AI îți generează 5.000 de listări în română într-un weekend. Luni încep problemele

Până acum câțiva ani, localizarea a câteva mii de produse pentru o piață nouă însemna săptămâni de muncă, o echipă mare și un buget destul de serios.

Astăzi?

Încarci datele în AI, pregătești un prompt și, teoretic, poți avea tot catalogul în română gata înainte de luni.

Sună excelent. Și chiar este excelent.

Cu condiția să nu confundăm două lucruri complet diferite: un catalog generat rapid și un catalog bine localizat.

AI a schimbat profund posibilitățile de extindere în e-commerce. Ne permite să lucrăm mai repede, mai ieftin și mai ales la o scară care până de curând cerea echipe întregi.

Dar odată cu scara a apărut o problemă nouă.

Astăzi nu mai trebuie să ne îngrijoreze doar dacă AI face o greșeală. Trebuie să ne îngrijoreze că aceeași greșeală o putem multiplica automat de 5.000 de ori.

O greșeală înmulțită cu 5.000

La 20 de produse, greșelile se mai pot prinde manual. Desigur, cu o condiție destul de importantă: să ai pe cineva care cunoaște limba suficient de bine încât să observe că ceva nu e în regulă.

Pentru că, dacă persoana care verifică nu știe română, se poate uita la o propoziție corectă gramatical fără niciun motiv să o pună la îndoială.

Iar AI sună foarte convingător. Chiar și atunci când nu are dreptate.

La un catalog de câteva mii de SKU-uri, problema devine și mai mare.

Modelul poate adăuga un parametru pe care produsul nu l-a avut niciodată. Poate încurca materialul. Poate interpreta greșit o variantă. Poate schimba conținutul unui set. Poate folosi un termen corect lingvistic, dar complet nefiresc pentru piața locală.

Poate crea și un claim prea îndrăzneț, care nu exista în datele sursă, sau poate „optimiza SEO” până când textul seamănă mai mult cu un sac de cuvinte cheie decât cu o ofertă scrisă pentru client.

Și apoi vine una dintre problemele mele preferate la cataloagele mari: denumiri diferite pentru același tip de produs.

Pentru că AI iubește sinonimele. E-commerce-ul, ceva mai puțin.

Un capăt de periuță, două denumiri și foarte multe oferte

Să luăm un exemplu care nu are nicio legătură cu domeniile cu care lucrez zi de zi.

Vindem capete pentru periuțe de dinți electrice.

Termenul din catalogul polonez („główka do szczoteczki elektrycznej”) poate fi tradus de model ca:

„vârf pentru periuță electrică”

în loc de termenul pe care l-am verificat și adoptat înainte:

„capăt pentru periuță electrică”.

La un singur produs avem pur și simplu o traducere proastă. Se corectează. Gata.

Dar să ne imaginăm că firma are câteva zeci de modele, mai multe branduri, seturi de 2, 4 și 8 bucăți, tipuri diferite de peri, compatibilități și variante.

La un produs AI va folosi „vârf”. La al doilea „capăt”. La al treilea poate găsi încă o denumire.

În categorie apare o denumire, în filtru alta, în titlul produsului a treia, iar în Google Merchant Center sau pe marketplace trimitem a patra variantă.

Fiecare dintre aceste denumiri poate părea chiar corectă lingvistic.

Problema este că magazinul nu mai este coerent.

Iar dacă decizia greșită ajunge într-o automatizare, același termen poate ajunge în sute de titluri, descrieri, filtre, feed-uri de produse, oferte de marketplace, reclame, meta date și uneori chiar în imaginile produselor.

Și brusc nu mai corectăm o singură pagină de produs.

Corectăm tot ecosistemul de vânzări.

Traducerea nu ar trebui să înceapă cu traducerea

Sună puțin absurd, dar la proiectele mari de localizare unul dintre primele lucruri pe care merită să le faci este tocmai… să nu traduci tot catalogul.

Mai întâi trebuie luate decizii.

Cum se numește cu adevărat acest produs pe piața din România? Ce denumire folosește clientul? Ce denumire folosește concurența?

Ce apare pe eMAG? Ce apare în Google? Ce termen folosesc magazinele de specialitate și distribuitorii?

Și mai important: termenul popular în rezultatele căutării este chiar corect?

Există o diferență între limbajul consumatorului și cel tehnic? Vrem în titlu aceeași formă ca în categorie? Termenul folosit de marketplace este același pe care ar trebui să-l folosim în propriul magazin?

Abia după un astfel de research luăm decizia.

Dar nu o lăsăm doar în capul persoanei care a făcut research-ul. Nu o lăsăm nici într-o singură conversație cu ChatGPT și nu ne bazăm pe faptul că peste trei săptămâni modelul „își va aminti ce am stabilit data trecută”.

Pentru că nu e vorba de memorie.

Avem nevoie de un sistem.

Glosarul, locul unde se termină democrația lingvistică

Creăm un glosar.

În el notăm deciziile lingvistice cheie pentru o anumită piață.

Dacă stabilim că folosim „capăt pentru periuță electrică”, decizia ajunge în glosar.

Dacă un alt termen nu este dorit, notăm și asta.

În glosar putem stabili denumirea preferată a produsului, sinonimele acceptate, forma folosită în titlu, forma folosită în categorie, termenii pentru filtre, denumirile parametrilor, cuvintele pe care nu le folosim, observații de context și excepțiile pentru anumite categorii.

Și abia după ce glosarul a fost verificat îl aprobăm ca sursă de adevăr pentru acea piață.

Este un moment important.

De acum, AI nu ar mai trebui să decidă de fiecare dată din nou cum traduce același produs.

Decizia a fost luată înainte. AI trebuie doar să o respecte.

Întâi research. Apoi decizia lingvistică. Apoi notarea și aprobarea. Abia după aceea scalarea.

Și abia atunci hrănim AI cu acest glosar pentru traducerea și localizarea mai departe.

Este o schimbare mică în proces, care la câteva mii de produse face o diferență uriașă.

Nu orice română corectă este o română bună pentru e-commerce

Localizarea nu înseamnă să verifici dacă o propoziție este corectă gramatical.

Poți scrie un text fără nicio greșeală gramaticală și totuși să creezi o ofertă care sună ciudat pentru clientul român. Sau artificial. Sau prea tehnic. Sau pur și simplu a traducere.

De aceea, la extindere nu mă interesează doar întrebarea:

„Este corect în română?”

Mă interesează și:

„Chiar așa numește un român acest produs?”

„Așa îl caută?”

„Asta se așteaptă să vadă pe pagina produsului?”

„Textul sună a e-commerce local sau a magazin străin trecut prin traducător?”

Sunt două lucruri complet diferite.

Și exact aici nu ajunge să știi să folosești un instrument AI. Ai nevoie și de cunoașterea limbii, a pieței și a comportamentului clientului local.

Fluxul meu preferat de localizare cu AI

La proiectele mai mari lucrez tot mai des după o schemă foarte simplă:

ChatGPT → glosar → QA → Codex → verificare nativă

Fiecare etapă are alt rol.

Iar separarea acestor roluri face cea mai mare diferență.

ChatGPT: research, context și prima variantă

ChatGPT funcționează foarte bine în etapa de pregătire.

Poate ajuta la analiza produsului, la ordonarea datelor, la prima variantă de conținut, la compararea terminologiei sau la identificarea locurilor care cer research suplimentar.

Poate crea structura descrierilor, FAQ-urilor, descrierilor scurte, titlurilor sau a datelor necesare pentru marketplace.

Poate ajuta și la compararea mai multor denumiri posibile pentru un produs și la analiza modului în care sunt folosite.

Dar nu ar trebui să primească libertate totală pentru toate deciziile terminologice din catalog.

Mai ales dacă ulterior vom multiplica automat aceste decizii pe mii de produse.

Glosarul: decizia se ia o dată, apoi se folosește

Următoarea etapă este glosarul.

Aici notăm toate deciziile pe care vrem să le aplicăm în tot proiectul.

Pentru mine, este unul dintre elementele cheie ale calității.

Nu vreau ca AI să traducă același tip de produs de fiecare dată de la zero.

Vreau să știe:

• acesta este termenul preferat,
• acest termen îl folosim în titlu,
• această denumire nu o folosim,
• această variantă se poate folosi doar într-un anumit context.

După aprobarea glosarului, hrănim AI cu el în etapele următoare.

Atunci modelul nu mai „ghicește”.

Lucrează după un standard stabilit dinainte.

Și dacă apare un termen nou, care nu este încă în glosar? Nu lăsăm AI să decidă în tăcere în locul nostru. Termenul este analizat, verificat, aprobat și abia apoi devine parte din sursa de adevăr.

Așa, glosarul crește odată cu catalogul.

QA: aici verificăm dacă AI nu a fost prea creativ

Apoi vine QA.

Este o etapă foarte ușor de sărit, pentru că „textul există deja”.

Doar că nu verificăm doar limba.

Verificăm parametrii, materialele, cifrele, dimensiunile, variantele, conținutul setului, compatibilitatea, concordanța cu materialul sursă, terminologia, claim-urile și informațiile tehnice și de siguranță.

Verificăm și dacă un tip de produs nu a început brusc să apară sub mai multe denumiri.

Dacă denumirile din titluri corespund celor stabilite în glosar.

Dacă AI nu a decis să „înfrumusețeze” textul cu un sinonim în plus.

Dacă nu au apărut informații care nu existau în sursă.

Cu alte cuvinte: verificăm dacă AI nu a adăugat, nu a pierdut sau nu a „îmbunătățit” ceva pe cont propriu.

Pentru că în marketing creativitatea este un avantaj.

La un parametru tehnic de produs, ceva mai puțin.

Codex: automatizăm doar un proces deja ordonat

Abia apoi trec la lucrul la scară mare.

Și aici își are locul Codex.

Îl poți folosi pentru controlul seturilor mari de date, detectarea inconsecvențelor, lucrul pe sute sau mii de produse și automatizarea modificărilor repetitive.

Putem căuta produsele în care a apărut un termen interzis.

Putem verifica dacă toate produsele dintr-o categorie folosesc glosarul aprobat.

Putem detecta parametri lipsă.

Putem compara datele sursă cu varianta finală.

Putem căuta fragmente rămase din greșeală în limba sursă în descrierile în română.

Putem controla lungimea titlurilor.

Putem verifica structura conținutului.

Putem detecta produsele în care același parametru a fost denumit în mai multe feluri.

Automatizăm procesul pe care l-am ordonat înainte. Nu haosul.

Pentru că automatizarea haosului nu îl face să nu mai fie haos.

Doar face ca să avem mai mult haos, mai repede.

Verificarea nativă, dar în locul potrivit

La final rămâne verificarea de către un vorbitor nativ.

Și aici apare un „dar” important.

AI nu elimină nevoia de a cunoaște limba.

Schimbă însă locul în care avem cea mai mare nevoie de această cunoaștere.

Nu ne trebuie întotdeauna un vorbitor nativ care să citească manual 5.000 de pagini de produs aproape identice.

O valoare mult mai mare poate aduce un vorbitor nativ care verifică o categorie nouă, terminologia nouă, bestsellerurile, landing page-urile cheie, deciziile importante din glosar, cazurile dificile, conținutul cu risc mai mare și textele care vor deveni model pentru sute de alte produse.

Este o diferență esențială.

Omul nu mai este traducătorul manual al fiecărui SKU.

Devine parte din sistemul de control al calității.

AI nu elimină specialiștii. Îți permite să le folosești altfel cunoștințele

Poate că aici se vede cel mai bine schimbarea pe care AI o aduce în extindere.

Acum câțiva ani, la un catalog mare, puteam avea nevoie de o echipă întreagă pentru a scrie manual descrierile.

Astăzi putem automatiza o mare parte din această muncă.

Dar în continuare avem nevoie de oameni care știu să ia deciziile corecte.

Cineva care cunoaște limba. Cineva care înțelege e-commerce-ul local. Cineva care știe când o traducere este corectă tehnic, dar sună rău local. Cineva care observă că termenul folosit de AI poate să nu corespundă cu ce caută de fapt utilizatorii.

Deci AI nu scoate omul din proces.

Doar îl mută din producție spre control, research și luarea deciziilor.

Și cred că exact aici se află unul dintre cele mai mari beneficii ale folosirii AI în extindere.

Nu e vorba să înlocuim cunoașterea.

E vorba să nu irosim această cunoaștere pe sarcini care pot fi automatizate în siguranță.

Și unde intră SEO, GEO și zero-click?

Abia aici.

Și intenționat abia aici.

Pentru că, înainte să optimizăm conținutul pentru Google, marketplace-uri, motoarele de căutare cu AI sau răspunsurile generative, trebuie să avem date corecte și terminologie corectă.

Nu prea are sens să optimizezi perfect pentru SEO o denumire de produs greșită la nivel local.

Nu are sens să construiești un FAQ pentru un produs căruia AI i-a adăugat o funcție inexistentă.

Și nici nu are sens să creezi conținut „pentru AI” dacă nu ai stabilit propria sursă de adevăr.

Întâi calitatea datelor.

Apoi terminologia.

Apoi coerența.

Abia după aceea SEO, GEO, zero-click și scalarea vizibilității.

Ordinea contează.

Un prompt bun nu repară date proaste

Și încă un lucru pe care îl uităm des.

Putem scrie cel mai bun prompt din lume.

Putem descrie rolul modelului, tonul, SEO, publicul țintă, structura titlurilor, CTA-ul și toate regulile posibile.

Dar dacă în datele de intrare firma însăși nu știe din ce material este făcut produsul, AI nu va rezolva această problemă.

Dacă sursa spune într-un loc că setul are patru elemente, iar în altul cinci, modelul nu ar trebui să aleagă varianta care i se pare mai probabilă.

Un AI bun ar trebui să spună atunci:

„Am un conflict în date. Hai să-l verificăm.”

Asta valorează mult mai mult decât o descriere foarte frumos scrisă, cu o informație greșită.

Și ajungem din nou în același punct: calitatea localizării începe mult înainte de momentul în care generăm textul.

Cea mai scumpă greșeală? Cea pe care o putem scala

AI poate accelera foarte mult extinderea.

Oferă firmelor mai mici acces la posibilități care până de curând erau rezervate echipelor mari.

Putem analiza piețele mai repede, pregăti conținut, localiza cataloage, actualiza oferte și intra pe noi marketplace-uri.

Tocmai de aceea mă interesează tot mai puțin întrebarea:

„Cât de repede traduce AI tot catalogul?”

Mă interesează mult mai mult:

„Cum construim un proces care să permită localizarea în siguranță a 5.000 sau 10.000 de produse?”

Pentru că cel mai mare risc al AI în extindere nu este că face o greșeală.

Greșelile se întâmplă mereu.

Problema începe atunci când aceeași greșeală o putem publica astăzi automat de 5.000 de ori.