AI pro e-shop: co má smysl automatizovat jako první

Nejhorší start s AI (artificial intelligence, česky umělá inteligence) v e-shopu je začít otázkou: „Co všechno by za nás mohla dělat?“ To vede k nekonečnému seznamu nápadů, rychlému nadšení a často i k projektu, který je moc velký na to, aby se dal dobře řídit.

Lepší otázka zní: Kde máme hodně opakované práce, dost vstupních dat a člověka, který umí výstup rychle zkontrolovat? U správy e-shopu to často znamená obsah, překlady, produktové informace a podporu.

Tam AI dává smysl jako první.

1. Překlady, které přenesou i kontext

Překlady jsou pro e-shop jeden z nejpraktičtějších začátků. Ne proto, že by překlad byl jednoduchý. Právě naopak. Dobrý překlad e-shopu není převod slov. Je to převod významu.

AI umí pomoci s tím, aby se do jiného jazyka nepřenesla jen věta, ale i kontext: tón značky, produktová nuance, očekávání zákazníka, rozdíl mezi kategoriemi a praktický smysl textu. U produktů to rozhoduje. „Lehká bunda“ není vždy totéž jako „tenká bunda“. „Odolný materiál“ může být výhoda pro outdoor, ale u dětského zboží zákazník čeká jiný typ vysvětlení.

První dobrý projekt proto může být:

1. sjednotit překlad názvů kategorií,
2. přeložit a upravit parametry,
3. připravit jazykové varianty produktových popisů,
4. vytvořit pravidla tónu značky pro každý trh,
5. kontrolovat výstupy člověkem, který rozumí sortimentu.

AI zde funguje jako rychlý první návrh a kontextový pomocník. Ne jako nekontrolovaný překladač.

2. Doplňování produktových popisů

Další rychlá výhra jsou produkty, které mají data, ale nemají dobrý text. E-shop často ví rozměr, materiál, dostupnost, určení, kompatibilitu nebo výrobce. Jen to není napsané tak, aby zákazník rychle pochopil, proč produkt koupit.

AI může z existujících parametrů připravit popis, krátký benefit, shrnutí pro kategorii, odpovědi na časté otázky, podklady pro obsahový marketing nebo varianty textu pro různé jazykové mutace.

Tady je ale důležitá hranice: AI nesmí vymýšlet vlastnosti produktu. Má pracovat s tím, co e-shop opravdu ví. Google Merchant Center u produktových dat vyžaduje přesnost a strukturu podle produktové specifikace, takže vymyšlený benefit není kreativita, ale problém.

Praktický postup:

1. vzít existující produktová data,
2. definovat šablonu výstupu,
3. zakázat doplňování neověřených vlastností,
4. vytvořit kontrolní vzorek,
5. teprve pak škálovat na větší část katalogu.

3. Průvodci, návody a poradenský obsah

E-shopy často sedí na obrovském know-how, ale zákazník ho nevidí. Obchodník ví, jak vybrat velikost. Technik ví, co s čím pasuje. Podpora ví, na co se lidé ptají. Marketing ví, co zákazníka přesvědčí. Jenže tyto znalosti jsou rozptýlené v lidech, e-mailech, tabulkách a starých dokumentech.

AI pomáhá tyto informace sesbírat a převést do čitelného obsahu:

1. průvodce výběrem,
2. návody k použití,
3. články pro poradnu,
4. texty kategorií,
5. odpovědi na časté dotazy,
6. podklady pro zákaznickou podporu.

Google u obsahu zdůrazňuje, že má být užitečný pro lidi a přinášet vlastní hodnotu, ne jen shrnovat cizí texty. V dokumentaci ke helpful content se ptá mimo jiné na originalitu, důvěryhodnost a to, jestli čtenář po přečtení dosáhne svého cíle. To je dobré pravidlo i pro AI obsah e-shopu.

4. Knowledge base jako základ pro lidi i AI

Skutečně zajímavý krok je knowledge base. Ne jen interní FAQ. Ale jednotný zdroj pravdy pro e-shop.

Do knowledge base patří:

1. produktové informace,
2. pravidla dopravy a vratek,
3. rozdíly mezi kategoriemi,
4. návody a manuály,
5. odpovědi na časté dotazy,
6. obchodní argumenty,
7. pravidla tónu komunikace,
8. jazykové varianty důležitých odpovědí.

Pak může odpovídat člověk i AI asistent ze stejného základu. Zákazník nedostane jinou odpověď podle toho, jestli píše e-mail, chat, sociální síť nebo se ptá v jiné jazykové mutaci.

Tady AI přestává být nástroj na „generování textů“ a začíná být rozhraní k firemnímu know-how.

5. Co raději neautomatizovat jako první

Na začátku bych byl opatrný u čísel, rozpočtů a manažerských rozhodnutí. AI může pomoci shrnout data nebo navrhnout otázky, ale není dobré jí hned svěřit závěr typu „tahle kampaň nefunguje“ nebo „zvedněte cenu o 8 %“.

LLM (large language model, česky velký jazykový model) umí přesvědčivě formulovat závěry, ale nemusí správně chápat měření, atribuční model, marži, sezónnost nebo kvalitu vstupních dat. To je přesně oblast, kde může vzniknout halucinace AI: výstup zní dobře, ale není spolehlivý.

První AI projekty by proto měly být tam, kde lze výstup rychle zkontrolovat očima a znalostí sortimentu.

Jednoduché pravidlo pro první výběr

První AI automatizace v e-shopu má splnit čtyři podmínky:

1. úkol se často opakuje,
2. vstupní data existují,
3. chyba není kritická, pokud ji člověk zachytí,
4. dobrý výstup lze snadno poznat.

Pokud článek, překlad, popis nebo odpověď projde kontrolou a ušetří čas, máte dobrý první krok. Pokud AI potřebuje rozhodovat o penězích, cenách nebo strategii bez jasných dat, je brzy.

Kam pokračovat

Tento článek navazuje na rozcestník AI pro e-shop: kde dává smysl a kde zatím ne. Pro další kroky se hodí hlavně Jak pomocí AI zlepšit produktová data a kategorie a Jak AI pomáhá zákaznické podpoře e-shopu.

Zdroje

• Google Merchant Center: Product data specification
• Google Search Central: Creating helpful, reliable, people-first content

Chcete najít první rozumné AI automatizace?

Pomůžeme vybrat úkoly, kde AI rychle ušetří práci a nepřinese zbytečné riziko.