Jak sprawdzać atrybuty produktów wzbogacone przez AI, zanim Google lub Meta je odrzucą

Większość katalogów przepuszcza dziś dane produktowe przez jakiś etap AI – uzupełnianie brakującego koloru, odgadywanie materiału na podstawie tytułu, pisanie opisu dla SKU, które nigdy go nie miało. Działa to na tyle dobrze, że zespoły przestają to sprawdzać. I w tym tkwi problem. Dokumentacja Google Merchant Center potwierdza, że system automatycznych aktualizacji produktów, który po cichu poprawia niezgodne wartości price, sale_price, availability i condition, skanując twoją stronę docelową, nie obejmuje atrybutów color, material, size ani GTIN (Pomoc Google Merchant Center). Jeśli te atrybuty będą błędne, nic ich za ciebie nie naprawi – błędna wartość po prostu pozostaje w twoim aktywnym feedzie, dopóki nie wychwyci jej ręczny audyt lub odrzucenie przez kanał. Ten poradnik jest dla każdego, kto stosuje wzbogacanie oparte na AI lub regułach w katalogu liczącym od kilkuset do kilkuset tysięcy SKU, i przedstawia konkretny proces kontroli jakości – pięć wzorców błędów do sprawdzenia, kryteria oceny i proces próbkowania – aby wyłapać te błędy, zanim trafią do Google, Meta czy TikTok Shop.

Dlaczego atrybuty wzbogacone przez AI zawodzą bez ostrzeżenia

Kontrola jakości feedów historycznie skupiała się na atrybutach, których kanały aktywnie pilnują za ciebie. Google samo poprawi nieaktualną cenę lub błędny status dostępności na podstawie strony docelowej, bez żadnego wysiłku z twojej strony (dokumentacja automatycznych aktualizacji produktów). Ta siatka bezpieczeństwa uczy zespoły zakładać, że taka sama ochrona obowiązuje wszędzie. Tak nie jest. Kolor, materiał, rozmiar, wzór i GTIN są celowo wyłączone z automatyzacji, ponieważ Google nie potrafi wiarygodnie wywnioskować ich ze skanu strony w taki sposób, w jaki może odczytać wyświetlaną cenę.

Ta luka ma dziś większe znaczenie niż dwa lata temu, ponieważ to właśnie te atrybuty funkcje wzbogacania AI mają uzupełniać na dużą skalę – te, których sprzedawca w ogóle nie wypełnił w feedzie źródłowym. Model AI, który na podstawie zdjęcia produktu zgaduje „skóra naturalna” albo ujednolica trzy niespójne nazwy kolorów do jednej, działa w jedynej strefie feedu, w której błędna odpowiedź nie ma żadnego automatycznego zabezpieczenia.

Pięć wzorców błędów wprowadzanych przez wzbogacanie AI

Nie są to przypadki hipotetyczne. Każdy z nich odpowiada udokumentowanemu wymaganiu Google lub Meta, o którym ogólny proces AI nie ma żadnego wbudowanego powodu wiedzieć.

• Naruszenia formatu. Atrybut color w Google odrzuca kody szesnastkowe, wartości wyłącznie liczbowe i wszystko, co przekracza 40 znaków na nazwę koloru – model poproszony o „wyodrębnienie koloru” ze zdjęcia chętnie zwróci #3B2F2F (specyfikacja atrybutu color).
• Niezgodność ze stroną docelową. Google wymaga, aby przesłany kolor dokładnie odpowiadał sformułowaniu na stronie docelowej – „jeśli na stronie docelowej używasz nazwy »Toasted Walnut«, prześlij tę wartość w danych produktowych. Nie przesyłaj »Brown«” (specyfikacja atrybutu color). Proces wzbogacania oparty na ogólnym klasyfikatorze obrazów nie ma wglądu w to, co faktycznie mówi tekst na twojej karcie produktu.
• Zbyt pewna siebie, wymyślona szczegółowość. Model często zamienia niejasne lub puste pole materiału w coś, co brzmi konkretnie, ale jest błędne – „skóra” dla produktu, który w rzeczywistości jest z poliuretanu. Specyfikacja materiału w Google wymaga, aby wartość odzwierciedlała „główną tkaninę lub materiał, z którego wykonany jest produkt”, a nie wiarygodnie brzmiące przypuszczenie (specyfikacja atrybutu material).
• Przenikanie atrybutów. Wartość rozmiaru trafiająca do pola wzoru albo opis materiału trafiający do pola koloru zdarzają się częściej, niż zespoły się spodziewają, gdy wzbogacanie działa bez nadzoru na dziesiątkach tysięcy wierszy z niespójnymi tytułami źródłowymi.
• Niespójność między kanałami. Jeśli wzbogacanie działa osobno dla eksportu każdego kanału, ten sam produkt może otrzymać „Toasted Walnut” w feedzie Google i „Brown” w feedzie Meta – to wyraźny sygnał dla kupujących i niezgodność ze stroną docelową co najmniej po jednej stronie.

Analiza „przed i po”: pięć rzeczywistych błędów

Poniższa tabela pokazuje, jak każdy wzorzec błędu wygląda jako rzeczywista wartość w feedzie, dlaczego jest błędny i co powinien zawierać poprawiony wiersz.

Kryteria oceny jakości atrybutów wzbogaconych przez AI

Przed publikacją oceń każdy wzbogacony wiersz według pięciu kryteriów, przyznając od 0 do 2 punktów za każde. Zamienia to subiektywne „czy to wygląda dobrze” w kontrolę, którą młodszy członek zespołu lub zewnętrzny wykonawca może stosować w spójny sposób.

Wiersz z wynikiem 9–10 może zostać opublikowany automatycznie. Wiersz z wynikiem 6–8 trafia do kolejki ręcznej kontroli wyrywkowej. Wszystko poniżej 6 jest poddawane kwarantannie – wstrzymywane w kolejnym eksporcie – dopóki nie poprawi tego człowiek. Odzwierciedla to sposób, w jaki samo Google traktuje te atrybuty: nie jako ryzyko automatyzacji, lecz jako ryzyko wymagające ręcznej weryfikacji, skoro jego własna automatyzacja oparta na skanowaniu stron wyraźnie się przed nimi zatrzymuje.

Wbudowanie listy kontrolnej w proces wzbogacania

1. Przed publikacją uruchamiaj automatyczne kontrole reguł dla każdego wzbogaconego wiersza. Limity znaków, niedozwolone znaki (wzorce szesnastkowe, wartości koloru wyłącznie liczbowe) i zakazane ogólne określenia („multicolor”, „various”, „assorted”) można wychwycić prostymi regułami regex, bez udziału człowieka – ta sama warstwa logiki opartej na regułach, na której opiera się wzbogacanie feedu, może przeprowadzać te kontrole jako bramkę, zanim wartości w ogóle trafią do eksportu.
2. Dobieraj próbkę według ryzyka, a nie równomiernie. Priorytetowo traktuj ręczną weryfikację w kategoriach, w których GMC uznaje atrybut za wymagany – odzież i akcesoria w przypadku koloru, zgodnie z wymaganiami Google dla poszczególnych kategorii (specyfikacja atrybutu color) – oraz przy każdym SKU, w którym wskaźnik pewności AI, jeśli twoje narzędzie do wzbogacania go udostępnia, jest poniżej twojego progu.
3. Porównuj z danymi źródłowymi, a nie z wiarygodnością. Problem nie polega na tym, że wzbogacone wartości wyglądają źle – problem polega na tym, że wyglądają dobrze. Sprawdzaj każde oznaczenie dotyczące „pewności szczegółowości” z rzeczywistą kartą specyfikacji dostawcy lub tekstem karty produktu, a nie z tym, czy wartość brzmi rozsądnie.
4. Powtarzaj kontrolę spójności między kanałami po każdym eksporcie, a nie tylko po wzbogacaniu. Jeśli etap wzbogacania działa przed podziałem feedu na eksporty dla poszczególnych kanałów, problem jest w dużej mierze rozwiązany z założenia. Jeśli wzbogacanie działa osobno dla każdego kanału (co jest częste, gdy różne kanały wymagają różnego formatowania), potrzebny jest osobny etap uzgadniania.
5. Rejestruj to, co trafia do kwarantanny. Rosnący odsetek kwarantanny dla konkretnego atrybutu lub kategorii to sygnał, że trzeba poprawić prompt lub zestaw reguł wzbogacania, a nie tylko pojedyncze wiersze.

W feedzie synchronizowanym codziennie, a nie co godzinę, błędna wzbogacona wartość, która się prześlizgnie, może być widoczna dla kupujących nawet przez cały cykl synchronizacji, zanim kolejny eksport da ci szansę na poprawkę – to kolejny powód, dla którego kontrola musi odbywać się przed publikacją, a nie po niej.

Czego to nie obejmuje i gdzie przestaje działać

Ten proces wyłapuje naruszenia formatu, niezgodności i nieweryfikowalną szczegółowość – nie ocenia, czy tytuł lub opis napisany przez AI to dobry tekst, co jest odrębną, bardziej subiektywną weryfikacją. Nie zastępuje też weryfikacji prawnej ani zgodności z przepisami w kategoriach regulowanych (suplementy, twierdzenia dotyczące kosmetyków, produkty dla dzieci), w których błędny lub wymyślony atrybut to problem zgodności z przepisami, a nie tylko jakości feedu.

Przy naprawdę dużej skali – katalogach liczących miliony SKU, z wieloma współtwórcami i formalnymi ścieżkami akceptacji – ręczna kolejka oparta na próbkowaniu, taka jak opisana powyżej, przestaje sama wystarczać. Wokół takich procesów nadzoru zbudowane są platformy takie jak Productsup, z silnikami reguł i ścieżkami audytu wbudowanymi w platformę, a nie dodanymi na wierzch. A jeśli ograniczeniem są moce przerobowe do weryfikacji, a nie narzędzia, model usługi zarządzanej Feedonomics – zespół przeglądający twój feed zamiast oprogramowania, które konfigurujesz sam – to uzasadniona alternatywa dla zatrudniania ludzi do tego zadania we własnym zespole. Żadne z tych podejść nie jest potrzebne, aby stosować powyższą listę kontrolną; o obu warto jednak wiedzieć, zanim zdecydujesz się budować takie rozwiązanie samodzielnie na dużą skalę.

Wreszcie nic z tego nie zastępuje lektury specyfikacji każdego nowego atrybutu lub kategorii, które zamierzasz wzbogacać. Google i Meta aktualizują zasady formatowania i wymagania kategorii na tyle często, że listę kontrolną zbudowaną dziś trzeba za pół roku zweryfikować z dokumentacją źródłową, a nie traktować jej jako ustawionej raz na zawsze. Jeśli martwią cię konkretnie zdjęcia i opisy generowane przez AI, a nie ustrukturyzowane atrybuty, zajrzyj do naszego osobnego poradnika o zasadach dotyczących treści produktowych generowanych przez AI – tamten tekst dotyczy zgodności z zasadami kanałów, a ten kontroli jakości danych.

FAQ

Czy Google Merchant Center automatycznie poprawia błędną wartość koloru lub materiału?

Nie. Automatyczne aktualizacje produktów w Google obejmują wyłącznie cenę, cenę promocyjną, dostępność i stan. Kolor, materiał, rozmiar i GTIN są z nich wyłączone, więc błędna wartość w tych polach pozostaje aktywna, dopóki nie poprawisz jej ty lub twój proces wzbogacania. W przewodniku po integracji Feedance z Google Merchant Center znajdziesz informacje o tym, jak konfiguruje się eksport feedów do GMC.

Co się stanie, jeśli prześlę do Google listę kolorów rozdzielonych przecinkami?

Google stosuje tylko pierwszy kolor z listy, a pozostałe po cichu pomija – nie traktuje ciągu rozdzielonego przecinkami jako wielu wartości (jak naprawić: nieprawidłowa wartość color). Zamiast tego używaj ukośników – maksymalnie trzy kolory na produkt.

Czy Meta wymaga tych samych atrybutów koloru i materiału co Google?

Nie. Specyfikacja pól katalogu handlowego Meta wymienia kolor i materiał jako opcjonalne, natomiast rozmiar jest wymagany w przypadku kategorii odzieży i obuwia. Meta wymaga jednak, aby kolor był zapisany słowami, a nie jako kod szesnastkowy (pola katalogu handlowego Meta).

Czy błędny atrybut koloru wiąże się z takim samym ryzykiem jak naruszenie zasad dotyczących wprowadzania w błąd?

Zazwyczaj nie. Pojedynczy błędny atrybut zwykle pojawia się jako problem na poziomie produktu na karcie „needs attention” w Merchant Center, a nie jako zawieszenie całego konta. Wprowadzanie w błąd to odrębna, poważniejsza zasada, dotycząca celowych lub powtarzających się fałszywych twierdzeń o firmie lub ofercie, a nie pojedynczego błędu atrybutu.

Jaką część katalogu powinienem ręcznie sprawdzić po wzbogaceniu przez AI?

Dobieraj próbkę według ryzyka, a nie równomiernie: priorytetowo traktuj kategorie, w których atrybut jest wymagany (np. odzież i akcesoria w przypadku koloru), oraz każdy wiersz, który twoje narzędzie do wzbogacania oznacza jako mało pewny, zanim rozłożysz pozostały czas weryfikacji na resztę katalogu.

Czy ta sama wartość atrybutu wzbogacona przez AI może się różnić w moich feedach Google i Meta?

Nie powinna, jeśli oba mają opisywać ten sam produkt. Jeśli wzbogacanie działa osobno dla eksportu każdego kanału, dodaj po eksporcie etap uzgadniania, aby wychwycić przypadki, w których obie wartości się rozjechały.

Co zrobić, jeśli odkryję, że w moim aktywnym feedzie są już zmyślone przez AI atrybuty?

Wycofaj dotknięte SKU, popraw wartości na podstawie danych źródłowych (kart dostawców lub aktywnej karty produktu, a nie ponownego uruchomienia tego samego procesu wzbogacania) i prześlij je ponownie. Następnie sprawdź, czy ten sam wzorzec błędu nie występuje w innych miejscach katalogu – halucynacja rzadko jest jednorazowa.

Czy wzbogacanie AI tworzy kiedykolwiek wartości atrybutów, które ręczny proces by przeoczył?

Tak – jest naprawdę przydatne do uzupełniania atrybutów w dużych katalogach, w których ręczne wprowadzanie danych jest nierealne, oraz do wychwytywania wzorców (np. niespójnego nazewnictwa), których człowiek przeglądający wiersz po wierszu nie zauważy. Warstwa kontroli jakości istnieje po to, by wyłapywać jego specyficzne błędy, a nie by zniechęcać do jego stosowania.

Sprawdź swój feed w bezpłatnym narzędziu do audytu feedu produktowego Feedance, aby zobaczyć, w jakim stanie są twoje obecne dane atrybutów, zanim uruchomisz kolejne wzbogacanie.