Sztuczna inteligencja w sklepie internetowym - od czego zacząć?

Właściciel sklepu internetowego słyszy o AI z każdej strony. Od dostawcy platformy, który dodał „asystenta AI" do panelu. Od agencji, która proponuje chatbota. Od konkurencji, która chwali się personalizacją. Sztuczna inteligencja w sklepie internetowym kusi, ale pytanie „od czego zacząć?" rzadko ma odpowiedź w postaci konkretnego narzędzia. Ma ją w postaci problemu. Sklep, w którym klienci nie znajdują produktów, potrzebuje czegoś innego niż sklep, w którym obsługa klienta odpisuje sto razy dziennie na pytanie o termin dostawy. Najdroższe wdrożenia AI to zwykle te, które zaczęły się od wyboru technologii, a dopiero potem szukały dla niej zastosowania.

Sztuczna inteligencja w sklepie internetowym zaczyna się od problemu

Zanim przejdziemy do objawów, jedna zmiana, która dotyczy każdego sklepu. Klienci coraz częściej zaczynają zakupy nie w wyszukiwarce Google, tylko w rozmowie z asystentem AI. Według danych Adobe Analytics w sezonie świątecznym 2025 roku ruch na amerykańskie strony sklepów z narzędzi generatywnej AI wzrósł o 693,4% w porównaniu z rokiem wcześniej. Adobe zaznacza, że baza takich użytkowników wciąż jest niewielka. Kierunek jest jednak wyraźny.

To oznacza, że AI dotyczy sklepu z dwóch stron. Wewnątrz sklepu może pomagać klientom i zespołowi. Na zewnątrz decyduje, czy asystent AI w ogóle poleci Twój produkt. O obu stronach piszemy poniżej, ale kolejność jest zawsze ta sama: najpierw nazwać problem, potem dobrać narzędzie.

„Klienci nie znajdują tego, czego szukają"

Objaw widać w analityce: dużo wyszukań bez wyników, wysoki odsetek osób, które po wyszukiwaniu opuszczają sklep. Klient wpisuje „buty na deszcz dla dziecka", a sklep szuka dokładnie tych słów w nazwach produktów i nic nie znajduje, bo produkt nazywa się „Kalosze dziecięce, kolor granatowy".

Klasyczna wyszukiwarka dopasowuje słowa. Wyszukiwarka semantyczna dopasowuje znaczenie. Zamienia opis produktu i zapytanie klienta na liczby opisujące ich sens (tak zwane embeddingi) i szuka produktów najbliższych znaczeniowo. Dzięki temu „buty na deszcz" trafiają na kalosze, a „prezent dla taty, który lubi grillować" na rękawice i termometr do mięsa. Takie wyszukiwanie oferują gotowe usługi, na przykład Algolia, a sklepy z własną infrastrukturą budują je na Elasticsearch lub bazie wektorowej, takiej jak Qdrant. W sklepie dla ogólnopolskiej sieci hurtowni elektrycznych Kwant zaawansowana wyszukiwarka i filtrowanie musiały obsłużyć dziesiątki tysięcy produktów w jednym interfejsie, a przy takiej skali jakość wyszukiwania decyduje o tym, czy klient w ogóle dotrze do produktu.

Czasem jednak AI nie jest potrzebne. Jeśli brakuje wyników, bo w danych nie ma synonimów, a produkty są źle skategoryzowane, pierwszym krokiem jest porządek w danych. Słownik synonimów i dobre filtry potrafią rozwiązać połowę problemu za ułamek ceny.

„Opisy produktów są puste albo skopiowane od producenta"

To objaw szczególnie częsty w sklepach z dużym katalogiem. Tysiące produktów, opisy wklejone z hurtowni, identyczne jak u kilkudziesięciu konkurentów. Dla Google to sygnał niskiej jakości, dla klienta brak powodu, żeby kupić akurat w tym sklepie. Modele językowe, czyli programy AI piszące tekst, takie jak modele Anthropic czy Gemini, dobrze radzą sobie z przygotowaniem pierwszej wersji opisu na podstawie parametrów produktu. Warunek jest jeden: muszą mieć dobre dane wejściowe. Model, który dostaje nazwę i cenę, wymyśli resztę. Model, który dostaje wymiary, materiał, zastosowanie i ton marki, napisze opis, który wymaga tylko przejrzenia.

Dlatego generowanie treści najlepiej działa w połączeniu z systemem PIM, czyli jednym miejscem, w którym przechowuje się dane o produktach. Opis powstaje z danych w PIM, człowiek go zatwierdza, a gotowy tekst trafia do sklepu i na marketplace'y. W sklepie Kwant z AI korzysta z kolei blog: treści przygotowuje tam CMS połączony z ChatGPT.

Żadnego opisu nie publikuje się bez weryfikacji przez człowieka. Model potrafi pomylić wymiary albo przypisać produktowi cechę, której nie ma. W sklepie oznacza to zwrot i złą opinię.

„Obsługa odpowiada w kółko na te same pytania"

Gdzie jest moja paczka. Jak zwrócić produkt. Czy ten rozmiar pasuje do tamtego modelu. Jeśli takie pytania stanowią większość wiadomości do obsługi, chatbot oparty na AI może przejąć znaczną część pracy. Nowoczesny chatbot nie odpowiada z wyuczonych formułek. Korzysta z techniki RAG: najpierw wyszukuje odpowiednie fragmenty regulaminu, opisów produktów czy statusu zamówienia, a dopiero potem formułuje odpowiedź. Dzięki temu odpowiada zgodnie z zasadami sklepu, a nie z ogólną wiedzą z internetu. Dla operatora apartamentów BlueApart zbudowaliśmy chatbota z kartami apartamentów, który odpowiada gościom przez całą dobę i odciąża dział obsługi.

Dwie rzeczy decydują o tym, czy chatbot pomoże. Pierwsza to dostęp do danych: chatbot, który nie widzi statusu zamówienia, odpowie na pytanie o paczkę tylko ogólnikiem. Druga to jasna granica, za którą rozmowa trafia do człowieka. Przy reklamacji albo zdenerwowanym kliencie automat powinien szybko oddać rozmowę.

„Koszyki są małe, a klienci kupują raz"

Rekomendacje produktów to najstarsze zastosowanie AI w e-commerce. Bloki „klienci kupili też" i „może Cię zainteresować" na stronie produktu, w koszyku i w e-mailach. Działają na podstawie historii zakupów i zachowań wielu klientów, a to, jak przekładają się na sprzedaż, wyjaśnia wpis o tym, dlaczego systemy rekomendacyjne napędzają sprzedaż. Ten objaw ma jednak warunek wstępny: odpowiednio dużo danych. Sklep z kilkudziesięcioma zamówieniami miesięcznie nie da algorytmowi materiału do nauki. Wtedy lepiej sprawdzają się reguły ustalone przez człowieka, na przykład „do aparatu pokaż karty pamięci i torbę".

Reguły potrafią zresztą zajść daleko. Dla sklepu GrowTent zbudowaliśmy konfigurator, który sam dobiera kompatybilny sprzęt do zestawu i wypełnia koszyk. Działa na dopasowaniu według zasad, bez AI, a skrócił konfigurację zestawu i zmniejszył liczbę porzuconych koszyków. Przy większej skali i historii zamówień taką logikę można później uzupełnić o rekomendacje oparte na sztucznej inteligencji.

„Towar się kończy albo zalega w magazynie"

Objaw mniej widoczny dla klienta, a bardzo kosztowny dla sklepu. Bestseller znika w szczycie sezonu, a w magazynie leżą produkty, które nie sprzedały się od roku. Tu AI pomaga w prognozowaniu popytu, czyli przewidywaniu, ile sztuk danego produktu sprzeda się w najbliższych tygodniach, z uwzględnieniem sezonowości i planowanych promocji. To zastosowanie wymaga najwięcej danych. Prognoza oparta na trzech miesiącach sprzedaży będzie zgadywaniem. Rozsądny punkt startu to co najmniej dwa pełne sezony historii i dane z systemu magazynowego połączone ze sprzedażą. Na takiej historii opiera się każda analityka predykcyjna, także poza e-commerce.

Dla mniejszych sklepów zwykle szybciej działa prosty raport: rotacja produktów, zapas w dniach sprzedaży, alert przy niskim stanie. AI przydaje się dopiero wtedy, gdy produktów jest tyle, że człowiek nie jest w stanie przejrzeć ich ręcznie.

Klienci, którzy pytają ChatGPT, zanim wejdą do sklepu

Ostatni objaw dotyczy tego, co dzieje się poza sklepem. Klient pyta asystenta AI: „jaki ekspres do kawy do 2000 zł polecasz?". Asystent podaje kilka modeli i linki do sklepów. Jeśli Twojego sklepu tam nie ma, nawet najlepsze AI wewnątrz sklepu nie pomoże. Widoczność w odpowiedziach modeli językowych to obszar nazywany GEO lub LLMO. Opiera się na tym samym fundamencie co SEO: szybki sklep, dobre opisy produktów, uporządkowane dane strukturalne. Różnica polega na tym, że treść musi dawać się zacytować bez kontekstu, czyli odpowiadać na pytanie wprost w jednym akapicie. Tym zajmujemy się w ramach usługi SEO i GEO.

Dobre opisy produktów z wcześniejszej sekcji pracują więc podwójnie. Pomagają klientom w sklepie i zwiększają szansę, że asystent AI zacytuje Twój sklep.

Pierwszy projekt: jak wybrać i jak zmierzyć

Zacznij od jednego objawu: tego, który najbardziej boli i który najłatwiej zmierzyć. Przed startem sprawdź, czy masz to, czego wybrany projekt potrzebuje:

• uporządkowane dane produktowe z parametrami, kategoriami i zdjęciami, najlepiej w jednym systemie,
• dostęp do danych przez API platformy sklepu, na przykład Shopify lub Medusa.js, oraz systemów zamówień i magazynu,
• historię wyszukiwań, zamówień i zapytań do obsługi z co najmniej kilku miesięcy,
• osobę po stronie sklepu, która będzie sprawdzać wyniki AI i zgłaszać poprawki.

Jeśli czegoś z tej listy brakuje, pierwszym projektem nie jest AI, tylko uzupełnienie braku. To mniej efektowne, ale bez tego każde wdrożenie będzie działało słabiej, niż mogłoby. Wynik pilotażu trzeba porównać z wartością sprzed zmiany. Dla wyszukiwarki to odsetek wyszukiwań bez wyników i konwersja po wyszukiwaniu. Dla chatbota - odsetek rozmów zakończonych bez udziału człowieka i ocena odpowiedzi przez klientów. Dla opisów - czas przygotowania jednego opisu i ruch z wyszukiwarek na strony produktów. Dla rekomendacji - średnia wartość koszyka. Dobrze, jeśli część ruchu przez pewien czas widzi starą wersję, bo dopiero wtedy różnica jest wiarygodna.

Jeśli trudno wybrać pierwszy projekt, warsztaty product discovery pomagają przejrzeć dane sklepu i zdecydować, od czego zacząć. Integracje AI z istniejącym sklepem, platformą i systemami magazynowymi realizujemy w ramach usługi e-commerce, a gdy sklep wymaga przebudowy, w ramach budowy sklepu internetowego. O konkretnym sklepie możemy porozmawiać bezpośrednio.