Массовое создание карточек товаров: где генератора недостаточно

Когда в каталоге десять товаров, карточку каждого можно подготовить вручную: написать название и описание, заполнить характеристики, подобрать изображения, проверить текст и опубликовать. Когда товаров десять тысяч, этот подход перестаёт работать. Поэтому идея автоматической генерации карточек выглядит очень привлекательной. Загружаем исходные данные, подключаем ИИ — и получаем готовые названия, описания, преимущества и SEO-тексты сразу для всего каталога.

Технически создать такой генератор сегодня действительно несложно. Но именно здесь часто возникает ошибка: массовое создание карточек товаров воспринимают как задачу генерации текстов, хотя на самом деле это задача работы с данными и процессами.

ИИ может написать описание. Но сначала система должна понять, что именно она описывает, откуда брать факты, какие характеристики обязательны, что делать с противоречиями и как проверить тысячи получившихся карточек.

И зачастую именно эта часть оказывается сложнее самой генерации.

Сначала разберёмся, что мы вообще генерируем

Карточка товара — это далеко не всегда название, фотография и несколько абзацев текста. В ней могут быть бренд, категория, артикул, цена, характеристики, варианты товара, документы, изображения, комплектация, инструкции, сведения о доставке, SEO-поля и множество других данных.

Причём требования отличаются даже внутри одного каталога. Для ноутбука важны процессор, диагональ, объём памяти и видеокарта. Для краски — состав, цвет, объём, расход и тип поверхности. Для промышленного оборудования набор параметров будет совершенно другим.

Поэтому перед подключением генератора нужно определить структуру данных для разных категорий. Если этого не сделать, ИИ действительно создаст тысячи карточек. Только часть из них окажется неполной, характеристики будут записаны в разных форматах, а важная для выбора информация потеряется внутри текста.

Генератор не исправляет плохие исходные данные

Одна из главных проблем массовой генерации возникает ещё до обращения к ИИ. Данные о товарах могут приходить из ERP, 1С, файлов поставщиков, Excel-таблиц, старого сайта, PIM-системы или сразу нескольких источников. Где-то характеристики заполнены полностью, где-то используются сокращения, где-то одно и то же свойство называется по-разному. 

Например, в одном источнике указано: "Цвет: черный", в другом: "Цвет корпуса: Black", а в третьем: "Исполнение: чёрн." Для человека очевидно, что эти значения связаны. Для автоматической системы сначала нужно определить, являются ли они одним свойством и к какому справочнику их привести. Если просто передать исходные данные языковой модели, она может красиво сформулировать описание, но проблема качества каталога никуда не исчезнет. Генерация не заменяет нормализацию данных.

ИИ не должен додумывать характеристики

Для маркетингового текста небольшая вариативность может быть допустима. Для товарных характеристик — гораздо реже.

Если в исходных данных не указан материал корпуса, модель не должна самостоятельно решать, что он алюминиевый, потому что похожие товары обычно производят из алюминия. Так появляется одна из самых опасных проблем массовой генерации: правдоподобная, но неверная информация.

В одной карточке ошибку можно заметить при проверке. В каталоге из 50 000 товаров она легко масштабируется на сотни или тысячи позиций. Поэтому генератор должен работать в жёстких рамках: использовать только разрешённые источники, отделять факты от генерируемого текста и не заполнять отсутствующие данные предположениями.

Если информации нет, иногда правильный результат — оставить поле пустым и отправить товар на дополнительную проверку. Можно ставить пометку о том, чтоб требуется модерация, чтобы такие карточки менеджеры потом отработали в ручном режиме.

Сначала факты, потом текст

Надёжнее разделить процесс создания карточки на несколько уровней. Сначала система собирает и нормализует фактические данные о товаре. Затем проверяет обязательные поля и возможные противоречия. И только после этого ИИ использует подготовленный набор фактов для создания текстовых элементов карточки.

Например, на вход генератору передаётся не случайный набор данных из разных файлов, а уже структурированный набор:

• категория: кофемашина;
• тип: автоматическая;
• давление: 15 бар;
• объём резервуара: 1,8 л;
• капучинатор: автоматический;
• цвет: чёрный.

На основании этих данных можно сформировать понятное описание, не заставляя модель самостоятельно искать факты внутри большого неструктурированного массива. По сути, ИИ здесь становится последним слоем обработки информации, а не её единственным источником.

У разных категорий должны быть разные правила

Один универсальный промпт для всего интернет-магазина выглядит удобно, но редко даёт хороший результат, особенно если магазин торгует разными группами товаров.

Описание смартфона строится иначе, чем описание дивана, медицинского оборудования или строительной смеси. Отличается терминология, важные характеристики, логика выбора и даже допустимый стиль текста. Поэтому при массовой генерации обычно нужна система шаблонов и правил для разных категорий.

Для каждой можно определить обязательные характеристики, структуру описания, ограничения, терминологию и информацию, которую необходимо вынести на первый план. Тогда генератор не просто получает команду «напиши карточку товара», а работает в конкретном контексте. Это одновременно повышает качество контента и делает результат более предсказуемым.

Нужны правила, а не только хороший промпт

Часто кажется, что проблему можно решить одним очень подробным промптом. Описать стиль, структуру, длину текста, запрещённые слова, требования SEO — и генератор начнёт стабильно создавать идеальные карточки.

Промпт действительно важен, но в промышленном процессе его недостаточно. Часть ограничений лучше контролировать программно.

Например, система может проверить наличие обязательных характеристик, допустимую длину Title, отсутствие запрещённых формулировок, уникальность определённых полей или соответствие значений справочникам. То, что можно однозначно проверить алгоритмом, не обязательно каждый раз поручать языковой модели.

Хорошая система массового создания карточек обычно сочетает детерминированные правила и генеративный ИИ. Первые обеспечивают предсказуемость там, где есть чёткие требования, второй работает там, где нужна естественная формулировка.

Массовая генерация быстро создаёт массовые ошибки

Если сотрудник вручную ошибся в одной карточке, проблема локальна. Если ошибка находится в шаблоне, промпте, сопоставлении характеристик или исходном источнике данных, генератор способен повторить её тысячи раз за несколько минут. Именно поэтому автоматизация требует контроля даже больше, чем ручная работа.

Перед массовым запуском полезно сформировать тестовую выборку из разных категорий и типов товаров. В неё стоит включить не только идеальные позиции с полностью заполненными данными, но и сложные случаи: пропущенные характеристики, необычные значения, конфликтующие источники, редкие категории.

Если система хорошо работает только на «чистых» товарах, в реальном каталоге проблемы появятся очень быстро.

Проверять вручную каждую карточку — тоже не выход

На другом полюсе находится подход, при котором ИИ генерирует тысячи карточек, а контент-менеджер затем должен прочитать каждую. Технически автоматизация состоялась. Практически большая часть экономии исчезла. Поэтому нужно проектировать не только генерацию, но и систему контроля качества.

Часть проверок можно автоматизировать. Система способна обнаруживать незаполненные обязательные поля, слишком короткие или длинные тексты, несоответствие характеристик справочнику, подозрительные значения и другие формализуемые проблемы.

После этого человеку можно показывать прежде всего карточки, где система обнаружила риск или не уверена в результате. Получается другой принцип работы: не человек проверяет всё, а система помогает ему понять, что именно требует проверки.

Полезно хранить связь текста с исходными фактами

При массовой генерации важно понимать происхождение информации. Если в описании написано, что устройство работает до десяти часов без подзарядки, хорошо бы иметь возможность определить, из какого исходного поля или документа взялся этот факт.

Особенно это важно для сложных B2B-каталогов, технических товаров и продукции, где ошибка в характеристиках может повлиять на решение покупателя. Поэтому внутри системы полезно сохранять не только финальную карточку, но и данные, на основании которых она была создана.

Если исходная характеристика изменится, станет понятно, какие элементы карточки потенциально требуют обновления.

Что делать с изображениями

Массовая работа с карточками касается не только текстов. Для товаров нужны фотографии, схемы, изображения упаковки, иногда инфографика. Здесь генеративные инструменты тоже могут быть полезны, но использовать их нужно осторожно.

Если покупатель выбирает конкретный физический товар, изображение должно соответствовать реальному продукту. Генерация не должна случайно изменить количество кнопок, форму разъёма, расположение элементов или комплектацию.

Поэтому для основной фотографии товара исходным материалом обычно остаётся реальное изображение производителя или поставщика.

ИИ может использоваться для обработки: удаления или замены фона, приведения изображений к единому формату, подготовки дополнительных визуалов или других контролируемых операций. Но чем важнее визуальная точность, тем меньше пространства для свободной генерации.

SEO тоже нельзя свести к генерации текста

Ещё один популярный сценарий — использовать ИИ для массового создания SEO-описаний категорий и карточек.

Сам по себе большой объём уникально сформулированного текста не гарантирует поискового трафика. Для SEO важны структура каталога, индексируемость страниц, характеристики и фильтры, спрос, внутренняя перелинковка, техническое состояние сайта и множество других факторов.

Кроме того, тысячи описаний, созданных по одному шаблону с минимальными различиями, могут быть формально уникальными, но практически бесполезными для пользователя. Поэтому вопрос должен звучать не «как сгенерировать уникальный текст для каждого товара», а какая информация действительно поможет человеку выбрать этот товар и чем конкретная страница отвечает на его запрос.

Иногда хороший структурированный набор характеристик окажется полезнее нескольких абзацев автоматически созданного описания.

Карточки должны обновляться вместе с данными

Есть ещё одна проблема, которую легко не заметить при первом массовом наполнении каталога: карточка товара не создаётся один раз навсегда.

Производитель может изменить характеристики, поставщик — прислать новое описание, ассортимент — пополниться модификацией, а компания — поменять требования к контенту. Если генератор используется только для первоначального наполнения, через некоторое время каталог снова начинает расходиться с исходными данными.

Поэтому для большого ассортимента полезнее думать не о разовой генерации, а о pipeline создания и обновления контента.

Изменились исходные данные → система определила, какие поля затронуты → обновила то, что можно обновить автоматически → отправила спорные изменения на проверку → после подтверждения новая версия попала на сайт.

Тогда генератор становится частью постоянного процесса управления каталогом.

Необязательно сразу автоматизировать весь каталог

Если в магазине десятки тысяч товаров, соблазн запустить генерацию сразу на всех позициях понятен. Но безопаснее начать с ограниченного участка.

Например, выбрать одну достаточно однородную категорию, для которой хорошо заполнены исходные данные. Настроить структуру, правила, генерацию и проверки. Посмотреть, сколько карточек проходят автоматически, сколько требуют вмешательства человека и какие ошибки повторяются.

После этого процесс можно доработать и распространять на следующие категории. Такой подход позволяет проверить не только качество текстов, но и экономику автоматизации: сколько времени действительно экономится и где всё ещё остаётся ручная работа.

Где ИИ действительно даёт большой эффект

Все эти ограничения не означают, что генерация плохо подходит для товарных каталогов. Наоборот, именно здесь эффект может быть очень заметным из-за масштаба однотипной работы.

ИИ хорошо справляется с преобразованием структурированных характеристик в понятный текст, созданием нескольких вариантов формулировок, адаптацией описаний под заданный формат, классификацией товаров, извлечением данных из неструктурированных материалов и подготовкой черновиков.

Если раньше контент-менеджерам приходилось вручную обрабатывать тысячи однотипных позиций, значительную часть этой работы действительно можно автоматизировать.

Но максимальный эффект появляется не тогда, когда компании дают сотрудникам доступ к генератору текстов. Он появляется, когда генерация встроена в нормальный процесс работы с каталогом.

Генератор — только один элемент системы

Для нескольких десятков товаров может быть достаточно открыть нейросеть, вставить характеристики и попросить написать описание. Для каталога из десятков тысяч позиций этого уже мало.

Нужны источники данных, единая структура характеристик, правила для категорий, шаблоны генерации, автоматические проверки, обработка исключений, модерация и механизм обновления информации. Сам генератор в такой системе может занимать относительно небольшую часть.

Поэтому при массовом создании карточек товаров главный вопрос заключается не в том, может ли ИИ написать десять тысяч описаний. Может.

Гораздо важнее другое: можем ли мы гарантировать, что эти десять тысяч карточек будут основаны на правильных данных, соответствовать требованиям каталога и не потребуют десять тысяч ручных проверок.

И вот здесь начинается уже не генерация контента, а полноценная автоматизация процесса.