„Już wkrótce zakupy będzie można prowadzić z poziomu czatbota. Wtedy wygrają nie tylko najtańsze oferty, lecz także sklepy, które mają dobrze uporządkowane dane o produktach, dostępności i dostawie” – o tym, jak przygotować e-commerce na zakupy w czatbotach, praktycznym zastosowaniu AI, bezpieczeństwie i mierzeniu efektów wdrożeń opowiada Konrad Bujak – inżynier AI, angel investor i rolnik.
Konrad Bujak
Inżynier AI, angel investor i rolnik.
Słuchaj podcastu „E-commerce bez tajemnic”
Zacznijmy od podstaw. Czym właściwie jest sztuczna inteligencja w kontekście e-commerce?
Dziś, gdy mówimy o AI, najczęściej mamy na myśli generatywną sztuczną inteligencję, czyli narzędzia, które potrafią tworzyć teksty, obrazy czy wideo. To jednak tylko wycinek większej całości, na którą składają się także data mining, machine learning czy deep learning, czyli metody przetwarzania dużych zbiorów danych, zarówno ustrukturyzowanych, jak i nieustrukturyzowanych.
Dane ustrukturyzowane to np. tabele, dane sprzedażowe czy informacje finansowe. Do danych nieustrukturyzowanych zaliczają się teksty, opinie klientów albo wiadomości do działu obsługi. Już wcześniej AI pomagało wykryć emocje w wypowiedzi klienta – np. ocenić, czy jest zdenerwowany. Obecnie możliwości są jeszcze większe. W najprostszym ujęciu sztuczna inteligencja pozwala przetwarzać duże ilości danych, których człowiek nie byłby w stanie sprawnie przeanalizować ręcznie.
Wiele firm zaczyna od narzędzi: kupuje subskrypcję ChatGPT i uznaje, że wdrożyło AI. Od czego powinien zacząć właściciel sklepu internetowego, który szuka praktycznego zastosowania biznesowego?
Od refleksji: „Jakie wykonuję dziś zadania, które marnują mój czas?”. Trzeba zacząć właśnie od zidentyfikowania problemu – nazwania procesu, który jest powtarzalny, kosztowny albo irytujący. Dopiero potem można dobrać narzędzie.
Subskrypcje ogólnodostępnych modeli są dobrym krokiem, bo pomagają w wielu sytuacjach ad hoc. Można otworzyć aplikację, wpisać pytanie, podyktować polecenie i szybko otrzymać wsparcie. Jeśli jednak jakiś problem pojawia się codziennie albo raz w tygodniu i zabiera 15-20 minut, warto potraktować go jako pierwszego kandydata do automatyzacji. To mogą być sprawozdania, aktualizacje baz wiedzy, przeglądy dokumentów, tłumaczenia, porządkowanie informacji albo inne zadania zależne od specyfiki sklepu. AI może wtedy pomóc na kilka sposobów. Czasem jest elementem samej automatyzacji, bo na którymś etapie trzeba przetworzyć tekst, napisać fragment odpowiedzi albo coś przetłumaczyć. Czasem pomaga zbudować automatyzację, np. przygotować kod lub proste narzędzie. To ważne, bo duże modele językowe są probabilistyczne, a nie deterministyczne. Nie zawsze można polegać na nich bezpośrednio, zwłaszcza tam, gdzie potrzebujemy pełnej powtarzalności. Można jednak wykorzystać je pośrednio – do stworzenia oprogramowania, które odpowiada na konkretną potrzebę firmy.
Czyli AI nie zawsze musi być widoczne dla klienta?
Zdecydowanie.
W wielu przypadkach najrozsądniej zacząć od zastosowań wewnętrznych. Jeśli firma zatrudnia 10 osób w biurze obsługi klienta, można najpierw zbudować narzędzie dla nich. Czatbot może szybciej wyszukać informacje, zasugerować odpowiedź albo połączyć dane z kilku miejsc. Pracownik nadal decyduje, co powiedzieć klientowi, ale działa szybciej.
To bezpieczniejsza ścieżka niż natychmiastowe udostępnienie czatbota publicznie. Najpierw uczymy się, jak system działa na naszych danych i w naszych procesach. Dopiero później można rozważyć kolejne warstwy: dostęp dla zalogowanych użytkowników, a następnie rozwiązanie publiczne.
W jakich obszarach e-commerce AI ma dziś największą wartość?
Na początek warto spojrzeć na metadane produktowe. AI dobrze radzi sobie z generowaniem i porządkowaniem tekstu, więc może pomagać w opisach produktów, uzupełnianiu informacji czy sprawdzaniu, czy karta produktu zawiera wszystkie potrzebne dane. Część informacji można też wykrywać ze zdjęcia produktu.
Trzeba jednak uważać. Jeśli wszystkie opisy powstają przy użyciu podobnych promptów, zaczynają brzmieć tak samo. Widziałem badania, w których takie treści zwiększały klikalność linków czy e-maili, ale jednocześnie obniżały dodawanie produktów do koszyka. Klient widzi wiele podobnych opisów i trudniej mu zrozumieć różnice między produktami. AI pomaga uporządkować informacje, ale może też spłaszczyć komunikację marki.
Podobnie jest ze zdjęciami i grafikami. AI efektywnie poprawia materiały wizualne i osadza produkty w różnych kontekstach. Jeśli sprzedajemy buty trekkingowe, możemy pokazać je na szlaku. W przypadku nieruchomości natomiast AI bywa używane do poprawy wyglądu wnętrz. Trzeba jednak uważać, żeby obraz nie odbiegał zbyt mocno od rzeczywistego produktu. To może prowadzić do sporów i rozczarowań klientów.
AI może pomóc szybko wystartować z komunikacją albo pochwalić pomysł, ale jeśli sklep działa od kilku lat, zna klientów i wie, jakie produkty sprzedaje, nie powinien zadowalać się generycznym efektem. Taki materiał jest często poprawny, ale tylko poprawny. A poprawność rzadko buduje przewagę.
A czy można użyć AI do monitorowania rynku?
Tak, jedną z dużych wartości AI i automatyzacji jest choćby sprawdzanie aktualnych cen. W handlu offline sprzedawca może obejść sklepy konkurencji albo stoiska na giełdzie lub targu, zobaczyć ceny i odpowiednio zareagować. W e-commerce potrzebujemy podobnego mechanizmu, tylko działającego programowo.
Nie zawsze jest to proste. Niektóre serwisy trudno monitorować automatycznie, zwłaszcza jeśli nie udostępniają wygodnego API. Allegro ma API, ale dostęp i zakres wykorzystania są ograniczone. Amazon bywa łatwiejszy do monitorowania, a w przypadku innych platform zależy to od ich polityki. Mimo to analiza cen, dostępności i rynku jest jednym z bardziej praktycznych zastosowań, szczególnie w kategoriach, w których ceny szybko się zmieniają.
A co ze standardami typu agentic commerce protocol czy universal commerce protocol? Czy one mogą zmienić sposób kupowania online?
Widać już trend agentic commerce, czyli zakupów realizowanych przez agentów i czatboty. W dużym uproszczeniu chodzi o to, że użytkownik może rozmawiać z czatbotem, a model wyszukuje oferty na dany produkt i wybiera najlepszą.
Dziś czatbot często pomaga znaleźć nazwę produktu albo link do sklepu. Kolejny krok polega na tym, że zakup będzie można przeprowadzić z poziomu samego czatbota. Wtedy znaczenie ma nie tylko cena. Jeśli cena jest taka sama, liczą się dostępność, czas dostawy, stany magazynowe i metadane produktu.
Sklep, który ma lepiej uporządkowane informacje, może częściej wygrywać w takim środowisku. To dotyczy także logistyki. Jeśli agent ma porównać oferty, będzie działał podobnie jak klient, który sprawdza, czy bardziej opłaca się kupić produkt taniej u producenta, ale dopłacić za dostawę, czy wybrać droższą ofertę platformy zakupowej z darmową albo szybszą dostawą.
Czy w takim razie czatboty powinny przejąć również obsługę klienta?
Jestem ostrożny. Dzielę obsługę klienta na dwa obszary. Pierwszy to sytuacje, w których klient chce szybko znaleźć informację: gdzie jest paczka, czy można zapłacić poprzez BLIK, jaki jest kolor produktu i kiedy można spodziewać się dostawy. Drugi to kontakt z człowiekiem, kiedy klient już zdecydował się napisać do obsługi.
Jeśli ktoś pisze do działu obsługi klienta, zakładam, że chce rozmawiać z człowiekiem. Patrzę też po sobie: gdy już kontaktuję się ze sklepem, nie chcę przechodzić przez warstwę czatbota, który zadaje mi dodatkowe, często zbędne pytania. W przypadku bardzo tanich marketplace’ów automatyzacja może być akceptowalna, bo marka nie opiera się na relacji. Jeśli jednak sprzedajemy produkty premium albo budujemy doświadczenie marki, kontakt z człowiekiem staje się elementem wartości.
To nie znaczy, że AI nie ma tu miejsca. Lepiej wykorzystać ją do self-service, czyli do ograniczania potrzeby kontaktu z obsługą. Jeśli klient dostanie właściwą informację szybciej, nie będzie musiał pisać. Można też stworzyć dwustopniowy proces: najpierw klient próbuje rozwiązać problem samodzielnie, a jeśli się nie uda, system sugeruje kontakt z człowiekiem.
Czyli czatbot jako wsparcie, ale nie bariera?
Tak. Czatbot nie powinien być murem między klientem a firmą. Może działać po godzinach, np. od 21:00 do 8:00, gdy sklep prowadzony jest przez mały zespół. Wtedy warto jasno powiedzieć, że obsługa jest automatyczna. Część problemów rzeczywiście nie wymaga człowieka. Są jednak pytania, na które czatbot nie odpowie dobrze. Kiedy kupowałem torbę, chciałem wiedzieć, czy zmieści się w niej mój but. Czatbot nie rozumie, co to znaczy mieć dużą stopę. Człowiek może pójść na magazyn, włożyć but do torby i sprawdzić. Co więcej, w takiej rozmowie sprzedawca może też zaproponować lepszy produkt. Gdybym usłyszał: „Dopłać 200 zł i weź większy model”, prawdopodobnie bym to rozważył. Maszyna nie zawsze poradzi sobie w takim kontekście.
A jakie ryzyka pojawiają się przy zastosowaniu w e-commerce publicznych czatbotów?
Po pierwsze, trzeba zabezpieczyć koszty. Jeśli czatbot jest publiczny, ktoś może wysłać bardzo dużo zapytań i zużyć nasze kredyty. Dlatego potrzebne są limity, np. liczba wiadomości na sekundę, dzienny limit dla urządzenia, blokowanie po adresach IP czy rozpoznawanie urządzeń.
Po drugie, mamy prompt injection, czyli próby zmuszenia modelu do czegoś, czego nie powinien zrobić. Użytkownik może próbować wydobyć dane, skłonić model do obrażenia firmy, wymusić nieprawidłową odpowiedź albo
doprowadzić do sytuacji, którą później pokaże w internecie. Były przypadki czatbotów, które udzielały błędnych informacji na podstawie FAQ albo deklarowały coś, co było wbrew wartościom i postanowieniom firmy. Ochrona polega m.in. na ograniczaniu dostępu modelu do danych i działań. Modelowi nie powinno umożliwiać się wszystkiego.
Potrzebne są również guardraile, czyli mechanizmy sprawdzające, czy odpowiedź jest zgodna z zasadami firmy. Część zabezpieczeń może być deterministyczna, część – oparta na dodatkowych modelach. W większych systemach sprawdza się też to, czy odpowiedź nie zawiera danych osobowych, takich jak PESEL, adres czy e-mail, jeśli nie powinny się tam znaleźć.
Ważna jest także obserwowalność, czyli monitorowanie tego, co model pisze, ile kosztują zapytania i gdzie pojawiają się problemy. Czasem firma chce, aby człowiek mógł wejść w rozmowę, gdy system wykryje ryzyko błędnej odpowiedzi. To jednak wymaga bardziej elastycznej architektury niż proste narzędzia typu end-to-end.
Czy wgranie bazy wiedzy, RAG i niższa temperatura modelu eliminują halucynacje?
Pomagają w rozwiązaniu tego problemu, ale nie eliminują go całkowicie. Jako inżynier nie powiem, że cokolwiek znika. Można ograniczyć halucynacje na kilka sposobów. Aby odpowiedzieć na najprostsze pytania, np. o dostawę, płatność BLIK czy podstawowe warunki, w ogóle nie trzeba używać dużego modelu językowego. Można przygotować warstwę, która rozpoznaje typowe pytanie i zwraca kontrolowaną odpowiedź.
Tam, gdzie model jest potrzebny, można stosować ewaluację. Jeden model generuje odpowiedź, a inny sprawdza, czy jest ona zgodna z materiałem źródłowym i pytaniem użytkownika. Można użyć innej rodziny modeli, żeby ocena była bardziej niezależna. Problemem jest czas. Guardrail może trwać kilkaset milisekund, właściwa odpowiedź kilka lub kilkanaście sekund, dodatkowa ocena kolejną sekundę. W bardziej złożonych przypadkach użytkownik czeka długo.
Dlatego interfejs też ma znaczenie. Jeśli klient widzi, że system nad czymś pracuje, inaczej odbiera czas oczekiwania. W przypadku trudnego problemu pół minuty może być akceptowalne, bo na odpowiedź człowieka czekałby kilka minut. Ale zależy to od grupy klientów. Inaczej zareagują osoby mające wiedzę techniczną, inaczej – klienci, którzy nie rozumieją, co dzieje się pod spodem.
A jak firma e-commerce powinna podejść do wdrażania rozwiązań agentowych?
Trzeba odpowiednio ocenić możliwości. Mały sklep, o ile nie sprzedaje produktów wysokomarżowych, może mieć problem z zakupem właściwych rozwiązań. Warto więc zacząć od zrozumienia problemu. Jeśli ten nie tkwi w obsłudze klienta, prawdopodobnie wystarczy subskrypcja ChatGPT i dobrze przygotowany workspace. Można wtedy kopiować pytania klientów i otrzymywać podpowiedzi na podstawie własnej bazy wiedzy.
Kolejny poziom to narzędzia, które pozwalają integrować prywatne zbiory danych i budować rozwiązania wewnętrzne. W większych sklepach można sięgnąć po Langflow albo N8N. N8N jest dobre do integracji, a Langflow od początku projektowano z myślą o systemach agentowych. To narzędzia no-code lub low-code, w których układa się procesy z klocków.
Nie polecałbym jednak samodzielnego budowania publicznych czatbotów osobom bez wiedzy technicznej, tylko po przejściu kursu. Kurs pomaga rozmawiać z wykonawcą i rozumieć język projektu, ale publiczny system może wygenerować wiele problemów: od błędnych odpowiedzi po awarie wpływające na wizerunek marki.
Zanim automatyzujemy, warto zapytać, czy dany proces w ogóle powinien istnieć. Jeśli co miesiąc zbieramy dokumenty dla podwykonawcy, zacznijmy od pytania: „Dlaczego robimy to w taki sposób?”. Najpierw porządkujmy proces, dopiero potem automatyzujmy. Modele są przydatne jako punkt startowy do złapania myśli, ale trzeba pamiętać, że z natury ugodowe. Często potwierdzają nasze założenia, zamiast je zweryfikować.
Czy prompt też powinien być częścią pracy redakcyjnej lub brandowej?
Tak, szczególnie przy treściach. Jeśli marka ma tone of voice, prompt powinien być z nim spójny. Możemy stworzyć prompt z pomocą AI, opisać zasady, proces, rolę agenta i ograniczenia, ale później warto poprawić go ludzką ręką. Inaczej model może nie utrzymać spójności komunikacji.
Wdrożenia często korzystają z modeli dostępnych przez API, ale możliwe są też modele lokalne. Wtedy firma korzysta z urządzenia w biurze. To droższe i bardziej techniczne rozwiązanie, ale sensowne w przypadku, gdy firma nie chce wysyłać danych do zewnętrznego dostawcy.
Dlatego ciekawe są też narzędzia open source, bo dają większą kontrolę nad tym, gdzie działa automatyzacja i jak jest połączona z resztą systemów. Z drugiej strony mamy rozwiązania SaaS. One bywają wygodne, ale trzeba dobrze dobrać dostawcę i uważać na koszty, bo wiele firm w tej kategorii szybko podnosi ceny. W praktyce nie chodzi więc tylko o wybór modelu, ale o decyzję, jak bardzo firma chce kontrolować dane, proces i infrastrukturę.
Na koniec: jak mierzyć skuteczność wdrożeń AI w e-commerce?
Nie ma na to jednej odpowiedzi. Najważniejsze jest to, czy rozwiązaliśmy wyjściowy problem. Dlatego lubię zaczynać od określenia stałego budżetu. Wdrożenia AI są z natury projektami badawczo-rozwojowymi, ale podobny efekt można osiągnąć w różnych budżetach. Różnice będą w detalach implementacji.
Jeśli problem zabiera mi jeden dzień w tygodniu, wyceniam swój czas i utracone korzyści. Następnie ustawiam oczekiwany zwrot, np. w perspektywie roku, i na tej podstawie określam budżet. Potem mogę zapytać podwykonawców, co da się w nim zbudować, albo sprawdzić, co firma może zrobić samodzielnie.
Często najlepszy pierwszy krok powstaje wewnątrz organizacji. Nawet prosta automatyzacja w Langflow czy N8N pozwala zobaczyć proces, uporządkować go i lepiej zrozumieć, czego naprawdę potrzebujemy. To zwykle ważniejsze niż spektakularne wdrożenie od razu.
Najważniejsze wnioski z wywiadu:
- Zakupy z poziomu chatbotów będą wymagały od sklepów dobrze uporządkowanych danych o produktach, dostępności, cenach i dostawie.
- AI w e-commerce najlepiej wdrażać od konkretnego problemu, a nie od zakupu narzędzia lub subskrypcji.
- W obsłudze klienta chatbot nie powinien być barierą między klientem a człowiekiem; lepiej zaczynać od self-service i wsparcia pracowników.
- Halucynacji modeli nie da się wyeliminować do zera, ale można je ograniczać przez bazy wiedzy, kontrolowane odpowiedzi, guardraile i ewaluację.
- Najbezpieczniejszy pierwszy krok z AI to wewnętrzne automatyzacje, które pomagają zespołowi szybciej wyszukiwać informacje i obsługiwać powtarzalne procesy.
- Skuteczność wdrożenia AI warto mierzyć przez rozwiązany problem, oszczędzony czas, utracone korzyści i realny zwrot z inwestycji.
Rozmawiał: Damian Jemioło
Artykuł pochodzi z e-booka „Dochodowy e-commerce 2026”. Kliknij w baner i pobierz.
