Wdrożenie automatyzacji AI dla firm i e-commerce
Opisy produktów, opisywanie zdjęć i klasyfikacja tysięcy rekordów zabierają zespołowi tygodnie. Wdrażamy AI, które robi to za Was: zaczynamy od jednego procesu i próbki z policzonym kosztem, a do sklepu trafiają tylko wyniki po walidacji.
Realizacja20 847 opisów w 96 h działania automatyzacji, ok. 0,12 zł API za opisCMP Polska · Shoper- pobranie · bez AI BR-520 · Buty biegowe damskie z API sklepu: kategoria, materiał z karty, kolor, zdjęcie dane kompletne
- model AI · jedyny krok z AI Wersja robocza opisu i meta title kolor i krój ze zdjęcia; materiał tylko z danych karty wersja robocza
- bramka jakości · reguły · bez AI Opis podaje „wodoodporne”, dane karty tego nie potwierdzają cecha spoza danych blokuje publikację do przeglądu
- API sklepu · bez AI Po poprawce: zapis opisu i meta przez API tylko uzgodnione pola; pozostałe bez zmian zapisane
Reguły, AI czy człowiek?
Jak ocenić, czy proces nadaje się do automatyzacji, opisuje poradnik kiedy warto wdrożyć automatyzację AI w firmie. Krótko: odradzamy, gdy brakuje danych, skali albo sposobu sprawdzenia wyniku.
Czego wymaga zadanie?
- reguły · bez AIWystarczą regułySynchronizacja cen, stanów i zamówień działa na regułach, bez modeli AI — to zakres automatyzacji i integracji API.
Kontrola: pobranie, reguły i zapis to zwykła automatyzacja. - AI w jednym krokuZadanie wymaga interpretacji treściOpisy produktów, analiza zdjęć, klasyfikacja danych i metadane SEO. AI proponujemy przy tych zadaniach, gdy daje lepszy wynik przy akceptowalnym koszcie.
Przykład i kontrola: opis BR-520 podaje „wodoodporne”, dane karty tego nie potwierdzają — cecha spoza danych blokuje publikację.
Sześć zastosowań i warunek dla wyniku: niżej. - człowiek · bez wdrożeniaOdradzamy wdrożenie AIGdy brakuje danych, skali albo sposobu sprawdzenia wyniku.
Przykład: kilkadziesiąt opisów raz na kwartał szybciej napisze człowiek niż zbuduje się i przetestuje proces.Trzy powody
Kiedy odradzamy wdrożenie AI
Brakuje danych wejściowych
Model nie wytworzy cech, których nie ma w katalogu, a bez bazy danych nie napisze specyfikacji technicznej. Najpierw porządkowanie danych produktowych i wstępna walidacja, potem AI.
Proces jest mały albo rzadki
Kilkadziesiąt opisów raz na kwartał szybciej napisze człowiek niż zbuduje się i przetestuje proces.
Wyniku nie da się sprawdzić
Jeśli nie ma reguł, po których odróżnisz dobry wynik od złego, każdy rekord i tak trzeba przeczytać, a oszczędność znika.
Co AI robi za zespół i co sprawdzamy przed zapisem
Co AI robi w procesie i jaki warunek musi spełnić wynik, zanim trafi do sklepu.
Najpierw próg akceptacji: reguły jakości i statusy
Pola wymagane, zakazane twierdzenia, długości, kontrola powtórzeń. Każdy rekord dostaje status:
- do publikacji
- do przeglądu
- odrzucony z powodem
Kontrola jednego rekordu przed zapisem: BR-520 z otwarcia
| Reguła | Co sprawdza w rekordzie | Wynik |
|---|---|---|
| Pola wymagane | z API sklepu: kategoria, materiał z karty, kolor, zdjęcie | dane kompletne |
| Zakazane twierdzenia | opis podaje „wodoodporne”, dane karty tego nie potwierdzają | do przeglądu |
| Zapis | po poprawce: zapis opisu i meta przez API; tylko uzgodnione pola | zapisane |
Czego AI nie zrobi bez kontroli
- publikacji bez weryfikacji jakości i progu akceptacji
- pisania specyfikacji technicznych bez bazy danych
- pracy na brudnych danych wejściowych bez wstępnej walidacji
- działania poza ustalonym zakresem bez nadzoru logów
Sześć zastosowań i warunek dla wyniku
Masowe opisy produktów
Tysiące produktów bez opisów albo z generycznymi treściami. Model redaguje wersje robocze na podstawie atrybutów, kategorii i zdjęć; publikacja przez API odbywa się dopiero po walidacji.
SEO na dużą skalę
SEO title, meta description, H1 i opisy kategorii dla tysięcy produktów, z danych produktowych i reguł SEO — z kontrolą duplikacji, długości oraz intencji kategorii.
Analiza zdjęć: model OpenAI z analizą obrazu
Kolor, styl i widoczne detale produktu ze zdjęcia; skład i parametry tylko z danych karty. Dane uzupełniają opis bez ręcznego wpisywania.
Klasyfikacja kategorii
Propozycje przypisania produktów z importu do struktury sklepu, z progiem pewności i rozdzieleniem rekordów pewnych, niepewnych i zablokowanych w raporcie wyjątków.
Walidacja danych
Reguły i AI mogą flagować anomalie: brak EAN, podejrzane ceny, zduplikowane nazwy, puste atrybuty — z raportem do pliku.
Tłumaczenia i lokalizacja
Masowe tłumaczenie opisów na wiele języków, z listą fraz docelowych ustaloną osobno dla każdego języka, kontekstem produktu i ograniczeniami kategorii.
Jak wdrażamy automatyzację AI: od próbki do produkcji
Skalę uruchamiamy dopiero wtedy, gdy próbka pokaże koszt na rekord i odsetek wyników do poprawki. Do tego momentu nic nie trafia do sklepu.
- Wybór procesu i danych wejściowychUstalamy jeden proces, jego wejście i wynik: na przykład opisy dla kategorii, która ma zdjęcia i atrybuty. Sprawdzamy, czy dane wystarczą, zanim powstanie pierwszy prompt.
- Próbka 100–200 rekordówPo próbce dostajesz zestawienie: koszt API na rekord, czas przebiegu oraz liczbę rekordów do publikacji, do przeglądu i odrzuconych z powodem. Na tej podstawie decydujesz, czy skalować.
- Reguły jakości i statusyPróg akceptacji opisany wyżej: do publikacji, do przeglądu albo odrzucony z powodem.
- Produkcja partiami przez APIZapis tylko uzgodnionych pól, partiami, z ponawianiem po błędzie i kontrolą limitów platformy. Pola spoza zakresu zostają nietknięte.
- Raport i przekazanieZestawienie: opublikowane, do przeglądu, odrzucone z powodem. Proces można uruchomić ponownie dla samych rekordów odrzuconych albo dla nowych produktów.
Co dostajesz po wdrożeniu
- działający proces na Twoich danych, a nie jednorazowo wygenerowane teksty
- reguły jakości zapisane wprost, do zmiany bez przepisywania całości
- raport z każdego przebiegu z powodem odrzucenia dla każdego rekordu
- koszt API na rekord policzony na próbce, zanim zapadnie decyzja o skali
- listę rekordów do przeglądu przez zespół zamiast publikacji „w ciemno”
20 847 opisów z 21 000 rekordów w sklepie na Shoperze
Dla katalogu CMP Polska model przygotował opisy i metadane z danych produktu oraz zdjęć; pobranie, walidacja i publikacja szły przez Shoper API. Technologie: Python (pipeline, walidacja, logi, raport), model OpenAI do tekstu i analizy obrazu, Shoper REST API.
Koszt API: ok. 0,12 zł za opis zamiast ok. 15 zł za opis pisany ręcznie. Około 2 600 zł kosztowały wywołania modelu dla całego katalogu 21 000 rekordów. Dla Twojego katalogu koszt API liczymy na próbce 100–200 rekordów, zanim zdecydujesz o skali.
Etapy, reguły i kontrolę jakości pokazuje realizacja CMP: 21 000 produktów.

- Kategoria pobierana przez Shoper API razem z nazwą i atrybutami.
- Zdjęcie analizował model OpenAI z analizą obrazu: kolor, krój, styl i widoczne detale.
- Dane karty materiał i skład: reguła procesu dopuszczała je tylko z danych karty produktu.
- opisy wygenerowane z 21 000 rekordów w procesie
- 20 847
- działania automatyzacji dla całego katalogu
- 96 h 14 min
- pracy ręcznej, którą zastąpiła (model)
- ok. 5 212 h
- kosztu API za opis zamiast ok. 15 zł ręcznie (model)
- ok. 0,12 zł
Masz tysiące produktów bez opisów albo ręczny proces do automatyzacji?
Opisz skalę i platformę — przygotujemy pierwszy wariant procesu, próbkę, reguły walidacji i koszt API policzony na 100–200 produktach przed skalowaniem, więc o skali decydujesz, znając koszt i jakość. Jeśli zadanie da się rozwiązać regułami bez AI, powiemy to od razu.
- Skala i platformaOpis procesu, liczba produktów, platforma sklepu.
- Wariant procesu i reguły walidacjiKoszt API policzony na próbce przed skalowaniem.
- Skalowanie albo reguły bez AIJeśli zadanie da się rozwiązać regułami bez AI, powiemy to od razu.