Разбираем алгоритм массовой генерации описаний для маркетплейсов через API и готовые шаблоны — без потери уникальности и санкций от Wildberries
Сто карточек товаров за один час — это реально. Не потому что ИИ “пишет быстро”, а потому что правильно выстроенный конвейер убирает всё лишнее: ожидание копирайтера, правки, согласования, повторы. Нейросеть создать текст может за секунды — но только если на входе стандартизированные данные, а не хаос из таблиц Excel.
В этой статье разберём три вещи: почему ручной подход к карточкам экономически не оправдан, как собрать рабочий промпт-конвейер с нуля и что конкретно делает ТекстЗавод, чтобы весь процесс занял час, а не неделю.
Почему ручной копирайтинг для 100 карточек — это путь к убыткам
Тут всё считается в лоб. Средняя стоимость одного описания у копирайтера на бирже — 250 рублей. Сто товаров — это 25 000 рублей только за первичный текст, без учёта правок и итерации.
Но деньги — не главная проблема. Главная — время.
Копирайтер закрывает 25–30 карточек в день при нормальном темпе. Сто описаний — это 3–4 рабочих дня. Всё это время товары лежат без витрины: нет карточки — нет продаж, нет оборачиваемости, нет позиций в поиске маркетплейса. Для новой категории каждый день промедления — прямые потери.
И третья проблема, о которой говорят реже. На 30-й карточке подряд любой автор начинает дублировать фразы. Не намеренно — просто мозг устаёт придумывать уникальные формулировки для похожих товаров. Итог: снижение релевантности в поисковой выдаче площадки, размытая семантика, карточки, которые не отличаются друг от друга.
| Параметр | Копирайтер | ИИ-конвейер |
|---|---|---|
| Стоимость 100 карточек | от 25 000 ₽ | от 2 000 ₽ (тариф + время) |
| Срок готовности | 3–4 рабочих дня | 60–90 минут |
| Риск дублирования фраз | высокий (с 30-й карточки) | низкий при правильном промпте |
| Уникальность | зависит от автора | контролируется автоматически |
| Масштабирование | линейный рост затрат | не меняет стоимость |
Wildberries и Ozon анализируют уникальность описаний внутри каталога. Карточки с клонированными текстами получают пессимизацию в поиске — это задокументированная практика, а не городская легенда. Так что проблема дублирования бьёт дважды: по органике и по доверию алгоритма.
Ещё один момент: ручной копирайтинг плохо масштабируется. Двадцать новых SKU в месяц — терпимо. Двести — уже нужен штат, онбординг, контроль качества. ИИ-конвейер не меняет стоимость при росте объёма. Именно поэтому автоматизация контента для маркетплейсов перестала быть экспериментом и стала стандартом для серьёзных селлеров.
Настройка конвейера: от ТЗ до готового текста
Скорость генерации решает не выбор модели, а качество входных данных. Это ключевое.
Яндекс.Маркет в своих рекомендациях продавцам прямо указывает: перед запуском генерации нужно подготовить полный пакет — название товара, характеристики, материалы, размеры, назначение, ключевые слова и требования площадки. Без этого любая нейросеть выдаёт общие фразы, которые не конвертируют.
Структура промпта для карточки товара
Рабочий промпт состоит из четырёх блоков. Не трёх, не пяти — именно четырёх, и порядок имеет значение.
Блок 1 — Роль. Модель должна понимать, кто она и для какой площадки пишет. Пример: “Ты опытный копирайтер для Wildberries. Пишешь описания, которые продают и индексируются в поиске маркетплейса.”
Блок 2 — Контекст товара. Категория, бренд, целевая аудитория, TOV. Если бренд позиционирует себя как премиальный — модель должна это знать. Claude 3.5 Sonnet лучше удерживает TOV бренда на длинных сериях карточек, чем базовые версии GPT-4: это подтверждается практикой работы с большими каталогами.
Блок 3 — Характеристики из парсинга. Список конкретных параметров товара: состав, размеры, вес, артикул, особенности. Эти данные берутся из таблицы с характеристиками, которую вы заполняете заранее. Чем точнее данные — тем меньше правок.
Блок 4 — Стоп-слова и ограничения. Список фраз, которые нельзя использовать: клише нейросетей (“высококачественный”, “надёжный”, “лучший выбор”), слова-запреты площадки, конкурентные бренды. Wildberries, например, штрафует за упоминание чужих торговых марок в описании.
Как собрать данные для 100 карточек быстро
Ситуация стандартная: у вас есть таблица с характеристиками товаров, но она неполная или неструктурированная. Вот рабочий алгоритм:
Парсинг топ-3 конкурентов по категории. Смотрите, какие ключевые слова они используют в названиях и описаниях. Это не плагиат — это сбор данных о семантическом облаке категории. LSI-фразы из топ-3 выдачи маркетплейса повышают видимость карточки на 15–20% в первую неделю после публикации.
Стандартизация входной таблицы. Каждая строка — один товар. Столбцы: название, категория, характеристики, УТП, стоп-слова. Модель читает строку и генерирует описание. Никакого ручного ввода на каждую карточку.
Пакетная отправка через API. Не нужно вставлять каждую карточку вручную. API Claude или Gemini принимает массив данных и возвращает массив текстов. Это и есть конвейер — один запрос, сто ответов.
Почему выбор модели важен для серийной генерации
Не все языковые модели одинаково держат стиль на длинных сериях. Вот честное сравнение по задаче “100 карточек”:
| Модель | Удержание TOV | Русский язык | Скорость через API | Цена за 1М токенов |
|---|---|---|---|---|
| Claude 3.5 Sonnet | высокое | отличный | средняя | ~$3 |
| GPT-4o | среднее | хороший | высокая | ~$5 |
| Gemini 1.5 Pro | среднее | хороший | высокая | ~$1.25 |
| Claude 3 Haiku | низкое | приемлемый | очень высокая | ~$0.25 |
Для задачи с TOV бренда — Claude 3.5 Sonnet. Для массовых технических описаний без жёстких требований к стилю — Gemini 1.5 Pro или GPT-4o. Claude Haiku закрывает задачи, где нужна скорость, а качество второстепенно.
Контроль уникальности: почему это не опционально
Тексты для маркетплейсов проверяются дважды. Первый раз — алгоритмом площадки, который сравнивает описание с уже существующими карточками в каталоге. Второй — при SEO-продвижении, если вы выводите трафик из поиска Яндекса или Google.
Уникальность ниже 90% — риск пессимизации. Это не теория: Ozon и Wildberries публично говорят о том, что дублированный контент снижает позиции карточки. Поэтому проверка через text.ru или аналогичный сервис — обязательный этап конвейера, не финальный “если останется время”.
Практически это выглядит так: после генерации каждого батча из 10–20 карточек запускаете прогон через антиплагиат. Тексты с уникальностью ниже порога отправляются на парафраз — либо вручную, либо снова через модель с инструкцией “перепиши, сохранив смысл, но изменив структуру предложений”.
Типичные ошибки при настройке конвейера
Слишком короткий промпт. “Напиши описание товара для WB” — это не ТЗ. Модель заполнит пробелы выдуманными характеристиками. На маркетплейсе это критично: покупатель вернёт товар, если описание не совпадает с реальностью.
Один промпт для всех категорий. Описание детской одежды и описание промышленного инструмента требуют разного тона, структуры и акцентов. Делайте отдельные шаблоны для каждой категории — это 30 минут работы, которые экономят часы правок.
Игнорирование лимитов площадки. Wildberries ограничивает описание 5 000 знаков. Ozon — 5 000 знаков для описания и 1 000 для краткого. Если не указать лимит в промпте, модель напишет столько, сколько посчитает нужным.
Отсутствие итерации. Первый батч из 10 карточек всегда тестовый. Смотрите на результат, корректируете промпт, запускаете следующие 90. Не пытайтесь сразу сгенерировать все сто — потеряете больше времени на правки.
Если хотите проверить этот подход без настройки API вручную — в ТекстЗаводе первые три карточки можно запустить бесплатно по промокоду Завод03. Платформа берёт на себя и промпт-инжиниринг, и проверку уникальности, и экспорт.
Как ТекстЗавод автоматизирует процесс через SERP-анализ
Собрать конвейер вручную — реально, но требует технических компетенций: настройка API, написание скриптов, интеграция с антиплагиатом. ТекстЗавод закрывает всё это в одном интерфейсе.
Платформа работает на двух уровнях одновременно: собирает семантику и генерирует текст под неё.
Как работает модуль парсинга
Перед генерацией описаний система анализирует первые 30 позиций в выдаче маркетплейса по целевому запросу. Это не просто список конкурентов — это база данных о том, какие слова и фразы алгоритм площадки считает релевантными для данной категории.
Собранные ключевые слова ИИ встраивает в описание органично — не списком через запятую, а в контексте предложений. Это принципиально: маркетплейсы давно научились определять переспам и понижают такие карточки.
На практике это даёт +15–20% к видимости карточки в первую неделю по сравнению с описаниями, написанными без учёта семантики категории. Цифра взята из практики работы с каталогами на Wildberries в 2024–2025 годах.
Контроль качества через text.ru
После генерации каждый текст автоматически проходит независимую верификацию через text.ru. Пороговое значение — 90% уникальности. Карточки, не прошедшие проверку, система помечает и предлагает вариант с перефразированием.
Это важно именно для маркетплейсов: там работают два независимых фильтра. Первый — внутренний алгоритм площадки, который сравнивает текст с существующим каталогом. Второй — поисковые системы, если карточка индексируется Яндексом или Google. Двойной контроль страхует от пессимизации на обоих уровнях.
Экспорт и загрузка в кабинет
Все 100 описаний после проверки выгружаются в Excel-файл в формате, совместимом с шаблонами Wildberries и Ozon. Загрузка через личный кабинет занимает около двух минут — массовый импорт через стандартный XLS-шаблон площадки.
Для тех, кто работает с собственным сайтом параллельно с маркетплейсами: ТекстЗавод умеет публиковать напрямую в WordPress, Modx и Bitrix без промежуточного экспорта.
Лучшее удержание Tone-of-Voice на длинных сериях. Идеально для брендовых магазинов с жестким стилем.
Часто задаваемые вопросы
Можно ли использовать ИИ-тексты для Wildberries без риска блокировки?
Wildberries не блокирует карточки за использование ИИ при генерации описаний — площадка оценивает результат, а не инструмент. Риски возникают при низкой уникальности (ниже 90%) или при дублировании описаний между карточками одного продавца. Если тексты уникальны и соответствуют реальным характеристикам товара — никаких санкций не будет.
Сколько реально занимает настройка конвейера с нуля?
Если делать вручную через API — от 4 до 8 часов на первичную настройку: написание промптов, тестирование, интеграция с антиплагиатом, настройка экспорта. Через ТекстЗавод — около 30 минут на заполнение профиля компании и загрузку таблицы с характеристиками. Дальше система работает автономно.
Как ИИ справляется с узкоспециализированными товарами — например, промышленным оборудованием?
Здесь качество результата напрямую зависит от детализации входных данных. Чем точнее характеристики в ТЗ — тем точнее описание. Для технических категорий рекомендуется добавлять в промпт глоссарий терминов и список обязательных параметров, которые должны быть упомянуты. Claude 3.5 Sonnet с такими данными закрывает задачу без фактических ошибок.
Что делать, если уникальность текста оказалась ниже 90%?
Два варианта. Первый — дать модели инструкцию “перепиши текст, сохрани смысл и структуру, но измени формулировки предложений”. Обычно одной итерации достаточно. Второй — скорректировать промпт так, чтобы модель использовала более специфичные формулировки: добавить в контекст уникальные характеристики товара, которых нет у конкурентов. В ТекстЗаводе этот цикл автоматизирован — система сама запускает перегенерацию при низком показателе.
Нужен ли технический специалист для работы с API?
Для прямой работы с API Claude или Gemini — да, нужны базовые знания Python или любого скриптового языка. Если такого специалиста нет — используйте готовые платформы вроде ТекстЗавода, где весь технический слой скрыт за интерфейсом. Это не компромисс: платформа даёт тот же результат, что и кастомное решение, но без затрат на разработку.
Можно ли адаптировать один шаблон под разные категории товаров?
Формально — да. Практически — не стоит. Описание одежды, электроники и товаров для дома требует разной структуры, разного соотношения технических деталей и эмоциональных триггеров. Один шаблон даст посредственный результат везде. Оптимально: базовая структура промпта одна, но блок “контекст товара” и стоп-слова настраиваются под каждую категорию отдельно.
ИИ начинает галлюцинировать и выдумывать свойства товара, которых нет в реальности.
Текст обрезается площадкой (5000 зн. для WB), теряя ключевые слова и смысл.
Итог: что реально занимает 60 минут
Разобьём час на конкретные этапы:
- 0–10 минут — загрузка таблицы с характеристиками товаров и настройка профиля компании (TOV, стоп-слова, требования к структуре).
- 10–20 минут — SERP-анализ категории: сбор семантики из топ-30 выдачи маркетплейса.
- 20–45 минут — пакетная генерация 100 описаний с автоматической проверкой уникальности.
- 45–55 минут — просмотр помеченных карточек (обычно 5–10% от объёма) и одобрение перегенерации.
- 55–60 минут — экспорт в Excel и загрузка в личный кабинет площадки.
Это не теоретический сценарий. Это алгоритм, который работает при одном условии: данные о товарах подготовлены заранее. Если таблица с характеристиками неполная — добавьте ещё 30–40 минут на её заполнение.
Составить текст через ИИ для маркетплейса и получить результат, готовый к загрузке — это задача одного вечера. Протестируйте подход на трёх карточках прямо сейчас: ТекстЗавод даёт их бесплатно по промокоду Завод03. Если результат устроит — закроете план по всей категории за один рабочий день.
