Przejdź do treści

Praktyczne zastosowania

5,5 mln tytułów w rok: jak Popsa wdrożyła AI do personalizacji

Zaktualizowano: Autor: Andrzej Niemiec11 min czytania

Popsa wygenerowała ponad 5,5 mln tytułów w 2025 roku w 12 językach. Jak działa system, jakie modele AI wybrano i jak wypadły testy ocen użytkowników.

5,5 mln tytułów w rok: jak Popsa wdrożyła AI do personalizacji
Spis treści
  1. Ile tytułów wygenerowała Popsa i co dokładnie powstaje w systemie?
  2. Od czego zaczął się system i jak długo trwało wdrożenie?
  3. Które modele AI wybrano i skąd system bierze dane?
  4. Jak wypadły testy jakości i co zmieniło się w ocenach użytkowników?
  5. Jak skrócił się czas odpowiedzi po zmianie infrastruktury?
  6. Jakie narzędzia automatyzacji wybrać do podobnego wdrożenia?
  7. Czy agenci i MCP są bezpieczni we wdrożeniu firmowym?
  8. Najczęstsze pytania
  9. Źródła

Ile tytułów wygenerowała Popsa i co dokładnie powstaje w systemie?

Popsa wygenerowała ponad 5,5 mln spersonalizowanych tytułów w 2025 roku [1]. Liczba dotyczy tytułów, a nie produktów ani fotoksiążek. System tworzy tytuł, podtytuł i kategorię okładki, a tytuł z podtytułem muszą zmieścić się w limicie 36 znaków [1].

Popsa to londyńska firma założona w 2016 roku. Sprzedaje fotoksiążki, kalendarze, płytki ścienne, ozdoby i odbitki [2][3]. W 2025 roku firma podawała 2,5 mln płacących klientów oraz certyfikat B Corp [2]. Automatyzacja dotyczy więc produktu masowego, a nie wewnętrznego eksperymentu.

Funkcja nazywa się Title Suggestion i działa w aplikacji do fotoksiążek [1]. Wprowadzenie modeli językowych do takiej funkcji wpisuje się w szerszy ruch, który opisujemy w przewodniku po agentach AI i automatyzacji.

Od czego zaczął się system i jak długo trwało wdrożenie?

Title Suggestion działał od 2021 roku jako mechanizm regułowy o nazwie Title Suggestion Graph [1]. Prace nad wersją generatywną rozpoczęto w czerwcu 2024 roku, a testy modeli Amazon Nova prowadzono na początku 2025 roku [1].

Chronologia jest tu ważniejsza niż jedna data. Źródło nie wskazuje pojedynczego momentu przełomu. Opisuje testy z setkami tysięcy użytkowników, a następnie udostępnienie funkcji wszystkim użytkownikom po kilku miesiącach [1]. Ten wzorzec, od reguł przez pilotaż do pełnego wdrożenia, powtarza się w dojrzałych projektach automatyzacji. Więcej o granicach takiego podejścia pisze artykuł o agentic workflow w produkcji.

Które modele AI wybrano i skąd system bierze dane?

Pierwsza wersja generatywna korzystała z Anthropic Claude 3 Haiku przez Amazon Bedrock, z podejściem retrieval-based few-shot prompting. Później zespół testował modele z rodziny Amazon Nova [1].

Dane wejściowe pochodzą z metadanych zdjęć, między innymi dat i geolokalizacji, oraz z odwróconego geokodowania. Aplikacja używa też modeli computer vision działających na urządzeniu, które rozpoznają temat zdjęcia [1]. Tytuły powstają w 12 językach. Popsa deklaruje automatyczne generowanie tytułów i podtytułów w 12 językach, a od 2018 roku lokalizuje produkty i komunikację na 12 języków europejskich [1][2].

Jak wypadły testy jakości i co zmieniło się w ocenach użytkowników?

Przejście z algorytmu grafowego na Claude 3 Haiku zwiększyło odsetek pozytywnych ocen z 58% do 71%. Nova Pro osiągnęła 73% pozytywnych ocen [1].

Te wartości dotyczą ocen użytkowników, a nie sprzedaży. Czytaj je jako wskaźnik akceptacji sugestii, nie jako wynik finansowy [1]. Różnica między 71% i 73% jest mała, więc wybór modelu warto oprzeć na koszcie i czasie odpowiedzi, a nie tylko na tym jednym pomiarze.

Jak skrócił się czas odpowiedzi po zmianie infrastruktury?

Migracja do Bedrock ConverseStream skróciła średni czas do pierwszej sugestii z 1,41 s do 0,92 s, czyli o około 35% [1]. Pół sekundy różnicy nie brzmi jak przełom, ale w interfejsie, który podpowiada tytuł podczas edycji okładki, decyduje o tym, czy użytkownik czeka na podpowiedź, czy pisze sam.

Wdrożenie objęło najpierw setki tysięcy użytkowników, a po kilku miesiącach funkcję udostępniono 100% użytkowników [1].

Jakie narzędzia automatyzacji wybrać do podobnego wdrożenia?

Popsa zbudowała własny system na modelach i infrastrukturze chmurowej. Firmie, która chce automatyzować treść lub procesy bez pisania kodu od zera, bliżej do platform workflow. Poniższe porównanie opiera się na publicznych cennikach z października 2026.

Kryteriumn8nMakeZapier
Próg darmowyCommunity self-hosted za 0 USD, płaci się za serwer [4]Free z 1 000 creditów miesięcznie [5]Free ze 100 taskami miesięcznie [6]
Jednostka rozliczeniawykonania, Cloud Starter 20 USD miesięcznie przy rozliczeniu rocznym za 2 500 wykonań [4]credits, Core 12 USD miesięcznie [5]taski i activities, Professional od 19,99 USD miesięcznie przy rozliczeniu rocznym [6]
Warstwa agentowaAI Agent node oraz MCP [9]Make AI Agents na tej samej kanwie co scenariusze, ogłoszone 11 lutego 2026 [7]AI by Zapier z tierami modeli 1x, 3x i 5x od 15 czerwca 2026 [8]

Wydanie n8n 2.43 z 6 października 2026 udostępniło Browser Use wszystkim użytkownikom [10]. To szczegół wart uwagi przy wyborze platformy, jeśli automatyzacja ma obejmować strony bez API. Zasady wyboru między platformami a własnym systemem opisują też nasze teksty o architekturze multi-agent i o współdzielonej pamięci agentów.

Czy agenci i MCP są bezpieczni we wdrożeniu firmowym?

MCP to otwarty standard łączący modele z narzędziami i danymi, a nie aplikacja ani model [12]. Standard niesie jednak ryzyko: OWASP opisuje atak MCP Tool Poisoning, w którym złośliwy opis narzędzia steruje modelem [11]. Dlatego zgoda człowieka na akcje zapisujące dane pozostaje obowiązkowa.

To ryzyko rośnie wraz z zakresem uprawnień. Agent ChatGPT może korzystać z przeglądarki, terminala, plików i aplikacji [13]. Limity agent mode wynoszą 40 wywołań miesięcznie w planie Plus i 400 w planie Pro [13]. Im szerszy dostęp, tym większa wartość takiego ataku.

Najczęstsze pytania

Czy 5,5 mln dotyczy fotoksiążek?

Nie. Liczba opisuje spersonalizowane tytuły wygenerowane w 2025 roku [1]. Fotoksiążka to produkt, którego dotyczy funkcja, ale licznik obejmuje tytuły, nie egzemplarze ani zamówienia. Ten sam limit 36 znaków dotyczy tytułu i podtytułu na okładce [1].

Czy Popsa korzysta tylko z jednego modelu AI?

Nie. Pierwsza wersja generatywna używała Claude 3 Haiku przez Amazon Bedrock, a później testowano modele Amazon Nova [1]. Nova Pro uzyskała 73% pozytywnych ocen, o dwa punkty procentowe więcej niż Claude 3 Haiku [1]. Wybór zależał więc od kombinacji jakości i kosztu.

Od kiedy działa Title Suggestion?

Funkcja działała od 2021 roku jako mechanizm regułowy Title Suggestion Graph [1]. Prace nad wersją generatywną rozpoczęto w czerwcu 2024 roku, a testy modeli Nova prowadzono na początku 2025 roku [1]. Wdrożenie na 100% użytkowników nastąpiło po kilku miesiącach testów [1].

Czym jest MCP i po co firmie?

MCP to otwarty standard, który pozwala modelom korzystać z narzędzi, danych i automatyzacji [12]. Nie jest aplikacją ani modelem, więc nie zastępuje platformy workflow. Firmie daje wspólny sposób podłączania narzędzi, ale wymaga kontroli nad tym, jakie opisy narzędzi model przyjmuje [11].

Czy agent AI może działać bez nadzoru człowieka?

Może wykonywać kroki sam, ale nie gwarantuje poprawności. Może pomylić dane, wybrać niewłaściwe narzędzie lub zostać zmanipulowany treścią strony. Dlatego akcje zapisujące dane i działania finansowe warto zatwierdzać ręcznie. W planie Plus agent mode ma limit 40 wywołań miesięcznie [13].

Źródła

  1. How Popsa used Amazon Nova to inspire customers with personalised title suggestions (AWS, 2026)
  2. About Popsa (Popsa, 2026)
  3. Personalised Photo Products (Popsa, 2026)
  4. n8n Plans and Pricing (n8n, 2026)
  5. Pricing & Subscription Packages (Make, 2026)
  6. Plans & Pricing (Zapier, 2026)
  7. Announcing the next generation of Make AI Agents (Make, 2026)
  8. AI by Zapier model tier pricing (Zapier, 2026)
  9. Connect to n8n MCP server (n8n, 2026)
  10. Release notes (n8n, 2026)
  11. MCP Tool Poisoning (OWASP, 2026)
  12. Model Context Protocol (MCP, 2026)
  13. ChatGPT agent (OpenAI, 2025)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji