Przejdź do treści

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
Jeden produkt w procesie opisów: AI tylko w jednym kroku przykład · dane demonstracyjne
  1. pobranie · bez AI BR-520 · Buty biegowe damskie z API sklepu: kategoria, materiał z karty, kolor, zdjęcie dane kompletne
  2. model AI · jedyny krok z AI Wersja robocza opisu i meta title kolor i krój ze zdjęcia; materiał tylko z danych karty wersja robocza
  3. bramka jakości · reguły · bez AI Opis podaje „wodoodporne”, dane karty tego nie potwierdzają cecha spoza danych blokuje publikację do przeglądu
  4. API sklepu · bez AI Po poprawce: zapis opisu i meta przez API tylko uzgodnione pola; pozostałe bez zmian zapisane
Przykład na danych demonstracyjnych, nie panel klienta. Pobranie, reguły i zapis to zwykła automatyzacja.

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?

  1. 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.
  2. 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.
  3. 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

raport przebiegu · BR-520dane przykładowe
RegułaCo sprawdza w rekordzieWynik
Pola wymaganez API sklepu: kategoria, materiał z karty, kolor, zdjęciedane kompletne
Zakazane twierdzeniaopis podaje „wodoodporne”, dane karty tego nie potwierdzajądo przeglądu
Zapispo poprawce: zapis opisu i meta przez API; tylko uzgodnione polazapisane
Ten sam produkt co w otwarciu strony. Cecha spoza danych blokuje publikację.
Ten próg w realizacji CMP: 20 847 opisów

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.

  1. 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.
  2. 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.
  3. Reguły jakości i statusyPróg akceptacji opisany wyżej: do publikacji, do przeglądu albo odrzucony z powodem.
  4. Produkcja partiami przez APIZapis tylko uzgodnionych pól, partiami, z ponawianiem po błędzie i kontrolą limitów platformy. Pola spoza zakresu zostają nietknięte.
  5. 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.

Sklep CMP Polska · karta produktu
Karta kurtki hybrydowej w sklepie CMP Polska: ścieżka kategorii, zdjęcie, nazwa, warianty kolorów, cena i rozmiary
  1. Kategoria pobierana przez Shoper API razem z nazwą i atrybutami.
  2. Zdjęcie analizował model OpenAI z analizą obrazu: kolor, krój, styl i widoczne detale.
  3. Dane karty materiał i skład: reguła procesu dopuszczała je tylko z danych karty produktu.
Karta produktu w sklepie CMP Polska (Shoper Storefront), zrzut z 29.10.2026 (kadr na telefon: 21.11.2026). Oznaczenia: skąd proces opisów brał dane.
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
Model, nie pomiar: 15 min ręcznego pisania jednego opisu, ok. 15 zł za opis. Koszt API całego katalogu: ok. 2 600 zł.

Wdrożenie automatyzacji AI — pytania

Nie ma tu Twojego pytania? Napisz

Składa się z dwóch części: pracy nad procesem (dane wejściowe, reguły, integracja z platformą) i kosztu API za każdy przetworzony rekord. Koszt API liczymy na próbce 100–200 rekordów przed decyzją o skali. W case z 21 000 produktów wyniósł około 2 600 PLN, czyli około 0,12 PLN na produkt. Wycenę pracy podajemy po przejrzeniu danych i zakresu.
Tylko te, które przejdą reguły jakości. Rekordy niepewne, na przykład z niejasną kategorią albo cechami sprzecznymi ze zdjęciem, trafiają do przeglądu przez człowieka, a rekordy bez wymaganych danych są odrzucane z powodem w raporcie. Publikacja przez API dotyczy tylko uzgodnionych pól.
Najczęściej w sklepach na Shoperze przez Shoper API, a także w Magento i WooCommerce oraz na plikach z ERP i hurtowni. Wynik może trafić do sklepu przez API albo jako plik do importu.
Modeli OpenAI do tekstu i analizy obrazu, wywoływanych przez API z procesu w Pythonie. Model wybieramy pod zadanie i koszt na rekord, który sprawdzamy na próbce.
Automatyzacja opisów produktów to jedno, najczęstsze zastosowanie. Ta strona obejmuje też klasyfikację i mapowanie kategorii, analizę zdjęć, kontrolę jakości danych i tłumaczenia. Szczegóły samych opisów są na stronie automatyzacji opisów produktów AI.

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.

  1. TySkala i platformaOpis procesu, liczba produktów, platforma sklepu.
  2. próbka 100–200 produktówWariant procesu i reguły walidacjiKoszt API policzony na próbce przed skalowaniem.
  3. decyzjaSkalowanie albo reguły bez AIJeśli zadanie da się rozwiązać regułami bez AI, powiemy to od razu.