E-commerce i AI dla Sklepów

AI w e-commerce – co realnie robi w sklepie internetowym

AI w e-commerce to zestaw narzędzi, które przejmują pracę na danych sklepu: piszą treści produktowe, dobierają rekomendacje, porządkują zamówienia i zgłoszenia oraz pomagają znaleźć miejsca, w których sklep traci klientów. Nie jest to jeden system, tylko kilka niezależnych wdrożeń, z których każde ma inne wymagania i inną miarę sukcesu.

Zanim wybierzesz pierwszy projekt, warto zobaczyć, czego każdy z nich potrzebuje na wejściu. Większość nieudanych wdrożeń, jakie oglądałem, nie padła na modelu, tylko na brakujących danych.

Na stronie usługi opisałem, jak pracuję w każdym z tych obszarów. Tutaj skupiam się na decyzjach, które musisz podjąć jako właściciel: co wdrożyć najpierw, ile zapłacić i po czym poznać, że to działa.

AI dla sklepu internetowego – kiedy ma sens, a kiedy jeszcze nie

AI dla sklepu internetowego ma sens wtedy, gdy masz powtarzalną pracę albo dane w skali, której zespół nie obsłuży ręcznie. Jeśli problemem jest brak ruchu albo niejasna oferta, model językowy go nie rozwiąże.

Sygnały, że sklep jest gotowy

• Katalog rośnie szybciej, niż zespół nadąża z opisami, albo opisy pochodzą z hurtowni i są takie same jak u konkurencji.
• Masz historię zamówień, z której da się wyczytać, co klienci kupują razem.
• Ktoś w zespole codziennie przepisuje stany, statusy lub odpowiedzi na te same pytania o zamówienia.
• Platforma (Shopify, WooCommerce, PrestaShop, BaseLinker) ma API, do którego można się podłączyć.
• Analityka działa poprawnie, więc da się zmierzyć stan przed i po zmianie.

Sygnały, że lepiej poczekać

• Procesy w sklepie nie są ustalone i każdy robi je inaczej. Automatyzacja utrwali chaos.
• Dane produktowe są dziurawe i nie da się ich uzupełnić u dostawców.
• Sklep ma za mało ruchu na testy A/B, a główny problem leży w pozyskaniu klientów.

Audyt sklepu internetowego – od czego zacząć wdrożenie AI

Najbezpieczniej zacząć od audytu sklepu internetowego i pomiaru bazowego, a dopiero potem wybrać jedno wdrożenie z największym oszacowanym wpływem. Bez punktu odniesienia każdy wynik po wdrożeniu jest tylko opinią.

W audycie najpierw wyceniam dwa obszary, które zwykle kryją najwięcej pieniędzy: checkout z kosztami dostawy oraz szybkość strony. Potem sprawdzam dane produktowe, bo od nich zależą opisy, rekomendacje i widoczność w AI. Pełny zakres opisałem przy usłudze audyt sklepu internetowego i strategia wzrostu.

1. Pomiar bazowy. Sprawdzam, czy GA4 poprawnie liczy zdarzenia zakupowe, i zapisuję stan wyjściowy wybranych wskaźników.
2. Checkout i szybkość. Szukam przeszkód na ścieżce zakupowej i problemów z Core Web Vitals.
3. Dane produktowe. Oceniam kompletność atrybutów, bo to paliwo dla opisów, rekomendacji i feedów.
4. Pilotaż. Jeden proces, jedna kategoria albo 50–100 opisów do akceptacji, zanim ruszy cały katalog.
5. Test. Test A/B tam, gdzie pozwala ruch, a w pozostałych przypadkach porównanie przed i po.
6. Skalowanie. Rozszerzam to, co zadziałało, z alertami i dokumentacją dla zespołu.

Opisy produktów AI – jak generować je bez ryzyka dla SEO

Opisy produktów AI są bezpieczne dla SEO, jeśli powstają z rzeczywistych danych o produkcie i wnoszą coś dla kupującego. Google w wytycznych z 2023 r. ocenia jakość treści niezależnie od sposobu jej powstania, ale jego zasady antyspamowe wprost wymieniają generowanie wielu stron narzędziami AI bez wartości dla użytkownika jako nadużycie treści na dużą skalę (scaled content abuse).

W praktyce granica przebiega między opisem z danych a opisem z nazwy. Model, który dostaje tylko nazwę produktu, dopowiada cechy, których produkt nie ma. Model, który dostaje atrybuty, materiały, wymiary, zastosowania i pytania klientów, pisze tekst, który odpowiada na realne wątpliwości przed zakupem.

Co sprawdzam przed generowaniem całego katalogu

• Czy każda kategoria ma własny szablon, a nie jeden prompt dla całego sklepu.
• Czy reguły blokują niedozwolone obietnice, np. zdrowotne, oraz cechy spoza danych.
• Czy warianty (kolor, rozmiar) dostają krótkie, różne akapity zamiast kopii tego samego tekstu.
• Czy opisy na marketplace'y różnią się od opisów w sklepie.

Na własnym projekcie GiftFinder system agentowy wygenerował ponad 11 000 stron, więc dobrze wiem, gdzie AI produkuje powtarzalny tekst. Jak wygląda pipeline opisów i parametrów podpięty do Base (dawniej BaseLinker), opisałem we wpisie o automatyzacji BaseLinker z AI, a zakres wdrożenia przy usłudze automatyczne opisy produktów AI.

Rekomendacje produktowe AI – personalizacja, którą da się zmierzyć

Rekomendacje produktowe AI dobierają klientowi produkty podobne, uzupełniające lub dopasowane do jego historii. Ich wartość ocenisz dopiero w teście A/B z obecnym rozwiązaniem, bo sam blok „podobne produkty” niczego nie dowodzi.

Oczekiwania klientów są wysokie. Według raportu McKinsey z 2021 r. 71% konsumentów oczekuje od firm spersonalizowanych interakcji, a 76% jest sfrustrowanych, gdy ich nie dostaje. To nie znaczy, że każdy sklep potrzebuje własnego silnika. Przy małym asortymencie i małej historii zamówień gotowa wtyczka bywa rozsądniejsza.

Trzy decyzje, które przesądzają o wyniku

• Metoda dopasowana do danych. Przy krótkiej historii zaczynam od podobieństwa atrybutów (content-based), a filtrowanie kolaboratywne dokładam, gdy przybywa zamówień.
• Reguły biznesowe. Model nie może polecać produktów niedostępnych ani z marżą, na której sklep traci.
• Miejsce i liczba bloków. Karta produktu, koszyk i mail po zakupie działają inaczej, a nadmiar bloków spowalnia stronę.

Szczegóły wdrożenia i wymagania dotyczące danych opisałem przy usłudze rekomendacje produktowe AI.

Automatyzacja sklepu internetowego – które procesy oddać AI

Automatyzację sklepu internetowego zaczynam od najczęstszych, powtarzalnych czynności, a nie od wyjątków. Większość kroków to zwykła logika (synchronizacja stanów, statusy, raporty), a model językowy pojawia się tylko tam, gdzie trzeba przeczytać i zrozumieć treść, np. zgłoszenie zwrotu.

Najczęstsze kandydaty do automatyzacji

• Synchronizacja stanów, cen i zamówień między sklepem, marketplace'ami i magazynem.
• Rozpoznawanie typu zgłoszenia (zwrot, reklamacja, pytanie o status) i zbieranie brakujących danych.
• Szkice odpowiedzi na pytania o zamówienia, oparte na danych z systemu, a nie na zgadywaniu.
• Alerty: spadek stanu poniżej progu, zatrzymana synchronizacja, opóźniona wysyłka.

Cały cykl od koszyka do reklamacji opisałem we wpisie o automatyzacji obsługi zamówień, a zakres usługi na stronie automatyzacja e-commerce AI.

Optymalizacja konwersji sklepu – koszyk, checkout i szybkość

Optymalizacja konwersji sklepu to usuwanie przeszkód, przez które klienci rezygnują z zakupu, i sprawdzanie zmian testami. Największe rezerwy zwykle leżą w checkoucie i w szybkości strony, a nie w kolorze przycisku.

Baymard Institute wylicza średni odsetek porzuconych koszyków na 70,22% na podstawie 50 badań (aktualizacja z 2025 r.). W jego ankiecie wśród kupujących z USA najczęstszym powodem porzucenia zamówienia były zbyt wysokie dodatkowe koszty (40%), a dalej zbyt wolna dostawa, brak zaufania do strony i obowiązkowe zakładanie konta.

Szybkość też przekłada się na pieniądze. W badaniu Deloitte „Milliseconds Make Millions” (2020) poprawa szybkości strony mobilnej o 0,1 s wiązała się ze wzrostem konwersji w retailu o 8,4%. Jako cel techniczny przyjmuję progi Core Web Vitals: LCP do 2,5 s, INP do 200 ms i CLS do 0,1 dla 75% wizyt.

Testy A/B prowadzę zgodnie z wytycznymi Google: bez pokazywania robotom innej treści niż ludziom, z rel="canonical" na wariantach, przekierowaniem 302 zamiast 301 i usunięciem kodu testu zaraz po uzyskaniu wyniku. Program testów opisałem przy usłudze optymalizacja konwersji sklepu (CRO).

Treści produktowe w zakupach przez AI – Google, ChatGPT i feedy

Żeby produkty pojawiały się w odpowiedziach AI, potrzebujesz kompletnych i spójnych danych w trzech miejscach: na karcie produktu, w danych strukturalnych i w feedzie produktowym. Asystenci porównują produkty po cenie, dostępności i cechach, więc brakujący atrybut oznacza brak w porównaniu.

• Google. Według dokumentacji Google do AI Overviews i AI Mode nie są potrzebne specjalne optymalizacje, ale Google zaleca aktualne dane w Merchant Center i dane strukturalne zgodne z widoczną treścią. Merchant listings wymagają nazwy, zdjęcia oraz oferty z ceną i walutą.
• ChatGPT. Według centrum pomocy OpenAI listę sprzedawców buduje się z metadanych produktów od dostawców zewnętrznych lub bezpośrednio od sklepów, a ranking uwzględnia m.in. dostępność, cenę i jakość. Sklepy na Shopify są podłączone przez Shopify Catalog, a pozostałe mogą wnioskować o bezpośredni feed.
• Feed. Specyfikacja feedu OpenAI wymaga m.in. identyfikatora, tytułu, opisu, adresu strony, marki, zdjęcia, dostępności i ceny. To te same dane, których potrzebuje dobry opis produktu.

Więcej o widoczności sklepu w Google i w zakupach przez AI piszę w artykule o SEO i GEO dla e-commerce. Dane strukturalne produktów wdrażam w ramach usługi wdrażanie Schema.org.

Ile kosztuje AI w e-commerce i kiedy widać efekty

Ceny moich wdrożeń zaczynają się od 3 600 zł za audyt sklepu, a koszt zależy głównie od liczby integracji, wielkości katalogu i liczby kanałów sprzedaży. Pierwsze mierzalne wyniki widać zwykle po kilku tygodniach, bo tyle trwa zebranie danych do testu.

Do kosztu wdrożenia doliczaj koszty bieżące: zapytania do modeli AI, hosting automatyzacji i czas zespołu na kontrolę jakości. Przy opisach produktów to rachunek liniowy (setup plus stawka za SKU), więc łatwo go policzyć przed decyzją.

Jak mierzyć efekty AI w sklepie i wybrać wykonawcę

Efekt mierzysz porównaniem z punktem wyjścia: testem A/B tam, gdzie pozwala ruch, i porównaniem przed i po w pozostałych przypadkach. Wskaźnik ustal przed startem projektu, inaczej po wdrożeniu znajdzie się taki, który akurat wygląda dobrze.

Co mierzyć

• Opisy: odsetek kart z unikalnym opisem, ruch organiczny i konwersja kart z nowymi opisami.
• Rekomendacje: średnia wartość koszyka i przychód z rekomendacji w grupie testowej i kontrolnej.
• Automatyzacje: godziny pracy, liczba błędów w stanach i czas odpowiedzi na zgłoszenia.
• Konwersja: konwersja poszczególnych kroków lejka i przychód na sesję.
• Widoczność w AI: ruch z AI Overviews (w Search Console jest wliczony w typ wyszukiwania „Internet”) i obecność produktów w odpowiedziach asystentów.

Jak wybrać wykonawcę

• Zapytaj, jak wykonawca zmierzy wynik i co zrobi, jeśli test nie pokaże różnicy.
• Sprawdź, czy sam wdraża zmiany w kodzie i integracjach, czy tylko dostarcza rekomendacje.
• Poproś o pilotaż na małej części katalogu albo jednym procesie przed pełnym zleceniem.
• Upewnij się, że dostaniesz dokumentację i dostęp do automatyzacji, a nie czarną skrzynkę.

Najczęstsze błędy

• Generowanie opisów z samej nazwy produktu i publikacja bez kontroli jakości.
• Rekomendacje i zmiany w checkoucie bez testu, przez co nie wiadomo, czy coś pomogło.
• Automatyzacje bez alertów, które psują się po cichu.
• Testowanie drobiazgów, gdy klientów odstraszają koszty dostawy albo wolna strona.
• Pomijanie feedu i danych strukturalnych, przez co produkty nie trafiają do porównań w AI.