ИИ для генерации описаний товаров разгружает ту часть работы с карточками, где раньше сидел контент-менеджер и вручную переписывал характеристики в связный текст. За последний год я подключал такую генерацию на нескольких проектах - от интернет-магазина на WooCommerce с 600+ SKU до пайплайна, который выгружает товары из 1С и отдает готовые описания для загрузки на Wildberries и Ozon. Дальше - как это устроено технически, какой промпт реально дает пригодный текст и где автоматизация окупается, а где быстрее нанять копирайтера.
Зачем нужна автоматическая генерация описаний товаров
На маркетплейсе уникальный текст в карточке влияет на ранжирование в поиске и на конверсию - это прямо прописано в рекомендациях продавцам у Wildberries и Ozon. Проблема в объеме: у среднего продавца в нише одежды или электроники от 300 до 5000 SKU, и переписывать сухие характеристики в читаемый текст руками - это недели работы одного человека.
Копирайтер на бирже берет от 150 до 400 ₽ за карточку в зависимости от ниши и объема текста - это рыночная цена, у разных авторов и студий она гуляет в обе стороны, иногда доходит до 600-800 ₽ за сложные технические категории. Для каталога в 1000 товаров это 150 000-400 000 ₽ и минимум пара недель на согласование правок. Генерация через API стоит на порядок дешевле по прямым расходам на токены, но требует настройки: промпта, структуры входных данных и обязательной проверки результата перед публикацией - без этого этапа получите партию карточек с одинаковыми штампами вместо продающего текста.
Как работает ИИ для генерации описаний товаров: модели и промпты
Схема простая: на вход языковой модели - GPT‑4.1, GPT-4o-mini, Claude Sonnet - подается структурированный набор данных о товаре: название, категория, характеристики из карточки поставщика, УТП, иногда фото для моделей с поддержкой изображений. На выходе - текст по заданному шаблону: заголовок, буллиты с характеристиками, SEO-абзац с ключевыми словами под конкретную категорию.
Через веб-интерфейс ChatGPT или Claude это работает для 5-10 товаров в день - данные копируются вручную, вставляются в чат, ответ правится глазами. Для каталога в сотни позиций нужен API-доступ: скрипт на Python или нода в n8n отправляет запрос на каждый товар из таблицы и записывает ответ обратно в столбец рядом. Разница в скорости кардинальная - 500 карточек через API обрабатываются за 20-40 минут вместе с паузами между запросами под лимиты провайдера, вручную через чат на такой объем уйдет несколько рабочих дней.
Отдельный момент - мультимодальные модели умеют читать фото товара и вытаскивать оттуда детали, которых нет в текстовом фиде поставщика: тип застежки, фактуру ткани, форму упаковки. На практике это добавляет точности карточкам одежды и мебели, но замедляет и удорожает генерацию, поэтому имеет смысл только для категорий, где текстовые характеристики скудные.
Промпт для карточки товара - структура, которая дает пригодный результат
Промпт в одну строку вроде «напиши описание товара X» выдает воду с эпитетами без единого факта - такой текст модератор маркетплейса может завернуть за отсутствие конкретики, а покупатель просто пролистает. Рабочая структура промпта выглядит примерно так:
Роль: копирайтер маркетплейса, категория {категория}.
Входные данные: название — {название}, характеристики — {список характеристик}, УТП — {если есть}.
Задача: написать описание для карточки {Wildberries/Ozon}.
Формат вывода: заголовок до 60 символов, 5-7 буллитов с характеристиками, SEO-абзац 400-600 знаков с ключами {список ключей}.
Ограничения: только факты из входных данных, без превосходных степеней, без выдуманных характеристик, длина описания не более {лимит} знаков.Три момента, которые чаще всего ломают результат, если их не прописать явно в промпте:
- ограничение по длине под конкретный маркетплейс - у Wildberries это до 5000 знаков в описании, у Ozon до 6000, но в результатах поиска обрезает значительно раньше;
- запрет на характеристики, которых нет во входных данных - модели любят «дофантазировать» материал, страну производства или состав, а это прямой путь к возврату товара и жалобе покупателя;
- список стоп-слов и превосходных степеней вроде «лучший», «уникальный», «единственный в своем роде» - за такие формулировки карточки блокируют при проверке на соответствие закону о рекламе.
Бесплатный материал
🎁 Полезный скрипт в подарок
Подпишитесь на Telegram - пришлю готовый скрипт по этой теме.
Без спама. Отписка в 1 клик.
Сравнение способов генерации: чат, API, n8n и готовые сервисы
Способ выбирают исходя из объема каталога и того, насколько часто он обновляется - разово загрузить 50 карточек и поддерживать каталог из 3000 позиций с еженедельным пополнением это разные задачи с разной экономикой.
| Способ | Объем каталога | Скорость | Что нужно настроить |
|---|---|---|---|
| Чат в браузере (ChatGPT/Claude) | до 20 SKU разово | 5-10 карточек в час вручную | Ничего, только формулировка промпта |
| API-скрипт на Python | 100‑5000 SKU | 500 карточек за 20-40 минут | Скрипт, шаблон промпта, проверка ответов |
| n8n-автоматизация | от 100 SKU, регулярное обновление | пакетами, зависит от лимитов API | Workflow, интеграция с таблицей, 1С или CRM |
| Готовый SaaS-сервис генерации карточек | небольшие каталоги | быстро, без контроля промпта | Регистрация, лимиты тарифа |
SaaS-сервисы удобны для разового запуска нового магазина, но чем больше у вас специфики в нише (техническая электроника, детские товары с обязательными пунктами по составу), тем быстрее упираетесь в шаблон сервиса, который под вашу категорию не заточен. Свой промпт и своя структура данных в этом смысле окупаются на каталогах от пары сотен позиций.
Пайплайн автогенерации карточек для Wildberries и Ozon на практике
На одном из проектов пайплайн выглядел так: выгрузка товаров из 1С в CSV раз в сутки → нода n8n читает файл и для каждой строки формирует промпт с характеристиками → запрос к API Claude → ответ парсится и записывается в отдельный столбец → готовый файл выгружается в формате, который принимает шаблон Wildberries для массовой загрузки карточек. Отдельно aiogram-бот присылал в Telegram уведомление, когда пакет из 200-300 товаров обработан и файл готов к проверке - это избавило контент-менеджера от необходимости держать вкладку с n8n открытой весь день.
Проверку человеком не убирал ни на одном проекте: контент-менеджер пробегает по 10-15% карточек выборочно перед загрузкой, этого достаточно, чтобы поймать системные ошибки в промпте до того, как они разойдутся по всему каталогу. Одна неверно составленная фраза в шаблоне промпта - и одинаковая формулировка появится в тысяче карточек, а это уже риск бана за дубли. Часть таких сценариев для n8n и типовых интеграций с 1С у меня уже собрана и разложена в библиотеке готовых скриптов автоматизации - можно взять как основу и адаптировать под свой набор характеристик, не собирая пайплайн с нуля.
Частые ошибки при автоматической генерации описаний
- Дублирующийся текст между карточками - если промпт слишком общий, модель для похожих товаров генерирует почти одинаковые формулировки, а маркетплейс это ловит и занижает карточки в поиске.
- Несоответствие заявленных характеристик реальным - модель дописывает материал или комплектацию, которых нет в исходных данных поставщика, покупатель получает не то, что ожидал, и открывает возврат.
- Игнор регламента длины конкретного маркетплейса - текст, оптимизированный под Ozon, обрезается в поиске Wildberries на середине предложения.
- Публикация без выборочной проверки - самая дорогая ошибка: партия из сотен карточек с одной и той же системной ошибкой в промпте уходит в загрузку до того, как ее заметили.
- Отсутствие SEO-ключей под конкретный маркетплейс - ключевые запросы на Wildberries и на Ozon для одной категории товаров заметно отличаются, общий список ключей для обеих площадок работает хуже.
Настроить генерацию для каталога до сотни товаров реально самому за выходные, если есть опыт работы с API и n8n. Когда каталог больше 500 SKU, обновляется каждую неделю и нужна интеграция с 1С или CRM без ручной выгрузки CSV, дешевле сразу закладывать бюджет на готовое решение - такие интеграции с AI (Claude API, OpenAI, RAG для базы характеристик) я беру от 50 000 ₽, автоматизацию пайплайна в n8n отдельно от 25 000 ₽, а парсинг и подготовку исходных данных на Python от 20 000 ₽.
Искусственный интеллект для бизнеса
AI / Claude API
от 50 000 ₽
Подробнее →Частые вопросы
Не забанят ли карточки за ИИ-описания маркетплейсы?
Wildberries и Ozon не проверяют происхождение текста, они проверяют соответствие правилам - уникальность между карточками, отсутствие запрещенных формулировок, соответствие заявленным характеристикам реальному товару. Бан ловят за дублирующийся текст между карточками одного продавца или за фантазии модели про характеристики, которых у товара нет. Если промпт прямо запрещает выдумывать данные и есть проверка на дубли перед загрузкой, риска не больше, чем с текстом от копирайтера.
Какая нейросеть лучше подходит для описаний товаров - ChatGPT или Claude?
На практике разница не критична, обе модели по API дают сопоставимое качество при одинаковом промпте. Claude чуть аккуратнее следует ограничениям по длине и реже дофантазирует характеристики, GPT-4o-mini дешевле по токенам на больших каталогах. Для проекта с 1000+ SKU я обычно тестирую 20-30 карточек на обеих моделях и смотрю, какая версия требует меньше правок от контент-менеджера.
Можно ли использовать бесплатные нейросети без API для большого каталога?
Формально да, но веб-версия ChatGPT или Claude не рассчитана на пакетную обработку - данные вставляются по одному товару, а лимиты сообщений на бесплатном тарифе закончатся быстрее, чем каталог. Для 300+ товаров это уже не экономия, а потеря времени: платный доступ к API с оплатой по токенам обходится дешевле ручного труда даже с учетом расходов на генерацию.
Сколько времени занимает настройка автоматической генерации описаний?
Скрипт на Python под конкретный маркетплейс и формат данных собирается за 2-4 дня, включая тестовый прогон и правки промпта по обратной связи от контент-менеджера. Интеграция с 1С или CRM и настройка n8n-пайплайна с уведомлениями занимает 1-2 недели - срок зависит от того, насколько структурированы исходные данные о товарах у поставщика.