Kupujący wpisuje „czarne buty do garnituru na deszcz”, „laptop do AutoCAD do 5000 zł” albo „ładowarka samsung szybka”. Klasyczna wyszukiwarka często odpowiada listą produktów zawierających te same słowa. Wyszukiwarka AI powinna rozpoznać intencję, połączyć ją z parametrami katalogu i zwrócić towary spełniające warunki. Samo podpięcie modelu językowego do pola wyszukiwania tego nie załatwi. Największa praca zaczyna się w danych produktowych, rankingu i pomiarze jakości wyników.
Najpierw katalog i intencja, potem model
Jeżeli kolor „grafitowy” raz jest cechą, raz częścią nazwy, a czasem występuje tylko w opisie, AI nie naprawi chaosu. Pierwszym etapem powinien być audyt katalogu: nazw, kategorii, wariantów, atrybutów, stanów magazynowych, cen i terminów wysyłki.
Indeks powinien przechowywać dane, po których klient faktycznie filtruje: rozmiar, materiał, kompatybilność, moc, pojemność, zastosowanie, producenta, cenę brutto i dostępność. Brak parametrów strukturalnych szybko wychodzi na jaw przy długich zapytaniach. Model może rozumieć, czego klient chce, ale bez poprawnych danych nie odróżni produktu pasującego od podobnego.
W praktyce dobrze działa połączenie wyszukiwania tekstowego dla nazw i EAN, semantycznego dla zapytań opisowych oraz twardych filtrów ceny, dostępności i zgodności technicznej.
Nie zaczynałbym od czatu nad katalogiem. Najpierw potrzebny jest hybrydowy ranking wyników. Klient szukający „iPhone 15 128 GB czarny” oczekuje właściwego wariantu, nie interpretacji modelu. Semantyka ma pomagać głównie przy literówkach, synonimach i zapytaniach typu „lekki odkurzacz dla osoby starszej”.
Usługa musi mieć warstwę kontroli
Najbezpieczniejszy układ to osobna usługa między frontem sklepu a katalogiem. Odbiera zapytanie, poprawia literówki, rozpoznaje synonimy i intencję, pobiera kandydatów z indeksu, nakłada filtry, a dopiero potem ustala kolejność. Model językowy może wspierać interpretację, lecz nie powinien samodzielnie „dopowiadać” parametrów produktu.
Dla frazy „monitor do MacBooka 4K do grafiki do 2500” system powinien rozpoznać 4K, zastosowanie, budżet i kompatybilność. Jeśli katalog nie zawiera danych o złączach lub odwzorowaniu barw, wynik trzeba ograniczyć, a nie uzupełniać halucynacją.
Koszt samego AI bywa mniejszym problemem niż się zakłada. Algolia Grow Plus obejmuje 10 tys. zapytań miesięcznie, a kolejne 1000 kosztuje 1,75 USD; po przekroczeniu 100 tys. rekordów kolejne 1000 kosztuje 0,40 USD. Największy koszt wdrożenia zwykle leży więc w integracji, danych i testach, nie w samym wywołaniu modelu.
Produkcja wymaga też cache, timeoutu, fallbacku do klasycznej wyszukiwarki i monitoringu błędów. Brak fallbacku to poważny błąd — awaria API nie może wyłączyć wyszukiwania.
Mierz sprzedaż, nie „inteligencję”
Wdrożenie trzeba oceniać na prawdziwych zapytaniach. Dobry początek to 200–500 fraz z logów sklepu: popularnych, błędnie wpisanych, długich, zawierających symbole oraz kończących się dziś brakiem wyników. Dla każdej należy ustalić, które produkty są trafne. Taki zbiór testowy pozwala porównywać kolejne wersje rankingu.
Najważniejsze wskaźniki to:
- odsetek zapytań bez wyników;
- CTR produktu z listy;
- dodanie do koszyka po wyszukaniu;
- konwersja sesji z wyszukiwarką;
- udział zapytań ponawianych w zmienionej formie.
Nie optymalizowałbym samego CTR. Jeżeli system wypchnie wysoko produkty atrakcyjne, ale niedostępne, kliknięcia mogą wzrosnąć, a sprzedaż spaść. Relewantność musi uwzględniać dostępność i cel biznesowy, jednak marża nie powinna wypychać produktu gorzej pasującego do zapytania.
Test A/B warto zacząć od 10–20% ruchu. Czas testu zależy od liczby sesji, nie od kalendarza.
W UE dochodzą RODO oraz obowiązki AI Act; od 2 sierpnia 2026 r. stosowane są kolejne wymogi przejrzystości dotyczące części systemów AI. Sklep powinien więc wiedzieć, gdzie dane są przetwarzane, jak długo przechowywane i czy interakcja z AI wymaga odpowiedniego oznaczenia.
Najczęstszy błąd? Zespół poprawia model, choć problem leży w katalogu. Jeżeli klient wpisuje „kabel USB-C 2 m”, a długość nie istnieje jako atrybut, zmiana LLM niczego nie naprawi.
FAQ
Czy wyszukiwarka AI ma sens w małym sklepie?
Tak, jeśli klienci regularnie korzystają z wyszukiwarki, a katalog jest na tyle szeroki, że frazy opisowe faktycznie pomagają. Przy kilkuset prostych produktach klasyczne wyszukiwanie z synonimami może wystarczyć.
Czy trzeba trenować własny model?
Zwykle nie. Na początku lepiej użyć gotowych embeddingów i modelu do rozpoznawania intencji, a przewagę budować jakością danych, rankingiem i regułami sklepu.
Jak długo trwa pierwsze wdrożenie?
Prototyp dla jednej kategorii można zbudować w 2–4 tygodnie. Wersja produkcyjna z monitoringiem, testami i integracją katalogu częściej zajmuje 6–12 tygodni, szczególnie gdy dane trzeba najpierw uporządkować.
Co sprawdzić przed zakupem gotowego silnika?
Limity zapytań i rekordów, lokalizację przetwarzania danych, SLA, możliwość hybrydowego rankingu, filtry, API, eksport logów, A/B testy i koszt po przekroczeniu pakietu.
Więcej informacji na: https://hd-biznes.com/blog. Pierwsza decyzja powinna być prosta: zanim wybierzesz model lub dostawcę, wyciągnij 200–500 prawdziwych zapytań i sprawdź, czy katalog zawiera dane potrzebne do poprawnej odpowiedzi; jeśli nie, najpierw napraw dane produktowe.
