Що робить
AI-агент на базі low-code сценарію бере сирі дані про товар і перетворює їх на готовий SEO-опис для картки SKU. Редактор отримує чернетку, яку достатньо прочитати й підправити, а не писати з нуля. За звітами Reactively вартість одного опису падає з £64 до £6.40, а у Fnac Darty точність чернеток тримається на рівні 95%.
Конкретні кроки процесу:
- Агент забирає картку товару з CMS або file storage (CSV, XLSX, JSON-експорт PIM).
- Нормалізує атрибути: категорія, бренд, матеріал, розмір, сумісність, ключові характеристики.
- Підтягує цільові ключові слова та правила SEO для відповідної категорії.
- Генерує три блоки: короткий заголовок/лід, розгорнутий опис, булети з характеристиками.
- Перевіряє чернетку за чек-листом: довжина, наявність ключових слів, заборонені формулювання, tone of voice.
- Складає результат назад у CMS як чернетку картки і позначає статусом «на рев'ю».
- Копірайтер або категорійний менеджер читає, править і публікує.
Що автоматизація НЕ робить:
- Не замінює категорійного менеджера та редактора. Фінальне рішення щодо публікації та позиціонування товару залишається за людиною.
- Не перевіряє фактичну коректність характеристик. Якщо у вихідних даних є помилка (невірний розмір, несумісний артикул), вона потрапить і в опис.
- Не замінює повноцінну SEO-стратегію. Агент пише в межах заданих правил і ключових слів, але не формує кластер запитів і не вирішує, які категорії просувати.
Автоматизація закриває три болі e-commerce каталогу одночасно: повільний creative output при запуску нових колекцій, повторювані рутинні задачі у копірайтерів і ручне введення/копіювання даних між PIM і CMS. У результаті команда маркетингу витрачає час на редактуру і стратегію, а не на переписування характеристик своїми словами.
Як працює
В основі — low-code сценарій, який пов'язує джерело даних про товари, LLM і CMS. Архітектура збирається на workflow-рушії або аналогічному оркестраторі і не потребує власного бекенду під задачу.
Технічний потік виглядає так:
- Тригер. Новий SKU з'являється в CMS/PIM або файл з партією товарів завантажується у file storage. Сценарій ловить подію або запускається за розкладом.
- Збір контексту. Агент збирає атрибути товару, посилання на зображення, категорію, бренд, цільову аудиторію та ключові слова з окремої таблиці SEO-правил.
- Підготовка промпта. Дані шаблонізуються у структурований промпт із жорсткими рамками: tone of voice, довжина, заборонені слова, обов'язкові розділи (лід, опис, булети).
- Виклик LLM. Агент звертається до моделі та отримує чернетку у заданому JSON-форматі.
- Валідація. Сценарій перевіряє довжину, наявність ключових слів, відсутність галюцинацій за характеристиками (кожна цифра і атрибут звіряється з вихідними даними).
- Запис результату. Чернетка повертається до картки товару в CMS зі статусом «на ревью» і тегом AI-draft.
- Сповіщення редактора. Копірайтер отримує завдання у звичному інтерфейсі CMS або в окремій черзі.
Кроки впровадження:
- Тиждень 1. Аудит каталогу, вибір пілотної категорії (200-500 SKU), збір прикладів «хороших» описів для few-shot.
- Тиждень 1-2. Налаштування доступів до CMS і file storage, опис схеми даних товару.
- Тиждень 2. Збірка сценарію в low-code оркестраторі, перший прогін на 20-50 SKU, калібрування промпта.
- Тиждень 2-3. Валідаційні правила, підключення SEO-словника, ревью редактором першої партії.
- Тиждень 3-4. Запуск на повній пілотній категорії, збір метрик за часом правок і часткою прийнятих чернеток, рішення про масштабування.
Компоненти сценарію:
Компонент | Призначення |
|---|---|
CMS / PIM | Джерело карток товарів і місце зберігання готових описів |
File storage | Пакетне завантаження даних про нові партії SKU |
Low-code оркестратор | Тригери, підготовка промпта, валідація, запис результату |
LLM | Генерація чернетки опису в заданій структурі |
SEO-словник | Ключові слова і правила за категоріями |
Для масштабування на весь каталог має сенс розділити сценарій на дві черги: швидкий потік для нових SKU (за подією) і пакетний прогін для масової перегенерації старих описів, щоб не впиратися в ліміти API і не ламати ревью-процес редакторів.
Що потрібно
Автоматизація спирається на те, що дані про товари вже існують у структурованому вигляді та до них є програмний доступ. Без цього агент писатиме гарні, але відірвані від реальності тексти.
Що потрібно щодо даних та доступів:
- Каталог товарів у CMS або PIM з атрибутами (назва, категорія, бренд, ключові характеристики, зображення).
- API-доступ або експорт у file storage (CSV/XLSX/JSON) для читання карток і запису чернеток.
- SEO-словник: таблиця ключових слів та правил за категоріями (мінімум для пілотної категорії).
- 20-50 еталонних описів, які команда вважає «такими, як треба» — для few-shot і перевірки стилю.
- Гайд із tone of voice та список заборонених формулювань.
Що потрібно від команди:
- Категорійний менеджер або маркетолог — власник процесу, ухвалює рішення щодо структури описів.
- Копірайтер/редактор — рев'юїть чернетки і дає зворотний зв'язок на перших ітераціях.
- Технічний виконавець — налаштовує low-code сценарій та інтеграції з CMS.
- Готовність працювати з чернетками: команда має прийняти, що AI-опис — це draft, який редагується, а не публікується автоматично.
Терміни впровадження: 2-4 тижні для пілоту на одній категорії (weekend complexity при готових даних, до 4 тижнів за необхідності привести каталог до ладу). Масштабування на весь каталог — ще 2-4 тижні залежно від кількості категорій та якості вихідних атрибутів.
Болі
- Низька швидкість creative output
- Повторювані рутинні завдання
- Ручне введення даних
FAQ
Скільки часу займає впровадження?
Пілот на одній категорії каталогу — 2-4 тижні. Перший тиждень іде на аудит даних, вибір категорії та збір еталонних описів. Другий-третій — збірка low-code сценарію, калібрування промпту та валідація на 20-50 SKU. Четвертий — прогін по пілотній категорії та оцінка частки прийнятих чернеток. Масштабування на весь каталог додає ще 2-4 тижні.
Що якщо у нас немає структурованого PIM?
Достатньо експорту в file storage: CSV або XLSX з атрибутами товарів. Агент читає файл так само, як API PIM, і кладе чернетки назад у CMS. Якщо атрибути розкидані по різних джерелах, на першому кроці має сенс зібрати мінімальний набір полів (назва, категорія, ключові характеристики) в одній таблиці — без цього якість описів буде низькою незалежно від моделі.
Які ризики і що може зламатися?
Основний ризик — галюцинації по характеристиках: модель може вигадати сумісність або матеріал, яких немає в даних. Тому в сценарії обов'язкова валідація: кожна цифра та атрибут звіряється з вихідною карткою. Другий ризик — одноманітний стиль по всьому каталогу. Вирішується різними промптами під категорії та вибірковим ревю. Третій — залежність від API LLM: ліміти та збої гальмують батчеву генерацію.
Чи підходить це для нашого e-commerce?
Підхід працює для retail та e-commerce каталогів з десятками і сотнями SKU, де описи пишуться за повторюваною структурою: характеристики, призначення, сумісність. Kontor AB згенерував 5 700 описів за 24 години, Fnac Darty отримав 95% точності та семикратне прискорення. Для вузьких нішевих товарів з унікальним наративом (люкс, авторські вироби) автоматизація менш виправдана — там чернетка економить менше часу.
Чи потрібно публікувати AI-описи без ревю?
Ні, і це усвідомлений вибір. Агент передає чернетку в CMS зі статусом «на ревю», редактор править і публікує. На старті частка правок висока, через 2-3 ітерації калібрування промпту вона падає, і ревю зводиться до швидкого вичитування. Автопублікація можлива лише після стабільної статистики з якості та для низькоризикових категорій.
Чи можна згенерувати описи одразу кількома мовами?
Так, мультимовність — одне з природних розширень сценарію. Після отримання чернетки на базовій мові агент робить переклад та локалізацію під кожен ринок з урахуванням локального SEO-словника. Важливо: переклад теж потребує ревю носієм, особливо для категорій, де термінологія суттєво відрізняється по регіонах.
Хочете таку автоматизацію в своєму бізнесі?
Запишемо безкоштовний аудит — покажемо, як це працюватиме саме для вас.