Generowanie opisów meta przy pomocy AI.

Meta opisy to jeden z tych elementów, które „każdy ogarnia na końcu”. Czyli w praktyce: kopiuj, wklej, lekko zmień i miej nadzieję, że Google się nie obrazi.

Problem zaczyna się w momencie, kiedy tych produktów nie jest 10, tylko 300 albo 500. Wtedy nagle okazuje się, że „lekko zmień” przestaje działać, a każde kolejne zdanie brzmi podejrzanie znajomo.

Tutaj założenie było proste. Trzeba było wygenerować meta opisy dla produktów w sklepie. Każdy miał mieć sens, nie powtarzać się i przy okazji faktycznie coś sprzedawać, a nie tylko zapychać pole w Yoaście.

I tak, pierwsza myśl była dokładnie taka, jak myślisz: „wrzuć to do AI i zapomnij o temacie”. No właśnie nie.

Problem nie leży w tym, czy AI potrafi pisać.

Bo potrafi. I to całkiem nieźle. Problem zaczyna się chwilę później, kiedy patrzysz na 30 wygenerowanych opisów i masz dziwne wrażenie, że czytasz w kółko to samo zdanie, tylko w innej kolejności.

Model robi dokładnie to, do czego został nauczony: znajduje wzór i go powiela. A przy meta opisach ten wzór robi się bardzo szybko widoczny.

Dlatego zamiast zaczynać od „generuj”, najpierw poszła analiza.... nie treści. Stylu. Bo AI jest świetne w generowaniu tekstu. Problem w tym, że nie zna Twojego biznesu, oferty ani intencji użytkownika.

I dlatego wygenerowany opis może być poprawny językowo, ale nieskuteczny sprzedażowo. Dlatego nie wystarczy tylko "użyć AI".

Jak zacząć przygotowanie opisów meta?

Najpierw rozkładasz styl na części pierwsze Zamiast zgadywać, „jak pisać”, wzięte zostały istniejące przykłady i przepuszczone przez model z jednym zadaniem: opisz technikę pisania.

Bez cytowania, bez odnoszenia się do produktu. Tylko mechanika. I tu wychodzi coś, co wygląda banalnie, ale robi całą robotę. Teksty tego typu nie opisują produktu. One od razu obiecują efekt. Nie budują narracji, tylko skracają drogę do decyzji.

Najpierw pojawia się obietnica. Potem jedna lub dwie cechy, ale zawsze z dopowiedzeniem „co to daje”. Na końcu lekkie dociśnięcie, żeby coś z tym zrobić. Zero historii. Zero wstępów. Zero „poznaj naszą ofertę”.

To jest mikro-reklama zamknięta w 150 znakach. Na tej podstawie powstał prosty schemat. Obietnica, cecha z efektem, wzmocnienie i krótkie CTA. Nic więcej nie było potrzebne.

Co jest najważniejsze w przygotowaniu opisów

Dane wejściowe robią większą robotę niż model. Tu zaczyna się mniej sexy część, czyli przygotowanie danych.

Produkty zostały wyciągnięte do CSV, ale to nie było „wrzuć wszystko jak leci”. Najpierw trzeba było to przesiać. Usunąć puste pola, ogarnąć nazwy, sprawdzić, co w ogóle ma sens jako input.

Bo jeśli produkt ma opis typu „super jakość, polecamy”, to model nie ma z czego wyciągnąć sensu. I wtedy zaczyna halucynować. A jak model zaczyna wymyślać przy 500 produktach, to kończy się bardzo kreatywnie i bardzo niespójnie.

Dlatego dane zostały najpierw uporządkowane, a potem ograniczone do jednej kategorii. Mały zestaw, szybkie testy, zero strzelania na ślepo. To jest ten etap, który większość pomija, bo „to tylko meta opisy”.

Wybór modelu: mniej efektowny, bardziej przewidywalny

Testy poszły na kilku modelach, bo czemu nie. Jeden dobrze radził sobie z polskim, ale co jakiś czas wrzucał losowe znaki, jakby na chwilę zmieniał język. Drugi miał wbudowane „myślenie”, przez co więcej analizował niż pisał, a jak już pisał, to często nie po polsku.

Finalnie wygrał model, który… po prostu działał stabilnie. Nie był najbardziej „inteligentny”. Nie robił efektownych rzeczy. Ale nie psuł języka i nie odpływał po 20 rekordach. I przy tej skali to jest dokładnie to, czego potrzebujesz.

Parametry generacji, czyli gdzie zaczyna się zabawa

Największy problem nie polegał na tym, żeby model napisał dobry opis. To było proste. Problem polegał na tym, żeby napisał 300 różnych. Przy niskiej temperaturze wszystko było poprawne, ale identyczne. Przy wysokiej zaczynał odpływać i gubić składnię. Środek był… nijaki. Więc zamiast szukać jednego „idealnego ustawienia”, pojawił się prosty pomysł. Niech model działa w kilku trybach.

Część opisów generowana bardziej zachowawczo, część bardziej losowo, a niewielki procent na maksymalnym odchyleniu.

Efekt był zaskakująco prosty. Teksty przestały wyglądać jak kopiuj-wklej z jednego promptu.

Etap sprawdzania wyników modelu.

„Na oko wygląda dobrze” to za mało. Najciekawszy etap to sprawdzenie, czy te teksty faktycznie się różnią.

Bo możesz przeczytać 10 i powiedzieć „jest OK”. Problem w tym, że masz ich kilkaset.

Dlatego każdy opis został zamieniony na embedding, a potem policzone zostało podobieństwo między nimi. Nie „czy brzmi podobnie”, tylko matematycznie jak bardzo są do siebie zbliżone.

Wynik był dość spokojny. Większość tekstów rozproszona, kilka bliższych sobie, ale bez duplikatów i bez dużych skupisk.

Czyli nie trzeba było zgadywać. Było to widać w danych.

A może obrazy coś poprawią?

Na chwilę pojawił się pomysł, żeby dorzucić obrazy produktów do kontekstu. Teoretycznie więcej danych powinno pomóc.

W praktyce nie pomogło. Teksty nie były lepsze, za to generowanie zwolniło kilka razy. Czyli dokładnie ten przypadek, gdzie coś brzmi dobrze na papierze, a w realnym procesie tylko przeszkadza. Zostało wycięte.

Generowanie na pełnej skali

Po testach poszło już normalnie. Kilkaset produktów, pipeline odpalony, wyniki zapisane.

Bez duplikatów, długość w normie, język spójny. Co ważniejsze, brak efektu „czytałem to już wcześniej”.

I to jest moment, w którym widać różnicę między „AI napisało kilka tekstów” a „AI obsłużyło zadanie na skalę”.

Wdrożenie opisów meta z modelu

Najmniej ciekawa, ale konieczna część. Opisy trzeba przypisać do produktów, najlepiej po ID, i wrzucić z powrotem do systemu. Czy to przez CSV, czy przez wtyczki SEO, czy bezpośrednio do bazy.

To jest ten etap, który nikogo nie interesuje, dopóki coś się nie rozjedzie.

Bo wygenerować można wszystko. Pytanie, czy trafia to tam, gdzie powinno. 

Dla biznesu to ma ważną role, z tego względu, że na tym etapie jako coś pójdzie nie tak to trzeba proces odwracać. Dlatego całość trzeba robić na wersji

Co z tego wynika?

AI nie ma problemu z pisaniem meta opisów. To już nie jest wyzwanie.

Wyzwanie zaczyna się przy:

• powtarzalności
• kontroli stylu
• utrzymaniu jakości przy skali

I tego nie załatwisz jednym promptem.

Potrzebujesz:

• ogarniętych danych wejściowych
• sensownego modelu
• kontroli parametrów
• walidacji (a nie „wydaje mi się”)
• procesu, który to wszystko spina

Jeśli chcesz „po prostu użyć AI”

Jasne, możesz.

Tylko warto sprawdzić jedną rzecz. Po wygenerowaniu 100 opisów, czy którykolwiek z nich jesteś w stanie odróżnić od poprzedniego bez patrzenia na nazwę produktu.

Jeśli nie - masz content. Jeśli tak - zaczynasz mieć system.

I dokładnie o to tutaj chodzi. 

O autorze.

Jestem Piotr - 20-letni programista z Opola. Buduję produkty webowe, systemy e-commerce i pipeliney danych dla klientów, full-stack z zawodu - głównie PHP, Python i TypeScript, z okazjonalnymi wycieczkami w scraping, ekstrakcję danych i przekonywanie lokalnych modeli ML żeby w końcu zrobiły coś użytecznego :D