4 min czytania · Pleroma Commerce · 4 źródła
W skrócie
W 2024 roku tylko 22% menedżerów uznało swoje dane za w pełni gotowe na AI, a 53% za częściowo gotowe. Dla marki e-commerce fundamentem danych jest katalog: atrybuty, ceny, stany, pola zgodności, baza klientów. Narzędzia AI do listingów i agenci zakupowi czytają z niego i z niczego więcej, więc każda luka zamienia się w pewny siebie błąd. Najpierw uporządkuj katalog, potem kupuj model.
Co znajdziesz w artykule
W maju 2024 MIT Technology Review Insights zapytał 275 menedżerów o plany wdrożenia generatywnej AI. 72% chciało większej wydajności. 55% chciało przewagi nad konkurencją. Potem padło pytanie, które naprawdę miało znaczenie: jak gotowe są wasze dane? 22% odpowiedziało, że w pełni. 53%, że częściowo. Jedna czwarta przyznała, że nie są gotowe[1].
Raport ma dwa lata, sponsorował go dostawca platformy danych, a badanie dotyczyło dużych korporacji. Mimo to zestarzał się zaskakująco dobrze, bo problem, który opisuje, jest starszy niż sama technologia. Modele od tamtej pory poprawiają się co kwartał. Dane nie.
Co „częściowo gotowe” znaczy w sklepie
Arnab Chakraborty z Accenture powiedział w tym raporcie wprost: przy jakości danych „50% gotowości to za mało”[1]. Dla marki e-commerce fundamentem danych nie jest archiwum dokumentów. Jest nim katalog. Atrybuty, zdjęcia, ceny, stany magazynowe, logika wariantów, pola zgodności z przepisami, opinie, baza klientów. Każde zastosowanie AI, które sprzedaje się w tym roku markom na Shopify, od generowania listingów po zakupy przez agentów, czyta z tego katalogu i z niczego więcej.
Częściowo gotowe wygląda w praktyce tak. Czterdzieści procent produktów ma puste pola atrybutów. Trzy SKU opisują ten sam produkt pod różnymi tytułami. Cena w ERP różni się od ceny w Shopify, a ta od ceny na marketplace. Stany synchronizują się co godzinę na jednym kanale i ręcznie na dwóch pozostałych. Człowiekowi nic z tego nie przeszkadzało sprzedawać. Maszynie przeszkadza wszystko.
Trzy stare problemy, jedna nowa konsekwencja
Raport nazywa bariery: zarządzanie danymi 59%, jakość danych 53%, integracja danych 48%[1]. Chakraborty zauważa, że o tych problemach branża „słyszy od 10 lat”. Neil Ward-Dutton z IDC dodaje ostrzejszą wersję: wiele firm wciąż „używa Excela do wszystkiego”.
W e-commerce te trzy problemy mają dokładne odpowiedniki.
Zarządzanie to pytanie, który system przechowuje prawdę. Jeśli nikt nie potrafi powiedzieć, czy cenę ustala ERP, sklep czy marketplace, narzędzie AI do wyceny ma trzy odpowiedzi i wybiera jedną.
Jakość to kompletność i spójność atrybutów. Generator listingów nie wie, że pole jest puste. Wypełnia je, z pełnym przekonaniem. Halucynacja, przed którą ostrzega raport, czyli chatbot obiecujący politykę zwrotów, która nie istnieje, w e-commerce przybiera postać listingu obiecującego certyfikat, którego produkt nie ma. Przy GPSR i regulaminach marketplace'ów to nie jest błąd w treści. To odpowiedzialność prawna.
Integracja to połączenia między PIM, ERP, sklepem i kanałami. Przeciętny sklep na Shopify korzysta z 6,2 aplikacji zewnętrznych[2]. Każda z nich to miejsce, w którym dane mogą się nieznacznie różnić.
Dlaczego w 2026 to znaczy więcej niż w 2024
Zmieniły się dwie rzeczy. Po pierwsze, AI przestało być narzędziem do pisania szkiców i zaczęło działać samodzielnie. Agenci zakupowi porównują ustrukturyzowane dane produktowe między sklepami. Adobe zmierzyło, że ruch z AI do amerykańskich sklepów wzrósł w pierwszym kwartale 2026 o 393% rok do roku, a w marcu konwertował o 42% lepiej niż ruch tradycyjny[3]. Ten sam raport pokazał, że mniej więcej jedna trzecia stron kategorii wciąż jest dla agentów nieczytelna. Piękna strona produktu z trzema pustymi atrybutami przegrywa z prostą stroną z dwunastoma.
Po drugie, większość zespołów nie używa AI do znajdowania problemów z danymi. Z analizy AppsFlyer ponad 8 000 zapytań do asystenta AI od marek e-commerce wynika, że tylko 4% miało charakter diagnostyczny[4]. Reszta to odczyty. Narzędzia, które mogłyby wykryć zepsuty katalog, są pytane o wczorajszy ROAS.
Fragment raportu o halucynacjach daje tu dobrą ramę. Szef AI w Snowflake opisuje inwestycje w systemy, które wiedzą, kiedy nie odpowiadać[1]. W sklepie to proces publikacji listingów, który odmawia publikacji, gdy pole zgodności jest puste, zamiast wpisywać w nie coś wiarygodnie brzmiącego.
Jak wygląda gotowy katalog
Jedno źródło prawdy dla ceny i stanu, z którego czyta każdy kanał. Standardy atrybutów osobno dla każdego kanału, bo Amazon, Allegro i sklep na Shopify indeksują różne pola. PIM i ERP połączone, a nie eksportowane. Dane o zgodności z przepisami, osoba odpowiedzialna w ramach GPSR, rejestracja WEEE, wpis do BDO, przechowywane jako dane produktowe, a nie jako PDF na dysku sieciowym. Baza klientów, która jest jedną listą, a nie czterema.
Dopiero wtedy model.
Słowo „strategia” w tytule raportu robi tu całą robotę. Firmy nie potrzebują strategii AI. Potrzebują strategii danych, na której AI może działać. Ta kolejność nie jest opcjonalna. Każda marka, która kupuje narzędzia AI przed uporządkowaniem katalogu, płaci dwa razy: raz za narzędzie, drugi raz za porządki, które to narzędzie uczyniło nieuniknionymi.
W Pleromie gotowość katalogu jest pierwszą rzeczą, którą sprawdza audyt, zanim zarekomendujemy jakiekolwiek narzędzie.
Model to łatwa część. Twój katalog to strategia.
Pleroma Commerce
Gotowość katalogu to pierwszy punkt audytu
Każda współpraca zaczyna się od pięciodniowego audytu sklepu i wszystkich kanałów sprzedaży. Dane przed narzędziami.
Zobacz audyt sklepu i kanałów →Źródła
- MIT Technology Review Insights, „Data strategies for AI leaders”, we współpracy ze Snowflake, 2024. Badanie ponad 275 menedżerów, maj 2024.
- StoreCensus, „Shopify App Statistics & Market Data”, wrzesień 2026. storecensus.com
- Adobe Analytics za TechCrunch, „AI traffic to US retailers rose 393% in Q1”, 16 kwietnia 2026. techcrunch.com
- AppsFlyer, „The State of eCommerce for Marketers, 2026 Edition”, maj 2026. appsflyer.com
