AI sémantické vyhledávání na e-shopu: jak funguje a kdy se vyplatí

Vyhledávání je na e-shopu místo, kde zákazník sám řekne, co chce. Přesto na mnoha e-shopech vrací „Nenalezeno“ na dotaz, na který v katalogu existuje deset vhodných produktů. Stačí, aby zákazník napsal „něco do deště na kolo“ místo „nepromokavá cyklistická bunda“.

Klasický full-text hledá shodu slov. AI sémantické vyhledávání hledá shodu významu. V článku vysvětlujeme, jak to technicky funguje, proč samotná sémantika nestačí, co stojí hotové služby a vlastní řešení a jak poznat, že nové hledání opravdu prodává víc.

Jak funguje sémantické vyhledávání

Základem jsou embedding modely. Převedou text na vektor, tedy řadu čísel, která zachycuje význam. Texty s podobným významem mají blízké vektory, i když nesdílejí jediné slovo.

Postup má dvě části:

1. Indexace. Pro každý produkt se sestaví text z názvu, kategorie, parametrů a zkráceného popisu. Embedding model z něj vytvoří vektor a ten se uloží do indexu.
2. Hledání. Dotaz zákazníka projde stejným modelem. Vyhledávač najde produkty s nejbližšími vektory a seřadí je.

Díky tomu „boty na běhání do terénu“ najdou trailové boty a „dárek pro kutila“ najde aku vrtačky. Vícejazyčné embedding modely navíc obvykle lépe snesou jiné tvary slov nebo chybějící diakritiku než prosté porovnání řetězců. Kvalitu je ale vždy potřeba ověřit na skutečných dotazech vašich zákazníků.

Proč nestačí jen sémantika: hybridní hledání

Sémantické hledání má slabinu. Na dotaz „Bosch GSR 18V-55“ vrátí podobné vrtačky, i když zákazník chtěl přesně tenhle model. U katalogových čísel, EAN a přesných názvů je klasický full-text spolehlivější.

Proto nasazujeme hybridní vyhledávání. Obě metody běží souběžně a výsledky se spojí. Běžné nástroje to mají vestavěné:

• Elasticsearch doporučuje pro hybridní hledání algoritmus reciprocal rank fusion (RRF). Ten spojí pořadí z full-textu a z vektorového hledání a zvýhodní produkty, které jsou vysoko v obou. Podle dokumentace nevyžaduje ladění, výchozí konstanta je 60.
• Meilisearch má parametr semanticRatio od 0 do 1. Hodnota 0 znamená čistý full-text, 1 čistou sémantiku, výchozí hybridní nastavení je 0,5.

V praxi začínáme s vyváženým poměrem a ladíme ho podle logu dotazů. E-shop s elektronikou, kde lidé hledají modely, potřebuje víc full-textu. E-shop s dárky nebo módou, kde lidé popisují potřebu, víc sémantiky.

Hotová služba, nebo vlastní řešení

Aktuální ceník ověřte u poskytovatele. Luigi's Box má doplněk přímo ve Shoptet Doplňcích, což je pro Shoptet nejrychlejší cesta. Vlastní řešení volíme, když má e-shop desítky tisíc produktů, vlastní frontend nebo potřebuje řadit podle marže a skladu po svém.

Kolik stojí embeddingy: modelový výpočet

Následující výpočet je modelový. Nahraďte vstupy svými čísly.

Model text-embedding-3-small stojí podle OpenAI 0,02 USD za milion tokenů, v dávkovém režimu 0,01 USD (ceník k 9/2026, aktuální ceník ověřte u poskytovatele). Za výstup se u embeddingů neplatí.

Indexace katalogu: 20 000 × 250 = 5 milionů tokenů, tedy 0,10 USD. Dotazy: 100 000 × 10 = 1 milion tokenů, tedy 0,02 USD měsíčně. I při kurzu 22 Kč za USD jde o jednotky korun.

Závěr je jasný. Embeddingy jsou zanedbatelná položka. Peníze stojí vyhledávač samotný, jeho provoz, napojení na produktová data a hlavně ladění. Pro srovnání u Algolie: 50 000 vyhledávání měsíčně na tarifu Grow znamená 40 000 placených, tedy 20 USD. Na Grow Plus 70 USD.

Na čem kvalita skutečně stojí

Data. Nejlepší vyhledávač nezachrání produkt bez parametrů a se zkratkovitým názvem. AI nemá z čeho vybírat. Často proto spolu s vyhledáváním doplňujeme atributy, i pomocí AI, jak popisujeme v článku jak AI generuje parametry a atributy produktu. Produktová data do vyhledávače bereme přes API nebo XML feed.

Obchodní pravidla. Sémantika řeší relevanci, ne byznys. Vyprodané produkty dolů, novinky a produkty s vyšší marží mírně nahoru, zakázané kombinace pryč. Tohle se nastavuje nad výsledky vyhledávání.

Rozhraní. Našeptávač, filtry ve výsledcích a oprava překlepů rozhodují stejně jako algoritmus. UX vyhledávání a filtrů rozebíráme v článku filtrace a vyhledávání.

Konverzační hledání. Dalším krokem je dialog: zákazník popíše situaci a AI se doptá na velikost nebo rozpočet. Odpovědi musí vycházet jen z vašeho katalogu, proto se staví na RAG architektuře. Jinak hrozí, že AI doporučí zboží, které nemáte.

Jak měřit, že nové hledání funguje

Bez měření nepoznáte, jestli jste si pomohli. Sledujeme čtyři metriky:

• Podíl dotazů bez výsledku. Nejrychlejší ukazatel. Z těchto dotazů rovnou vzniká seznam synonym a chybějícího sortimentu.
• Proklik z výsledků. Kolik hledání skončí kliknutím na produkt.
• Konverze návštěv s vyhledáváním. Porovnání před a po, ideálně A/B testem.
• Pozice kliknutého produktu. Když lidé klikají až na desátý výsledek, řazení nesedí.

Jak na to prakticky

1. Stáhněte log dotazů za poslední 3 měsíce a seřaďte je podle četnosti.
2. Najděte dotazy bez výsledku a ručně ověřte, kolik z nich mělo v katalogu odpověď.
3. Zkontrolujte data u top kategorií: názvy, značky, parametry.
4. Vyberte variantu podle platformy a velikosti katalogu: hotová služba, nebo vlastní hybridní řešení.
5. Otestujte na reálných dotazech a porovnejte výsledky se současným hledáním.
6. Spusťte A/B test a vyhodnoťte metriky výše.
7. Laďte průběžně synonyma, poměr full-textu a sémantiky a obchodní pravidla.

Nasazení hotové služby je obvykle otázka dnů až 2 týdnů, vlastní hybridní řešení s napojením dat a úpravou frontendu spíš 4–8 týdnů. Podívejte se na službu AI vyhledávání. Cenu připravíme po konzultaci podle platformy a velikosti katalogu.