilder och fontladdning. Konvertera bilder till WebP/AVIF (kan automatiseras via CDN). Aktivera lazy loading på allt nedanför fold. Begränsa 3rd-party-skript till de absolut nödvändiga. Internationalisering (3% vikt) 1 5 Om en sajt riktar sig till flera marknader behöver agenter veta vilken version som matchar användaren. Utan rätt signaler kan en svensk användare få den brittiska sajten rekommenderad — fel valuta, fel leverans, fel språk. Eller omvänt: en sajt som faktiskt levererar globalt syns inte alls för utländska användare. Centrala signaler: hreflang-länkar i HTML-head som mappar varje sida till alla språk/regionvarianter, en x-default för fallback, multi-currency-stöd där priser visas i lokal valuta (inte bara konverterade från en huvudvaluta), language switcher som inte bara byter språk utan också catalog och valuta, och eligibleRegion på Offer-schemat som tydligt anger var produkten kan levereras. För Norden: anvisning om porto och förtullning per land om relevant. Vanliga brister: hreflang som pekar fel (typo i språkkoder, dubbletter, saknade x-default), pris som visas i SEK för alla utan möjlighet att byta, leveranszoner som bara nämns i FAQ utan strukturerad data, och country-specifika landningssidor som inte är länkade ihop via hreflang så att Google ser dem som duplicates. Praktiskt: använd Google Search Consoles internationella rapport för att hitta hreflang-fel. Lägg in eligibleRegion på Offer- schemat med ISO-landskoder. Om ni inte säljer internationellt: hellre uttalad "Vi levererar inom Sverige" i schemat än otydlig signal.
Sida 11
Prioriterade åtgärder · Arbetsguider (steg-för-steg) ☐ Lägg till GTIN/EAN i produktschema omgående Lägg till korrekt GTIN13 (EAN-streckkod) för varje produktvariant direkt i JSON-LD Offer-schemat som fältet 'gtin13'. GTIN är det primära matchningskriteriet som AI-shoppingagenter som ChatGPT Shopping, Google Gemini och Amazon Rufus använder för att identifiera, verifiera och matcha produkter mot externa produktdatabaser och prissajter. Hämta EAN-koderna från Bics produktdatabas eller från era interna artikelregister och mappa dem mot respektive variant-SKU (13060071, 13060140, 13060072, 13060269). Utan GTIN riskerar produkten att inte visas alls i agentdrivna produktjämförelser, och ni missar en av de viktigaste rankingfaktorerna i Google Merchant Center. ☐ Åtgärda prisdiskrepansen mellan schema och sida Schema anger priset 7 SEK men sidan visar 5 SEK för slutkund – detta medelhöga konfliktfynd identifierat av faktavalideringen måste åtgärdas omedelbart. AI-agenter som läser schema-priset och presenterar 7 SEK för en användare skapar misstroende när butiken visar 5 SEK, och Google kan penalisera sidan för inkonsekvent produktdata. Synka backend-systemet så att schema:price alltid speglar det faktiska kundpriset inklusive eventuella kampanjpriser, och lägg till priceValidUntil för tidsbegränsade erbjudanden. Implementera även schema:lowPrice och schema:highPrice om priset varierar per variant. ☐ Implementera MerchantReturnPolicy och ShippingDetails i schema Lägg till MerchantReturnPolicy-schema med fälten returnPolicyCategory, merchantReturnDays och returnMethod, samt ShippingDetails med deliveryTime och shippingRate direkt i Product-schemat. AI- shoppingagenter kräver strukturerad retur- och fraktinformation för att autonomt kunna slutföra köprekommendationer – utan dessa fält kan agenter som Google Gemini Shopping inte visa 'gratis retur' eller fraktestimering i sina svar. Gratis frakt nämns i löptext men är inte maskinläsbar. Lägg till detta i JSON- LD på alla produktsidor och synka med er faktiska frakt- och returpolicy. ☐ Lägg till Organization-schema med fullständig kontaktdata Implementera Organization-schema på sitewide-nivå (exempelvis i head-mallen) med fälten name, url, logo, address, telephone, email och sameAs-länkar till verifierade sociala medieprofiler. AI-agenter utvärderar handlares trovärdighet delvis baserat på tillgänglig organisationsdata i schema – frånvaron av Organization- schema innebär att AllOffice inte kan verifieras som legitim aktör av automatiserade agenter. Adressen till butikerna finns via /butiker-sidan men är inte exponerad i strukturerat format. Implementera även LocalBusiness-schema för fysiska butikslokationer. ☐ Åtgärda JavaScript-renderingsproblem för crawlers HTML-filen är 691 KB och innehåller noll detekterade rubrikelement (H1-H6) i body-signalerna, vilket starkt indikerar att produktinnehållet renderas via JavaScript och inte är synligt för crawlers utan JS-exekvering. Implementera server-side rendering (SSR) eller statisk sidgenerering för produktsidor så att namn, pris, beskrivning och alla attribut finns i den initiala HTML-responsen. AI-agenter som PerplexityBot och ClaudeBot kan ha begränsad JS-exekveringskapacitet, vilket innebär att de idag sannolikt inte kan läsa produktinnehåll korrekt trots att de är tillåtna i robots.txt. Överväg Next.js SSR eller liknande ramverk.
Sida 12
☐ Skapa llms.txt med handlarsspecifika AI-instruktioner Publicera en /llms.txt-fil på rotnivå med instruktioner för AI-agenter om hur AllOffice:s produktkatalog, beställningsprocess och returpolicy fungerar. llms.txt är ett framväxande standardformat som hjälper AI- agenter förstå webbplatsens struktur, begränsningar och hur de ska interagera med er. Inkludera information om produktkategorier, beställningsflöde, minsta orderkvantitet och kontaktkanaler för agentinitierade köp. Detta är en låg-tröskel-åtgärd med hög potentiell effekt när fler AI-shoppingagenter implementerar standarden under 2025–2026. ☐ Lägg till AggregateRating och kundrecensioner i produktschema Implementera AggregateRating-schema med ratingValue, reviewCount och bestRating på produktsidan, samt minst ett Review-schema-objekt om recensioner finns. AI-shoppingagenter som ChatGPT Shopping och Google Gemini Shopping prioriterar produkter med verifierade betygsdata när de rangordnar rekommendationer – en produkt utan aggregat-betyg konkurrerar i underläge mot produkter hos andra handlare som har denna data. Om AllOffice inte har ett eget recensionssystem, integrera med Trustpilot eller liknande tredjepartsplattform och exponera datan via schema. Bic M10 är en välkänd produkt med sannolikt hög kundnöjdhet – utnyttja detta. ☐ Berika produktbeskrivning med specifikationer och FAQ-schema Utöka produktbeskrivningen från nuvarande ~150 tecken till minst 400–600 tecken med strukturerade specifikationer: pennspetsstorlek (medium = 1,0 mm), bläcktyp (oljebaserat), tillgängliga färger (blå, svart, röd), pennkroppsmaterial, kompatibla påfyllningar och certifieringar (ISO 12757 parts 1 och 2). Lägg till ett FAQPage-schema med vanliga frågor som 'Kan man byta bläck i Bic Clic M10?', 'Vad är skillnaden mellan M10 och Cristal?' och 'Är bläcket vattentåligt?'. AI-agenter som Perplexity och ChatGPT Shopping använder rik produktinformation för att svara på användarfrågor och välja rätt produkt – tunnare innehåll leder till att agenten väljer en konkurrents produkt med bättre specifikationsdata. Powered by Norlund Interactive