AI w e-commerce: co się opłaca, a co jest teatrem

Rozmowy o AI w e-commerce toczą się wokół dwóch pytań i oba są nietrafione. Pierwsze brzmi „którego modelu użyć”, drugie „ile to kosztuje”. Odpowiedź na oba jest mniej istotna, niż się wydaje — modele są wymienne i tanieją, a rachunek za API rzadko bywa największą pozycją.

Pytanie, które faktycznie rozstrzyga, jest inne:

Czy pracę, którą chcesz zautomatyzować, da się w ogóle wykonać inaczej?

Jeśli tak — mówimy o przyspieszeniu, a przyspieszenie trzeba policzyć jak każdą inwestycję. Jeśli nie — mówimy o zdolności, której wcześniej nie miałeś, i to jest zupełnie inna rozmowa.

Test na jednym przykładzie

Katalog kilku tysięcy produktów razy kilka rynków językowych daje dziesiątki tysięcy opisów do napisania.

Copywriter piszący z sensem robi ich kilkanaście do trzydziestu dziennie. Przy siedemdziesięciu tysiącach to ponad dekada pracy jednej osoby albo rok pracy zespołu dziesięciu — który skończy w momencie, gdy pierwsza partia jest już nieaktualna.

To nie jest sytuacja, w której AI jest tańsze. To sytuacja, w której alternatywa nie istnieje. Rozpisałem ten projekt osobno.

Odwrotny przykład: generowanie postów na social media, których i tak nikt nie czyta. Alternatywa istnieje — przestać je publikować. AI pozwala tu robić szybciej coś, czego nie warto robić wcale.

Gdzie się opłaca

Praca, której skala wyklucza ręczne wykonanie. Opisy produktowe przy dużym katalogu, tłumaczenia atrybutów na wiele rynków, kategoryzacja tysięcy pozycji, normalizacja danych od różnych dostawców. Wspólny mianownik: liczba, przy której zatrudnienie ludzi przestaje być realne.

Przygotowywanie danych między systemami. Pliki z ofertą, stanami i cenami dla marketplace’ów, gdzie każda platforma ma inny format i inne wymogi. Przy kilku rynkach i kilku platformach ręczne utrzymanie tego przestaje być wykonalne bardzo szybko — a wtedy automatyzacja nie jest usprawnieniem, tylko warunkiem, żeby kanał się w ogóle utrzymał.

Pierwszy przebieg tam, gdzie potem i tak wchodzi człowiek. Wstępna analiza opinii klientów, wyłapywanie wzorców w zgłoszeniach do obsługi, przygotowanie szkicu, który ktoś przeczyta i poprawi. Wartość leży w tym, że człowiek zaczyna od czegoś zamiast od pustej strony.

Pytania do danych, na które wcześniej nie było czasu. Kiedy dane siedzą w jednym miejscu, koszt zadania pytania spada niemal do zera. To zmienia nie tyle szybkość odpowiedzi, ile liczbę pytań, które w ogóle padają.

Gdzie jest teatrem

Chatbot na stronie, w kategorii, która ma trzy pytania klientów. Jeśli ludzie pytają o czas dostawy, koszt zwrotu i dostępność rozmiaru, potrzebujesz dobrze napisanego FAQ, a nie modelu językowego. Chatbot dokłada punkt awarii tam, gdzie wystarczyła strona.

Personalizacja przy zbyt małym ruchu. Rekomendacje uczące się na danych potrzebują danych. Przy kilku tysiącach sesji miesięcznie model będzie się uczył szumu, a Ty zapłacisz za wdrożenie, którego nie da się ocenić.

Generowanie treści bez wąskiego gardła. Jeśli nie brakuje Ci tekstów, tylko sprzedaży, więcej tekstów nie pomoże. To jest najczęstszy przypadek — produkt nie sprzedaje się z powodu ceny, dostępności albo zdjęć, a firma dokłada opisy.

Wszystko, co powstaje po to, żeby powiedzieć zarządowi, że wdrożyliście AI. Brzmi jak zarzut, ale to najzwyklejszy mechanizm: budżet znaleziony pod hasło, projekt dobrany do budżetu.

Ile to naprawdę kosztuje

Rachunek za API jest zwykle najmniejszą pozycją. Prawdziwe koszty siedzą gdzie indziej.

Doprowadzenie danych do porządku. Model generuje na podstawie tego, co dostanie. Jeśli atrybuty produktowe są niespójne między dostawcami, a połowa pól jest pusta, dostaniesz szybko wygenerowany chaos. Normalizacja to zwykle największa część takiego projektu — i robota, którą trzeba wykonać tak czy inaczej.

Kontrola jakości przy skali, przy której nie da się czytać. Nikt nie przeczyta siedemdziesięciu tysięcy tekstów. Trzeba zbudować kontrolę działającą bez czytania: sprawdzenie długości, obecności wymaganych atrybutów, podobieństwa między wynikami, plus losowa próbka dla człowieka.

Reguła odcięcia. Model, który nie ma informacji, nie zostawi pustego miejsca — napisze coś prawdopodobnego. Przy dużej skali „coś prawdopodobnego” pojawi się setki razy i trafi na karty produktów jako fakt. Lekarstwem nie jest lepszy prompt, tylko zasada: brak krytycznego atrybutu oznacza, że produkt wypada z partii.

Utrzymanie. Katalog się zmienia, dostawcy się zmieniają, platformy zmieniają wymagania. Wdrożenie, którego nikt nie utrzymuje, przestaje działać w kilka miesięcy.

Jak zacząć bez projektu

Nie od wyboru narzędzia i nie od warsztatu.

Wypisz zadania, które ktoś w firmie wykonuje ręcznie ponad dwie godziny tygodniowo. Konkretnie, z nazwiskami i liczbami. Nie „obsługa contentu”, tylko „Ania przepisuje ceny od trzech dostawców do arkusza, około czterech godzin w tygodniu”.

Przy każdym zadaj test z początku tekstu: czy da się to zrobić inaczej? Zatrudnić kogoś, uprościć proces, przestać to robić?

Zacznij od jednego, na małej partii. Nie od całego katalogu. Partia pilotażowa przeczytana w całości przez człowieka wyłapie systematyczne błędy, zanim pomnożysz je przez dziesiątki tysięcy.

Najbardziej wartościową rzeczą, jaką takie projekty zwykle przynoszą, nie jest wcale wynik automatyzacji. Jest nią uporządkowanie danych, które przy okazji trzeba wykonać — i które potem przydaje się wszędzie: w feedach, w filtrach, w kampaniach produktowych, na marketplace’ach.

Czego AI nie zastąpi

Osądu przy decyzji, której konsekwencje ktoś poniesie. Modele świetnie generują opcje i fatalnie biorą odpowiedzialność.

I nie zastąpi policzenia, na czym firma zarabia. Automatyzacja promowania produktu o zerowej marży to szybsze robienie tego samego błędu. Rachunek zaczyna się gdzie indziej.

O tym, jak układam takie wdrożenia razem z zespołem klienta, piszę tutaj.