AI produktové popisy ve velkém: proces a kvalita

Jeden produktový popis s AI napíše každý za pár minut. Problém začíná u deseti tisíc. Kdo zkontroluje, že model u produktu číslo 7 312 nevymyslel voděodolnost? Že popisy v kategorii nezačínají stejnou větou? Že nemáte stránky, které Google vyhodnotí jako obsah vyrobený ve velkém bez hodnoty? Při hromadné výrobě se z psaní stává výrobní proces a ten potřebuje stejné věci jako každá výroba: vstupní kontrolu, standardy, měření a kontrolu kvality.

Tento článek je o procesu. Jak napsat dobrý jednotlivý text, tón, strukturu a prompt řešíme v článku AI copywriting pro e-shopy.

Pipeline v šesti krocích

Hromadnou výrobu popisů stavíme jako řetězec kroků, kde každý má jasný vstup a výstup:

1. Příprava dat. Pro každý produkt sestavíme balíček faktů: název, značka, kategorie, parametry, varianty, případně technický list. Co v balíčku není, v popisu nesmí být.
2. Šablony podle kategorie. Popis kávovaru potřebuje jiné informace než popis trička. Pro každou skupinu kategorií připravíme zadání se strukturou, délkou a povinnými body.
3. Generování v dávkách. Texty generujeme asynchronně přes Batch API, ne jeden po druhém.
4. Automatické kontroly. Každý text projde strojovou kontrolou faktů, délky, zakázaných tvrzení a podobnosti.
5. Vzorkování lidmi. Člověk kontroluje reprezentativní vzorek z každé dávky a všechny klíčové produkty.
6. Publikace a měření. Texty jdou na web postupně a sledujeme jejich dopad.

Nejvíc kvality se rozhoduje v kroku 1. Model, který nemá parametry, je začne odhadovat. Proto hromadné popisy často navazují na doplnění parametrů pomocí AI.

Batch API: poloviční cena za trpělivost

Popisy nepotřebujete za dvě sekundy. Potřebujete je do zítřka. Přesně na to jsou dávková rozhraní velkých poskytovatelů: pošlete soubor požadavků, výsledky přijdou asynchronně a zaplatíte polovinu běžné ceny.

Údaje k 9/2026 podle dokumentace poskytovatelů, aktuální ceník a limity ověřte u poskytovatele. Kvalita výstupu je u dávky stejná jako u běžného volání, liší se jen doba odezvy.

Druhá úspora je prompt caching. U Claude se opakovaná část promptu (třeba styleguide a šablona kategorie) po uložení do cache účtuje za 10 % běžné ceny vstupu a podle dokumentace se tato sleva kombinuje se slevou za dávku. GPT modely i Gemini mají vlastní varianty cachování s jinými podmínkami.

Modelový výpočet

Modelový příklad s předpoklady, ne výsledek konkrétního projektu:

• 10 000 produktů,
• vstup 1 500 tokenů na produkt (data produktu, šablona, styleguide), výstup 600 tokenů (popis kolem 250 slov česky),
• generování modelem za 3 USD za milion vstupních a 15 USD za milion výstupních tokenů (například Claude Sonnet 4.6),
• automatická kontrola každého textu menším modelem za 1 / 5 USD (například Claude Haiku 4.5), vstup 2 000 a výstup 150 tokenů,
• vše přes Batch API se slevou 50 %, bez započtení cache (ceník k 9/2026).

K tomu lidská kontrola. Při vzorku 5 % a třech minutách na text jde o 500 textů a zhruba 25 hodin práce. I v tomhle modelu stojí lidé víc než modely. Proto se vyplatí automatické kontroly zpřísnit, aby se člověk díval jen tam, kde má smysl.

Automatické kontroly

Strojová kontrola nenahradí redaktora, ale odchytí většinu typických chyb dřív, než je uvidí:

• Fakta proti datům. Druhý model porovná tvrzení v textu s balíčkem faktů a označí vše, co v datech není: čísla, materiály, certifikace, kompatibilitu.
• Zakázaná tvrzení. Seznam slov a témat, která v popisu být nesmí: zdravotní tvrzení u potravin a doplňků, „nejlepší na trhu“, záruky, které neposkytujete.
• Délka a struktura. Povinné sekce, minimální a maximální délka, zakázané formátování.
• Podobnost textů. Pomocí embedding modelů spočítáme podobnost každého popisu s ostatními v kategorii. Příliš podobné texty jdou k přepsání.
• Shoda s textem výrobce. Popis nesmí být jen parafrází toho, co mají všichni ostatní prodejci stejného zboží.

Poslední dvě kontroly souvisí s duplicitním obsahem. U variant a velmi podobných produktů je lepší jeden kvalitní text na úrovni produktové skupiny než deset uměle odlišených.

Vzorkování: jak kontrolovat tisíce textů

Kontrolovat všechno ručně nejde, nekontrolovat nic je hazard. Funguje řízené vzorkování:

• Klíčové produkty vždy ručně. Bestsellery, drahé zboží a produkty s regulovanými tvrzeními čte člověk celé.
• Vzorek z každé dávky a kategorie. Ne náhodně z celku, jinak malé kategorie ve vzorku chybí.
• Předem daná hranice chyb. Když vzorek překročí stanovenou chybovost, vrací se celá dávka, protože chyba je nejspíš v šabloně nebo datech.
• Záznam typů chyb. Každou nalezenou chybu zařaďte (fakt, tón, opakování, gramatika). Z typů chyb poznáte, jestli opravit prompt, data nebo kontroly.

Nálezy z kontroly vracejte do šablon. Když chybovost v dalších dávkách klesne, můžete vzorek zmenšit. Nikdy ho ale nerušte úplně.

Co na to Google

Google k obsahu z AI říká dvě věci. Ve vyhledávání nerozhoduje, jak obsah vznikl, ale jestli je užitečný. Zároveň platí pravidlo proti zneužívání obsahu ve velkém měřítku: generovat mnoho stránek bez přidané hodnoty pro uživatele je spam bez ohledu na to, jestli je psal člověk, AI, nebo kombinace. Tisíce popisů, které opakují název a parametry jinými slovy, jsou přesně ta riziková kategorie.

V Google Merchant Center platí konkrétní technické pravidlo. Názvy a popisy vytvořené generativní AI se posílají v atributech structured_title a structured_description s hodnotou digital_source_type trained_algorithmic_media. Pokud je nedodržíte, hrozí zamítnutí produktů. Na to se při hromadné výrobě snadno zapomene, protože feed obvykle generuje jiný systém než texty. Širší pohled na SEO rizika najdete v článku SEO a AI generovaný obsah.

Nasazujte postupně a měřte

Nepřepisujte celý katalog najednou. Začněte jednou nebo dvěma kategoriemi, nechte texty na webu několik týdnů a sledujte:

• konverzní poměr a podíl přidání do košíku na detailu produktu,
• vývoj impresí a prokliků v Google Search Console,
• dotazy zákaznické podpory a vratky z důvodu „neodpovídá popisu“.

Teprve když data dávají smysl, pusťte další kategorie. Pozor na srovnání v čase: sezóna a kampaně ovlivní čísla víc než texty, proto porovnávejte se srovnatelnou kategorií, kde se texty neměnily.

Jak na to prakticky

1. Vyberte kategorie, kde chybí nebo jsou slabé popisy a kde je dost dat o produktech.
2. Doplňte a vyčistěte data, bez parametrů negenerujte.
3. Napište šablony podle skupin kategorií a styleguide.
4. Generujte přes Batch API, opakované části promptu cachujte.
5. Zapojte automatické kontroly faktů, tvrzení, délky a podobnosti.
6. Kontrolujte vzorky z každé dávky a všechny klíčové produkty.
7. Ve feedu pro Google posílejte AI texty ve structured_description.
8. Nasazujte po kategoriích a měřte dopad.

Hromadné texty vyrábíme jako službu AI produktové popisy, jednodušší nasazení trvá obvykle dny až dva týdny. Pokud potřebujete texty průběžně, i pro nové produkty a kategorie, je vhodnější program AI Content Factory. Cenu připravíme po konzultaci podle rozsahu katalogu.