AI w opisach produktów.Redaktor, nie ghostwriter.
digitalinspire.pl · SEO · AI · opisy produktów i kategorii
Digital Inspire Blog · SEO · AI · Październik 2026
Internet jest pełen poradników, jak sprawić, żeby AI nie brzmiało jak AI. Prompty na „ludzki ton”, programy, które uczłowieczają tekst, listy dziesięciu znaków, po których poznasz model. Sama chciałam napisać taki wpis. Usiadłam i zorientowałam się, że w e-commerce to pytanie jest źle postawione. Nikt nie wierzy, że sklep z pięcioma tysiącami produktów napisał każdy opis ręcznie. Pytanie nie brzmi „jak ukryć AI”, tylko „jak sprawić, żeby pisało dla mnie, a nie dla wszystkich”.
Ukrywać jest co tylko wtedy, gdy użyło się narzędzia nie tam, gdzie trzeba. Cała branża humanizerów żyje z jednego błędu, popełnianego na początku procesu i leczonego na końcu. Chcę pokazać, jak AI pomaga mi pisać opisy, a nie jak miałoby je za mnie napisać. Całe rozróżnienie siedzi w czasownikach: pisać, nie napisać.
Spis treści
| 01 | Kolejność — produkt, myślenie, analiza, dopiero zapis |
| 02 | Cztery tezy o AI — które w opisach nie działają, a Economist to policzył |
| 03 | Co robi redaktor — konkretnie, w opisie produktu |
| 04 | Skill z bazą — model dostaje wszystko, co wiem o produkcie |
| 05 | Czego nie oddaję — model za szybko rozwiązuje zagadki |
| 06 | Test obojętności — jak oceniam wynik, niezależnie od autora |
| ★ | Ludzkie wnioski — „napisane z AI” jest cechą tekstu |
01 / Kolejność
Produkt, myślenie, analiza i dopiero zapis. Model wchodzi na końcu.
Mój proces zawsze wygląda podobnie: zaczynam od produktu i problemu, który ma rozwiązać, myślę, analizuję kartę produktu, frazy i to, co już stoi na stronie, a na końcu to zapisuję. AI używam do „pilnowania” treści, czyli pisowni, porządku, formy, limitów znaków, a nie do wymyślania jej.
Poradniki „jak ukryć AI” istnieją dlatego, że mnóstwo ludzi robi to w odwrotnej kolejności. Najpierw generują, potem próbują dodać siebie. Tego nie da się zrobić wstecz. Jeśli opis powstał bez tezy, bez danych z karty produktu i bez obserwacji, kto go właściwie kupuje, to obecnie nie znam LLM-a, który samym poprawieniem rytmu, podsumowań i słów nada temu sens.
Podział zadań nie jest przy tym symetryczny. Nie jest tak, że połowa pracy nadaje się dla modelu, a połowa dla człowieka, i trzeba wyczuć proporcje. Odnoszę się tu do pracy edytorskiej i content-SEO: opisów produktów, kategorii, meta tagów. Niekoniecznie będzie to przekładalne na inne formy pisania (np. pisanie książki).
| Oddaję modelowi | Nie oddaję nigdy |
|---|---|
| Ortografię, interpunkcję, zgodność form, odmianę nazw produktów | Tezy: po co ten opis istnieje i co klient ma po nim wiedzieć |
| Skrócenie do limitu znaków w meta title i meta description | Wniosków z danych, co się właściwie stało i dlaczego |
| Porządek w akapitach, przeniesienie listy parametrów w prozę i odwrotnie | Wymiarów, norm, certyfikatów, materiałów — wszystkiego, co ma źródło w karcie produktu, nie w modelu |
| Lokalizację opisu na kolejny rynek z gotowego, zaakceptowanego wzorca | Doświadczenia, tego, co wiem z pracy, a nie z internetu |
| Wyłapanie powtórzeń i sprawdzenie, czy każdy parametr z briefu trafił do opisu | Decyzji, co jest ważne, a co można wyciąć |
Lewa kolumna to pilnowanie tekstu, czyli powiedzmy „praca słownikowa”. Prawa to jego powód. Jeśli oddasz prawą, żaden prompt o stylu tego nie uratuje. Wtedy właśnie zaczyna się szukanie programu, który zamaskuje, że opis nie ma po co istnieć.
02 / Cztery tezy o AI
Zakazane słowa i limity myślników leczą objawy. A objawy właśnie się zmieniły.
Z poradnikami „jak nie pisać jak AI” spierałam się od dawna, ale z pozycji praktyka: widzę, co te reguły robią z opisami. Latem dostałam do ręki coś lepszego niż własne wrażenie. The Economist kazał czterem modelom (ChatGPT, Claude, Gemini, Grok) napisać własne wersje swoich artykułów i porównał je z oryginałami: 55 940 zdań, 1,2 mln słów, do tego kontrola na tekstach CNN, „New York Timesa”, „Washington Post” i powieściach z lat 1950–2022 („How to spot AI writing”, 30 lipca 2026).
Wyniki podcinają większość list, które krążą po LinkedInie. Biorę cztery tezy, które słyszę najczęściej, i zestawiam je z tym, co Economist policzył i co ja widzę w opisach.
Teza 1
„Usuń myślniki, po nich poznają AI.”
Economist: po ostatnich aktualizacjach tylko Claude używa długich myślników częściej niż ludzie. ChatGPT używa ich wyraźnie mniej niż ktokolwiek w badaniu, łącznie z dziennikarzami. Cytuję: „Humans rejoice — and start using dashes again”.
W opisach: myślnik jest poprawny i ma funkcje. Rozdziela parametr od wartości, doprecyzowuje wymiar, oddziela wtrącenie o materiale. Klient skanuje opis wzrokiem, a nie czyta — zamiana myślnika na przecinek albo nawias tę czytelność pogarsza. Jeśli w jednym akapicie prozy są trzy, dwa z nich to prawdopodobnie przecinek albo kropka. W specyfikacji zostają, bo tam pracują.
Teza 2
„Wykreśl słowa z listy: kluczowy, kompleksowy, holistyczny…”
Economist: słownictwo, które modele nadużywają, zmieniło się między aktualizacjami. „Delve” i „rich tapestry” praktycznie zniknęły. Zastąpiły je wielosylabowe „significant”, „increasingly”, „consequences”, nominalizacje i żargon naukowy. Lista zakazanych słów starzeje się szybciej niż artykuł, w którym ją opublikowano.
W opisach: to nie słowo jest problemem, tylko zdanie, które nie mówi, co konkretnie jest kluczowe i dlaczego. Podmiana jest wręcz szkodliwa: wyrzucasz „wysokiej jakości”, zdanie zostaje puste, ale wygląda na oczyszczone, a klient dalej nie wie, z czego ten stół jest zrobiony. Zamiast listy stosuję test skreślenia: skreśl zdanie i sprawdź, czy opis coś stracił. Jeśli nie, problemem nigdy nie było słowo. Zdanie było zbędne.
Teza 3
„Dodaj literówkę albo potknięcie składniowe, będzie ludzko.”
Economist: prawdziwe cechy tekstu z modelu są gdzie indziej: mało interpunkcji (mniej przecinków, średników, prawie żadnych nawiasów), długie zdania, „and” jako najbardziej nadużywane słowo, rzadko krótkie, urwane stwierdzenia. Plus konstrukcje: „nie X, tylko Y”, „nie tylko… ale też”, reguła trzech. Żadna z tych cech nie znika po dodaniu literówki.
W opisach: literówka w nazwie modelu albo w wymiarze to zwrot, nie „ludzki ton”. Tekst ma być ludzki, a nie niedbały. Jeśli chcę, żeby opis brzmiał jak człowiek, daję mu krótkie zdanie z konkretem w miejscu, gdzie model napisałby trzy długie z „oraz”.
Teza 4
„AI pisze pusto i pretensjonalnie, więc do opisów się nie nadaje.”
Economist: owszem, proza modeli „brakuje jej jasności i elegancji, często jest formułkowa”, a słownictwo to to, co Orwell nazywał „pretensjonalną dykcją”. Ale badanie dotyczyło sytuacji, w której model miał napisać artykuł z samego streszczenia, bez dostępu do źródeł. Czyli dokładnie w odwrotnej kolejności niż ta z sekcji 01.
W opisach: model pisze pusto wtedy, gdy dostaje pusto. Daj mu nazwę produktu i „napisz opis SEO”, a dostaniesz „wysokiej jakości mebel, który odmieni Twoje wnętrze”. Daj mu kartę produktu, ton producenta, to, kto go kupuje i po co, a dostaniesz tekst, który trzeba zredagować, nie napisać od nowa. O tym jest sekcja 04.
03 / Co robi redaktor
Słownik wyrazów obcych, bliskoznacznych, pokrewnych i metafor. W jednym.
Metafora ze słownikiem nie jest ozdobnikiem, tylko dość dokładnym opisem tego, o co proszę model przy opisie produktu. Wyrazy bliskoznaczne: szósty raz w kategorii piszę „tapicerowane”, potrzebuję wiedzieć, co jeszcze mam do dyspozycji, zanim zdecyduję, że jednak „tapicerowane”. Wyrazy pokrewne: cała rodzina słów wokół „przechowywania”, bo klient szuka raz „pojemnika na pościel”, raz „schowka”, raz „miejsca pod łóżkiem”. Wyrazy obce: terminologia producenta, którą trzeba przełożyć na język klienta bez utraty znaczenia. Metafory: kiedy produkt estetyczny trzeba opisać skutkiem, a nie parametrem, i brakuje mi obrazu.
Do tego dochodzi praca, której słownik nie zrobi, a redaktor tak:
- Spójność. Czy „140 × 200 cm” jest zapisane tak samo w nagłówku, w tabeli i w zdaniu. Czy wariant nazywa się w całym opisie tak samo. Czy jednostki się nie mieszają. Czy każdy link jest na domenie tego sklepu i tego rynku, a nie sąsiedniego. Przy dziesięciu rynkach jednego klienta to nie jest teoretyczny problem.
- Kompletność. Czy każdy parametr z karty produktu trafił do opisu i czy w opisie nie ma parametru, którego w karcie nie ma.
- Limity. Meta title i description przycięte do długości, bez utraty frazy, która ma tam być.
- Struktura. Wiem, czym są H1 i H2 i jak ma wyglądać strona. Model dostaje szkielet i go wypełnia, nie wymyśla hierarchii nagłówków sam.
- Lokalizacja. Z gotowego, zaakceptowanego wzorca polskiego powstaje wersja na kolejny rynek. Lokalizacja, nie tłumaczenie 1:1, ale z wzorca, nie z pustki.
To dużo roboty i model robi ją szybciej i dokładniej niż ja. Ale to praca redakcyjna. Autorstwo zostaje tam, gdzie było.
04 / Skill z bazą
Model dostaje wszystko, co wiem o produkcie. Wtedy nie ma czego zmyślać.
Teza 4 z sekcji 02 wymaga pokazania, jak to wygląda u mnie. Nie piszę promptów od zera przy każdym opisie. Dla każdego sklepu, z którym pracuję, mam skill: plik, który model wczytuje sam w momencie, gdy proszę o opis kategorii czy produktu. Jest w nim wszystko, co o tym sklepie i jego produktach wiem, a czego model wiedzieć nie może.
| Co jest w skillu | Po co |
|---|---|
| Ton producenta | Jak marka mówi do klienta: na „Ty” czy na „Państwo”, ile żartu, ile techniki. Bez tego model pisze tonem „ogólnego sklepu”, którego nie ma. |
| Specyfikacja: wymiary, materiały, warianty | Źródło prawdy. Jeśli liczby nie ma w skillu albo w karcie, nie ma jej w opisie. Model nie musi „uzupełniać” luki, bo luki nie ma. |
| Zastosowania i USP | Kto to kupuje, do czego i dlaczego od tej marki, a nie z marketplace'u. To jest to, co w tabeli z sekcji 01 stoi po prawej: moja robota, zapisana raz. |
| Czego nie wolno pisać | Sklep, który jest sprzedawcą, nie może brzmieć jak producent. Słowa, których klient nie chce w swoim sklepie. Deklaracje, na które nie ma certyfikatu. |
| Struktura H1–H2 i układ strony | Szkielet opisu: co jest nagłówkiem, co tabelą, gdzie FAQ, gdzie linkowanie wewnętrzne. Model wypełnia, nie projektuje. |
| Brand book: kolorystyka, style | Opis idzie do CMS-u z formatowaniem. Kolory boksów, wyróżnień i tabel są marki, nie modelu, i są takie same w każdym opisie w sklepie. |
Żeby to nie była deklaracja, wyciąg z prawdziwego skilla. Sklep meblowy na rynek niemieckojęzyczny, opisy kategorii. Zasady powstały z danych Search Console z dwunastu miesięcy i z rozmów z klientem, nie z „dobrych praktyk”:
# Marka
Zawsze pełny zapis nazwy, w jednej ustalonej pisowni. Powód: w GSC ten wariant klika wielokrotnie lepiej niż skrócony — to jedyny zapis marki, który realnie konwertuje. Marka na końcu title po „ | ”. Jeśli fraza + hak dobijają do 60 znaków, marka wypada — lepiej brak niż ucięta. Marka NIE występuje w H1.
# Czego nie wolno
Zero certyfikatów i norm bez załączonego dowodu od producenta. Klient jest sprzedawcą, nie producentem: żadnych deklaracji „prosto od producenta”.
# Ton
Forma grzecznościowa. Rzeczowo, bez „KUP TERAZ!”, bez przymiotnikowej waty. Konkrety: liczba modeli, wymiary, materiał. Zdania krótkie, akapit max 3–4 zdania, wyliczenia w listę, nie w prozę.
# Szkielet H2
Dlaczego [produkt] → Modele (H3 na warianty, każdy H3 = realna fraza z GSC) → Jakość → Cena → Dostawa (przewaga logistyczna klienta) → FAQ (3–5 pytań, unikalne dla kategorii, min. 1 z linkiem dalej). Dokładnie jeden H1 = fraza + hak.
# Limity i styl
Title 50–60 zn., description 150–160 zn., fraza w pierwszych 120. Kolor akcentu z logo tylko na nagłówki, bordery i CTA — nie jako tło. Tła jasnoszare. Bezszeryfowa, 15px, line-height 1.7. Wszystkie style inline, bo idzie prosto do Shopera. Linki tylko na domenę produkcyjną, nigdy na podgląd. Min. 4–5 linków, max ~12.
To jest około jednej trzeciej pliku. Zwróć uwagę, czego w nim nie ma: ani jednego zdania o tym, jak „brzmieć ludzko”. Jest za to zapisane, dlaczego marka ma jedną pisownię (bo tak szukają ludzie, którzy klikają) i jak działa zasada certyfikatów: certyfikat albo norma wchodzi do opisu dopiero wtedy, gdy klient dostarczy dokument, a ja dopiszę go do skilla razem z numerem normy i tym, czego dotyczy. Do tego momentu dla modelu certyfikat nie istnieje, więc nie ma czego wymyślać. Tę samą regułę mam u każdego klienta, niezależnie od tego, czy certyfikaty ma, czy nie.
Efekt uboczny, którego nie planowałam: skill wymusza na mnie porządek. Żeby go napisać, muszę wiedzieć, co o produkcie wiem, a czego tylko się domyślam. Połowa „problemów z AI” w opisach, które widzę u innych, to nie problem z AI. To brak briefu, który model uczciwie odbija.
Pisałam o tym szerzej w tekście o promptach do Claude: jeśli piszesz ten sam prompt drugi raz, zrób z niego komendę. Skill to ta zasada doprowadzona do końca.
05 / Czego nie oddaję
Model za szybko łączy dowody i wysnuwa hipotezę, jakby rozwiązywał zagadkę.
Została prawa kolumna tabeli z początku i powód, dla którego istnieje. Najgroźniejszy nawyk modeli, którego nie widziałam na żadnej liście „jak nie pisać jak AI” i którego Economist też nie liczył: z dwóch przesłanek powstaje wniosek, podany tonem faktu. Domknięta odpowiedź wygląda na zrozumienie, więc model do niej dąży. Mówiąc po ludzku: ta nieszczęsna klamra i dopięcie. Jakby model musiał mieć ostatnie słowo. Modele zdecydowanie nie lubią trwać w niedopowiedzeniu. Kiedy czytam ich wnioski, mam ochotę dopisać: „Nadal nie wiem, skąd to wiem, ale nie myślę o tym i to jest dobre”. Czasem cisza lepiej pracuje niż wniosek.
W opisie produktu kończy się to zdaniem w rodzaju „materac sprawdzi się przy problemach z kręgosłupem”, wyprowadzonym z samej twardości H3, której producent nic takiego nie przypisał. W pracy na danych potrafi kosztować jeszcze więcej. „Spadek wynika z aktualizacji algorytmu”, „ruch spadł po zmianie opisów”, „konkurencja przejęła frazy” — to brzmi jak diagnoza, a jest zgadywaniem z dwóch wykresów. Jeśli taka teza pójdzie do klienta w raporcie, ktoś na jej podstawie podejmie decyzję.
Domykanie na siłę ma zresztą swoje odbicie: kiedy nie ma czym domknąć, model idzie w drugą stronę i pisze zdanie ogólne, które pasuje do wszystkiego. Oba ruchy mają ten sam cel: żeby odpowiedź wyglądała na skończoną. Dlatego wnioskowanie zostaje po mojej stronie łańcucha, tam gdzie produkt i analiza.
Ten sam odruch, tylko w liczbach: wymyślone normy, certyfikaty i cytaty. Model wstawia je, bo w tym miejscu zdania „powinna” być konkretna wartość. W opisach to najczęstszy błąd, jaki wyłapuję przy korekcie: nośność, której nie ma w karcie, certyfikat, którego producent nie ma. Nie ma w źródle, nie ma w tekście. I to jest drugi powód, dla którego skill z bazą istnieje: nie tylko mówi modelowi, co napisać, ale też odbiera mu pretekst, żeby cokolwiek dopowiadać.
06 / Test obojętności
Test obojętności: jedna zasada zamiast dziesięciu.
Skoro model jest narzędziem, to jak ocenić, czy opis wyszedł dobry? Nie po tym, czy „widać AI”. Przeczytaj go — i nieważne, czy napisał go człowiek, czy model. Jeśli nie czujesz w związku z nim niczego, jest generyczny. A jeśli jest generyczny, jest słaby. Czyli skutek, nie pochodzenie. Listy z internetu pytają „kto to napisał”. Test obojętności pyta „czy to cokolwiek ze mną zrobiło”.
Ludzkie wnioski
„Napisane z AI” jest cechą tekstu. Pytanie tylko, co ta cecha pokazuje.
Proces powstania odbija się w tym, co czytamy: w kolejności pracy, w tym, co było wkładem, a co obróbką. Jeśli model wszedł do porządkowania, opis niesie czyjąś znajomość produktu. Jeśli wszedł do myślenia, niesie pustkę, choćby gramatycznie nienaganną. Dlatego piszący powinien tę cechę uwzględniać, a nie ukrywać: procesu i tak będzie widać, pytanie tylko, co pokaże.
Economist kończy swój tekst obserwacją, że bot zmienia styl po każdej aktualizacji: ten sam model, który pół roku temu wstawiał myślnik w każde zdanie, dziś mówi, że „najlepiej używać ich oszczędnie”. Z tego wynika jedna rzecz praktyczna dla sklepu. Wszystko, co w opisie jest stylem, zestarzeje się razem z modelem. Nie zestarzeje się tylko to, co wiesz o produkcie.
Autorka
Natalia Hanula-Wężyk — SEO & AI Strategist w Digital Inspire. Odpowiada za SEO e-commerce na rynkach europejskich: strategię wielorynkową, treści i widoczność marek w odpowiedziach AI (AEO/GEO). Prowadzi też produkt i go-to-market my_tools, aplikacji do tłumaczenia sklepów na platformie Shoper opartej na modelach językowych. Autorka wszystkich tekstów na tym blogu.
Digital Inspire · SEO · AI · e-commerce
Zaloguj przez Facebooka
Zaloguj przez Google