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:
- Normalizacja atrybutów. Zbudowaliśmy słownik mapujący około 180 nazw parametrów na 42 ujednolicone pola. To była praca ręczna wspierana skryptem.
- 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.
- 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.
| Etap | Czas pracy | Koszt (zł) | Udział |
|---|---|---|---|
| Normalizacja i uzupełnianie danych | ok. 95 h | 8 550 | 41% |
| Szablon, prompty, testy na próbce | ok. 22 h | 1 980 | 9% |
| Generowanie (API modelu) | poniżej 2 h nadzoru | ok. 350 | 2% |
| Redakcja i ręczne poprawki | ok. 105 h | 9 450 | 45% |
| Import do sklepu i kontrola wdrożenia | ok. 8 h | 720 | 3% |
| Razem | ok. 232 h | ok. 21 050 | 100% |
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:
- 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.
- 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.
- 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.
- 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.
