OpenAI · Vision AI · Shoper API · Python · SEO

Automatyzacja opisów produktów AI
dla sklepów z dużą bazą SKU

21 000 produktów opisanych z pomocą AI w 96 godzin. Koszt operacyjny: ~2 600 PLN. Szacowany koszt ręcznego copywritingu: 315 000 PLN+. To nie jest demo — to wdrożony, działający pipeline na produkcji w sklepie CMP na Shoperze.

Opisz swój przypadek Automatyzacje AI →

case: 21 000 produktów 96 godzin

przed Produkt bez opisu SEO

po Opis, meta dane i status

danevisioncopyAPI

21 000

produktów opisanych przez AI pipeline

96 h

czas realizacji od uruchomienia skryptu

~2 600 PLN

koszt operacyjny API vs 315k PLN ręcznie

Case study

21 000 produktów — jak to dokładnie działało?

Pobieranie danych przez Shoper API

Listowanie wszystkich produktów z Shopera: ID, nazwy, atrybuty, EAN, kategoria, URL zdjęć. Filtrowanie tych bez opisu.

Analiza zdjęcia przez Vision AI

Każde zdjęcie produktu analizowane przez OpenAI Vision: kolor, materiał, styl, wyróżniki wizualne — dane zasilają prompt.

Generowanie opisów i meta danych

Prompt SEO z danymi produktu + vision output → GPT-4 generuje: opis HTML, SEO title, meta description, short description.

Walidacja jakości i score

Każdy wygenerowany opis przechodzi przez checklist: długość, brak powtórzeń, obecność słów kluczowych, spójność z kategorią.

Publikacja przez API i raport

PUT na endpoint Shoper API dla każdego produktu, zapis do loga, raport CSV z wynikami po każdym batchu.

# Raport po uruchomieniu pipeline Pipeline zakończony: 96h 14min Produkty ogółem: 21 000 Opisy wygenerowane: 20 847 Pominięte (brak zdjęcia): 112 Błędy API: 41 Koszt OpenAI API: ~2 600 PLN Koszt copywriting ręczny: (przy 15 PLN/szt): 315 000 PLN Zysk: 312 400 PLN / 96 godzin Technologie: Python 3.11 · OpenAI gpt-4-vision Shoper REST API · SQLite · CSV

Zakres automatyzacji

AI pomaga redagować i skalować treść, ale nie może zmieniać faktów o produkcie

W dobrym wdrożeniu opis nie powstaje z jednego ogólnego promptu. Proces łączy dane źródłowe, reguły tonu marki, kontrolę SEO, blokady błędnych claimów i raport dla rekordów wymagających decyzji człowieka.

model dostaje nazwę, kategorię, atrybuty, zdjęcie i pola, których nie wolno nadpisywać,
generuje opis, skrót, SEO title i meta description zgodnie z formatem sklepu,
walidacja zatrzymuje duplikację, zbyt ogólne teksty i cechy niewynikające ze źródła,
publikacja przez API obejmuje tylko rekordy, które mają status do zapisu; reszta trafia do raportu review.

# quality_gate.json input: nazwa + atrybuty + zdjęcie brand_voice: matched seo_duplicate_risk: low unsupported_claims: 0 technical_facts_changed: false publish_status: REVIEW → WRITE_OK

Szerzej o różnicy między tekstem, który tylko brzmi „ładnie”, a opisem opartym na danych piszemy w poradniku AI w e-commerce: opisy produktów bez utraty kontroli. Gdy problem dotyczy również błędnego drzewa katalogu, łączymy ten proces z mapowaniem kategorii produktów.

Kiedy to ma sens

Dla kogo automatyzacja opisów?

📦

Sklep z > 500 SKU bez opisów

Jeśli masz setki lub tysiące produktów bez tekstu SEO — ręczny copywriting jest nieopłacalny. AI jest skalowalne i szybsze.

🏭

Dystrybutor z nową hurtownią

Importujesz nowy katalog z hurtowni i masz produkty bez opisów po polsku albo z maszynowym tłumaczeniem. AI przepisuje i ulepsza.

🔄

Sklep do przejęcia / migracji

Migrujesz ze starej platformy albo przejmujesz sklep z chaotyczną treścią. AI pomaga szybko ustandaryzować wszystko przed migracją.

Kontrola jakości

AI nie może pisać „w ciemno” — potrzebuje danych, reguł i walidacji

Największy błąd przy opisach AI to traktowanie modelu jak generatora tekstu. W e-commerce model powinien pracować w pipeline: wejście danych, prompt, walidacja, raport, publikacja.

Nie zgadujcech, których nie ma w danych ani na zdjęciach

Nie kopiujstarych opisów i błędnych claimów

Nie publikujbez statusu, logu i kontroli długości

Nie dublujWP/MVP, materiałów, kategorii i atrybutów

FAQ

FAQ opisów produktów AI

Czy opisy AI są unikalne?+

Mogą być, jeśli model dostaje dobre dane wejściowe i reguły jakości. Unikalność nie polega na mieszaniu tych samych zdań, tylko na wykorzystaniu konkretnych cech produktu: kategorii, parametrów, zdjęć, materiału, zastosowania i różnic względem podobnych modeli.

Czy AI analizuje zdjęcia?+

Tak, można używać Vision AI do rozpoznawania typu produktu, kolorów, kroju i widocznych detali. Nie traktujemy jednak zdjęcia jako jedynego źródła prawdy: wynik porównujemy z nazwą, atrybutami, kategorią i regułami sklepu, żeby AI nie dopisało cech, których produkt nie ma.

Jak wygląda publikacja?+

Najpierw generujemy próbkę, walidujemy strukturę HTML, długość, słowa kluczowe, brak pustych pól i zgodność z kategorią. Dopiero rekordy, które przejdą kontrolę, mogą być publikowane przez API. Reszta trafia do raportu z powodem odrzucenia.

Czy opisy AI można dopasować do kategorii?+

Tak. Inaczej pisze się opis odzieży, inaczej części technicznej, a jeszcze inaczej kosmetyku. Pipeline powinien uwzględniać kategorię, cechy produktu, zakazane sformułowania, długość tekstu i reguły SEO dla danego typu asortymentu.

Co dzieje się z błędnymi wynikami?+

Powinny trafić do kolejki weryfikacji, a nie od razu do publikacji. Dobrze zaprojektowany proces zapisuje logi, oznacza brakujące dane, pozwala poprawić rekord i ponowić generowanie bez ręcznego szukania problemu w całej bazie.

Ile masz produktów bez opisów? Sprawdźmy, czy AI się opłaca.

Podaj liczbę SKU, platformę i stan obecny — policzę koszt API vs ręcznego copywritingu i zaproponuję pipeline.

Opisz przypadek → Shoper API

Automatyzacja opisów produktów AIdla sklepów z dużą bazą SKU