Від копіювання до автоматизації: кейс наповнення сайту за допомогою ШІ

ChatGPT став популярним інструментом для створення контенту, але чи можна повністю довірити йому наповнення інтернет-магазину? Клієнт Хорошопу та засновник інтернет-магазину MURA Дмитро Козленко перевірив це на власному досвіді і підготував кейс. В ньому він розкаже, де ШІ справді економить час, яких помилок може припускатися та чому автоматизація — це більше, ніж просто генерація тексту.

Коли ми запустили інтернет-магазин корейської косметики MURA на Хорошоп у 2023 році, у нас не було досвіду в e-commerce. Майже все доводилося опановувати з нуля: роботу з постачальниками, структуру каталогу, характеристики, переклади та правила оформлення товарів. Однією з перших великих задач стало наповнення карток.

Чому заповнювати каталог товарів складно?

Спочатку цей процес здавався простою механічною роботою. Знайшов товар у постачальника, переніс інформацію, додав фотографії — готово. Насправді одна картка забирала в середньому близько 15 хвилин зосередженої роботи. Мій особистий рекорд становив 15 карток за день, у партнера — 20. Після такого дня сил на асортимент, маркетинг та інші задачі майже не залишалося.

Найскладнішим був навіть не час, а постійне перемикання уваги. Сайт постачальника, перекладач, ChatGPT, папка із зображеннями, адмін-панель Хорошоп — і в кожному вікні потрібно пам’ятати, на якому етапі перебуває конкретний товар. У результаті ми дедалі більше працювали контент-менеджерами у власному бізнесі.

Два способи, з яких ми починали

У перші місяці ми використовували два підходи. Вибір залежав від того, скільки інформації надавав постачальник і якою мовою вона була.

Просте копіювання

Якщо на сторінці постачальника вже були зрозуміла назва, характеристики, спосіб використання та повний опис, ми просто переносили ці дані в магазин. Слово «просто» тут умовне: текст потрібно було перекласти для двох мовних версій, оформити за допомогою HTML, виділити заголовки й окремі блоки, завантажити фотографії та заповнити решту полів у Хорошоп.

У косметиці характеристик може бути десять і більше: тип шкіри, призначення, активні компоненти, об’єм, формат засобу, країна виробництва та інші. Частину значень потрібно спочатку створити у довіднику, а потім вибрати в картці. Окремо налаштовуються бренд, головна та додаткові категорії, стікери, оплата частинами, передавання на маркетплейси та інші параметри.

Була й інша проблема: десятки магазинів можуть використовувати однаковий текст постачальника. Це не означає автоматичного «штрафу за дубльований контент», але така сторінка майже не додає власної цінності та їй складніше відрізнятися від інших пропозицій. Коли вистачало сил, ми дописували один-два абзаци від себе, але системним підходом це назвати не можна.

У рекомендаціях Google Search Central немає магічної мінімальної довжини тексту. Натомість Google радить не копіювати чужий контент і створювати корисні, зрозумілі матеріали на основі власного знання теми.

Допомога ChatGPT

Другий підхід ми використовували переважно для новинок з англомовних сайтів або тоді, коли опис постачальника був надто коротким. ChatGPT допомагав перекласти матеріал, розширити його та підготувати чернетку в потрібній структурі. На початку роботи ми задавали роль і вимоги приблизно таким промптом:

«Ти кваліфікований SEO-копірайтер інтернет-магазину косметики в Україні. Твоя задача — наповнювати картки товарів, які будуть зрозумілими для клієнта, пояснюватимуть, яку проблему вирішує продукт і чому варто його придбати. Текст повинен бути SEO-оптимізований під трендові ключові слова, мінімальний обсяг — 800 слів. Поверни результат у вигляді HTML-розмітки двома мовами: українською і російською.»

Сьогодні я бачу в цьому запиті щонайменше дві помилки. По-перше, ми просили використати «трендові ключові слова», але не надавали даних із Search Console, планувальника ключових слів чи іншого джерела пошукового попиту. Модель могла запропонувати тематично доречні формулювання, але це не було повноцінним SEO-дослідженням.

По-друге, вимога мінімум 800 слів застосовувалася до кожного товару незалежно від кількості вихідних даних. Якщо для зубної пасти постачальник дає кілька перевірених фактів, довгий текст не стає кориснішим лише через обсяг. Модель починає повторюватися, додавати загальні фрази або перебільшувати переваги. Головна задача картки — не досягти певної кількості слів, а дати покупцеві достатньо інформації для рішення.

Що ChatGPT справді робив добре

Попри ці помилки, користь була відчутною. У нашому процесі ChatGPT добре виконував кілька конкретних задач:

• готував чернетку HTML-розмітки з абзацами, заголовками та списками;

• перекладав і формував дві мовні версії опису;

• розширював короткий вихідний текст і робив його легшим для читання;

• пропонував чернетки SEO title і meta description;

• допомагав сформулювати переваги товару зрозумілою для покупця мовою.

Це скоротило роботу з перекладачем і ручною HTML-розміткою. Водночас ми перестали сприймати слово «згенеровано» як синонім слів «готово», «правильно» або «SEO-оптимізовано». Відповідь залишалася чернеткою, яку потрібно було звірити з джерелом і відредагувати під магазин.

Чому ШІ не дорівнював автоматизації

У 2023–2024 роках ми працювали з ChatGPT як з окремим чат-інструментом. Він не був підключений до адмінпанелі MURA, не бачив довідників нашого магазину та не міг самостійно завершити весь сценарій у Хорошоп. Після отримання тексту більша частина операційної роботи залишалася на людині.

Нам усе одно потрібно було:

• перенести текст із чату в редактор картки та перевірити HTML;

• завантажити фотографії із сайту постачальника й додати їх у правильному порядку;

• скопіювати або створити артикул і перенести рекомендовану роздрібну ціну;

• вибрати бренд, головну та додаткові категорії;

• зіставити десять і більше характеристик із довідниками магазину

• увімкнути потрібні стікери, способи оплати, експорт на маркетплейси та інші налаштування

Саме тут ми вперше чітко побачили різницю: ChatGPT прискорював один етап — підготовку тексту, — але не автоматизував процес наповнення. Когнітивне навантаження нікуди не зникло, бо людина продовжувала переносити дані між системами та стежити, щоб жодне поле не загубилося.

Для нас це стало корисним критерієм оцінки будь-якого ШІ-інструмента. Варто запитувати не лише «наскільки добре він пише текст», а й «скільки ручних кроків залишиться до опублікованого товару». Якщо відповідь потрібно копіювати, розкладати по полях і заново звіряти кожне значення, економія часу може виявитися значно меншою, ніж здається після першої вдалої генерації.

Де виникали помилки

Періодично ChatGPT приписував товару ефект, якого не було у вихідному описі. Такі твердження могли звучати переконливо й органічно вписуватися в текст, тому їх легко пропустити під час швидкого перегляду. Для косметики це особливо ризиковано: не можна вигадувати склад, дію активного компонента, спосіб використання, сумісність із певним типом шкіри чи гарантований результат.

Окремий випадок — не галюцинація, а некритичне перенесення маркетингової обіцянки постачальника. Твердження могло справді бути на сторінці-джерелі, але це ще не означало, що наш магазин готовий повторити його від свого імені. ШІ не знав наших стандартів доказовості, допустимого тону та меж відповідальності, якщо ми явно їх не пояснювали.

Тому людина залишалася відповідальною за результат. Саме вона вирішувала, чи прийняти текст, попросити переписати окремий блок, прибрати непідтверджене твердження або повернутися до першоджерела. У нашому випадку найціннішою людською роботою була не механічна вставка полів, а перевірка фактів і редакційне рішення.

Правила роботи з ChatGPT, які ми вивели

Повторюйте важливий контекст

У довгому діалозі ми іноді помічали, що стиль відповіді або структура починали відрізнятися від початкових вимог. У такій ситуації ми повторювали ключові правила: для кого пишемо, які факти можна використовувати, яким має бути тон і в якому форматі потрібен результат. Якщо відхилень ставало забагато, простіше було почати новий чат із перевіреним промптом.

Цей практичний висновок збігається із сучасною рекомендацією OpenAI: чітко задавати мету, релевантний контекст, обмеження, критерії успіху та формат відповіді. Водночас ми не намагаємося пояснювати це конкретним внутрішнім механізмом пам’яті ChatGPT — описуємо лише поведінку, яку спостерігали у своєму процесі.

Не вимагайте неможливого

Фіксований великий обсяг не гарантує якості. Якщо перевірених даних мало, краще попросити короткий опис із відповідями на ключові запитання покупця, а не змушувати модель заповнювати 800 чи 5000 слів. Корисніший критерій — чи зрозуміло, для кого товар, яку задачу він вирішує, як ним користуватися і які обмеження важливо знати.

Розділяйте великі задачі

Ідея передати моделі 200 посилань і одразу отримати 200 бездоганних карток приваблива, але в нашій практиці стабільніший результат давав один товар за раз. Для складних випадків ми додатково розділяли роботу: спочатку готували український текст, перевіряли його, а потім окремо робили другу мовну версію.

Відокремлюйте генерацію від перевірки

Не варто перевіряти текст лише за принципом «звучить переконливо». Назву, артикул, об’єм, склад, активні компоненти, спосіб використання, ціну та модифікації потрібно звіряти з джерелом окремо. Після цього можна оцінювати стиль, структуру й відповідність голосу бренду. Такий поділ допомагає не пропустити фактичну помилку серед добре написаних абзаців.

Що означає автоматизувати весь процес

Поступово ми дійшли висновку, що автоматизувати потрібно не написання окремого абзацу, а весь повторюваний шлях товару. Для себе ми розклали його на послідовні етапи:

1. Зібрати перевірювані дані зі сторінки постачальника.

2. Структурувати назву, опис, ціну, фотографії та характеристики.

3. Підготувати мовні версії й текстову чернетку.

4. Зіставити бренд, категорії та характеристики з довідниками конкретного магазину.

5. Передати результат у редактор картки.

6. Перевірити факти, формулювання й налаштування людиною.

7. Лише після перевірки опублікувати товар.

Для цього ми створили внутрішній інструмент, підключений до Хорошоп через API. Він готував структуровану чернетку на основі джерела й даних саме нашого магазину. Людина не зникла з процесу: вона перестала переносити кожне поле вручну й зосередилася на контролі якості.

Такий підхід часто називають human in the loop — людина залишається в контурі прийняття рішення. Система виконує повторювані операції, але фінальне «публікувати» належить власнику магазину або контент-менеджеру.

Що змінилося для MURA

Після автоматизації формування чернетки почало займати близько однієї хвилини замість приблизно 15 хвилин ручної підготовки. Це не означає, що картку можна без перевірки опублікувати за хвилину: час контролю залежить від товару, повноти джерела та кількості характеристик. Але ми вже починали не з порожньої форми, а зі структурованого результату.

Змінився не лише хронометраж. Наповнення карток було моїм найбільшим болем у веденні магазину: воно створювало внутрішній бар’єр і змушувало відкладати новинки. Після автоматизації ми почали швидше вводити бренди, розширили каталог, рідше відкладали нові товари й повернули більше часу роботі з асортиментом. Втома від самого процесу повністю зникла.

Ми не можемо чесно приписати цій зміні зростання продажів, конверсії чи органічного трафіку: на ці показники одночасно впливає багато факторів, а окремого експерименту ми не проводили. Виміряний результат тут операційний — швидше формування чернетки. Решта змін є нашим спостереженням за щоденною роботою команди.

Який підхід обрати магазину

Наш досвід не означає, що кожному магазину негайно потрібна складна автоматизація. Інструмент має відповідати реальному обсягу та вузькому місцю процесу:

• Ручне наповнення може бути достатнім, якщо ви додаєте кілька простих товарів на місяць і постачальник надає якісні дані.

• ChatGPT корисний, якщо основна проблема — переклад, структура або розширення короткого опису, а решта полів не забирає багато часу.

• Системна автоматизація виправдана, якщо ви регулярно додаєте або хочете оновити десятки чи сотні товарів, працюєте з кількома мовами й повторюєте однакові операції в кожній картці.

Перш ніж вибирати інструмент, корисно виміряти процес хоча б на десяти товарах: скільки часу займають текст, фотографії, характеристики, категорії, налаштування та перевірка. Тоді стане зрозуміло, чи справді текст є головною проблемою. У нашому випадку він був лише однією частиною довшого ланцюжка.

Замість висновку

Найважливіший урок для нас простий: ШІ може добре виконувати окрему інтелектуальну задачу, але автоматизація починається тоді, коли змінюється весь процес. Якщо після генерації тексту людина продовжує вручну переносити фотографії, ціну, категорії, характеристики та налаштування, основне навантаження лише перемістилося, а не зникло.

Водночас повністю прибирати людину з роботи над карткою не потрібно. Саме вона відповідає за факти, обіцянки й те, як товар представлений покупцеві. Найкращий баланс для MURA з’явився тоді, коли система взяла на себе повторювані дії, а ми залишили за собою перевірку й фінальне рішення.

Згодом наш внутрішній інструмент виріс у PinCard, але логіка залишилася тією самою: не замінити власника магазину чи контент-менеджера, а звільнити їх від механічного перенесення даних і залишити більше часу для роботи, де справді потрібна людська експертиза.