AI generování popisů produktů pro e-shop: Perplexity, Gemini, DeepL a automatizace v praxi

Problém: tisíce produktů, nula popisků

Typický e-shop s elektronikou nebo spotřebním zbožím má v katalogu 5 000–50 000 produktů. Většina z nich přichází od dodavatelů s minimálním popisem — název, cena, pár parametrů a jeden obrázek. Jenže Google vyžaduje unikátní, obsahově hodnotné texty pro SEO. Zákazníci chtějí srozumitelné popisy s obrázky. A pokud prodáváte do více zemí, potřebujete to celé v několika jazycích.

Ručně napsat 10 000 popisků je práce na měsíce. S AI pipeline, kterou si ukážeme, zvládnete tisíce produktů za hodiny — s kvalitou, která obstojí v SEO i před zákazníky.

Architektura: tři AI, tři úlohy

Celý systém má tři nezávislé komponenty, z nichž každá řeší jednu konkrétní úlohu:

Po vygenerování se vše přeloží přes DeepL API do dalších jazyků. Celý proces je spouštěn z admin rozhraní jedním kliknutím na produkt — nebo hromadně přes batch operaci.

Krok 1: Generování dlouhého SEO textu (Perplexity)

Pro generování hlavních produktových popisků používáme Perplexity API s modelem sonar. Proč Perplexity a ne ChatGPT nebo Gemini? Perplexity má přístup k aktuálním informacím z webu — zná reálné specifikace produktů, recenze a aktuální ceny. To dramaticky snižuje halucinace oproti modelům, které pracují pouze z trénovacích dat.

Konfigurovatelné prompty v databázi

Klíčový architektonický princip: prompty nejsou hardcoded v kódu, ale uložené v databázi. Tabulka ai_longtext_config obsahuje prompt pro každý jazyk. To umožňuje:

• Úpravu promptů bez nasazování nového kódu
• Různé prompty pro různé jazyky (ne jen překlad, ale jiný styl)
• A/B testování různých variant promptu
• Rychlou iteraci — produktový manažer si prompt upraví sám v admin rozhraní

Zástupné znaky %title a %catalog se nahradí skutečnými hodnotami produktu. Pro některé prompty je k dispozici i %brand (značka). Výstup z Perplexity je HTML, které ještě prochází čistěním — odstraní se markdown artefakty (```html bloky) a výsledek se uloží do databáze.

Krok 2: Vyhledání a stažení obrázků (Perplexity)

Druhá fáze řeší chronický problém e-shopů — nedostatek kvalitních produktových obrázků. Dodavatelské feedy často obsahují jen jeden malý obrázek. My potřebujeme více obrázků pro bohatý popisek.

Řešení je dvoustupňové:

1. Perplexity najde oficiální URL produktu — ptáme se: „Najdi URL stránky s oficiálními obrázky produktu [název] [značka]." Perplexity díky přístupu k webu vrátí URL reálné produktové stránky (výrobce, autorizovaný prodejce).
2. Scraper stáhne obrázky z URL — z nalezené stránky extrahujeme produktové obrázky, stáhneme je, zmenšíme na požadované rozlišení a uložíme lokálně.

Vkládání obrázků do textu

Obrázky nevkládáme na konec textu, ale rovnoměrně distribuujeme mezi odstavce. Algoritmus najde všechny uzavírací tagy </p> a </ul> v HTML, spočítá je a vloží obrázky v pravidelných intervalech. Výsledek vypadá jako profesionálně formátovaný článek s ilustracemi, ne jako text s hromadou obrázků na konci.

Krok 3: SEO souhrn pro Google (Gemini)

Kromě dlouhého textu potřebuje každý produkt krátký souhrn — meta description, který se zobrazuje ve výsledcích Google. Měl by mít 150–160 znaků, obsahovat klíčová slova a motivovat ke kliknutí.

Pro tuto úlohu používáme Google Gemini API — je rychlejší a levnější než Perplexity pro krátké texty a nepotřebuje přístup k webu (vychází z názvu a kategorie produktu).

Gemini vrací čistý text, který zabalíme do HTML odstavců. Konfigurace promptů je opět v databázi (tabulka ai_summary_config), takže je lze měnit per jazyk bez zásahu do kódu.

Krok 4: Překlad do dalších jazyků (DeepL)

Jakmile máme český text a SEO souhrn, přeložíme je do dalších jazyků přes DeepL API. DeepL jsme zvolili kvůli výrazně vyšší kvalitě překladu oproti Google Translate — zejména pro středoevropské jazyky (čeština, slovenština, polština, maďarština).

Klíčový detail: parametr pro zachování HTML formátování říká DeepL API, že má přeložit pouze textový obsah a nechat HTML tagy beze změny. Bez toho by DeepL mohl rozbít HTML strukturu — například přeložit atributy tagů nebo poškodit entity.

Proč nepřekládáme prompty, ale výstupy

Alternativní přístup by byl generovat texty rovnou v cílovém jazyce (anglický prompt → anglický text). My jsme ale zvolili postup „generovat česky + přeložit", protože:

• Konzistence — stejný zdrojový text zajistí konzistentní informace napříč jazyky
• Kvalita překladu — DeepL překládá lépe než většina LLM modelů, zejména u menších jazyků
• Kontrola — redaktor schválí jeden text a překlady se vygenerují automaticky
• Cena — jeden LLM call + N překladů je levnější než N LLM callů

Proč různé AI služby pro různé úlohy?

Každá AI služba má svou silnou stránku. Použít jednu na vše by znamenalo kompromisy:

Další přístupy ke generování produktových popisků

Architektura s Perplexity + Gemini + DeepL je jeden z mnoha možných přístupů. Podívejme se na alternativy a doplňkové techniky.

1. RAG z vlastních dat — nejpřesnější popisky

Pokud máte v databázi detailní parametry produktů (rozměry, hmotnost, výkon, kompatibilita), můžete je předat modelu jako kontext místo spoléhání na webové vyhledávání. Tento přístup (Retrieval-Augmented Generation) zajistí, že popis odpovídá přesně vašim datům.

Výhoda: nulové halucinace u technických údajů, protože model čerpá výhradně z vašich dat. Nevýhoda: text může být suší, protože modelu chybí kontext z recenzí a porovnání.

2. Kombinace RAG + web search — nejlepší z obou světů

Ideální přístup kombinuje obojí — parametry z databáze pro přesnost a webový kontext pro bohatost:

Technické parametry jsou garantovány (pochází z databáze), zatímco marketingová část je obohacena o reálné informace z webu.

3. Šablonový systém s AI doplněním

Pro velké e-shopy s konzistentními kategoriemi (např. 500 notebooků, 300 praček) se osvědčuje šablonový přístup:

1. Vytvořte HTML šablonu pro každou kategorii — pevná struktura, nadpisy, sekce
2. AI doplní proměnné části — popisy výhod, srovnání, doporučení
3. Parametry z databáze vyplníte programově — žádné AI riziko

Výhoda: konzistentní struktura napříč tisíci produkty ve stejné kategorii. AI se stará jen o kreativní části, faktické údaje jdou z databáze.

4. A/B testování promptů

Protože jsou prompty uložené v databázi, můžete snadno testovat různé styly popisků a měřit jejich dopad na konverzní poměr:

• Varianta A: Formální, technický styl — zaměření na parametry a specifikace
• Varianta B: Konverzační styl — zaměření na příběh a uživatelský zážitek
• Varianta C: Problém → řešení — „Máte problém s X? Tento produkt řeší Y."

Vygenerujete obě varianty, nasadíte je na různé produkty a po měsíci vyhodnotíte, která varianta má lepší CTR z Google a konverzní poměr na stránce.

5. Post-processing a kvalitní kontrola

AI výstupy by nikdy neměly jít přímo na web bez kontroly. Implementujte alespoň tyto vrstvy:

Automatické kontroly

• Délka textu — odmítnout příliš krátké výstupy (pod 300 slov)
• HTML validace — ověřit, že HTML je korektní (nejsou otevřené tagy)
• Detekce halucinací — zkontrolovat, zda text neobsahuje ceny, skladové dostupnosti nebo specifikace, které neodpovídají databázi
• Duplicitní obsah — porovnat s existujícími texty, aby dva produkty neměly příliš podobný popis
• SEO kontrola — ověřit přítomnost klíčových slov z názvu produktu v nadpisech a prvním odstavci

Lidská revize

Pro klíčové produkty (bestsellery, high-margin produkty) doporučujeme lidskou revizi generovaných textů. AI text je výborný základ — redaktor ho jen upraví, doplní firemní tone-of-voice a ověří faktickou správnost. Je to 10× rychlejší než psát od nuly.

6. Batch processing — tisíce produktů najednou

Pro hromadné generování potřebujete:

• Frontu úloh — produkty se řadí do fronty, zpracovávají se postupně
• Rate limiting — respektovat limity API (Perplexity: ~50 req/min, Gemini: ~60 req/min)
• Retry logiku — pokud API vrátí chybu, zkusit znovu s exponenciálním backoffem
• Průběhový reporting — admin vidí, kolik produktů je hotovo, kolik čeká, kolik selhalo
• Cachování — pokud už produkt má vygenerovaný text, přeskočit ho (nebo nabídnout re-generaci)

7. Alternativní AI modely

Perplexity a Gemini nejsou jediné možnosti. Podle vašich požadavků mohou být vhodnější jiné modely:

Checklist pro implementaci

Pokud chcete implementovat podobný pipeline ve svém e-shopu, projděte tento checklist:

1. Prompty v databázi, ne v kódu. Umožní iteraci bez deploymentu a různé prompty per jazyk.
2. Zástupné znaky v promptech. %title, %catalog, %brand, %params — generický prompt, specifický výstup.
3. Správný model pro správnou úlohu. Nepoužívejte drahý model na vše. Krátké texty = levný model, dlouhé texty = kvalitní model.
4. Validace výstupu. Délka, HTML korektnost, přítomnost klíčových slov, absence halucinací.
5. Obrázky z ověřených zdrojů. AI hledá URL, ale obrázky stahujte a hostujte lokálně — nikdy neodkazujte na cizí servery.
6. DeepL pro překlady, ne LLM. Specializovaný překladač je pro překlad lepší a levnější než generální LLM.
7. Lazy loading pro obrázky. Atribut loading="lazy" na všech generovaných obrázcích.
8. Retry a rate limiting. API selhávají — implementujte frontu s opakováním a respektujte rate limity.
9. Admin rozhraní. Jednoduché tlačítko „vygenerovat popis" na produktové stránce v administraci + hromadná akce pro celé kategorie.
10. Logování. Ukládejte prompt, model, čas generování a cenu za každý call — pro debugging i optimalizaci nákladů.