Przejdź do treści

AI w e-commerce: opisy produktów, metadane i klasyfikacja z kontrolą powtórzeń

AI może przyspieszyć tworzenie opisów produktów, SEO title, meta description, tagów i przypisań kategorii, ale tylko wtedy, gdy działa na uporządkowanych danych i przechodzi walidację. Bez kontroli łatwo opublikować treści niezgodne z produktem.

Jeden rekord: co AI redaguje, co zostaje z danych

rekord produktuprzykład
PoleRolaWynik
SKU, nazwa, kategoriawejściefakt z danych
atrybuty, zdjęcie, cenawejściefakt z danych
opiswynikpo walidacji
meta title, meta descriptionwynikpo walidacji
produkt bez zdjęciabez opisudo raportu
Wejście: SKU, nazwa, kategoria, atrybuty, zdjęcie i cena. Wynik: opis, meta title i meta description zapisane dopiero po walidacji, bez dopisywania cech, których nie ma w danych.
AI nie powinno wymyślać produktu od zera

Najlepsze wyniki powstają wtedy, gdy model dostaje nazwę, markę, kategorię, atrybuty, zdjęcia i jasne ograniczenia. AI ma redagować i strukturyzować, a nie dopowiadać parametry techniczne bez źródła.

Dane wejściowe, fragment opisu i decyzja

Produkt bez zdjęcia albo z pustymi atrybutami nie powinien dostać opisu „na oko”. Taki rekord trafia do raportu z powodem pominięcia. W przebiegu na 21 000 rekordów do raportu trafiło 112 rekordów bez zdjęcia.

Dane wejściowe, fragment opisu i decyzja o akceptacji albo odrzuceniu
Dane wejścioweFragment opisuDecyzja i powód
kolekcja, krój i zastosowanie w danych produktuopis kolekcji, kroju i zastosowaniaakceptacja tekst oparty na danych
tylko nazwa produktu„Nowoczesny produkt premium idealny na każdą okazję”odrzucenie nic o zastosowaniu ani wariancie
rozmiarów, składu i membrany brak w danych, jest ogólne zdjęciedopisany skład albo membranaodrzucenie cecha bez źródła
sprzeczne dane albo niska pewność; brak kluczowych informacji–REVIEW ręczna akceptacja; BLOCKED bez publikacji

Kroki techniczne tego samego przebiegu: sekcja 02; reguły blokujące: sekcja 04.

01

Które elementy katalogu można bezpiecznie generować AI?

Najbezpieczniej automatyzować pola opisowe: opis produktu, krótki opis, meta title, meta description, tagi, propozycję kategorii i warianty tekstu pod SEO. Nadal trzeba pilnować, żeby model nie dopisał cech, których nie ma w danych źródłowych: parametrów, certyfikatów, składu albo obietnic użytkowych. Zanim AI zacznie pisać, warto wiedzieć, czego w kartotece brakuje — to zakres audytu danych produktowych.

AI może też analizować zdjęcia produktu i pomagać w klasyfikacji, ale wynik powinien być oznaczony jako propozycja, nie bezwarunkowa prawda.

Problem zaczyna się wtedy, gdy model dostaje tylko nazwę produktu albo automatycznie przepisany opis dostawcy. Taki tekst potrafi brzmieć płynnie, ale nie odpowiada na pytanie klienta, nie odróżnia wariantów i może dopisać cechę, której nikt nie zweryfikował.

Co AI może robić w katalogu

Teksty

generowanie opisów, skrótów, meta title i meta description

Zdjęcia i dane źródłowe

analiza zdjęć i danych źródłowych przez model z analizą obrazu

Propozycje

propozycje kategorii, tagów, atrybutów i tekstów SEO

Walidacja

walidacja długości, zakazanych fraz i zgodności z danymi produktu

  • opisy marketingowe i techniczne na bazie danych źródłowych
  • meta title i meta description z kontrolą długości
  • tagi, cechy i propozycje kategorii
  • wykrywanie brakujących zdjęć, EAN, atrybutów i opisów
02

Jak powstają i jak sprawdzamy opisy

Dane pobieramy z CSV, XML, ERP, sklepu albo API, normalizujemy je, generujemy opis, walidujemy wynik i dopiero wtedy zapisujemy lub eksportujemy.

Dzięki logom wiadomo, które produkty przeszły poprawnie, które wymagają kontroli i ile kosztowała operacja AI/API (w case CMP: ok. 2 600 PLN, ok. 0,12 PLN na produkt). Przy dużych katalogach to kluczowe.

przebieg generowania opisówprzykład
pobranie produktów i pól źródłowychprompt z jasnym schematem odpowiedziwalidacja długości, formatu i zakazanych frazraport błędów oraz status: OK, REVIEW, BLOCKEDOK zapis po akceptacjiREVIEW niska pewność albo sprzeczne dane: ręczna akceptacjaBLOCKED brak kluczowych informacji: rekord nie jest publikowanydry-run podgląd bez publikacjizapis przez API, CSV lub import do sklepu dopiero po akceptacji
03

Opisy AI muszą wspierać SEO, ale nie mogą być masową kalką

Jeżeli każdy opis ma tę samą strukturę, szablonowe opisy przestają różnicować karty i słabo odpowiadają na pytania long-tail. Trzeba różnicować język, uwzględniać kategorię, cechy produktu, zastosowanie i intencję użytkownika.

Meta title i description powinny być krótkie, konkretne i zgodne z produktem. SEO title łączy nazwę, typ produktu, markę i intencję. Nie warto upychać fraz, jeśli tekst przestaje być użyteczny.

Zły opis AI
  • „Nowoczesny produkt premium idealny na każdą okazję” nie pomaga wybrać, bo nie mówi nic o zastosowaniu, wariancie ani o tym, czym produkt różni się od innych.
Dobry opis AI
  • Tekst oparty na danych wyjaśnia typ produktu, najważniejsze cechy, zastosowanie i ograniczenia — bez dopisywania parametrów, których nie ma w źródle.

Różnica nie leży w tym, czy zdanie brzmi naturalnie. Liczy się to, czy opis zmniejsza niepewność klienta, nie tworzy duplikacji i pozostaje zgodny z kartą produktu.

  • unikalne opisy dla ważnych produktów i kategorii
  • kontrola fraz, długości i powtarzalnych schematów
  • różne szablony promptów dla różnych typów produktów
  • linkowanie opisów z kategoriami i poradnikami tam, gdzie ma to sens

Strategii kategorii i linkowania generowanie opisów nie zastąpi.

04

Najważniejsze są reguły blokujące błędne publikacje

Przed zapisem trzeba sprawdzić, czy opis nie zawiera zakazanych fraz, nie obiecuje funkcji bez źródła, nie jest za długi, nie powiela nazwy kategorii bez sensu i nie ma pustych pól.

Wyniki o niskiej pewności albo ze sprzecznymi danymi dostają status REVIEW i trafiają do ręcznej akceptacji. Gdy brakuje kluczowych informacji, rekord dostaje status BLOCKED i nie jest publikowany. To szczególnie ważne przy produktach technicznych, dziecięcych, medycznych, ochronnych lub takich, gdzie błędny opis może powodować reklamację.

Przykład reguły: odzież

AI może ułożyć opis kolekcji, kroju i zastosowania, ale rozmiarów, składu i informacji o membranie nie powinno wymyślać z ogólnego zdjęcia.

Mini case: katalog techniczny

Model może uporządkować opis i wypunktować dane, lecz parametry, normy i kompatybilność muszą pochodzić z pliku producenta albo systemu źródłowego.

cmp.pl · karta produktu
Karta kurtki w sklepie CMP: zdjęcie, nazwa, warianty kolorów, cena i rozmiary
  1. Nazwa – z danych katalogu.
  2. Kolory – warianty z danych katalogu.
  3. Cena – z danych katalogu, nie z opisu.
  4. Rozmiary i dostępność – z danych katalogu; tego AI nie wymyśla z ogólnego zdjęcia.
Karta produktu w sklepie CMP Polska: kolory, cena, rozmiary i dostępność to dane z katalogu.
  • walidacja długości i kompletności pól
  • blokada halucynacji parametrów technicznych
  • oznaczanie rekordów do kontroli ręcznej
  • porównanie wyniku z danymi źródłowymi i zdjęciem
05

Jak zacząć generowanie opisów AI?

Przygotuj próbkę produktów z różnymi kategoriami, danymi i zdjęciami. Wygeneruj podgląd, porównaj z ręcznym copywritingiem i ustal reguły walidacji.

Dopiero po tej próbie warto przejść do większych paczek, kosztów API, batchowania i publikacji przez API lub import.

Jeżeli chcesz przełożyć taki model na konkretny katalog, zobacz też zakres automatyzacji opisów produktów AI — z walidacją, raportem i kontrolowanym zapisem.

Tysiące produktów bez opisów? Napiszemy je z danych katalogu

Przygotujemy próbkę, reguły walidacji i podgląd przed zapisem, a potem wygenerujemy opisy dla całego katalogu. W CMP ręczne pisanie to ok. 5 212 godzin pracy (szacunek przy 15 minutach na opis) – automatyzacja zrobiła 20 847 opisów w 96 godzin.

Podobna realizacjaOk. 0,12 zł API na opis zamiast ok. 15 zł ręcznie – 20 847 opisów w 96 hCMP Polska · Shoper