Case: 4000 opisów produktów z AI, koszty, czas i wyniki po kwartale

15 listopada, 2026

Sklep z artykułami wyposażenia łazienek miał w ofercie około 4300 aktywnych produktów i niemal żadnych własnych opisów. Tam, gdzie opis w ogóle był, pochodził z pliku producenta i występował w identycznej formie u kilkunastu innych sprzedawców. Ten tekst rozlicza projekt, w którym w ciągu sześciu tygodni przygotowaliśmy 4000 opisów produktów z pomocą AI, a potem przez kwartał mierzyliśmy, co to zmieniło. Liczby są zaokrąglone, ale proporcje między etapami odpowiadają temu, co faktycznie zapisaliśmy w arkuszu kosztów.

Najważniejszy wniosek pojawia się już na wstępie, bo zaskoczył nas samych: samo generowanie tekstu kosztowało mniej niż jeden dzień pracy redaktora. Pieniądze i czas pochłonęły dane wejściowe oraz redakcja. Jeśli planujesz podobny projekt, właśnie te dwa etapy warto policzyć najpierw.

Punkt wyjścia: sklep bez opisów i z duplikatami producenta

Przed startem zrobiliśmy prosty audyt karty produktu. Wyniki wyglądały tak:

  • około 2900 produktów miało opis skopiowany 1:1 z feedu producenta,
  • około 1100 produktów nie miało opisu wcale, tylko tabelę parametrów,
  • niecałe 300 kart miało teksty pisane ręcznie kilka lat wcześniej, często już nieaktualne.

Skutki były widoczne w Search Console. Spora część kart produktowych miała status „Strona zeskanowana, ale obecnie nie zindeksowana”, a te zindeksowane zbierały ruch głównie na frazy z kodem producenta. Kategoria nadrabiała część braków, bo opisy kategorii przygotowaliśmy wcześniej według zasad, które opisujemy w tekście o tym, gdzie umieścić opis kategorii w sklepie i ile treści naprawdę potrzeba. Karta produktu pozostawała jednak słabym ogniwem.

Cel projektu ustaliliśmy zawężająco: unikalny, rzeczowy opis dla każdego produktu, który odpowiada na pytania kupującego, a nie powtarza tabeli parametrów prozą. Nie chodziło o „więcej słów”, tylko o tekst, który przyda się człowiekowi stojącemu przed wyborem między dwiema podobnymi bateriami umywalkowymi.

Przygotowanie danych wejściowych i szablonu

Ten etap zajął najwięcej czasu. Model językowy pisze tylko tak dobrze, jak pozwalają mu dane, a dane sklepu były w złym stanie. Parametry z różnych hurtowni miały różne nazwy (ta sama cecha występowała jako „wykończenie”, „kolor powłoki” i „finish”), jednostki były niespójne, a w około 15% rekordów brakowało kluczowych wymiarów.

Prace podzieliliśmy na trzy kroki:

  1. Normalizacja atrybutów. Zbudowaliśmy słownik mapujący około 180 nazw parametrów na 42 ujednolicone pola. To była praca ręczna wspierana skryptem.
  2. Uzupełnienie braków. Dla produktów bez wymiarów albo materiału pobraliśmy karty techniczne z PDF od producentów. Produktów, dla których nie dało się ustalić kluczowych danych, nie wpuszczaliśmy do generowania, co ograniczyło pulę z 4300 do 4000.
  3. Kontekst zastosowania. Dla każdej z 26 podkategorii zespół zakupowy opisał w kilku zdaniach, kto kupuje dany typ produktu i jakie ma typowe wątpliwości. To okazało się najcenniejszym wkładem w całym projekcie.

Szablon opisu miał stałą strukturę: akapit otwierający z głównym zastosowaniem, sekcję „dla kogo i do jakiej łazienki”, dwa lub trzy konkrety techniczne przełożone na korzyść oraz krótką informację o montażu lub pielęgnacji. Długość ustaliliśmy na 120–200 słów, zależnie od złożoności produktu. Dłuższe teksty w testach nie dawały nic poza powtórzeniami.

Proces generowania i kontrola jakości

Sam proces oparliśmy na schemacie, który stosujemy także przy artykułach blogowych i który szczegółowo opisaliśmy w tekście o workflow generowania artykułów w modelu Plan, Draft, Polish, Verify. W wersji dla opisów produktów wyglądało to tak: prompt dostawał znormalizowane atrybuty, kontekst podkategorii i dwa przykładowe opisy zatwierdzone przez redakcję, a na wyjściu zwracał tekst w ustalonej strukturze.

Kontrolę jakości podzieliliśmy na automatyczną i ludzką. Automat sprawdzał każdy opis pod kątem:

  • zgodności liczb z atrybutami (wymiar albo ciśnienie robocze w tekście musiały istnieć w danych),
  • zakazanych sformułowań marketingowych z listy około 60 fraz,
  • podobieństwa do innych opisów w tej samej podkategorii (próg ustawiony tak, by wyłapać teksty różniące się tylko nazwą produktu),
  • długości i obecności wszystkich sekcji szablonu.

Opisy, które nie przeszły automatu, trafiały do ponownego generowania z informacją o błędzie. Po dwóch nieudanych próbach szły do ręcznego pisania. Tak skończyło około 4% puli, głównie zestawy i produkty nietypowe.

Redakcja ludzka czytała każdy opis. Dwie redaktorki pracowały w trybie wsadowym, podkategoria po podkategorii, co pozwalało wyłapać powtarzające się wzorce i poprawić prompt zamiast poprawiać setki tekstów osobno. Średni czas redakcji spadł z około 4 minut na opis w pierwszym tygodniu do niecałych 2 minut w czwartym.

Ile kosztował projekt w podziale na etapy

Koszty pracy liczyliśmy według stawki wewnętrznej, tak samo jak w case’ie z researchem konkurencji prowadzonym przez agenta AI, żeby wyniki obu projektów dało się porównać.

EtapCzas pracyKoszt (zł)Udział
Normalizacja i uzupełnianie danychok. 95 h8 55041%
Szablon, prompty, testy na próbceok. 22 h1 9809%
Generowanie (API modelu)poniżej 2 h nadzoruok. 3502%
Redakcja i ręczne poprawkiok. 105 h9 45045%
Import do sklepu i kontrola wdrożeniaok. 8 h7203%
Razemok. 232 hok. 21 050100%

Daje to nieco ponad 5 zł za opis. Dla porównania wcześniejsza wycena copywriterska tego samego zakresu wynosiła około 18–25 zł za opis i zakładała pięć do sześciu miesięcy pracy. Warto jednak zauważyć, że generowanie stanowiło zaledwie 2% budżetu. Kto liczy oszczędność wyłącznie na kosztach API, myli się o rząd wielkości.

Wyniki: widoczność, ruch i konwersja po kwartale

Opisy wdrażaliśmy partiami po podkategoriach, a pomiar zaczęliśmy od daty importu ostatniej partii. Porównywaliśmy 90 dni po wdrożeniu z analogicznym okresem przed nim, odnosząc wyniki do grupy kontrolnej około 300 produktów, które celowo zostawiliśmy z opisem producenta.

  • Indeksacja: odsetek zindeksowanych kart produktowych w puli wzrósł z około 58% do 81%. W grupie kontrolnej zmiana była w granicach kilku punktów.
  • Ruch organiczny na karty produktów: wzrost o około 34% kliknięć z Google, przy wzroście w grupie kontrolnej o około 6% (sezonowość i ogólny trend).
  • Frazy: karty zaczęły zbierać wyświetlenia na zapytania opisowe, typu bateria do umywalki nablatowej czy kabina do małej łazienki, a nie tylko na kody modeli.
  • Konwersja: współczynnik dodania do koszyka z karty produktu wzrósł z 6,1% do 6,8%. Różnica jest mniejsza, niż oczekiwał zarząd, ale utrzymała się we wszystkich trzech miesiącach.

Spadku z powodu „treści AI” nie zaobserwowaliśmy. Zgodne jest to z oficjalnym stanowiskiem Google, które w wytycznych dotyczących treści generowanych przez AI ocenia przydatność tekstu, a nie sposób jego powstania. Zastrzeżenie jest istotne: nasze opisy przeszły pełną redakcję i opierały się na sprawdzonych danych. Masowe publikowanie surowego wyjścia modelu to inny eksperyment, którego nie przeprowadzaliśmy.

Co poszło źle i co poprawilibyśmy dziś

Kilka decyzji okazało się błędnych i kosztowało nas dodatkowe dni pracy:

  1. Za późno zaangażowaliśmy dział zakupów. Kontekst podkategorii dopisaliśmy po pierwszej partii, gdy redakcja zgłosiła, że opisy są poprawne, ale nijakie. Pierwsze 600 tekstów trzeba było wygenerować ponownie.
  2. Za luźny próg podobieństwa na starcie. W podkategoriach z wieloma wariantami kolorystycznymi teksty różniły się tylko nazwą wykończenia. Ostatecznie warianty opisaliśmy jednym tekstem na produkt nadrzędny, z krótkim dopiskiem o kolorze.
  3. Brak właściciela danych po projekcie. Nowe produkty dodawane po wdrożeniu wróciły do opisów producenta, bo nikt nie odpowiadał za uruchamianie procesu. Dziś zaczęlibyśmy od ustalenia, kto i jak często przetwarza nowe pozycje.
  4. Za mało pomiaru konwersji per podkategoria. Średni wzrost ukrył fakt, że w dwóch podkategoriach konwersja spadła. Dopiero po kwartale okazało się, że opisy usunęły tam informacje o kompatybilności, które klienci wcześniej znajdowali w tekście producenta.

Gdybyśmy mieli zacząć od nowa, połowę czasu przeznaczonego na redakcję przesunęlibyśmy na przygotowanie danych i kontekstu. Każda godzina spędzona na wejściu oszczędzała w praktyce dwie lub trzy godziny poprawiania wyjścia.

Drugą rzeczą, którą zmienilibyśmy, jest sposób przechowywania wiedzy o produktach. Kontekst podkategorii, słownik atrybutów i zatwierdzone przykłady leżały w kilku arkuszach, a po projekcie nikt nie wiedział, która wersja jest aktualna. Dziś trzymalibyśmy je w jednej bazie wiedzy, z której korzysta zarówno generator, jak i zespół obsługi klienta. Podobne podejście sprawdziło się w projekcie, w którym zbudowaliśmy wewnętrznego asystenta AI na bazie wiedzy agencji: jedno źródło prawdy skraca zarówno onboarding ludzi, jak i przygotowanie promptów.

FAQ

Ile kosztuje wygenerowanie opisów produktów z AI dla dużego sklepu?

W opisanym projekcie całkowity koszt wyniósł nieco ponad 5 zł za opis przy 4000 produktów. Samo API modelu stanowiło około 2% tej kwoty, reszta to przygotowanie danych i redakcja.

Czy Google karze sklepy za opisy produktów napisane przez AI?

Nie zaobserwowaliśmy takiego efektu. Google ocenia przydatność treści, a nie narzędzie, którym ją stworzono. Warunkiem jest rzetelna redakcja i opieranie opisów na prawdziwych danych produktu.

Jak długi powinien być opis produktu generowany przez AI?

W naszym przypadku najlepiej sprawdziło się 120–200 słów, zależnie od złożoności produktu. Dłuższe teksty zawierały głównie powtórzenia parametrów i nie poprawiały wyników.

Czy każdy opis wygenerowany przez AI trzeba czytać ręcznie?

Naszym zdaniem tak, przynajmniej w pierwszym wdrożeniu. Automatyczna kontrola wyłapuje błędy liczbowe i powtórzenia, ale nie oceni, czy tekst odpowiada na realne wątpliwości kupującego.

Po jakim czasie widać efekty nowych opisów w wynikach wyszukiwania?

Pierwsze zmiany w indeksacji pojawiły się po 3–4 tygodniach od importu partii, a stabilny obraz ruchu i konwersji dał dopiero pełny kwartał pomiaru.