Produktové popisy s generativní AI: případová studie a nástroje pro rok 2026

Tento článek spadá do pilíře AI popisy a je určen katalogovým manažerům, marketingovým specialistům a provozním vedoucím e-shopů, kteří zvažují nebo už testují nasazení generativní AI pro tvorbu produktových popisů. Přinášíme aktuální případovou studii e-shopu, který v prvním čtvrtletí 2026 nasadil AI generování popisů na 4 200 produktů, a doplňujeme ji přehledem nástrojů dostupných na českém trhu. Cílem není prodat vizi, ale ukázat reálná čísla, reálné problémy a reálné výsledky. V následujících sekcích rozebereme, jak projekt probíhal od přípravy dat po vyhodnocení, jaké nástroje jsou v roce 2026 k dispozici, jak nastavit kvalitativní kontrolu, jaký je skutečný dopad na konverze a SEO a jak celý proces škálovat. Předchozí případovou studii nasazení AI popisů najdete v článku o projektu Grejt a principy personalizace popisů v článku o hyperpersonalizaci s AI.

Generativní AI pro produktové popisy přešla za poslední rok od experimentu k provoznímu nástroji. Ale přechod nebyl tak hladký, jak sliby dodavatelů naznačovaly. E-shopy, které nasadily AI generování bez přípravy, narazily na problémy s kvalitou, konzistencí a škálováním. E-shopy, které si daly práci s přípravou dat, definicí tónu a nastavením kontrolních mechanismů, dosahují měřitelných výsledků. Tato případová studie patří do druhé skupiny.

Případová studie: e-shop se sportovním vybavením, Q1 2026

E-shop se sportovním vybavením (sortiment 8 500 SKU, roční obrat 320 mil. Kč, prodej na vlastním webu, Heurece, Zboží.cz a Kaufland marketplace) se rozhodl nasadit AI generování popisů pro 4 200 produktů, které měly buď žádný popis, krátký popis od dodavatele (do 100 znaků) nebo zastaralý popis neodpovídající aktuálním parametrům.

Výchozí stav. Průměrná délka popisu u cílových 4 200 produktů byla 87 znaků. 1 100 produktů nemělo žádný popis. 2 400 produktů mělo popis od dodavatele, který obsahoval pouze základní specifikace bez kontextu, přínosů nebo srovnání. 700 produktů mělo zastaralý popis, který neodpovídal aktuálním parametrům (starý model, změněné rozměry).

Cíl. Vygenerovat pro každý produkt popis o délce 400 až 800 znaků, který obsahuje klíčové parametry, benefity pro zákazníka, kontext použití a alespoň dva SEO relevantní výrazy. Průměrná doba ručního psaní jednoho takového popisu byla v tomto e-shopu 18 minut. Pro 4 200 produktů to představuje 1 260 člověkohodin, tedy přibližně 8 měsíců práce jednoho copywritera na plný úvazek.

Zvolený přístup. E-shop využil kombinaci: komerční API (Claude 3.5 Sonnet přes Anthropic API) pro generování, vlastní prompt engineering pipeline pro řízení kvality a ruční kontrolu výstupů u 20 procent vzorku (stratifikovaný výběr: top produkty dle tržeb, produkty s nejvyšší návštěvností, náhodný vzorek).

Příprava dat: kde se většina projektů zasekne

Generativní AI je tak dobrá jako vstupní data. Pokud modelu předáte název produktu a tři parametry, výstup bude generický a často fakticky nepřesný. Pokud mu předáte strukturovaná data s parametry, kategorizací, cílovým zákazníkem a kontextem použití, výstup je konkrétní a použitelný.

Přípravná fáze trvala dva týdny a zahrnovala:

Konsolidace produktových dat. Pro každý produkt se z ERP, PIM a dodavatelských feedů sestavil kompletní datový profil: název, kategorie, značka, všechny technické parametry, cena, cílová skupina, sezónnost, související produkty. Nástroj Taxonomie produktů pomohl sjednotit kategorizaci, protože produkty z různých dodavatelských feedů měly nekonzistentní zařazení.

Definice tónu a stylu. E-shop definoval tone of voice dokument: aktivní sportovní tón, konkrétní přínosy místo obecných frází, bez superlativů ("nejlepší", "revoluční"), s důrazem na praktické informace (pro jaký sport, pro jakou úroveň sportovce, v čem se liší od konkurence). Tento dokument se stal součástí systémového promptu.

Referenční popisy. Pro každou hlavní kategorii (běh, cyklistika, fitness, outdoor, vodní sporty) se ručně napsalo 10 referenčních popisů, které sloužily jako příklady v few-shot promptu. Kvalita těchto příkladů přímo ovlivnila kvalitu generovaných výstupů.

Parametrické šablony. Pro každou kategorii se definovala šablona: které parametry jsou povinné v popisu, v jakém pořadí, jakou váhu mají přínosy vs. technické specifikace. Běžecké boty vyžadovaly důraz na typ pronace, drop a povrch. Stany vyžadovaly důraz na vodní sloupec, hmotnost a počet osob.

Prompt engineering: 14 iterací k použitelnému výstupu

Prvních pět verzí promptu generovalo popisy, které zněly jako AI. Typické problémy: přehnané marketingové fráze ("posuňte svůj trénink na další úroveň"), vágní benefity ("pohodlné a stylové"), opakující se struktury (každý popis začínal "Představujeme vám...").

Řešení spočívalo v několika krocích:

Negativní instrukce. Do promptu se přidaly explicitní zákazy: nepoužívej superlativy bez datového podkladu, nezačínej popis slovem "představujeme" nebo "objevte", nepiš obecné fráze o kvalitě bez specifikace.

Parametrický kotvení. Prompt instruoval model, aby každé tvrzení o produktu podložil konkrétním parametrem z dodaných dat. Místo "lehký a skladný stan" model generoval "stan váží 1,8 kg a po složení se vejde do balení 42 × 15 cm".

Kontextová diferenciace. Prompt rozlišoval kategorii a cílovou skupinu. Pro profesionální sportovce model používal technický jazyk a srovnání s konkurenčními produkty. Pro rekreační sportovce jednodušší jazyk s důrazem na komfort a poměr cena/výkon.

Few-shot učení. Referenční popisy pro danou kategorii se vkládaly do promptu jako příklady. Model se učil styl, délku a strukturu z konkrétních příkladů, ne z abstraktních instrukcí.

Po 14 iteracích prompt generoval popisy, které prošly slepým testem: katalogový tým nedokázal spolehlivě rozlišit AI generované popisy od ručně psaných u 73 procent produktů. Zbylých 27 procent vykazovalo drobné nedostatky (nepřirozené spojení slov, opakování v rámci kategorie), které se řešily ruční korekcí.

Přehled nástrojů pro AI produktové popisy v roce 2026

Trh nástrojů pro AI produktové popisy se za poslední rok výrazně rozšířil. Pro český e-commerce jsou relevantní tři kategorie řešení.

Komerční API modelů. Anthropic Claude (3.5 Sonnet, 3.5 Haiku), OpenAI GPT-4o, Google Gemini 1.5 Pro. Výhody: nejvyšší kvalita výstupu, plná kontrola nad promptem, škálovatelnost. Nevýhody: vyžaduje technické zázemí (developer pro integraci API), náklady závisí na objemu. Cenově vychází přibližně 0,50 až 4 Kč za produkt dle délky vstupu a výstupu.

Specializované SaaS platformy. Nástroje jako Describely, Hypotenuse AI, Akeneo AI Studio. Výhody: grafické rozhraní, přednastavené šablony pro e-commerce, integrace s PIM systémy. Nevýhody: nižší kontrola nad promptem, vyšší cena na produkt (3 až 15 Kč), omezená lokalizace pro český jazyk.

Open-source a self-hosted. Modely jako Llama 3 (Meta), Mistral Large, Qwen 2.5. Výhody: žádné náklady na API (jen infrastruktura), plná kontrola nad daty, možnost fine-tuningu na vlastních datech. Nevýhody: vyžaduje GPU infrastrukturu (nebo cloudové GPU), kvalita výstupu v češtině je u většiny open-source modelů nižší než u komerčních API.

Pro většinu českých e-shopů doporučujeme začít s komerčním API (Anthropic Claude nebo OpenAI GPT-4o) pro produkční generování a specializovanou SaaS platformu jako alternativu pro týmy bez technického zázemí.

Kvalitativní kontrola: scorecard a workflow

AI generované popisy nelze publikovat bez kontroly. Ale kontrolovat 4 200 popisů ručně, slovo po slově, je stejně neefektivní jako je ručně psát. Řešení je kombinace automatizované validace a stratifikované ruční kontroly.

Automatizovaná validace kontroluje měřitelné parametry: délka popisu (v rozmezí 400 až 800 znaků), přítomnost povinných parametrů v textu (model, hmotnost, klíčový parametr kategorie), absence zakázaných frází (superlativy, generické obraty), duplicita (žádné dva popisy nesmí být shodné z více než 80 procent). Automatizovaná validace zachytí 60 až 70 procent problémů.

Ruční kontrola se aplikuje na stratifikovaný vzorek: top 100 produktů dle tržeb (kontrola 100 procent), top 300 produktů dle návštěvnosti (kontrola 50 procent), náhodný vzorek 400 produktů z ostatních (kontrola 100 procent). Celkem 840 popisů, tedy 20 procent. Ruční kontrola hodnotí: faktickou přesnost, přirozenost jazyka, odlišitelnost od AI generického stylu, relevanci pro cílovou skupinu.

Scorecard pro hodnocení popisu obsahuje čtyři dimenze, každá hodnocena 1 až 5: faktická správnost (souhlasí parametry v textu s daty?), relevance (odpovídá popis potřebám cílového zákazníka?), jazyková kvalita (zní text přirozeně česky?), SEO pokrytí (jsou v textu relevantní klíčová slova?). Popis s průměrným skóre pod 3,5 se vrací k přegenerování nebo ruční úpravě.

Výsledky: dopad na konverze, SEO a provozní efektivitu

Po šesti týdnech provozu s novými popisy (měřeno na webu e-shopu, A/B test na 2 000 produktech):

Konverzní poměr: nárůst o 6,2 procenta u produktů s novými AI popisy oproti kontrolní skupině se starými popisy. Největší nárůst v kategorii outdoor vybavení (+9,1 procenta), kde byly původní popisy nejslabší.

Organický traffic: nárůst o 11 procent u produktových stránek s novými popisy po 4 týdnech. Nové popisy obsahovaly relevantní long-tail klíčová slova, která původní popisy postrádaly. V kontextu optimalizace pro AI vyhledávače je kvalita strukturovaného textu v popisech klíčová, jak jsme popsali v článku o Answer Engine Optimization.

Míra vrácení: pokles o 2,8 procenta. Přesnější popisy vedou k informovanějšímu nákupnímu rozhodnutí a nižšímu podílu zákazníků, kteří obdrží produkt neodpovídající očekávání.

Čas na správu katalogu: úspora přibližně 1 050 člověkohodin oproti plně ručnímu psaní. Reálná úspora po odečtení přípravy, prompt engineeringu a kontroly je přibližně 820 hodin.

Škálování a průběžný provoz

První dávka 4 200 produktů je hotová. Ale katalog žije: přibývají nové produkty, mění se parametry stávajících, sezónní sortiment vyžaduje aktuální popisy. Jak udržet kvalitu AI popisů v průběžném provozu?

Automatizovaný pipeline. Nový produkt v PIM spustí automatický workflow: konsolidace dat, generování popisu přes API, automatizovaná validace, zařazení do fronty na ruční kontrolu (pokud spadá do top kategorií) nebo automatická publikace (pokud projde validací a nespadá do kritické kategorie).

Monitoring kvality. Měsíční audit náhodného vzorku 100 popisů ze scorecardu. Pokud průměrné skóre klesne pod 4,0, revize promptu. Sledování zákaznických reklamací a dotazů, které souvisejí s produktovými popisy (zákazník obdržel jiný produkt, než očekával na základě popisu).

Aktualizace promptů. Model a prompt nejsou statické. S každou novou verzí API modelu (Anthropic vydává aktualizace přibližně čtvrtletně) otestujte výstup na referenčním vzorku 50 produktů. Někdy nová verze zlepší kvalitu, někdy změní styl a vyžaduje úpravu promptu.

Feedová data generovaná AI musí procházet stejnou validací jako ručně vytvořená. Feed Validátor kontroluje, zda popisy ve feedu splňují požadavky cílových platforem (minimální délka, absence zakázaných znaků, kódování). AI popis, který projde interní kontrolou, ale nesplňuje feedové požadavky platformy, je stejně problematický jako chybějící popis.