Agent, który nie gubi się po trzecim kliknięciu: Wuying uczy przeglądarkowe AI długiego oddechu

Wystawienie jednej oferty z wariantami na Allegro potrafi zająć 30 minut. Gdy sprzedajesz 200 produktów dziennie i obsługujesz trzy marketplace'y, ręczna praca z formularzami przestaje być wykonalna. Wuying-Browser-Agent to model, który przechodzi przez kilkadziesiąt kroków na żywej stronie, poprawia własne błędy i nie wymaga nadzoru przy rutynowych operacjach sprzedażowych.

Dlaczego obecne narzędzia nie radzą sobie z marketplace'ami

Większość integracji z platformami typu Amazon czy eBay działa przez API. Problem w tym, że nie wszystko da się przez API zrobić. Formularze z dynamicznymi polami, kreatory wariantów, aktualizacje zdjęć, obsługa błędów walidacji to rzeczy, które często zostają po stronie człowieka. Zespoły operacyjne logują się ręcznie, klikają, przewijają i kopiują dane między systemami. Błąd ludzki przy setkach SKU dziennie to nie wyjątek, tylko reguła.

Na konferencji e-commerce w Krakowie w zeszłym miesiącu jeden z managerów opowiedział mi, że przy promocji Black Friday jego zespół przez trzy dni robocze tylko aktualizował ceny na Amazonie. Cztery osoby, 48 godzin pracy, przy stawce 60 zł za godzinę wychodzi niemal 12 tysięcy złotych kosztu. A i tak dwie oferty zostały z błędną ceną, bo ktoś źle wkleił dane z Excela.

Agent przeglądarkowy, który wytrzymuje 40 kroków bez utraty kontekstu

Wuying-Browser-Agent to nie kolejny skrypt do automatyzacji przeglądarki. Zespół AIMAE zbudował framework, w którym kluczowa jest zdolność do realizacji zadań o długim horyzoncie. Średnia długość zadania w ich benchmarku BrowserBench to 37,9 kroków. Nie klikasz "zamów" i koniec, tylko agent nawiguje przez wieloetapowe formularze, radzi sobie z okienkami modalnymi i reaguje na komunikaty walidacji.

Model 27B osiąga 80,6% na WebVoyager i 65,1% na BrowserBench. Nie robi tego przez samo zwiększanie skali. Autorzy dostosowali każdy poziom potoku: wykonanie, nadzór, optymalizację i ewaluację. Trening zawiera trajektorie naprawcze (RUIC-SFT) i optymalizację online z ważeniem kroków (DAO-GRPO). Dzięki temu agent nie tylko wykonuje akcje, ale też reflektuje nad błędami i koryguje kurs w trakcie zadania.

Dla e-commerce oznacza to coś konkretnego: jeśli formularz odrzuci ofertę, bo zdjęcie ma zły format, agent wykryje to, poprawi i prześle ponownie. Nie zatrzyma się w połowie procesu, czekając na człowieka.

Scenariusz: pełne wystawienie oferty z wariantami na Allegro

Weźmy sprzedawcę elektroniki, który codziennie wystawia 30 nowych modeli słuchawek. Każda oferta ma trzy kolory, dwa warianty pojemności i sześć zdjęć. Proces ręczny: zaloguj się, wybierz kategorię, wypełnij tytuł i opis, dodaj warianty z osobnymi cenami i stanami magazynowymi, wgraj zdjęcia, ustaw dostawy, sprawdź podgląd, wyślij. Nawet wprawny operator robi to 20-25 minut, zakładając zero błędów.

Wuying-Browser-Agent wykonuje tę samą ścieżkę autonomicznie. Dzięki strukturalnemu środowisku wykonawczemu utrzymuje mapę strony w kontekście i nie myli pól. Jeśli platforma zmieni układ formularza (a Allegro lubi takie niespodzianki), agent nie przerywa zadania, tylko używa refleksji do znalezienia właściwego pola. W testach na BrowserBench, gdzie zadania celowo zawierają zmienne UI, model utrzymuje 65% skuteczności. To nie idealne 100%, ale przy 30 ofertach dziennie oznacza, że tylko kilka wymaga interwencji człowieka, a nie wszystkie.

Skalowanie na wiele platform i języków

BrowserBench jest dwujęzyczny: chiński i angielski. Ten sam potok treningowy transferuje się do innych interfejsów językowych bez dodatkowego dostrajania. Dla sprzedawcy, który wchodzi na Allegro, Amazon.de i eBay.com, to oszczędność czasu na konfiguracji osobnych skryptów dla każdego rynku.

Z mojego doświadczenia z dwoma wdrożeniami agentów przeglądarkowych w retailu: największy problem to nie sama automatyzacja, tylko jej kruchość. Skrypt pisany pod konkretny układ strony przestaje działać po tygodniu, bo platforma zmieniła klasę CSS. Wuying nie analizuje kodu HTML, tylko uczy się interakcji na poziomie semantycznym – przyciski, pola formularzy, komunikaty. To czyni go odpornym na kosmetyczne zmiany w interfejsie. Amazon potrafi zmieniać układ "Buy Box" co kwartał, a agent dalej klika tam, gdzie trzeba.

Korzyści i szybki rachunek ROI

Oszczędność czasu to najłatwiejszy do policzenia zysk. Załóżmy sklep z 3 000 SKU, rozproszonych na trzech marketplace'ach. Zespół trzyosobowy: osoba od wystawiania, osoba od aktualizacji cen i stanów, osoba od zwrotów i korespondencji. Przyjmijmy koszt pracownika 45 zł za godzinę (brutto). Ręczna aktualizacja 200 ofert dziennie zajmuje 6 godzin. Rocznie to około 1 500 roboczogodzin, czyli 67 500 zł. Agent robi to w tle, z interwencją człowieka tylko przy wyjątkach. Zakładając skuteczność 80% w rzeczywistych warunkach, 20% zadań wymaga sprawdzenia. To redukcja czasu pracy o 80%, dając oszczędność rzędu 50 000 zł rocznie na samych aktualizacjach.

Do tego dochodzą błędy, które kosztują realne pieniądze: nadpisanie ceny poniżej kosztu, sprzedaż towaru, którego nie ma na stanie, blokada konta za naruszenie regulaminu. Jeden klient, z którym rozmawiałem, stracił 8 000 zł w dwa dni, bo arkusz Excela z cenami miał przesuniętą kolumnę. Agent nie robi takich błędów, bo nie kopiuje danych ręcznie.

Od czego zacząć

Nie rzucaj wszystkich procesów na agenta pierwszego dnia. Wybierz jeden marketplace i jeden typ zadania: na przykład wystawianie nowych ofert w jednej kategorii na Allegro. Przeprowadź pilotaż przez dwa tygodnie, mierząc czas wykonania i liczbę interwencji. Dopiero potem rozszerzaj na aktualizacje cen i stany magazynowe. W jednym z wdrożeń, które obserwowałem, największy problem nie leżał po stronie agenta, tylko po stronie danych wejściowych: zespół nie miał ustandaryzowanych opisów produktów, więc agent wypełniał pola niespójnie. Uporządkowanie bazy produktowej przed automatyzacją to połowa sukcesu.

• Redukcja ręcznej pracy o 80% przy rutynowych zadaniach na marketplace'ach

• Automatyczna korekta błędów formularzy bez przerywania procesu

• Skalowanie sprzedaży na wiele platform i języków bez dodatkowych integracji

• Odporność na zmiany układu stron dzięki semantycznemu rozumieniu interfejsu

• Pilotaż w 2 tygodnie na jednym marketplace'u i jednej kategorii produktów

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.