От копирования к автоматизации: кейс наполнения сайта с помощью ИИ

ChatGPT стал популярным инструментом для создания контента, но можно ли полностью доверить ему наполнение интернет-магазина? Клиент Хорошопа и основатель интернет-магазина MURA Дмитрий Козленко проверил это на собственном опыте и подготовил кейс. В нем он расскажет, где ИИ действительно экономит время, какие ошибки может допускать и почему автоматизация — это больше, чем просто генерация текста.

Когда мы запустили интернет-магазин корейской косметики MURA на Хорошопе в 2023 году, у нас не было опыта в e-commerce. Почти всему приходилось учиться с нуля: работе с поставщиками, структуре каталога, характеристикам, переводам и правилам оформления товаров. Одной из первых больших задач стало наполнение карточек.

Почему заполнять каталог товаров сложно

Сначала этот процесс казался простой механической работой. Нашел товар у поставщика, перенес информацию, добавил фотографии — готово. На самом деле одна карточка занимала в среднем около 15 минут сосредоточенной работы. Мой личный рекорд составлял 15 карточек за день, у партнера — 20. После такого дня сил на ассортимент, маркетинг и другие задачи почти не оставалось.

Самым сложным было даже не время, а постоянное переключение внимания. Сайт поставщика, переводчик, ChatGPT, папка с изображениями, админ-панель Хорошопа — и в каждом окне нужно помнить, на каком этапе находится конкретный товар. В результате мы все больше работали контент-менеджерами в собственном бизнесе.

Два способа, с которых мы начинали

В первые месяцы мы использовали два подхода. Выбор зависел от того, сколько информации предоставлял поставщик и на каком языке она была.

Простое копирование

Если на странице поставщика уже были понятное название, характеристики, способ применения и полное описание, мы просто переносили эти данные в магазин. Слово «просто» здесь условное: текст нужно было перевести для двух языковых версий, оформить с помощью HTML, выделить заголовки и отдельные блоки, загрузить фотографии и заполнить остальные поля в Хорошопе.

В косметике характеристик может быть десять и больше: тип кожи, назначение, активные компоненты, объем, формат средства, страна производства и другие. Часть значений нужно сначала создать в справочнике, а затем выбрать в карточке. Отдельно настраиваются бренд, основная и дополнительные категории, стикеры, оплата частями, передача на маркетплейсы и другие параметры.

Была и другая проблема: десятки магазинов могут использовать одинаковый текст поставщика. Это не означает автоматического «штрафа за дублированный контент», но такая страница почти не добавляет собственной ценности и ей сложнее отличаться от других предложений. Когда хватало сил, мы дописывали один-два абзаца от себя, но системным подходом это назвать нельзя.

В рекомендациях Google Search Central нет магической минимальной длины текста. Вместо этого Google советует не копировать чужой контент и создавать полезные, понятные материалы на основе собственного знания темы.

Помощь ChatGPT

Второй подход мы использовали преимущественно для новинок с англоязычных сайтов или когда описание поставщика было слишком коротким. ChatGPT помогал перевести материал, расширить его и подготовить черновик в нужной структуре. В начале работы мы задавали роль и требования примерно таким промптом:

«Ты квалифицированный SEO-копирайтер интернет-магазина косметики в Украине. Твоя задача — наполнять карточки товаров, которые будут понятны клиенту, объяснять, какую проблему решает продукт и почему его стоит купить. Текст должен быть SEO-оптимизирован под трендовые ключевые слова, минимальный объем — 800 слов. Верни результат в виде HTML-разметки на двух языках: украинском и русском».

Сегодня я вижу в этом запросе как минимум две ошибки. Во-первых, мы просили использовать «трендовые ключевые слова», но не предоставляли данных из Search Console, планировщика ключевых слов или другого источника поискового спроса. Модель могла предложить тематически уместные формулировки, но это не было полноценным SEO-исследованием.

Во-вторых, требование минимум 800 слов применялось к каждому товару независимо от количества исходных данных. Если для зубной пасты поставщик дает несколько проверенных фактов, длинный текст не становится полезнее только из-за объема. Модель начинает повторяться, добавлять общие фразы или преувеличивать преимущества. Главная задача карточки — не достичь определенного количества слов, а дать покупателю достаточно информации для принятия решения.

Что ChatGPT действительно делал хорошо

Несмотря на эти ошибки, польза была ощутимой. В нашем процессе ChatGPT хорошо справлялся с несколькими конкретными задачами:

• готовил черновик HTML-разметки с абзацами, заголовками и списками;

• переводил и формировал две языковые версии описания;

• расширял короткий исходный текст и делал его легче для чтения;

• предлагал черновики SEO title и meta description;

• помогал формулировать преимущества товара понятным для покупателя языком.

Это сократило работу с переводчиком и ручной HTML-разметкой. В то же время мы перестали воспринимать слово «сгенерировано» как синоним слов «готово», «правильно» или «SEO-оптимизировано». Ответ оставался черновиком, который нужно было сверить с источником и отредактировать под магазин.

Почему ИИ не означал автоматизацию

В 2023–2024 годах мы работали с ChatGPT как с отдельным чат-инструментом. Он не был подключен к админ-панели MURA, не видел справочники нашего магазина и не мог самостоятельно завершить весь сценарий в Хорошопе. После получения текста большая часть операционной работы оставалась на человеке.

Нам все равно нужно было:

• перенести текст из чата в редактор карточки и проверить HTML;

• загрузить фотографии с сайта поставщика и добавить их в правильном порядке;

• скопировать или создать артикул и перенести рекомендованную розничную цену;

• выбрать бренд, основную и дополнительные категории;

• сопоставить десять и больше характеристик со справочниками магазина;

• включить нужные стикеры, способы оплаты, экспорт на маркетплейсы и другие настройки.

Именно здесь мы впервые четко увидели разницу: ChatGPT ускорял один этап — подготовку текста, — но не автоматизировал процесс наполнения. Когнитивная нагрузка никуда не исчезла, потому что человек продолжал переносить данные между системами и следить, чтобы ни одно поле не потерялось.

Для нас это стало полезным критерием оценки любого ИИ-инструмента. Стоит спрашивать не только «насколько хорошо он пишет текст», но и «сколько ручных шагов останется до опубликованного товара». Если ответ нужно копировать, раскладывать по полям и заново сверять каждое значение, экономия времени может оказаться значительно меньше, чем кажется после первой удачной генерации.

Где возникали ошибки

Периодически ChatGPT приписывал товару эффект, которого не было в исходном описании. Такие утверждения могли звучать убедительно и органично вписываться в текст, поэтому их легко пропустить при быстром просмотре. Для косметики это особенно рискованно: нельзя придумывать состав, действие активного компонента, способ применения, совместимость с определенным типом кожи или гарантированный результат.

Отдельный случай — не галлюцинация, а некритичное перенесение маркетингового обещания поставщика. Утверждение действительно могло быть на странице-источнике, но это еще не означало, что наш магазин готов повторить его от своего имени. ИИ не знал наших стандартов доказательности, допустимого тона и границ ответственности, если мы явно их не объясняли.

Поэтому человек оставался ответственным за результат. Именно он решал, принять ли текст, попросить переписать отдельный блок, убрать неподтвержденное утверждение или вернуться к первоисточнику. В нашем случае самой ценной человеческой работой была не механическая вставка полей, а проверка фактов и редакционное решение.

Правила работы с ChatGPT, которые мы вывели

Повторяйте важный контекст

В длинном диалоге мы иногда замечали, что стиль ответа или структура начинали отличаться от первоначальных требований. В такой ситуации мы повторяли ключевые правила: для кого пишем, какие факты можно использовать, каким должен быть тон и в каком формате нужен результат. Если отклонений становилось слишком много, проще было начать новый чат с проверенным промптом.

Этот практический вывод совпадает с современной рекомендацией OpenAI: четко задавать цель, релевантный контекст, ограничения, критерии успеха и формат ответа. При этом мы не пытаемся объяснять это конкретным внутренним механизмом памяти ChatGPT — описываем только поведение, которое наблюдали в своем процессе.

Не требуйте невозможного

Фиксированный большой объем не гарантирует качества. Если проверенных данных мало, лучше попросить короткое описание с ответами на ключевые вопросы покупателя, а не заставлять модель заполнять 800 или 5000 слов. Более полезный критерий — понятно ли, для кого товар, какую задачу он решает, как им пользоваться и какие ограничения важно знать.

Разделяйте большие задачи

Идея передать модели 200 ссылок и сразу получить 200 безупречных карточек привлекательна, но в нашей практике более стабильный результат давал один товар за раз. Для сложных случаев мы дополнительно разделяли работу: сначала готовили украинский текст, проверяли его, а затем отдельно делали вторую языковую версию.

Отделяйте генерацию от проверки

Не стоит проверять текст только по принципу «звучит убедительно». Название, артикул, объем, состав, активные компоненты, способ применения, цену и модификации нужно отдельно сверять с источником. После этого можно оценивать стиль, структуру и соответствие голосу бренда. Такое разделение помогает не пропустить фактическую ошибку среди хорошо написанных абзацев.

Что значит автоматизировать весь процесс

Постепенно мы пришли к выводу, что автоматизировать нужно не написание отдельного абзаца, а весь повторяющийся путь товара. Для себя мы разделили его на последовательные этапы:

1. Собрать проверяемые данные со страницы поставщика.

2. Структурировать название, описание, цену, фотографии и характеристики.

3. Подготовить языковые версии и текстовый черновик.

4. Сопоставить бренд, категории и характеристики со справочниками конкретного магазина.

5. Передать результат в редактор карточки.

6. Проверить факты, формулировки и настройки человеком.

7. Только после проверки опубликовать товар.

Для этого мы создали внутренний инструмент, подключенный к Хорошопу через API. Он готовил структурированный черновик на основе источника и данных именно нашего магазина. Человек не исчез из процесса: он перестал переносить каждое поле вручную и сосредоточился на контроле качества.

Такой подход часто называют human in the loop — человек остается в контуре принятия решения. Система выполняет повторяющиеся операции, но финальное «публиковать» остается за владельцем магазина или контент-менеджером.

Что изменилось для MURA

После автоматизации формирование черновика стало занимать около одной минуты вместо примерно 15 минут ручной подготовки. Это не означает, что карточку можно без проверки опубликовать за минуту: время контроля зависит от товара, полноты источника и количества характеристик. Но мы уже начинали не с пустой формы, а со структурированного результата.

Изменился не только хронометраж. Наполнение карточек было моей самой большой болью в ведении магазина: оно создавало внутренний барьер и заставляло откладывать новинки. После автоматизации мы начали быстрее вводить бренды, расширили каталог, реже откладывали новые товары и вернули больше времени работе с ассортиментом. Усталость от самого процесса полностью исчезла.

Мы не можем честно приписать этому изменению рост продаж, конверсии или органического трафика: на эти показатели одновременно влияет много факторов, а отдельного эксперимента мы не проводили. Измеренный результат здесь операционный — более быстрое формирование черновика. Остальные изменения — наши наблюдения за ежедневной работой команды.

Какой подход выбрать магазину

Наш опыт не означает, что каждому магазину немедленно нужна сложная автоматизация. Инструмент должен соответствовать реальному объему и узкому месту процесса:

• ручное наполнение может быть достаточным, если вы добавляете несколько простых товаров в месяц и поставщик предоставляет качественные данные;

• ChatGPT полезен, если основная проблема — перевод, структура или расширение короткого описания, а остальные поля не отнимают много времени;

• системная автоматизация оправдана, если вы регулярно добавляете или хотите обновить десятки или сотни товаров, работаете с несколькими языками и повторяете одинаковые операции в каждой карточке.

Прежде чем выбирать инструмент, полезно измерить процесс хотя бы на десяти товарах: сколько времени занимают текст, фотографии, характеристики, категории, настройки и проверка. Тогда станет понятно, действительно ли текст — главная проблема. В нашем случае он был лишь одной частью более длинной цепочки.

Вместо вывода

Самый важный урок для нас прост: ИИ может хорошо выполнять отдельную интеллектуальную задачу, но автоматизация начинается тогда, когда меняется весь процесс. Если после генерации текста человек продолжает вручную переносить фотографии, цену, категории, характеристики и настройки, основная нагрузка лишь переместилась, а не исчезла.

При этом полностью убирать человека из работы над карточкой не нужно. Именно он отвечает за факты, обещания и то, как товар представлен покупателю. Лучший баланс для MURA появился тогда, когда система взяла на себя повторяющиеся действия, а мы оставили за собой проверку и финальное решение.

Со временем наш внутренний инструмент вырос в PinCard, но логика осталась той же: не заменить владельца магазина или контент-менеджера, а освободить их от механического переноса данных и оставить больше времени для работы, где действительно нужна человеческая экспертиза.