AI w eCommerce: co realnie działa w polskim sklepie, a co jest jeszcze obietnicą

W polskim sklepie internetowym AI zarabia dziś przede wszystkim na zapleczu: na opisach, tłumaczeniach, porządkowaniu danych i obsłudze powtarzalnych pytań. Rzeczy, które wyglądają najbardziej efektownie, czyli doradca rozmawiający z klientem i personalizacja w czasie rzeczywistym, wymagają albo porządku w danych, albo ruchu, albo obu, i dlatego wdraża się je później, a nie pierwsze.

Ten tekst jest przeglądem całego obszaru. Każde zastosowanie ma tu akapit i link do osobnego tekstu, w którym rozkładamy je na części, od opisów produktów po agentów działających w panelu sklepu. Jeśli szukasz jednej konkretnej rzeczy, przejdź od razu do tabeli niżej; jeśli dopiero układasz plan na kwartał, czytaj po kolei, bo kolejność wdrożeń jest tu ważniejsza niż wybór narzędzia i to ona decyduje, czy pierwsze podejście skończy się czymś używanym, czy prezentacją na zarząd.

Mapa: gdzie AI dotyka sklepu i kiedy się zwraca

Układamy to po promieniu rażenia błędu, bo to on przesądza o kolejności wdrożeń. Pomyłka w opisie produktu kosztuje poprawkę, pomyłka w odpowiedzi doradcy kosztuje reklamację i zaufanie.

Kolejność od najmniejszego promienia rażenia do największego. To jednocześnie rozsądna kolejność wdrożeń.

Dlaczego zaplecze jest gotowe wcześniej niż front

Powód jest prozaiczny i nie ma nic wspólnego z jakością modeli. Na zapleczu dane już należą do Ciebie i są kompletne na tyle, na ile je prowadzisz. Przy kliencie dochodzi warunek, którego nie kontrolujesz: pytanie, którego nie przewidziałeś.

Doradca AI nie wymyśli odpowiedzi, której nie ma w karcie produktu. Powtórzy dokładnie to, co w niej znajdzie, razem z błędem i razem z luką. Dlatego wdrożenie doradcy prawie zawsze zaczyna się od pracy nad katalogiem, a nie nad modelem, i dlatego tak często kończy się wnioskiem, że sam uporządkowany katalog rozwiązał połowę problemu.

To samo dotyczy rekomendacji. Silnik uczy się z zachowania kupujących, więc przy kilku tysiącach sesji miesięcznie nie ma z czego.

Lepiej opisana karta produktu zwraca się w takim sklepie szybciej niż jakakolwiek personalizacja.

Gdzie te wdrożenia się wykrzaczają, rozłożyliśmy osobno w tekście o tym, dlaczego automatyzacje AI zawodzą po cichu, a sposób liczenia oszczędności w anatomii oszczędności automatyzacji.

Zmiana, której nie widać w panelu: klient, który nie jest człowiekiem

Przez ostatni rok najważniejsze w AI dla eCommerce przestało dotyczyć tego, co AI robi w Twoim sklepie. Zaczęło dotyczyć tego, że po Twoje dane przychodzi ktoś, kto nie otwiera strony.

Na własnych logach widzimy to wprost. Przez sześćdziesiąt dni nasza strona dostała 2342 pobrania oznaczone jako „na żywo", czyli wykonane przez modele w chwili odpowiadania komuś na pytanie, a nie przy budowaniu indeksu czy zbieraniu danych treningowych. To nie jest ruch, który zobaczysz w statystykach sesji, bo żadnej sesji nie ma.

Taki klient nie przegląda.

Odczytuje rekord produktu i porównuje kilka ofert. Specyfikacja feedu produktowego OpenAI wymaga przy każdej ofercie dziewięciu pól, w tym nazwy sprzedawcy, ceny i dostępności. Oferta bez nich wypada z porównania nie dlatego, że jest gorsza, ale dlatego, że jest nieczytelna, a model, który ma wybrać jedną rzecz, nie wybiera tej, o której nie umie powiedzieć nic pewnego.

Sprawdziliśmy, jak to wygląda w polskich sklepach

Przejrzeliśmy karty produktu dwudziestu czterech polskich sklepów, w większości dużych sieci i marek znanych z reklam, i sprawdziliśmy dziewięć pól, bez których agent zakupowy nie domknie transakcji. Pomiar z 25 sierpnia 2026, po cztery karty na sklep, powtórzony trzykrotnie z identycznym wynikiem.

• Rekord produktu udało się odczytać w siedmiu sklepach na dwadzieścia cztery. W pozostałych siedemnastu nie było czego czytać.
• Trzy z dziewięciu pól nie wystąpiły ani razu w żadnym z odczytanych sklepów.
• Pełną metodologię, ograniczenia i surowe liczby opisaliśmy w badaniu gotowości polskich sklepów na agentów AI.

Praktyczny wniosek z tego badania jest przyjemniejszy, niż brzmi: poprzeczka leży nisko. Sklep, który poprawnie opisze dziewięć pól, wyprzedza siedemnaście z dwudziestu czterech dużych marek. Co dokładnie widzi model na Twojej karcie, sprawdzisz w tekście o tym, co widzi agent AI w Twoim sklepie, a całą listę przygotowań zebraliśmy przy przygotowaniu sklepu na agentic commerce.

Czego AI w sklepie jeszcze nie robi dobrze

Ta sekcja jest tu dlatego, że większość przeglądów AI w eCommerce jej nie ma, a to ona oszczędza najwięcej pieniędzy.

• Nie zastąpi obsługi klienta w sprawach, w których trzeba podjąć decyzję. Reklamacja, odstępstwo od regulaminu, niezadowolony klient stałego kontrahenta: to są rozmowy o wyjątkach, a model dobrze obsługuje regułę.
• Nie naprawi katalogu, którego nie prowadzisz. Wygeneruje opisy na podstawie braków, więc dostaniesz szybciej to samo, co miałeś, tylko w większej objętości.
• Nie zgadnie ceny ani dostępności. Jeśli te dane nie wychodzą z systemu przez API, żadne wdrożenie AI nie sprawi, że będą aktualne.
• Nie da Ci przewagi, którą ma każdy. Opisy generowane bez własnych danych, zdjęć i doświadczenia wyglądają identycznie jak u konkurencji, bo powstały z tego samego źródła.
• Nie gwarantuje, że modele będą Cię polecać. Tego nie gwarantuje nikt, a kto obiecuje, ten sprzedaje coś, czego nie kontroluje. Co da się tu zrobić, opisujemy w tekście o GEO dla eCommerce.

Od czego zacząć w tym kwartale

Kolejność jest ważniejsza od wyboru narzędzia, bo pierwsze dwa punkty warunkują sens pozostałych.

• Policz, ile pól ma Twoja karta produktu. Dziewięć pól z naszego badania to lista kontrolna na godzinę pracy, nie projekt.
• Weź jedno powtarzalne zadanie z zaplecza i zrób je do końca. Opisy jednej kategorii, tłumaczenie jednego rynku, porządek w jednym zestawie atrybutów. Jedno zadanie domknięte uczy więcej niż pięć rozpoczętych.
• Zmierz czas przed i po. Bez tego za pół roku nie odpowiesz na pytanie, czy to się opłaciło, i zostanie Ci wrażenie.
• Dopiero potem front. Doradca, rekomendacje, personalizacja. W tej kolejności, z katalogiem już uporządkowanym.

Jeśli wolisz zacząć od gotowych promptów, zebraliśmy je w bibliotece AI dla eCommerce: opisy, listingi, normalizacja atrybutów i analiza recenzji, do skopiowania, bez logowania. Gotowość katalogu na agentów sprawdzisz narzędziem Agent Readiness Check.

Jak podchodzimy do tego my

Automatyzacje AI wdrażamy jako jeden z etapów frameworka BEAM, opisany przy AI Automation, i prawie nigdy nie zaczynamy od modelu. Zaczynamy od pytania, które dane już macie i w jakim są stanie, bo to ono przesądza, czy jakiekolwiek wdrożenie ma sens w tym kwartale. Zakres tej pracy opisujemy przy automatyzacjach AI.

Zastrzeżenie, bo obszar sprzyja obietnicom: nie podajemy wzrostów konwersji z wdrożeń AI ani prognoz udziału zakupów przez agentów. Pierwszych nie mamy w formie, którą dałoby się uczciwie uogólnić, drugich nie zna nikt. Mierzymy czas zdjęty z zaplecza i stan danych, bo to są rzeczy sprawdzalne.