Генерация описаний карточек товаров с ИИ
Генерируем описания товарных карточек языковой моделью поверх вашей системы управления товаром (PIM), с автоматической проверкой на выдумки и вычиткой сотрудником. Работаем на GigaChat, YandexGPT и открытых LLM, данные обрабатываем на серверах в России по 152-ФЗ.
Мы в БизнесМатике внедряем генерацию описаний товарных карточек на больших языковых моделях (LLM) для ритейлеров и продавцов на маркетплейсах. Языковая модель берет характеристики товара из вашей системы управления товаром, генерирует описание нужного формата, а мы добавляем проверку на выдумки и вычитку сотрудником, чтобы в карточку не попало то, чего в характеристиках нет. Работаем на GigaChat, YandexGPT и открытых LLM, данные обрабатываем на серверах в России (152-ФЗ). Пилот идет от 8 до 14 недель и измеряется по метрике, которую выбираем на бесплатной диагностике каталога.
На что уходит ресурс контент-команды
У ритейлера среднего размера от 50 тысяч до 500 тысяч товарных позиций, и каждая карточка требует уникального описания - для сайта, для маркетплейсов, для поиска. Контент-команда пишет их вручную и не успевает за ростом ассортимента и выходом на новые площадки.
Когда карточка выходит с задержкой или без нормального описания, товар хуже находится в поиске и ниже стоит в выдаче маркетплейса, а маркетплейсы вдобавок понижают карточки низкого качества. Ручное масштабирование контент-команды упирается в стоимость и на большом каталоге не окупается.
Как устроена генерация описаний с ИИ
Мы строим конвейер генерации поверх системы управления товаром (PIM), которая уже работает у ритейлера. Конвейер состоит из следующих шагов:
- Языковая модель берет характеристики товара, категорию и бренд и генерирует описание нужного формата и длины.
- Автоматическая проверка на выдумки. Модель иногда добавляет то, чего в характеристиках нет, например несуществующую цену или свойство, поэтому мы сверяем сгенерированный текст с исходными атрибутами и помечаем расхождения.
- SEO-оформление. Описание готовим под требования площадки и поиска - ключевые атрибуты, длина, структура.
- Проверка сотрудником. Помеченные и выборочные карточки вычитывает контент-менеджер, и публикация идет через него.
Под каждую категорию товаров мы настраиваем свой набор атрибутов, формат описания и голос бренда. К распространенным PIM-системам и к личным кабинетам маркетплейсов подключаемся, не заменяя их.
Что показывают публичные кейсы на российском рынке
Генерация описаний товаров - одно из самых доказанных на российском рынке применений языковых моделей, и публичных кейсов с цифрами здесь много.
Лемана ПРО (бывшая Леруа Мерлен) с YandexGPT снизила стоимость создания карточки товара более чем на 95%, а описание нового товара стало появляться на сайте в день его поступления вместо прежних двух недель (по данным спецпроекта РБК и Yandex Cloud). Каждый текст проходит автоматический SEO-анализ, после чего его вычитывает сотрудник. Эта вычитка обязательна, потому что модель иногда выдумывает то, чего в характеристиках нет.
Яндекс Маркет генерирует на языковой модели YandexGPT около 10 тысяч описаний в сутки. За 2024 год инструментом сделаны описания почти для 5 миллионов карточек, им пользуются более 84 тысяч продавцов, а 93% сгенерированных описаний продавцы сохраняют без правок (по данным Yandex Cloud за 2024 год).
Авито генерирует описания товаров по фотографии собственными открытыми моделями A-Vibe и A-Vision на базе Qwen2.5. После внедрения генерации описаний число заказов с доставкой выросло на 1,7% (по данным Авито за 2025 год).
Эти кейсы - крупнейшие маркетплейсы и ритейлеры с собственными ИТ-командами и облачными бюджетами. Ритейлеру среднего размера тот же эффект дает интеграция готовых языковых моделей с его системой управления товаром под его категории и голос бренда, без собственной разработки с нуля. Это мы и внедряем.
Как генерация товарного контента ложится в ритейл с его площадками и требованиями, разобрано на странице ИИ для ритейла.
Как проходит пилот в БизнесМатике и что мы измеряем
Любой проект идет через пилот, в котором мы сначала замеряем исходное значение выбранной метрики, а затем фиксируем ее целевое значение. Путь состоит из следующих шагов:
- Диагностика. Бесплатно. Разбираем каталог, характеристики товаров в PIM, требования площадок и интеграции. Выбираем категорию, на которой генерация быстрее всего дает измеримый эффект.
- Аудит каталога перед пилотом. Проверяем на полном каталоге долю товаров со структурированными характеристиками, типовость категорий и покрытие требований площадок.
- Пилот. От 8 до 14 недель на одной-двух категориях. Собираем работающий конвейер и замеряем результат против исходного значения метрики.
- Внедрение и сопровождение. Выводим в продакшен, подключаем остальные категории и площадки.
Метрику пилота выбираем на диагностике из следующего набора:
- Стоимость создания одной карточки.
- Время выхода карточки от поступления товара до публикации.
- Доля карточек, опубликованных без ручной правки.
- Доля карточек, где проверка нашла выдумку модели.
Планку по стоимости и скорости ставим на диагностике по вашему каталогу. Рекордное снижение стоимости на 95% - это результат крупного игрока с большим и типовым каталогом, и мы берем от него осторожную долю, чтобы не обещать заказчику чужой максимум.
Когда генерация описаний не окупится
Вот условия, при которых мы не рекомендуем начинать проект:
- Каталог маленький и почти не меняется. Интеграция с PIM и площадками стоит примерно одинаково при любом размере каталога, поэтому на малом каталоге она не окупается.
- Нет структурированных характеристик товаров в PIM. Модели нечего брать на вход, и качество описаний падает.
- Товары уникальные и описываются экспертом под конкретный проект, например сложное промышленное оборудование. Тогда шаблонная генерация не подходит.
Если вы не уверены, выполняются ли эти условия, это и есть предмет бесплатной диагностики. По ее итогам мы говорим, окупится проект или нет, в том числе когда ответ отрицательный.
Применений языковых моделей в российском бизнесе
Полный каталог юзкейсов с описанием проблемы, устройства решения, ожидаемого результата и примеров внедрений в России — по запросу.