Товар готов. Инфографика — ещё нет
Как превратить выпуск карточек из очереди ручных задач в управляемый конвейер — и почему одной кнопки с AI здесь недостаточно.
Товар уже появился в ассортименте. Фотографии сняты, характеристики собраны, цена определена. Но продаваться он пока не может: сначала нужно подготовить главное изображение, размеры, преимущества, применимость и версии под площадки.
На один товар это похоже на обычную рабочую задачу. На десятки новых SKU — на очередь. Менеджер собирает исходники, дизайнер переносит данные в макеты, фотографии возвращаются на правки, готовые файлы раскладываются по папкам. Если в макете меняется фон, шрифт или информационный блок, часть работы начинается снова.
Обычно это называют нехваткой дизайнеров. Но во многих случаях проблема не в количестве людей. Просто повторяющийся производственный процесс всё ещё существует как набор ручных действий.
Я покажу два проекта, в которых мы разбирали эту очередь по-разному. В первом правила карточек уже можно было описать достаточно точно — и система собрала 30 000 изображений. Во втором одних шаблонов оказалось недостаточно: пришлось разделить точную сборку, AI-обработку и человеческую приёмку.
Товар не начинает продаваться, пока не готов контент. Поэтому очередь в дизайн — это часть скорости вывода ассортимента.
Когда карточку можно описать правилами
Один из таких процессов мы построили для Kortex — продавца автозапчастей на маркетплейсах.
В каталоге было 6000 товаров. Для каждого требовался комплект изображений: главная карточка, размеры, применимость и варианты под разные площадки. Вручную это означало около 30 000 отдельных дизайнов.
При этом значительная часть работы уже подчинялась правилам. Данные о детали лежали в таблице, изображения товаров и автомобилей — в базе, структура карточек — в макетах Figma. Дизайнеру не нужно было каждый раз изобретать новый визуальный язык. Ему нужно было правильно применить существующий.
Мы связали эти части в один процесс:
- 01
Дизайнер меняет мастер-макет в Figma.
- 02
Менеджер отмечает нужные артикулы в Google Таблице.
- 03
Система забирает данные и изображения, собирает комплект и раскладывает файлы по папкам.
- 04
Команда проверяет готовый результат.
главная карточка + размеры 
применимость 
запуск из таблицы После запуска поменялась не только скорость производства. Поменялась цена изменения. Если команда выбирает новый фон или информационную плашку, её можно применить сразу ко всему каталогу. То, что раньше означало месяцы ручной пересборки, становится часами машинной работы и человеческой проверки.
Но у этого подхода есть важное условие: правила должны быть достаточно точными, а исходные данные — подготовленными. Опечатка в названии слоя Figma, отсутствующая фотография или неструктурированный текст всё ещё могут остановить конкретную карточку.
«Один клик» здесь — не описание технологии. Это результат предварительной работы: данные приведены к порядку, правила дизайна названы, а исключения становятся видимыми.
Подробный кейс Kortex →Когда одного шаблона недостаточно
В другом проекте задача выглядела сложнее. Исходные фотографии отличались по качеству и подаче. Для карточек требовались ретушь, точные информационные блоки, размерные схемы и новые визуальные варианты.
Можно было попробовать написать один большой промпт: очистить фотографию, сохранить товар, перенести все данные, разместить размеры и собрать красивую карточку. Иногда такая попытка даже дала бы хороший результат.
Но производственный процесс нельзя строить на «иногда».
Текст, логотип, число и точка, к которой относится размерная линия, должны быть правильными каждый раз. Ретушь, фон и студийная подача допускают вариативность. А некоторые задачи сначала нужно исследовать: модель может сделать убедительную картинку, но изменить конструкцию товара или решить не ту визуальную задачу.
Поэтому мы разделили процесс на три контура.
Точное собираем точно
Данные, числовые значения, логотипы и повторяющиеся информационные блоки формируются из проверенных источников и макетов. Там, где нельзя фантазировать, нейросеть не должна быть источником истины.
Вариативное отдаём AI
Ретушь, очистка фона и визуальная подача выполняются по отдельным сценариям. Модель получает конкретную задачу, а не просьбу самостоятельно придумать всю карточку.
Результат принимает человек
Изображение проверяется по одинаковым критериям: сохранён ли товар, не потеряны ли элементы, правильны ли данные и достаточно ли аккуратен результат. Принятый вариант идёт дальше. Исключение отправляется на другой сценарий или ручную доработку.
Точная сборка
числа · логотипы · информационные блоки
AI-обработка
ретушь · фон · вариативная подача
R&D
новый ракурс · сложная геометрия · исключения
Итогом такой работы становится не эффектная демонстрация одной удачной генерации, а карта производственного процесса. Видно, какие операции уже можно запускать серийно, какие требуют проверки человеком, а какие пока честно остаются исследовательскими.
Автоматизировать всё — плохая цель
У конвейера инфографики нет обязанности автоматически принимать каждый товар. У него есть другая задача: пропускать основной повторяющийся поток и не маскировать исключения.
Если система обработала фотографию, но изменила форму товара, это не экономия. Если правильно переписала размеры, но поставила линию не к той детали, это не готовая карточка. Если менеджеру приходится искать ошибки среди тысяч файлов, ручная работа просто переехала в другое место.
Поэтому дизайнер не исчезает из процесса. Меняется его роль.
Дизайнер собирает каждый комплект
Переносит данные, повторяет одни и те же операции и сам ищет ошибки.
Дизайнер задаёт правила и принимает результат
Основной поток проходит через систему. К человеку возвращаются исключения.
Как понять, что у вас такая же задача
Конвейер стоит исследовать, если новые товары появляются регулярно и каждому нужен похожий путь от исходников до публикации.
- В каталоге сотни или тысячи SKU.
- Для каждого товара собирается повторяющийся комплект изображений.
- Фотографии и данные приходят из нескольких источников.
- Новые товары или массовые обновления ждут дизайн.
- В команде есть человек, который способен назвать правила и принять качество.
Сам по себе большой каталог ещё не означает, что нужна автоматизация. Если новые товары выходят редко, а каждая карточка требует самостоятельной креативной концепции, отдельный конвейер может не окупиться.
С чего я бы начал
Не с разработки большой системы и не с обещания автоматизировать весь каталог.
Сначала я бы взял небольшую, но разную выборку товаров и проследил их путь: откуда появляются фотографии и данные, какие решения повторяются, где чаще возникают правки и кто принимает финальный результат.
Затем для каждого участка можно ответить на три вопроса:
- Можно ли описать эту операцию строгими правилами?
- Допустима ли здесь вариативность AI?
- Как человек поймёт, что результат годный?
На выходе такой разведки должны появиться не только красивые примеры. Нужны принимаемые командой образцы, список ограничений, доля автоматизируемого процесса и решение: есть ли смысл строить конвейер дальше.
Хорошая разведка может закончиться решением не автоматизировать часть процесса. Это дешевле, чем узнать то же самое после большого внедрения.
Если вы узнали свой процесс
Мне интересно сравнить эти два опыта с тем, как устроено производство карточек у других продавцов.
Если у вас новые товары тоже ждут контент или обновление каталога превращается в месяцы ручной работы, я покажу оба процесса подробнее, задам вопросы о вашем и помогу понять, есть ли здесь задача для конвейера.