Opisy produktów AI generowane na własnym serwerze GPU pozwalają odświeżyć cały katalog i przetłumaczyć go na wiele języków bez rachunku, który rośnie z każdym tokenem. Model pracuje nocą na danych z Twojego PIM, a rano zespół sprawdza próbkę i publikuje. Pokazujemy, jak to zorganizować, jakie modele wybrać i jak nie wpaść w pułapkę powielonych, słabych treści.
Artykuł jest dla właścicieli sklepów internetowych, menedżerów e-commerce i osób odpowiedzialnych za katalog produktowy. Zakładamy, że masz dane produktowe w PIM lub w panelu sklepu i chcesz sprzedawać na kilku rynkach.
Problem: tysiące produktów, wiele języków, ciągłe zmiany
Katalog z kilkoma tysiącami produktów w 20 językach to dziesiątki tysięcy tekstów. Opisy od producenta są te same w setkach sklepów, więc niewiele dają w wyszukiwarce. Biuro tłumaczeń jest dokładne, ale drogie i powolne przy każdej zmianie oferty. Publiczne API modeli językowych rozwiązuje problem szybkości, ale koszt rośnie liniowo: każdy produkt, każdy język i każde odświeżenie to kolejne tokeny. Jak liczy się tokeny, wyjaśniamy we wpisie tokeny w modelach językowych.
Rozwiązanie: opisy produktów AI na własnym modelu
Model dostaje dane strukturalne z PIM: kategorię, atrybuty, wymiary, materiały, zastosowania, a do tego wytyczne marki i frazy kluczowe dla kategorii. Zwraca komplet: tytuł, krótki opis, opis długi, listę cech i meta opis. Najważniejsza zasada w prompcie: pisz wyłącznie na podstawie podanych danych, a gdy atrybutu brakuje, pomiń go zamiast zgadywać.
Spójność SEO zapewniają szablony per kategoria: gdzie umieścić frazę, jakie są limity długości, które atrybuty zawsze wymienić. Dzięki temu opisy w całym katalogu mają jednolitą strukturę, a nie przypadkowy styl.
Tłumaczenia modelami wielojęzycznymi
Do tłumaczeń i generowania tekstów w wielu językach warto przetestować otwarte modele z licencją Apache 2.0 (stan na listopad 2026; rynek zmienia się co miesiąc):
- Qwen3.8-27B: model wielojęzyczny i multimodalny, przydatny też do opisu zdjęć produktów;
- Gemma 4 31B i 12B: wariant 12B sprawdzi się w prostszych, masowych zadaniach;
- Mistral Small 4 (119 mld parametrów): większy model, gdy jakość w danym języku jest ważniejsza niż szybkość.
Jakość różni się między językami. W głównych językach europejskich modele zwykle radzą sobie dobrze, w rzadszych potrzebna jest weryfikacja przez native speakera. Przygotuj glosariusz: nazwy marek i linii produktów, których nie tłumaczymy, terminy branżowe, jednostki i rozmiary. Wybór modelu zawsze sprawdź na własnych produktach, a nie na rankingach.
Styl marki: prompt czy fine-tuning
Zacznij od promptu: wytyczne stylu plus kilka zatwierdzonych opisów jako przykłady. To wystarcza w większości sklepów. Lekki fine-tuning (np. LoRA) ma sens, gdy masz setki lub tysiące zaakceptowanych opisów, a prompt nadal nie oddaje tonu marki.
Przetwarzanie wsadowe nocą na GPU ze stałym kosztem
Generowanie opisów nie musi działać w czasie rzeczywistym. Kolejka zadań uruchamia się wieczorem, serwer inferencji (np. vLLM z ciągłym batchowaniem) przetwarza wiele produktów równolegle, a rano wyniki czekają na akceptację. Serwer GPU kosztuje tyle samo miesięcznie bez względu na liczbę wygenerowanych tokenów, więc odświeżenie całego katalogu albo dodanie języka nie zmienia rachunku. W dzień ten sam serwer może obsługiwać inne zadania.
Czy to się opłaca, zależy od wielkości katalogu, liczby języków i częstotliwości zmian. Metodę porównania kosztu GPU z API i pracą ludzi opisujemy w artykule o liczeniu zwrotu z wdrożenia AI, a modele dostępu do sprzętu w tekście GPU jako usługa.
Wymagany sprzęt
Szacunek pamięci: parametry × bajty na parametr (BF16 = 2 B, 4-bit ≈ 0,5 B) plus pamięć kontekstu i zapas. Przy pracy wsadowej dodatkowa pamięć oznacza więcej równoległych zadań.
| Scenariusz | Model (przykład) | Sprzęt |
|---|---|---|
| Mniejszy katalog, kilka języków | Gemma 4 12B (ok. 24 GB w BF16) lub Qwen3.8-27B w 4-bit (ok. 14 GB) | VPS z A10 24 GB lub A40 48 GB |
| Duży katalog, wiele języków | Qwen3.8-27B w BF16 (ok. 56 GB) lub Gemma 4 31B w BF16 (ok. 62 GB) | Serwer z RTX PRO 6000 96 GB lub 2× A40 96 GB |
| Najwyższa jakość w trudnych językach | Mistral Small 4 w 4-bit (ok. 60 GB) | RTX PRO 6000 96 GB; w 8-bit dwie takie karty |
Na start dobrze sprawdzają się nasze gotowe pakiety GPU: A10 24 GB za 2 999 zł, A40 48 GB za 5 499 zł i 2× A40 96 GB za 8 599 zł netto miesięcznie. Działa na nich dowolny model. Większe konfiguracje znajdziesz na stronie serwery GPU.
Integracja z PIM i platformą e-commerce
Większość systemów PIM i platform sklepowych ma API do odczytu i zapisu produktów. Proces najprościej zbudować w n8n: pobierz produkty zmienione od ostatniego uruchomienia, wyślij je do lokalnego modelu, sprawdź wynik, zapisz w PIM ze statusem „do akceptacji”, po zatwierdzeniu opublikuj. Jak łączyć n8n z lokalnym modelem, pokazujemy w artykule agenci AI w n8n na lokalnym LLM; samo n8n wdrażamy i hostujemy.
Kontrola jakości: reguły i próbkowanie
Opisy produktów AI publikuj dopiero po dwóch warstwach kontroli: automatycznej i ludzkiej.
- Automatyczne reguły: długość, obecność wymaganych atrybutów, zgodność liczb ze źródłem (wymiary, skład procentowy), wykrywanie języka, zgodność z glosariuszem, lista zakazanych sformułowań (np. obietnice zdrowotne).
- Próbkowanie przez ludzi: na początku sprawdzaj dużą część opisów w każdym języku i kategorii, potem zmniejszaj próbkę tam, gdzie błędów jest mało.
- Native speakerzy: przynajmniej próbka w każdym języku powinna przejść przez osobę, która zna rynek.
Najczęstsze pułapki
- Powielone treści: szablon zbyt sztywny daje prawie identyczne opisy podobnych produktów. Różnicuj teksty atrybutami i zastosowaniami, nie samym szykiem zdań.
- Zmyślone cechy: model dopisuje atrybut, którego nie ma w danych. Pomaga zasada „tylko podane fakty” i automatyczne porównanie ze źródłem.
- Nadpisanie ręcznie dopracowanych opisów najważniejszych produktów. Oznacz je w PIM jako wyłączone z automatu.
- Brak hreflang przy wersjach językowych, przez co wyszukiwarka nie wie, która wersja jest dla którego rynku.
- Infrastruktura sklepu: więcej wersji językowych to więcej ruchu i stron; o tym, kiedy sklep potrzebuje mocniejszego środowiska, piszemy we wpisie kiedy e-commerce musi zmienić środowisko.
FAQ: najczęściej zadawane pytania
Czy Google karze za opisy produktów AI?
Według publicznych wytycznych Google ocenia jakość i przydatność treści, a nie samo narzędzie. Problemem są teksty masowe, powielone i bez wartości dla kupującego.
Który model open source najlepiej tłumaczy opisy produktów?
Nie ma jednej odpowiedzi dla wszystkich języków. Przetestuj Qwen3.8-27B, Gemma 4 i Mistral Small 4 na kilkudziesięciu produktach w każdym języku docelowym.
Ile kosztuje generowanie opisów produktów na własnym GPU?
Koszt to stały abonament za serwer, np. od 2 999 zł netto miesięcznie za VPS z A10 24 GB, niezależnie od liczby tekstów. Do tego czas zespołu na kontrolę jakości.
Czy trzeba fine-tunować model pod styl marki?
Zwykle nie. Dobre wytyczne i przykłady w prompcie wystarczają; fine-tuning rozważ, gdy masz duży zbiór zatwierdzonych opisów.
Czy da się to podłączyć do mojego sklepu internetowego?
Tak, jeśli platforma lub PIM ma API. Integrację najczęściej budujemy w n8n.
Uruchomimy model do opisów i tłumaczeń na serwerze GPU w polskiej serwerowni Tier III z ISO 27001, z administracją 24/7. Sprawdź pakiety GPU albo napisz do nas – pomożemy policzyć, czy to się opłaca przy Twoim katalogu.