Automatizace má odstranit rutinu, ne odpovědnost.

U e-shopu s tisíci produktů nebo kategorií bývá ruční příprava základních popisků pomalá. Jazykový model dokáže z tabulkových dat vytvořit první verzi textu, doplnit strukturu a držet jednotný formát. To je dobrý základ pro automatizaci. Není to ale důvod publikovat bez kontroly tisíce stránek, které nepřinášejí zákazníkům žádnou novou hodnotu.

Google výslovně připouští, že generativní AI může pomoci s rešerší a strukturou původního obsahu. Současně varuje před generováním velkého množství stránek bez přidané hodnoty. U automatizace proto řeším dvě vrstvy: technický proces a obsahovou kvalitu. Pokud chybí jedna z nich, škálování pouze násobí problém.

1. Připravte data, která model skutečně potřebuje.

Nejčastější chybou není špatný model, ale slabý vstup. Pokud tabulka obsahuje pouze název produktu, model začne mezery vyplňovat obecnými větami. U produktových textů proto předem určete, které informace jsou ověřené a co model nesmí domýšlet.

U kategorií přidejte také hlavní témata z analýzy klíčových slov, záměr hledání a interní odkazy, které dávají smysl. Text pak není izolovaný odstavec, ale součást informační architektury e-shopu.

2. Prompt musí definovat mantinely.

Prompt není kouzelná formulka. Je to zadání pro opakovanou výrobu. Měl by určit publikum, cíl, délku, strukturu, tón, povolená fakta a zakázaná tvrzení. Užitečné je vyžadovat strukturovaný výstup, například JSON s přesně pojmenovanými poli. Validace je potom mnohem jednodušší.

• Zakázat doplňování neověřených parametrů a certifikací.
• Vyžadovat konkrétní přínos produktu, ne univerzální marketingové fráze.
• Definovat maximální délku a povolené HTML prvky.
• Vynutit strukturovaný formát výstupu a identifikátor zdrojového řádku.
• U citlivých oborů přidat přísnější pravidla pro fakta a kontrolu odborníkem.

3. Propojte tabulku s Claude API.

Anthropic nabízí oficiální SDK pro Python i další jazyky. Pro jednoduchý první prototyp stačí načíst CSV, pro každý řádek sestavit prompt a výsledek uložit do nového souboru. API klíč patří do proměnné prostředí, nikdy přímo do kódu nebo veřejného repozitáře.

import csv
import os
from anthropic import Anthropic

client = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
MODEL = "claude-sonnet-4-6"  # před spuštěním ověřte aktivní alias v dokumentaci

with open("produkty.csv", newline="", encoding="utf-8") as source,      open("popisky-vystup.csv", "w", newline="", encoding="utf-8") as target:
    rows = csv.DictReader(source)
    writer = csv.DictWriter(target, fieldnames=["sku", "description"])
    writer.writeheader()

    for row in rows:
        prompt = f"""Napiš stručný produktový popis.
Používej pouze ověřená fakta.
Název: {row["name"]}
Fakta: {row["facts"]}
Cílová skupina: {row["audience"]}"""

        message = client.messages.create(
            model=MODEL,
            max_tokens=500,
            messages=[{"role": "user", "content": prompt}],
        )
        writer.writerow({
            "sku": row["sku"],
            "description": message.content[0].text,
        })

Ukázka je úmyslně jednoduchá. Produkční skript musí řešit opakování při chybě, logování, checkpointy, limity API, kontrolu formátu a bezpečné pokračování po přerušení. U velkých běhů se vyplatí ukládat průběžné výsledky a nikdy negenerovat celý katalog do jediné nezkontrolovatelné dávky.

4. U většího objemu využijte dávkové zpracování.

Claude API nabízí Message Batches API pro asynchronní zpracování většího počtu požadavků. Je vhodné pro situace, kdy nepotřebujete odpověď okamžitě. Anthropic uvádí, že dávkové požadavky jsou účtované za 50 % standardních API cen. Pro katalogové texty, klasifikaci nebo kontrolu dat je to často praktičtější než posílat jednotlivé požadavky jeden po druhém.

Pokud se v každém požadavku opakuje dlouhá část instrukcí nebo kontextu, může dávat smysl také prompt caching. Cache umožňuje znovu použít stabilní prefix promptu a snížit opakované zpracování. Přínos záleží na délce promptu, zvoleném modelu a frekvenci použití. Nejde tedy o automatickou úsporu pro každý krátký popisek.

5. Rozpočet počítejte podle tokenů, ne podle počtu řádků.

API se neúčtuje za jeden text, ale podle počtu vstupních a výstupních AI tokenů. Dva podobně dlouhé produktové popisky mohou mít jinou cenu, pokud jeden používá výrazně delší prompt nebo více kontextu. Před velkým během proto vezměte malý vzorek, změřte průměrnou spotřebu a nastavte limit.

Ceník i dostupné modely se mění. Před spuštěním ověřte aktuální alias modelu a cenu přímo v dokumentaci Anthropic. Pro běžnou produkční práci často dává smysl začít modelem z řady Sonnet a dražší variantu zapojit pouze tam, kde prokazatelně přináší lepší výstup.

6. Kontrola kvality patří do samotného procesu.

Největší rozdíl mezi užitečnou automatizací a katalogem generických textů je v QA. Nestačí náhodně otevřít tři produkty. Kontrola musí spojit strojová pravidla a ruční vzorek podle rizika.

AI se skvěle hodí jako pomocník, ale finální odpovědnost zůstává na člověku. Stejný princip popisuji i v článku co AI nikdy nebude umět. U textů pro web je dobré propojit automatizaci s kvalitním copywritingem, SEO architekturou a zásadami E-E-A-T.

Automatizace funguje nejlépe jako řízená výrobní linka.

Claude API vám může ušetřit desítky hodin rutinní práce. Nejlepší výsledek ale nevznikne tím, že modelu předáte prázdnou tabulku a necháte ho improvizovat. Připravte data, mantinely, pilot, validaci, ruční kontrolu a až potom škálujte. U e-shopu tak získáte rychlejší produkci bez toho, aby obsah ztratil důvěryhodnost nebo praktickou hodnotu.