Najczęściej nie zaczyna się od wielkiej awarii.

Przynajmniej ja widzę to inaczej. Rozmawiam z firmą produkcyjną, na przykład z producentem elementów dla budownictwa. Sprzedaż działa, klienci są, zamówienia spływają, marketing przygotowuje kolejne materiały, obsługa klienta odpowiada na zgłoszenia. Na zewnątrz wszystko wygląda normalnie.

Klient pyta o status zamówienia. Handlowiec potrzebuje aktualnej karty produktu. Marketing szuka najnowszej wersji specyfikacji do katalogu. Back office ma przygotować zestawienie dla zarządu. Niby nic wielkiego. Tylko że jedna informacja jest w systemie, druga w Excelu, trzecia w mailu, a czwartą najlepiej potwierdzić u osoby, która akurat jest na spotkaniu albo ma urlop.

Nie twierdzę, że to czyjeś lenistwo albo że firma nie umie działać. Po prostu informacja w tej organizacji płynie wolniej niż biznes.

I tu zaczyna się temat, który zwykle nazywamy długiem technologicznym. A że przez ostatnie 20 lat projektów IT dla producentów trochę tych długów widziałem, to się wypowiem.

Nie lubię zaczynać od definicji, bo wtedy łatwo zrobić z tego tekst dla IT. A to nie jest tekst dla IT. Jeśli jesteś właścicielem, CEO albo członkiem zarządu firmy produkcyjnej B2B, ważniejsze jest inne pytanie: czy twoja firma traci pieniądze, bo zbyt wiele rzeczy nadal wymaga ręcznego szukania, przepisywania, sprawdzania i dopytywania?

Dług technologiczny nie zawsze wygląda jak stary system, którego nikt nie chce dotknąć. Czasem to bardzo zwyczajny dzień pracy. Dane są w kilku miejscach. Raport powstaje ręcznie. Aktualna wersja cennika krąży w mailach. Pliki produktowe mają kilka wersji. Zgłoszenie klienta trzeba przepisać z jednego miejsca do drugiego.

Pojedynczo to są drobiazgi. W skali miesiąca mogą być setkami godzin pracy. W skali roku mogą być realnym kosztem, którego nie widać w jednej pozycji budżetu.

I właśnie dlatego ten problem jest tak podstępny. Nie dostajesz faktury za „chaos informacyjny”. Nie masz w controllingu osobnej kategorii „czas stracony na ręczne obejścia”. Nie widzisz w raporcie, ile razy klient czekał za długo, kampania ruszyła później, a decyzja zarządu opierała się na danych składanych ręcznie przez kilka osób.

Widzisz za to objawy. Zespół sprzedaży jest zajęty, ale nadal potrzebuje więcej wsparcia. Obsługa klienta ma coraz więcej podobnych spraw. Marketing tworzy materiały, ale długo zbiera aktualne dane o produktach. Raporty powstają, ale ktoś musi je ręcznie poskładać. Nowe pomysły biznesowe brzmią prosto na spotkaniu zarządu, a potem grzęzną, bo dane, procesy i systemy nie są gotowe na ich obsłużenie.

Firma rośnie, ale sposób działania pozostaje z poprzedniej skali.

To jest moment, w którym technologia zaczyna działać jak ukryty podatek od wzrostu. Im więcej klientów, produktów, wariantów, kanałów komunikacji i danych, tym więcej energii idzie nie na rozwój, tylko na obchodzenie ograniczeń. Twoi ludzie nadal dowożą. Często właśnie dlatego problem jest tak długo niewidzialny. Organizacja przyzwyczaja się do tego, że ktoś zawsze jakoś to sprawdzi, poprawi, przepisze, policzy albo dopilnuje.

Tylko że „jakoś” nie jest strategią skalowania firmy.

W średnich i dużych firmach produkcyjnych B2B największy koszt nie zawsze siedzi na hali produkcyjnej. Często jest między sprzedażą, obsługą klienta, marketingiem i back office. Czyli dokładnie tam, gdzie firma powinna szybko odpowiadać, jasno komunikować, korzystać ze spójnych danych i podejmować decyzje bez ręcznego zszywania informacji.

Pomyśl o tym bardzo praktycznie. Ile czasu zajmuje odpowiedź na typowe pytanie klienta? Ile osób musi dotknąć jednej sprawy, zanim ktoś dostanie konkretną informację? Ile razy w tygodniu marketing, sprzedaż albo obsługa klienta szukają danych, które teoretycznie już gdzieś są? Ile raportów, zestawień i statusów powstaje tylko dlatego, że systemy nie dają ludziom prostego obrazu sytuacji?

To są pytania o tempo działania firmy, a nie o technologię.

Bo dług technologiczny uderza w biznes na kilka bardzo konkretnych sposobów. Spowalnia obsługę klientów, bo prosta odpowiedź wymaga zbyt wielu kroków. Podnosi koszty pracy, bo firma skaluje się przez dokładanie ludzi, a nie przez usprawnianie procesu. Osłabia marketing, bo aktualne informacje produktowe nie są dostępne wtedy, kiedy są potrzebne. Utrudnia wdrażanie nowych inicjatyw, bo każdy pomysł musi przebić się przez stare zależności.

Najgorsze jest to, że przez długi czas można uznawać to za normalne.

„Tak u nas działa proces”. „Ten raport robi Ania”. „O aktualne dane trzeba zapytać Tomka”. „To jest w systemie, ale najlepiej potwierdzić mailowo”. „Marketing ma swoją wersję pliku, sprzedaż swoją, a centrala jeszcze inną”. Brzmi znajomo? Właśnie w takich zdaniach często kryje się koszt, którego zarząd nie widzi od razu.

Nie chodzi o to, żeby każdą firmę straszyć wielką transformacją cyfrową. Szczerze mówiąc, wiele firm ma już za sobą dość takich haseł. I trudno się dziwić. Jeśli słyszysz, że musisz wymienić pół organizacji, zanim zobaczysz jakikolwiek efekt, to naturalnie odkładasz temat na później.

Dlatego coraz częściej bardziej sensowne wydaje mi się inne podejście. Nie zaczynasz od pytania: jaki wielki system musimy wdrożyć? Lepiej: który proces codziennie zabiera ludziom najwięcej czasu, opóźnia odpowiedzi albo rozprasza dane?

To może być obsługa powtarzalnych maili i zgłoszeń. Może to być wsparcie customer service w odpowiadaniu na typowe pytania. Może to być narzędzie dla marketingu i sprzedaży, które porządkuje informacje o produktach, cennikach, materiałach i statusach. Może to być aplikacja webowa porządkująca przepływ danych między działami albo automatyzacja raportu, który dziś powstaje ręcznie.

Nie twierdzę, że takie narzędzie rozwiąże wszystkie problemy firmy. To byłoby zbyt łatwe. Ale dobrze wybrany mały problem potrafi pokazać coś bardzo ważnego: czy w danym obszarze technologia może realnie zdjąć koszt z organizacji.

Tutaj pojawia się AI, ale nie jako magiczna odpowiedź na wszystko.

AI nie naprawia długu technologicznego samo z siebie. Nie zastąpi rozmowy o procesach. Nie uporządkuje firmy, która sama nie wie, gdzie traci czas. Zmienia jednak ekonomikę pierwszego kroku. To, co kiedyś lądowało w szufladzie „może kiedyś, bo za drogie i za ryzykowne”, dziś częściej można sprawdzić szybciej: prototypem, lekką aplikacją webową, automatyzacją albo narzędziem wspieranym AI.

Dzięki temu szybko sprawdzisz, czy jeden konkretny problem naprawdę da się rozwiązać lepiej.

 dotyczącym firm produkcyjnych i dystrybucyjnych 70% organizacji wskazało, że dług technologiczny ma istotny wpływ na ich zdolność do innowacji. Blisko połowa uznała obecną architekturę rozwiązań za przeszkodę w innowacji. Można potraktować to jako dane z raportu. Ale można też zejść poziom niżej i zapytać dużo prościej: co w twojej firmie blokuje zmianę, mimo że na pierwszy rzut oka nie wygląda jak duży problem?

Moim zdaniem od tego warto zacząć rozmowę w zarządzie.

Zostaw na chwilę z boku tematy nowoczesnych systemów, czy listy technologii, a tym bardziej wielki program transformacji. Zacznij od miejsc, w których twoi ludzie codziennie nadrabiają ręczną pracą to, czego nie dowożą procesy i narzędzia. A potem zapytaj, ile to naprawdę kosztuje.

Nie tylko w pensjach. Także w czasie reakcji, jakości obsługi, aktualności komunikacji, utraconych szansach, frustracji zespołów, wolniejszym skalowaniu i marży, która znika w codziennych obejściach.

Bo twoja firma nie musi mieć awarii systemu, żeby tracić pieniądze przez technologię. Wystarczy, że prosta informacja wymaga pracy kilku osób.

Profil mężczyzny w okularach na tle niebieskich wizualizacji danych i wykresów

Ukryty podatek od wzrostu. Jak dług technologiczny spowalnia firmy produkcyjne B2B

Jeśli odpowiadasz za marketing w firmie produkcyjnej, ta sytuacja pewnie nie jest Ci obca.

W raporcie GA4 ruch organiczny spada. Formularzy jest mniej. Sprzedaż mówi, że leady są trudniejsze do zamknięcia. Na spotkaniach wszyscy zadają sobie pytanie, czy to rynek stygnie, czy kampanie przestały dowozić? Może czas zmienić agencję SEO, albo wszystkiemu winna jest konkurencja.

Zazwyczaj w takiej sytuacji marketing na szczyt listy priorytetów wrzuca ambitne zadanie: musimy odzyskać ruch.

Natomiast w B2B, szczególnie w produkcji, może się okazać, że taka decyzja podejmowana jest przedwcześnie, a realne wyzwanie jest większe niż może się wydawać.

Dane pokazują, że znacząco zmienia się sposób, w jaki klienci szukają dostawców i porównują ich oferty. Dotychczasowe punkty styku (informacje ze strony, katalog produktów, dokumentacja, dane techniczne, itd) nie tracą na znaczeniu, ale zmienia się sposób w jaki korzystają z nich potencjalni klienci. Znacznie większa część procesu zakupowego ma miejsce przed wejściem na stronę, które analityka zarejestruje jako sesję, nie mówiąc już o kontakcie z handlowcem, który widoczny będzie w CRMie.

W obliczu tych zmian osoby odpowiedzialne za marketing mają bardzo trudne zadanie, od którego w dużej mierze może zależeć dalszy rozwój całego przedsiębiorstwa. Zespół dalej musi budować popyt, dbać o markę, wspierać sprzedaż i pilnować jakości leadów, a równolegle przygotować digital na zupełnie nową ścieżkę, w której człowiek trafia na stronę później, jest bardziej wyedukowany, często po rekomendacji od agenta AI.

Tu zaczyna się realne wyzwanie i największa zmiana. Obok człowieka pojawia się nowy użytkownik strony, katalogu i treści produktowych: agent AI, który czyta, streszcza i porównuje ofertę w imieniu kupującego.

Branża produkcyjna ma jeszcze czas, ale jest go coraz mniej

Google podczas I/O 2026 pokazało przyszłość AI Mode i wyszukiwania z agentami. Firma nazwała nowy search box największą przebudową wyszukiwarki od ponad 25 lat w tekście 

. Interakcja z wyszukiwarką przesuwa się w stronę pogłębionego dialogu, analizy, podsumowania i rekomendacji.

Dane o kliknięciach pokazują ten sam kierunek. Według analizy 

 dla USA z okresu styczeń - kwiecień 2026, 68,01% wyszukiwań w Google zakończyło się bez kliknięcia. Ahrefs, po analizie 300 tysięcy fraz, pokazał z kolei, że obecność AI Overview korelowała z 

W branży produkcyjnej tempo tej zmiany może być trochę wolniejsze niż w innych sektorach B2B. I to jest dobra wiadomość. Badanie 

 pokazuje, że przy złożonych zakupach od producentów 85% respondentów nadal używa stron dostawców do pozyskania informacji, a tylko 12-13% wskazuje GenAI jako źródło danych w tym typie procesu zakupowego.

Niemniej produkcja jest częścią tej zmiany. Ma jeszcze chwilę na przygotowanie digitalu, zanim zachowania widoczne dziś mocniej w innych segmentach B2B staną się codziennością również tutaj. Strona dostawcy zostaje ważnym elementem działań marketingowych, natomiast jej rola się zmienia. Częściej będzie miejscem pozyskiwania wiedzy przez agentów AI. Dla ludzi pozostanie miejscem weryfikacji, pogłębienia wiedzy i utwierdzenia w słuszności podejmowanej decyzji, a rzadziej pierwszym punktem styku z marką czy produktem.

Przez lata marketing projektował stronę i treści dla różnych grup docelowych: dyrektora technicznego, kupca, inżyniera, projektanta, albo dystrybutora. Te grupy nadal pozostają w centrum. Muszą zobaczyć, czy firma może rozwiązać ich problem, czy produkt spełnia wymogi ze specyfikacji i czy dostawca budzi zaufanie.

Równolegle pojawił się drugi odbiorca. Agent AI działa inaczej niż człowiek. Ładny layout niewiele dla niego znaczy. Informacji o parametrach czy cenach szuka w dostępnych danych, a aktualna karta produktu i to, jakie dane znajdzie, mogą zadecydować o tym, czy konkretna firma pojawi się w jego rekomendacji.

. Dla CMO praktyczny wniosek jest prosty: digital trzeba przeprojektować tak, żeby człowiek mógł wygodnie podjąć decyzję, a agent AI mógł poprawnie odczytać, porównać i zacytować dane.

To powinno mieć wpływ na priorytety. Strona produktowa, katalog, PDF, opisy u dystrybutorów, wersje językowe, schema, PIM, DAM, CRM, wyszukiwarka produktowa i analityka przestają być osobnymi tematami technicznymi. Dla kupującego i agenta AI to jedna warstwa, z której czerpie informacje o firmie, produkcie i porównuje je z konkurencją.

Jeśli ta warstwa nie będzie odpowiednio przygotowana, marketing może zrobić najlepszą kampanię, a klient i tak wybierze rozwiązanie, którego ekosystem w digitalu będzie lepiej przygotowany do nowych realiów w erze AI.

Weźmy prosty scenariusz. Producent ma dobrą ofertę, wykwalifikowanych handlowców i produkt, który pasuje do zapytania. Na stronie karta produktu mówi jedno. PDF z kartą techniczną ma inne parametry i jednostki. Dystrybutor skopiował opis sprzed dwóch sezonów. Wersja EN nie ma najnowszego certyfikatu. Sprzedawcy mogliby wszystko wytłumaczyć, ale będą mieli na to szansę dopiero podczas rozmowy, do której najprawdopodobniej nie dojdzie.

Dla tej konkretnej firmy to są cztery różne miejsca i cztery różne odpowiedzialności.

Dla klienta to po prostu jeden potencjalny dostawca.

Właśnie tu spadek ruchu organicznego przestaje być tylko problemem SEO. Osoba odpowiedzialna za marketing patrzy na wykres i widzi mniej wejść. Natomiast prawdziwe wyzwanie może być wcześniej: w braku danych, w sprzecznym opisie u dystrybutora, w PDF-ie trudnym do odczytania albo na stronie, gdzie architektura i struktura informacji nie jest odpowiednio przygotowana.

 wynika, że 94% kupujących B2B używa LLM w procesie zakupowym. Jeśli firma albo produkt nie jest tam widoczna, to po prostu znika z radaru potencjalnych klientów.

Człowiek przychodzi później, ale wie więcej

W nowej ścieżce użytkownik często trafia na stronę w innym momencie niż wcześniej. Rzadziej na pierwsze rozeznanie, a częściej, żeby zrobić końcową weryfikację: czy dokumentacja się zgadza, czy produkt spełnia normy, czy termin dostawy jest możliwy, czy firma ma doświadczenie w podobnym zastosowaniu i czy cena na stronie jest ostateczna.

Gartner w maju 2026 roku pisał, że 67% kupujących B2B preferuje proces bez kontaktu z przedstawicielem handlowym, 70% woli cyfrowy self-service, a 69% zwraca się do sprzedaży, żeby 

To jest ważne dla osób odpowiedzialnych za marketing, bo rola digitalu wykracza poza pozyskanie ruchu z nowego kanału. Strona i wszystkie punkty styku przed kontaktem ze sprzedażą powinny przygotować kupującego do rozmowy, a czasem obronić firmę w porównaniu z konkurencją, czego nie pokażą żadne narzędzia analityczne.

Podobny sygnał daje Similarweb. W badaniu o widoczności marek w odpowiedziach AI użytkownicy, którzy otrzymali rekomendację marki, byli 

. Część takiego ruchu nie wróci jako elegancki referral z narzędzia AI. Może wrócić jako brand search albo ruch direct.

Dlatego spadek ruchu organicznego pokazuje tylko wycinek rzeczywistości.

Punktem wyjścia powinno być uporządkowanie cyfrowych punktów styku tak, żeby wspierały nową ścieżkę zakupu.

Pierwszy element to architektura informacji. Karty produktów, kategorie, filtry, konfigurator, dokumentacja i case studies muszą odpowiadać na pytania, które kupujący zadaje przed rozmową ze sprzedażą. W branży produkcyjnej często są to normy, certyfikaty, zakresy pracy, kompatybilność, dostępność, serwis, dane logistyczne, wersje językowe i zastosowania.

Drugi element to czytelność dla agenta AI. Dane techniczne powinny być dostępne w HTML lub tabelach, a nie tylko w PDF-ie. Dokumentacja powinna mieć aktualne wersje i spójne nazwy. Opisy u dystrybutorów muszą być spójne z tym, co pokazuje strona i o czym opowiada sprzedawca na targach. Jeśli używacie PIM, DAM albo CRM, marketing potrzebuje wspólnego procesu z osobami, które odpowiadają za aktualność danych we wszystkich tych miejscach.

Trzeci element to UX przeprojektowany pod użytkownika, który trafia na stronę na późniejszym etapie i który jest lepiej wyedukowany. Taki klient ma już sporą wiedzę o firmie, produkcie i konkurencji. Chce szybko zweryfikować konkretny szczegół, pobrać specyfikację, porównać warianty, znaleźć odpowiedni kontakt, żeby wysłać zapytanie albo upewnić się, że dostawca jest wiarygodny.

Czwarty element to analityka. Jeśli marketer widzi tylko sesję i wypełniony formularz, traci z oczu dużą część procesu zakupowego. W raporcie powinien pojawić się ruch na stronach o wysokiej intencji, pobrania dokumentacji i/lub innych plików, użycie wyszukiwarki/konfiguratora, kliknięcia w kontakt, przejścia do formularza, brand search, ruch direct i wejścia na treści techniczne.

To są wyzwania z pogranicza marketingu, UX, technologii i danych. Właśnie tam kryje się klucz, jak przejść od ogólnej diagnozy i leczenia objawów „organic spada, musimy się odbić” do zajęcia się przyczynami: które punkty styku wymagają przebudowy, które dane trzeba uporządkować i zoptymalizować, jakich informacji brakuje agentowi AI, a gdzie człowiek traci zaufanie przed kontaktem ze sprzedażą.

Z naszego doświadczenia wynika, że lepiej niż porywanie się na rewolucję AI w firmie, sprawdza się technika małych kroków.

W firmie produkcyjnej rekomendujemy wybrać jedną rodzinę produktów, istotną dla sprzedaży i przeanalizować cztery miejsca:

Po takim przeglądzie zwykle szybko widać, czy problemem faktycznie jest sam ruch, czy może to źle przygotowana ścieżka użytkownika, która nie odpowiada temu, jak obecnie prowadzony jest etap discovery w procesie zakupowym. Sprawdź, czy strona, pliki do pobrania i dystrybutor mają te same dane i parametry. Zobacz, czy dane techniczne mają zoptymalizowaną strukturę. Porównaj daty aktualizacji. Wejdź w ścieżkę kupującego, który chce zrobić research bez kontaktu z handlowcem. Potem wpisz w ChatGPT, Gemini albo Perplexity zapytanie, które mógłby zadać klient: o warianty produktu, normy, kompatybilność, dostawcę z największym doświadczeniem w danym kontekście.

Marketing w produkcji od dawna działa w trudnym układzie. Sprzedaż ma relacje z klientami i wiedzę z rynku. Product management zna szczegóły techniczne. IT utrzymuje systemy. Dystrybutorzy odpowiadają za swoje punkty styku z klientem. CMO ma dowieźć popyt i wiarygodną komunikację, choć raczej nigdy nie kontroluje wszystkich elementów, które składają się na doświadczenie kupującego.

AI wzmacnia problem, który istnieje od dawna.

Dlatego spadek ruchu z Google może być czymś więcej niż korektą po aktualizacji algorytmu. Może być sygnałem, że discovery przesuwa się w inne miejsca, a użytkownik który trafia na stronę ma inne potrzeby niż dotychczas. Może też być sygnałem, że firma jest niewidoczna dla agentów AI, przez co wypada z gry, w której zaczynają obowiązywać nowe zasady.

Humanoidalny robot AI analizuje dane produktowe na laptopie na tle tablicy ze wzorami technicznymi

Ruch z Google spada. AI analizuje produkty, PDF-y i dystrybutorów

Coraz większą część decyzji zakupowej klient podejmuje, zanim w ogóle trafi na Twoją stronę. Pyta AI, czyta to, co podsuwa model, porównuje oferty w oknie czatu. Do handlowca odzywa się na końcu, kiedy lista potencjalnych dostawców jest już w jego głowie domknięta. Można z tym dyskutować, można zakładać, że produkcja rządzi się własnymi prawami, jednak dane mówią co innego.

Działy marketingu w firmach produkcyjnych mierzą się równolegle z kolejną, mniej oczywistą zmianą, która dotyczy tego, kto konsumuje treści publikowane w internecie na temat marki i produktów. W czerwcu 2026 Cloudflare podał, że ruch automatyczny w sieci pierwszy raz przekroczył ruch generowany przez ludzi, 57,5% wobec 42,5%. Strona internetowa, katalog produktów i każdy materiał publikowany online mają więc dziś dwóch odbiorców. Sama ścieżka użytkownika projektowana dla człowieka to wyzwanie, z którym wiele firm produkcyjnych sobie nie radzi, a co dopiero, kiedy pojawia się równolegle drugi scenariusz, który trzeba przemyśleć i zaprojektować dla użytkownika o zupełnie innych, nowych wymaganiach…

Analiza ruchu internetowego: 42,5% ludzie, 57,5% ruch automatyczny (agenty AI), dane Cloudflare i AeolusGTM 2026

Decyzja zapada w rozmowie z AI, nie z handlowcem

Zacznijmy od tego, gdzie naprawdę toczy się gra. Z danych, o których mówi się coraz więcej (raport „State of B2B Revenue 2026”, AeolusGTM), wynika, że kupujący wchodzi do procesu zakupowego z gotową listą 4-5 dostawców i w 95% przypadków wygrywa właśnie ktoś z tego grona.

Handlowiec dostaje klienta, który zdecydował o dostawcy dużo wcześniej. W trakcie researchu online, czyli tam, gdzie zwykle pracuje marketing, a nie sprzedaż.

Ten research przeniósł się do AI. 73% kupujących B2B woli szukać dostawców i kupować online (Sana Commerce, B2B Buyer Report 2025), a 89% używa generatywnej AI przy wyborze dostawcy (whitepaper agencji Small i Com2Be). Jeśli użytkownik w ogóle zdecyduje się skorzystać z tradycyjnej wyszukiwarki, to i tak 68% wyszukań w Google kończy się dziś bez wejścia na jakąkolwiek stronę (SparkToro, dane za styczeń-kwiecień 2026).

Oznacza to w praktyce, że znaczna część procesu decyzyjnego klienta odbywa się podczas rozmowy z czatem.

Zły proces zakupowy odsyła klientów do konkurencji od dawna

Zanim przejdziemy do agentów, jedna rzecz, którą widać w firmach produkcyjnych i u dystrybutorów od lat. Klient rzadko odchodzi jedynie ze względu na cenę. Częściej dlatego, że proces zakupu jest dla niego zbyt frustrujący. Sana Commerce podaje, że 85% kupujących napotyka bariery z powodu przestarzałych systemów i niedokładnych danych, a 75% rozważa przez to zmianę dostawcy.

Warto sprawdzić to na własnym podwórku. Wystarczy wejść na swój katalog albo sklep B2B i sprawdzić, czy widać aktualny stan magazynowy, termin dostawy i cenę towaru netto bez konieczności dzwonienia do handlowca. Jeśli nie, to klient, który tego nie widzi, jest dokładnie w tych 75% rozważających zmianę dostawcy.

Jak te dane mają się do wspomnianych agentów AI? Skoro o brak tych danych potyka się człowiek, który ma empatię, zna kontekst i realną potrzebę, to agent AI, który czyta tę samą stronę maszynowo, po prostu ich nie zobaczy.

A czego nie zobaczy, tego nie poleci w rozmowie z klientem.

Twoje treści mają teraz drugiego użytkownika

Wróćmy do tych 57,5% ruchu w internecie, który generowany jest przez różnego rodzaju boty. Drugi, niezależny pomiar potwierdza kierunek: Imperva w swoim raporcie o botach widzi wzrost ruchu automatycznego z 51% w 2024 do 53% w 2025, a HUMAN Security pokazuje, że ruch maszyn rośnie obecnie osiem razy szybciej niż ruch ludzi.

Napędzają to agenty AI: programy, które w czyimś imieniu przeglądają sieć, porównują oferty i coraz częściej podejmują działanie.

Badanie Adyen pokazuje, dokąd to zmierza: 42% konsumentów oddałoby algorytmowi cały zakup razem z płatnością. To jeszcze rynek konsumencki, natomiast ten sam mechanizm wchodzi już do zakupów B2B.

Płynie z tego wniosek, który powinien zmieniać priorytety działów marketingu w firmach produkcyjnych.

Strona internetowa, katalog produktów i materiały w mediach branżowych przestały mieć jednego odbiorcę. Teraz jest to człowiek i agent AI, a agent czyta te materiały inaczej. Ładny layout nic mu nie mówi. Ceny schowanej za przyciskiem „zapytaj o ofertę” nie zobaczy, a specyfikacji wklejonej do PDF jako obrazek do pobrania nie odczyta.

Agent potrzebuje danych w strukturze, którą da się przeczytać maszynowo: jasnych specyfikacji, dostępnych cen i stanów, spójnych opisów.

Do tego dochodzi kwestia, której nie można lekceważyć. Nawet 85% źródeł, na których AI opiera odpowiedź, to media zewnętrzne i prasa branżowa, rzadziej jedynie strona firmy (Small, Com2Be). Sama strona www, nawet zoptymalizowana pod widoczność w LLM, choć to must have, może nie wystarczyć.

To jest miejsce, w którym zwykle pada pytanie o szybkie rozwiązanie. Nie ma go. Dostosowanie wszystkich cyfrowych punktów styku do tego, żeby były czytelne i wybierane przez agentów, to praca rozłożona na kwartały, nie kampania na miesiąc.

Zła wiadomość jest taka, że to maraton. Dobra jest taka, że dla większości firm produkcyjnych ten wyścig dopiero się zaczyna, więc cały czas można wypracować pozycję lidera.

Dorzućmy do tego jeszcze jedną liczbę z tego samego raportu AeolusGTM. W danym momencie aktywnie szuka dostawcy tylko około 5% rynku. Pozostałe 95% nie kupuje teraz i nie zareaguje na kontakt od sprzedawcy.

Obecność w treściach i w odpowiedziach AI pracuje właśnie na te 95%, bo buduje świadomość, zanim zacznie się proces zakupowy. A kiedy proces faktycznie się zacznie, chcemy być na liście potencjalnych dostawców w głowach klientów, co zwiększa szansę na wygraną.

Producent, który pierwszy przystosuje swoje treści i dane, tak aby były czytelne dla agentów AI, zaczyna być cytowany i rekomendowany w odpowiedziach, na których klient buduje swoje preferencje dla przyszłych procesów zakupowych. Firmy, które będą z tym zwlekać, nie będą pojawiać się w rekomendacjach modeli i w świadomości klientów. Im dłużej firmy będą czekać, tym trudniej będzie nadrobić zaległości, bo pozycja lidera zdąży utrwalić się w algorytmach.

Jak zatem sensownie podejść do tematu? Tu zaczyna się część, o której mówi się zdecydowanie za mało, a która zazwyczaj rozstrzyga o wyniku.

Optymalizacja strony www, treści, katalogu produktów i danych pod człowieka i agentów AI to spore przedsięwzięcie na styku technologii, UX i komunikacji.

Z naszego doświadczenia wiemy, że w firmach produkcyjnych wewnętrzne działy marketingu są często mniej liczne w stosunku do bardziej rozbudowanych działów sprzedaży, a przecież na co dzień muszą udźwignąć bieżączkę, stałą komunikację, targi, materiały reklamowe itd. Dołożenie tak wielowymiarowego projektu technologicznego to prosta droga do przeciążenia zespołu. Tym bardziej, że tego typu projekty mają tendencję do stagnacji, jeśli nie są wystarczająco wysoko na liście priorytetów i nie mają przypisanej osoby decyzyjnej.

Widzieliśmy to z bliska. Prowadziliśmy dwa bliźniacze projekty katalogu online w dwóch podobnych firmach produkcyjnych. Jeden ruszył w terminie. Drugi utknął na pięć lat. Nie rozstrzygnęły o tym technologia ani budżet, bo tu firmy były porównywalne. Rozstrzygnęło to, czy projekt miał realnego właściciela z mandatem do decyzji. Całą historię z konkretami opisaliśmy 

Jeśli masz zrobić w tym tygodniu jedną rzecz, żeby przybliżyć się do widoczności firmy w LLM-ach, polecam proste ćwiczenie:

Wpisz w ChatGPT albo inny model pytanie o swoją branżę, kategorię produktu i zobacz, kogo wymienia, na jakiej podstawie i czy jest tam Wasza firma. Potem polecam otworzyć własny katalog produktów i sprawdzić, czy cenę, dostępność, specyfikację i możliwy termin dostawy można sprawdzić bez kontaktu z handlowcem.

Jeśli zastanawiacie się, jak mądrze wykorzystać AI w dalszym rozwoju swojej firmy, i szukacie partnera, który rozumie branżę produkcyjną, zapraszamy do kontaktu. Nawet jeśli wydaje się jeszcze za wcześnie na współpracę, chętnie podzielimy się wiedzą i podpowiemy, jak najlepiej przygotować się na nową rzeczywistość dla firm produkcyjnych.

Kobieta i humanoidalny robot AI patrzą razem na ekran komputera - agent AI jako drugi użytkownik treści w sieci

Wszystko, co publikujesz w sieci, ma teraz drugiego użytkownika. Nazywa się agent AI

Rozmowa o AI w produkcji zwykle szybko skręca w stronę obrazów z konferencji branżowych. Autonomiczne linie produkcyjne. Roboty. Predictive maintenance. Digital twins. Physical AI.

To wszystko jest ważne i w kolejnych latach zrewolucjonizuje produkcję. Z punktu widzenia użytkownika (klienta końcowego, ale również pracownika) naszą uwagę przykuwa jednak inny obszar - równie ciekawy, choć mniej spektakularny. Historia zaczyna się od adresu e-mail, na który codziennie spływają zapytania ofertowe.

W wielu firmach produkcyjnych pierwszy etap obsługi klienta wygląda dziś bardzo podobnie jak 10 czy 15 lat temu. Klient wysyła e-mail. Czasem w załączniku znajduje się PDF, Excel lub Word, czasem kilka screenów. Klient odwołuje się do poprzedniej oferty albo wcześniejszej korespondencji. Zdarza się też, że posługuje się branżowym slangiem lub używa własnych nazw produktów, które funkcjonują wyłącznie w jego organizacji.

I teraz ktoś w firmie musi to wszystko przeczytać, zrozumieć, znaleźć właściwe produkty, sprawdzić braki, uzupełnić dane, przepisać je do kolejnego systemu i przekazać dalej. Przy pojedynczym zapytaniu nie wygląda to jeszcze groźnie. Problem pojawia się wtedy, gdy takich wiadomości są setki albo tysiące miesięcznie, a każdy klient komunikuje się trochę inaczej. W tym momencie skrzynka mailowa staje się pierwszym wąskim gardłem rozległego procesu: sprzedaży, planowania, produkcji, dostawy i rozliczeń.

AI nie tak dawno traktowane było raczej jako temat eksperymentalny. Coś, co warto obserwować, przetestować na niewielkim wycinku organizacji albo pokazać na prezentacji dla zarządu. Dziś takie podejście staje się coraz bardziej ryzykowne. Coraz więcej firm nie pyta już, czy warto automatyzować. Zastanawia się raczej, które procesy przebudować jako pierwsze, aby nie zostać z kosztami, zbyt wolnym tempem działania i marżą z poprzedniej epoki.

Bo jeśli organizacja sprawniej przyjmuje zapytania, szybciej wykrywa błędy i wraca do klienta z pytaniami, aż wreszcie bez zwłoki i bez błędów przekazuje komplet informacji do produkcji, to radykalnie skraca cykl operacyjny i obniża koszty obsługi.

„Przed erą AI” problemem, rzecz jasna, był wszechobecny chaos. Różne sposoby komunikacji. Różne formaty dokumentów. Różne nazwy produktów. Niekompletne dane. Niejednoznaczne informacje. Klasyczne automatyzacje długo sobie z tym nie radziły, ponieważ wymagało to interpretacji języka, kontekstu i intencji klienta.

AI to zmienia. Dobrze zaprojektowany system może dziś analizować wiadomości i załączniki, rozpoznawać produkty, mapować je do katalogu, wykrywać braki, przygotowywać ustrukturyzowaną wersję zapytania lub zamówienia, proponować odpowiedź do klienta i przekazywać komplet danych do kolejnych etapów procesu.

Nie jako „magiczny bot”, który wie wszystko. Raczej jako bardzo konkretny system wspierający wybrany fragment pracy.

Dla przykładu, w jednym z takich procesów skróciliśmy czas pierwszego etapu obsługi zamówienia o 74%. I nie była to futurystyczna „fabryka przyszłości”, tylko zwykły, codzienny proces, który przez lata traktowano jako nieunikniony koszt działania organizacji. Nagle okazało się, że właśnie tam można odzyskać ogromną ilość czasu i przepustowości operacyjnej.

Firmy bardzo często popełniają błąd, traktując AI jak kolejne narzędzie. Tymczasem największa zmiana nie polega na wdrożeniu następnego panelu w przeglądarce, tylko na przebudowie sposobu pracy. Jeżeli dane produktowe są niespójne, wyjątki nie są opisane, odpowiedzialność jest rozmyta między działami, a każdy proces wygląda trochę inaczej, możemy spodziewać się, że AI nie rozwiąże problemu, lecz go spotęguje.

Dlatego dobre wdrożenia AI w firmach produkcyjnych zwykle opierają się na trzech elementach.

Po pierwsze na danych. System musi rozumieć produkty, warianty, nazewnictwo, obowiązkowe pola, ograniczenia i zależności.

Po drugie na procesie. Trzeba jasno określić, kiedy zapytanie jest kompletne, kiedy system może działać samodzielnie, a kiedy decyzję musi podjąć człowiek.

Po trzecie na kontroli. Logi, historia decyzji, obsługa wyjątków, poziomy pewności, uprawnienia i bezpieczeństwo.

Ta „nudniejsza” strona AI najczęściej decyduje o tym, czy rozwiązanie będzie działało po kwartale i po roku, a nie tylko podczas prezentacji.

Dlatego dobrym początkiem automatyzacji wcale nie musi być największy projekt w organizacji.

Często lepiej zacząć od procesu, który:

Obsługa zapytań ofertowych i zamówień z e-maili jest jednym z takich miejsc. Ta sama logika dotyczy również reklamacji, zgłoszeń serwisowych, dokumentacji technicznej, pracy na danych produktowych czy klasyfikacji spraw trafiających do działów operacyjnych.

Wspólny mianownik jest zwykle ten sam: dużo nieustrukturyzowanych danych, dużo ręcznej interpretacji i dużo czasu ludzi poświęcanego na czynności, które nie tworzą realnej wartości dla klienta.

Rozmowę o AI w firmie produkcyjnej warto zacząć nie od technologii, lecz od pytania: Gdzie dziś tracimy najwięcej czasu na pracę, która nie tworzy wartości dla klienta? Bardzo często odpowiedź nie znajduje się na hali produkcyjnej, tylko w skrzynce mailowej handlowca, w dziale obsługi klienta albo w procesie przygotowywania ofert.

Menedżer w hali produkcyjnej przegląda na laptopie skrzynkę e-mail z zapytaniami ofertowymi

Chcesz automatyzować sprzedaż z AI? Zacznij od analizy zapytań ofertowych

W firmach produkcyjnych katalog produktów online nadal pełni głównie funkcję prezentacyjną. Pokazuje ofertę, opisuje parametry, udostępnia pliki, czasem pozwala skompletować zapytanie ofertowe.

Dziś, w dobie zaawansowanych marketplace’ów, wyszukiwarek, doradców AI, dla użytkownika to za mało.

Osoba, która trafia na stronę, nie przychodzi po „pełną ofertę”. Przychodzi, bo chce rozwiązać konkretny problem. Chce wybrać właściwy produkt, zrozumieć różnice, sprawdzić dostępność, pobrać dokumentację albo znaleźć kontakt do osoby, która pomoże jej przejść dalej w procesie.

Dlatego nowoczesny katalog produktów nie powinien być tylko zbiorem kart produktowych. Powinien działać jak system wsparcia decyzji.

W tym artykule pokazujemy kilka rozwiązań, które pomagają przeprowadzić różne grupy użytkowników przez ofertę producenta: od inwestora, który nie zna branżowej terminologii, po specjalistę, który potrzebuje szybkiego dostępu do plików, danych technicznych i kontaktu.

Użytkownik nie chce analizować całej oferty

Jednym z częstych błędów w projektowaniu katalogów jest założenie, że użytkownik chce samodzielnie porównywać wiele produktów. W praktyce najczęściej wygląda to inaczej. Użytkownik trafia na konkretny produkt i zadaje sobie pytanie: „Czy ten model jest dla mnie dobry, czy powinienem rozważyć coś podobnego?”

To zupełnie inna intencja niż klasyczne „dodaj kilka produktów do porównania”.

Similar products gallery embedded on the product card

Dlatego porównywarka może działać znacznie lepiej, jeśli jest osadzona bezpośrednio na karcie produktu. Użytkownik nie musi opuszczać kontekstu, w którym już się znajduje. Nie musi ręcznie kompletować listy. Nie musi wracać do katalogu i zastanawiać się, co jeszcze warto porównać. System może sam podsunąć najbliższe alternatywy dla oglądanego modelu.

Product comparison modal opened from the product card

Kluczowe jest też to, jak pokazujemy różnice. W branżach technicznych tabela parametrów bardzo szybko staje się nieczytelna. Współczynniki, materiały, warianty, klasy, certyfikaty i opcje dodatkowe mogą być oczywiste dla producenta, ale dla klienta są często czymś obcym.

Dlatego dobre porównanie powinno nie tylko zestawiać dane, ale również tłumaczyć je w miejscu, w którym użytkownik ich potrzebuje.

Efekt jest prosty: użytkownik szybciej rozumie, czy warto zostać przy wybranym produkcie, czy przejść do alternatywy.

Dla producenta to również ważne. Jeśli użytkownik nie znajduje odpowiedzi na stronie, zwykle wychodzi poza nią. Pyta znajomego, sprzedawcę, wykonawcę albo Google. A tam producent traci kontrolę nad ścieżką.

Konfigurator jako odpowiedź dla tych, którzy nie wiedzą, czego szukać

Nie każdy użytkownik zaczyna od produktu.

Część osób nie wie, jakiego rozwiązania potrzebuje. Zna swoją sytuację, ale nie zna oferty, kategorii, parametrów ani zależności między poszczególnymi składnikami. W takim przypadku klasyczny katalog może być dla szukającego przeszkodą, a nie pomocą.

Configurator step - choosing the window type

W takiej sytuacji dużo lepiej działa konfigurator. Nie jako gadżet sprzedażowy, ale jako alternatywne wejście do oferty. Dobry konfigurator nie pyta od razu o techniczne szczegóły. Najpierw prowadzi użytkownika przez jego kontekst: gdzie produkt będzie używany, jaki problem ma rozwiązać, jakie są ograniczenia, co już zostało wybrane, a co jeszcze trzeba dobrać.

Configurator step - a contextual question with a photo

W praktyce taki proces może zastąpić sporą część treści edukacyjnych na stronie. Zamiast oczekiwać, że użytkownik przeczyta poradniki, porówna kategorie i sam wyciągnie wnioski, system prowadzi go krok po kroku do finalnej rekomendacji.

Po pierwsze, prosty język i wybory wizualne. Jeśli użytkownik nie zna branży, nie powinien podejmować decyzji wyłącznie na podstawie parametrów technicznych. Piktogramy, zdjęcia kontekstowe i krótkie wyjaśnienia obniżają próg wejścia.

Po drugie, logika zależności. Jeśli jedna odpowiedź wyklucza kolejną opcję, system powinien to jasno pokazać. Nie wystarczy komunikat „wybór niedostępny”. Użytkownik powinien wiedzieć, która wcześniejsza decyzja spowodowała blokadę i gdzie może ją zmienić.

Po trzecie, jedna konkretna rekomendacja. Konfigurator, który na końcu pokazuje dziesięć podobnych produktów, często tylko przenosi problem w inne miejsce. Użytkownik przeszedł przez proces po to, aby dostać odpowiedź, nie kolejną listę do analizy.

Configurator - a single recommended product with a premium alternative

Dobrze zaprojektowany konfigurator może też obsłużyć sprzedaż produktów uzupełniających (Cross-sell / Up-sell), ale tylko wtedy, gdy robi to we właściwym momencie. Najpierw pomagamy wybrać główny produkt. Dopiero potem pokazujemy akcesoria, warianty premium albo dodatki zwiększające komfort użytkowania.

Configurator - complementary products (cross-sell and up-sell)

W efekcie użytkownik nie wychodzi z samym produktem, ale z gotowym zestawem decyzji. Może pobrać podsumowanie, wrócić do konfiguracji później, porównać kilka wariantów albo przejść do karty dystrybutora.

Configurator summary saved as a shopping list

To szczególnie ważne w branżach, w których decyzja nie zapada od razu. Użytkownik wraca do tematu po kilku dniach, konsultuje wybór, pokazuje go wykonawcy, partnerowi, klientowi albo inwestorowi.

W wielu serwisach producentów sekcja „Gdzie kupić” jest osobną częścią strony.

To działa dobrze dla użytkownika, który ma ogólną intencję: chce znaleźć najbliższy salon, punkt sprzedaży albo dystrybutora. Nie wystarcza jednak użytkownikowi, który właśnie wybrał konkretny model.

Global distributor map in the Where to buy section

Po przejściu przez kartę produktu, porównanie albo konfigurator pojawia się bardzo praktyczne pytanie: „Gdzie mogę kupić dokładnie ten produkt?”. Jeśli użytkownik dostaje tylko mapę wszystkich punktów, nadal nie wie, czy dany model jest dostępny. Nie wie, czy może go zobaczyć na ekspozycji. Nie wie, czy powinien jechać do salonu, czy najpierw zadzwonić.

Dlatego warto rozdzielić dwa scenariusze. Pierwszy to globalna mapa dystrybucji. Użytkownik może wyszukiwać po lokalizacji, filtrować punkty, sprawdzić godziny otwarcia, kontakt i wyznaczyć trasę. Drugi to kontekstowe wejście z karty produktu. Kliknięcie w „Zobacz i kup ten produkt” nie powinno wyrzucać użytkownika do ogólnej mapy. Lepiej, gdy otwiera panel z listą punktów dopasowanych do konkretnego modelu.

Contextual store panel with availability status on the product card

Jeszcze lepiej, jeśli lista pokazuje jasny status:

To drobna różnica w interfejsie, ale duża różnica w doświadczeniu. Użytkownik nie musi dzwonić, dopytywać i potwierdzać. Wie, gdzie pojechać i czego może się spodziewać.

Dla producenta to dodatkowe zabezpieczenie ścieżki zakupowej. Jeśli użytkownik po wyborze produktu wychodzi do Google, może trafić tam na konkurencję, nieaktualny punkt sprzedaży albo sprzedawcę, który przekieruje go na inną markę.

Karta produktu nie jest tylko dla klienta końcowego

W wielu firmach produkcyjnych karta produktu próbuje obsłużyć wszystkich naraz: klienta końcowego, architekta, instalatora, dystrybutora, serwisanta czy dział zakupów. W efekcie prezentowane treści to „wszystko dla wszystkich”.

Dobrym rozwiązaniem jest wydzielenie na karcie produktu osobnej sekcji dla profesjonalistów. Nie jako oddzielny serwis oderwany od produktu, ale jako wyraźnie oznaczony blok w obrębie tej samej karty.

Professionals section on the product card

Specjalista nie potrzebuje marketingowego opisu. Najczęściej szuka konkretu: dokumentacji, modeli 3D, rysunków technicznych, instrukcji montażu, certyfikatów, danych logistycznych albo informacji o zmianach w produkcie.

Jeśli musi szukać tego w osobnej bibliotece plików, traci kontekst. Jeśli link prowadzi go do „worka wszystkich instrukcji”, traci czas. Jeśli nie znajduje danych logistycznych, dzwoni do producenta.

Dobrze zaprojektowana sekcja dla profesjonalistów powinna działać jak szybki panel roboczy przy konkretnym modelu.

To ważne, bo specjalista często pracuje w zupełnie innym kontekście niż klient końcowy. Architekt jest w projekcie. Wykonawca jest na budowie. Serwisant może działać w sytuacji awaryjnej. W takich warunkach nie ma czasu na przeszukiwanie całej strony.

Tu liczy się dostęp do właściwego pliku w kilku kliknięciach.

Wyszukiwarka może być czymś więcej niż polem do wpisania frazy

Wyszukiwarka na stronie producenta często jest traktowana jako dodatek. Ma znaleźć produkt, artykuł albo kategorię. Tymczasem dla części użytkowników może stać się głównym narzędziem pracy. Szczególnie wtedy, gdy użytkownik wielokrotnie wraca do tych samych produktów i dokumentów. Dotyczy to architektów, wykonawców, sprzedawców, serwisantów i partnerów handlowych.

Search with recent items and a downloads tab

Dlatego wyszukiwarka nie powinna zaczynać się od pustego pola.

Jeśli użytkownik kliknie ikonę lupy, można pokazać mu ostatnie wyszukiwania i ostatnio oglądane produkty, nawet gdy konto użytkownika nie zostało założone. Taka lekka pamięć po stronie przeglądarki pełni funkcję roboczej przechowalni. To szczególnie przydatne w serwisach, które nie mają logowania, koszyka ani listy ulubionych.

Równie ważne jest rozdzielenie wyników na typy. Inwestor szuka zwykle produktu lub inspiracji. Specjalista często szuka pliku. Jeśli wszystko trafia do jednego strumienia wyników, obie grupy dostają szum informacyjny. Dlatego osobna zakładka „Pliki do pobrania” może być dla profesjonalisty ważniejsza niż sama lista produktów.

Plik powinien być opisany jasno: typ, format, waga, data aktualizacji i przycisk pobrania bez konieczności wchodzenia na kartę produktu. Dla użytkownika to oszczędność czasu. Dla producenta to mniej zapytań do obsługi klienta i działu technicznego.

Niektóre grupy użytkowników mają na tyle wyjątkowe intencje, że sama sekcja na karcie produktu nie wystarczy.

Dobrym przykładem są architekci, projektanci, instalatorzy albo partnerzy techniczni. Tacy użytkownicy nie przychodzą na stronę po klasyczną narrację produktową. Nie chcą przechodzić ścieżki klienta końcowego. Chcą dostać swoje narzędzia.

Specialist portal with dedicated advisor contacts

Dlatego warto stworzyć dla nich osobne wejście, przy czym nie musi to oznaczać osobnego serwisu. Często wystarczy portal w ramach tej samej strony, który grupuje najważniejsze zasoby:

Taki portal działa jak „biurko” specjalisty. Nie musi on za każdym razem zaczynać od głównej nawigacji. Wchodzi w swoje miejsce i od razu widzi skróty do tego, czego używa najczęściej.

Szczególnie ważny jest kontakt. Formularz ogólny albo numer do BOK często nie wystarcza. Profesjonalista chce wiedzieć, kto konkretnie odpowiada za jego region lub typ sprawy. Imię, nazwisko, zdjęcie, telefon i adres e-mail budują większe zaufanie niż anonimowe „skontaktujemy się z Państwem”. W wielu branżach kontakt do właściwej osoby decyduje o tym, czy użytkownik pójdzie dalej, czy zrezygnuje.

Dobry katalog nie pokazuje wszystkiego naraz

Najważniejsza lekcja z takich projektów jest prosta: katalog produktów nie powinien być zbiorem informacji dla wszystkich.

Praktyczne spojrzenie na UX, technologię i produkty cyfrowe