AI w generowaniu opisów produktów B2B - jak nie zepsuć SEO

Co AI zrobi dobrze, czego nie potrafi

Po wygenerowaniu paru tysięcy opisów na różnych kategoriach mam całkiem stabilną intuicję, gdzie LLM się sprawdza, a gdzie się zaczyna mit. Warto to ułożyć przed projektem, bo inaczej zespół spędza dwa tygodnie na próbach, a potem nagle wraca z pytaniem "czemu Claude pisze, że ta stal jest odporna do 800 stopni".

AI dobrze sobie radzi z opisami strukturalnymi budowanymi na ustrukturyzowanych atrybutach z PIM. Wsadzasz "nazwa, materiał, wymiar, klasa wytrzymałości, kategoria, zastosowanie" i wyciągasz spójny opis handlowy 150-300 słów. Tłumaczenia opisów na inne języki - polski na niemiecki, angielski, czeski - są jedną z najlepszych aplikacji, bo model widzi cały kontekst i nie tłumaczy słowo po słowie. Refresh starych opisów (dodanie kontekstu, USP, korzyści) - dobry use case, bo bazujesz na istniejącym tekście, halucynacje są ograniczone. Optymalizacja pod konkretne query, jeśli przekażesz target keyword w prompcie. Spójność stylu w całym katalogu, której copywriter wewnętrzny nie utrzyma na 30 tys. opisów.

Czego AI bez wsparcia nie zrobi dobrze. Po pierwsze, halucynuje fakty, których nie ma w inpucie - klasyczny przykład "stal A2 jest odporna na temperatury do 800°C". Nieprawda dla większości gatunków, ale model tego nie wie. Nie zna branżowych terminów spoza training data, zwłaszcza polskich zwyczajowych nazw materiałów ("hak C-22" dla konkretnego producenta), tłumaczy je dosłownie z niesensownym efektem. Nie generuje bezpiecznie instrukcji użytkowania ani ostrzeżeń BHP - tu obowiązują regulacje, których LLM nie zna z dokładnością wymaganą przez nadzór. Nie wolno mu robić porównań z konkurencją (ryzyko nieuprawnionych claimów). Nie wolno bez human review w produktach krytycznych - medyczne, farmaceutyczne, chemiczne, sprzęt budowlany certyfikowany. Tam jeden błędny opis to nie reklamacja, tylko sprawa sądowa.

Zasada, którą trzymam jak żelaznej: AI generuje, człowiek weryfikuje i akceptuje. Każdy projekt, w którym ktoś chciał "skip review", kończył się szybkim wycofywaniem opisów z produkcji.

Pipeline PIM-LLM-human review

Wzorzec, który sprawdza mi się w kilku wdrożeniach, wygląda tak:

PIM (Akeneo lub własny)
  ↓ eksport: nazwa, atrybuty, kategoria, zdjęcie
Middleware (Python lub Node)
  ↓ prompt formatowany z atrybutów (template per kategoria)
LLM API (OpenAI, Claude, OSS)
  ↓ wygenerowany opis w JSON
Kolejka do review
  ↓ panel dla copywritera lub merchandiserki
Akceptacja / odrzut / edycja inline
  ↓
Zapis do PIM
  ↓
Sync do sklepu i reindeksacja w search

Każdy etap ma konkretną odpowiedzialność. PIM to źródło prawdy o produkcie - atrybuty muszą być ustrukturyzowane, nie "różne kolory", tylko color=red,blue,green. Bez tego prompt traci spójność. Middleware buduje prompt dla każdego produktu, z osobnym template per kategoria - bo śruby, chemikalia i tekstylia wymagają trzech różnych stylów opisu. LLM generuje z limitem tokenów, retry przy błędach, error handlingiem. Kolejka review trzyma stan trzech baz: zaakceptowane, do review, odrzucone, ze statystykami dla zespołu. Panel review to UI, w którym copywriter widzi produkt, wygenerowany opis, atrybuty z PIM i może edytować inline, akceptując jednym kliknięciem. Sync ostatecznie wysyła zatwierdzone opisy do PIM i dalej do sklepu, plus odpala reindeksację w search.

Czas trwania pipeline'u dla 30 tys. produktów wygląda mniej więcej tak. Sama generacja przy 50 requestach na minutę (limit OpenAI tier 2) zajmuje 10-20 godzin, w jedną noc spokojnie. Review po 15-30 sekund per opis u doświadczonego merchandisera to 80-150 godzin pracy. Z zespołem 2-3 osób całość zamykasz w 2-4 tygodnie kalendarzowe.

PIM Akeneo w sklepie B2B - jeśli PIM jest źródłem prawdy dla katalogu.

Wybór modelu LLM

Wybór modelu to drugie pytanie, na które klienci chcą jednoznacznej odpowiedzi, a której nie ma. Każdy projekt zaczynam testem trzech modeli na próbce 1000 opisów i porównaniem ślepym przez merchandisera, bo "co najlepsze" zależy od kategorii i języka.

OpenAI (GPT-4o, GPT-4o-mini) daje świetną jakość w generowaniu opisów handlowych, jest mocny w polskim. Cena: około 0.15 USD za 1 mln input tokens dla mini, około 5 USD dla pełnego 4o. API stabilne, dokumentacja dobra, łatwo zaczynać. Standardowy wybór, gdy zespół nie ma uprzedzeń.

Claude (Sonnet, Haiku) wychodzi mi najlepszy do długich opisów technicznych. Niuanse opisów technicznych łapie lepiej niż GPT, halucynuje rzadziej, jest mocno fakt-oriented. Cena Sonnet około 3 USD za 1 mln input tokens, Haiku około 0.80 USD. Dla katalogu z chemią, sprzętem przemysłowym, mechaniką - Claude Haiku jest moim defaultem.

Open-source (Llama 3, Mistral, Qwen) hostowany lokalnie eliminuje koszt API, ale dorzuca koszt GPU. Wymaga 40 GB+ pamięci (A100 albo H100), w polskim dla nisz branżowych jakość wciąż słabsza niż OpenAI i Claude. ROI dopiero przy ponad 1 mln tokens dziennie - dla średniego sklepu B2B to typowo brak sensu, chyba że dochodzą wymogi prywatności danych (nie chcemy wysyłać opisów do USA).

Decyzja dla typowego sklepu B2B z 30 tys. SKU: tests 1000 opisów na każdym z trzech modeli (GPT-4o-mini, Claude Haiku, ewentualnie Llama 3 70B jeśli zespół ma GPU), porównanie blind w zespole merchandiserów, wybór kombinacji jakość-koszt. W większości przypadków, które prowadziłem, wygrywa Claude Haiku albo GPT-4o-mini - jakość wystarczająca, koszt poniżej grosza za opis.

Koszt per opis, per katalog, ROI

Liczby, które wychodzą przy konkretnej kalkulacji, robią dramatyczne wrażenie, jeśli ktoś wcześniej liczył ręczne pisanie.

Parametr	Wartość
Średni input prompt (atrybuty produktu)	800 tokens
Średni output (opis 150 słów)	200 tokens
Cena GPT-4o-mini	0.15 USD / 1M input + 0.60 USD / 1M output
Koszt jednego opisu	(800 × 0.15 + 200 × 0.60) / 1M ≈ 0.00024 USD
Koszt wygenerowania 30 tys. opisów	około 7 USD, czyli 25-30 zł

Do tego dolicz review. Merchandiser na pełen etat przez miesiąc kosztuje 8-12 tys. zł brutto. Razem dla katalogu 30 tys. SKU wychodzi 8-15 tys. zł od pomysłu do publikacji.

Porównaj z ręcznym pisaniem. Copywriter zewnętrzny bierze 30-80 zł za opis, czyli dla 30 tys. SKU robi się 900 tys. - 2.4 mln zł. Copywriter wewnętrzny przy stawce 6-10 tys. zł miesięcznie i tempie 30-50 opisów dziennie to 9-12 miesięcy pracy, czyli 60-120 tys. zł plus okres oczekiwania, w którym sklep stoi z gołymi parametrami.

ROI wychodzi tak: bez AI 100 tys. - 2.4 mln zł i 1-9 miesięcy czasu. Z AI plus review 8-15 tys. zł i 1-2 miesiące. Dwa rzędy wielkości różnicy.

Do tego efekty SEO. Sklep z porządnymi opisami rankuje 2-3 razy lepiej niż z gołymi parametrami producenta (które są duplikatami z setek innych sklepów). Wzrost ruchu organicznego o 30-100% w sześciu miesięcy widziałem w trzech wdrożeniach. Wartość biznesowa dla średniego sklepu B2B to 200 tys. - 1 mln zł dodatkowego obrotu rocznie. ROI z opisów AI to jeden z najszybciej zwracających się projektów w e-commerce, jakie znam.

SEO i unique content

Najczęstsza obiekcja, którą słyszę od marketingowca przed projektem: "ale Google karze treści generowane przez AI". To mit, który warto rozwiać przed startem, bo blokuje sensowne projekty.

Google nie karze treści za to, że są wygenerowane przez AI. Karze duplicate content i thin content, niezależnie od źródła. Dobrze wygenerowany opis AI jest zgodny z guidelines, pod warunkiem trzech rzeczy: jest unikalny (nie kopia z karty katalogowej producenta, którą ma też pięciu konkurentów), niesie realną wartość dla użytkownika (nie samo powtórzenie SKU i nazwy), i jest poprawny merytorycznie (bo niepoprawny wraca jako reklamacja).

Pięć rzeczy, które robię w pipeline-ie, żeby nie wpaść w duplicate content. Generuję per SKU z konkretnymi atrybutami - nie reużywam tego samego template'u dla 100 podobnych produktów. Wariację w długości i strukturze - nie każdy opis musi mieć trzy paragrafy, listę korzyści i CTA, niech AI dostosowuje strukturę do kategorii. Różnicuję słowa otwierające - jeśli 30 tys. opisów zaczyna się od "Produkt X to nowoczesne rozwiązanie...", Google to widzi natychmiast i klasyfikuje jako template-spam. Sprawdzam losowe próbki po wygenerowaniu w Copyscape albo Siteliner, żeby wyłapać powtórzenia. Markuję wszystko do refreshu co 12 miesięcy - stary opis stoi na sklepie, świat się zmienia, regeneracja co rok to fix.

Search w sklepie B2B - opisy AI poprawiają nie tylko SEO, ale też relewantność wyszukiwarki wewnętrznej.

Procesy weryfikacji

Bez review akceptujesz gotowe opisy w ciemno. Dla katalogu śrub i akcesoriów jeszcze przeżyjesz, dla chemii albo sprzętu medycznego rozkładasz sklep prawnie po pierwszej reklamacji. Skala review dostosowuję do ryzyka kategorii, nie do entuzjazmu zespołu.

Poziom najwyższy to 100% opisów przed publikacją przez człowieka. Stosuję dla nowych kategorii, gdy jeszcze nie wiem, jak model się sprawdza, oraz dla produktów regulowanych - medycyna, BHP, certyfikaty CE. Czas 15-30 sekund na opis u doświadczonego reviewera. Najwyższy koszt, najniższe ryzyko.

Poziom średni to sampling z spot checkiem. Po pierwszym tysiącu opisów wyciągam statystykę błędów (typowo poniżej 5% wymaga edycji). Kolejne opisy idą z 10% losowych do review, pełny review zostaje tylko dla kategorii ryzykownych. Ten poziom prowadzę na większości projektów po zalogowanym stable rate błędów.

Poziom najniższy to auto-accept z monitorowaniem. Opisy publikowane automatycznie, monitoring zwrotów, reklamacji i pytań klientów. Ręczne wycofanie pojedynczych problematycznych opisów, gdy wracają jako "ten opis się nie zgadza". Stosuję dla bardzo standardowych SKU (akcesoria do śrub, materiały podstawowe), gdzie ryzyko prawne jest minimalne.

W praktyce sklep B2B z różnorodnym katalogiem ma trzy poziomy aktywne jednocześnie: standardowe SKU na poziomie auto-accept, sprzęt techniczny na samplingu, produkty regulowane na pełnym review. Bez tej granulacji albo budżet review rośnie 10 razy, albo akceptujesz nieadekwatne ryzyko dla kategorii niebezpiecznych.

Panel review musi mieć kilka cech, których pomijanie boli później. Side-by-side: stary opis, nowy opis, atrybuty z PIM, zdjęcie produktu - wszystko widoczne na jednym ekranie. Możliwość edycji inline plus akceptacja jednym kliknięciem. Statystyki per reviewer (ile akceptował, ile odrzucał, średnia jakość w sample-checkach) - bo bez tego nie wiesz, czy zespół czyta, czy klika. Tagowanie powodów odrzutu (halucynacja, błąd techniczny, niewłaściwy ton, nieczytelność) - to wraca jako feedback do prompt engineeringu i kolejna iteracja jest lepsza.

Budowanie zespołu e-commerce B2B - kto w zespole prowadzi review opisów.

FAQ

Czy Google karze opisy generowane przez AI? Nie, jeśli opisy są unikalne i niosą wartość. Google karze duplicate content i thin content, niezależnie od tego, kto pisał. Dobrze wygenerowany opis AI - unikalny per SKU, faktograficzny, dopasowany do kategorii - jest w pełni zgodny z guidelines Google Search Quality. Stanowisko Google z 2023 roku potwierdza to wprost.

Ile kosztuje wygenerowanie opisu dla 50 tys. produktów? Sam koszt API w GPT-4o-mini albo Claude Haiku to 30-50 zł dla całej puli 50 tys. produktów. Z porządnym review (zespół merchandiserów przez 1-2 miesiące) wychodzi 10-25 tys. zł. Bez review technicznie da się w 100 zł, ale to nieuczciwe wobec klientów i ryzykowne wobec prawa.

Czy muszę ręcznie sprawdzać każdy opis? Zależy od kategorii. Standardowe SKU (akcesoria, materiały budowlane) wystarczy sampling 5-10%. Kategorie regulowane lub krytyczne (chemia, medycyna, BHP, sprzęt z certyfikatem CE) - 100% review obowiązkowo, bo błędny opis to nie reklamacja, tylko realne ryzyko prawne.

Czy AI rozumie niszową terminologię techniczną z mojej branży? Częściowo. Mainstreamowe branże - motoryzacja, budowlanka, IT - model łapie dobrze. Wąskie nisze (specjalistyczna chemia, materiały kompozytowe, pomiar przemysłowy) - AI nie ma kontekstu i halucynuje. Rozwiązanie: glosariusz w prompcie z listą terminów branżowych plus, jeśli to się powtarza, fine-tuning na własnych danych.

Czy mogę użyć AI do tłumaczeń opisów na inne języki? Tak, to jedna z najlepszych aplikacji. Polski na niemiecki, angielski albo czeski przez Claude albo GPT-4 daje wyniki na poziomie zawodowego tłumacza za ułamek ceny. Wciąż wymaga review dla terminów technicznych, bo automat nie odróżni "śruby" od "wkrętu", a po niemiecku to są dwa różne produkty z różnymi normami.

Co dalej

• Integracje e-commerce: Integracje e-commerce B2B
• PIM jako źródło: Akeneo PIM w sklepie B2B
• Search relevance: Search w sklepie B2B