Budować czy kupić? Dlaczego własne narzędzie do analizy cen konkurencji — nawet z agentami AI — rzadko się opłaca

W e-commerce toczy się teraz wszędzie ta sama rozmowa. Ktoś z zespołu otwiera asystenta AI do kodowania i pod koniec popołudnia ma działający prototyp: skrypt, który ściąga ceny konkurencji z kilku stron do arkusza. Wygląda świetnie. I pada oczywiste pytanie: to po co my płacimy za narzędzie?

To uczciwe pytanie i traktujemy je poważnie. Prototyp naprawdę działa — problem w tym, że obiecane oszczędności istnieją głównie na papierze. Poniżej uczciwy rachunek.

Ten tekst jest częścią naszej serii o pricingu: jak wybrać narzędzie do analizy cen konkurencji , narzędzie do automatycznej zmiany cen, i co powinna obejmować usługa done-for-you .

Prototyp to najtańsze 5% problemu

Scraper, który zadziałał dziś, i dane, na których można polegać każdego dnia, to dwie różne rzeczy. Prototyp załatwia pierwszą. Twoja marża zależy od drugiej.

Prototyp zbudowany w jedno popołudnie udowodnił tylko jedno: że konkretną stronę, konkretnego dnia i z konkretnego adresu IP dało się odczytać skryptem. Nie udowodnił niczego z tego, co zamienia dane w pieniądze: że te same dane spłyną także jutro, że produkty są dopasowane poprawnie, że błąd zostanie zauważony, zanim trafi do Twoich cen, i że ktoś naprawi awarię o trzeciej w nocy, przed poranną aktualizacją cen.

Cała różnica w kosztach kryje się właśnie w tej luce — między „działa u nas na testach” a „można na tym oprzeć biznes”. Przejdźmy przez nią po kolei.

Koszt nr 1: w ogóle zdobyć dane — niezawodnie i na dużą skalę

Duże serwisy e-commerce aktywnie bronią się przed automatycznym pobieraniem danych. Droga „zrób to sam” od razu oznacza więc sieci proxy, emulację przeglądarki, renderowanie JavaScriptu i nieustanne przeciąganie liny z systemami antybotowymi. Asystent AI usłużnie podpowie wszystkie te narzędzia — nie zmieni jednak ani kosztów, ani kruchości takiego rozwiązania.

• Komercyjny ruch przez proxy i infrastruktura renderowania to rachunki płacone co miesiąc, bez końca — a przy skali prawdziwego monitorowania konkurencji same te rachunki potrafią dorównać abonamentowi u dostawcy albo go przekroczyć.
• To, że działa dziś, nie znaczy nic na przyszły tydzień. Jeśli strona chwilowo toleruje adres IP Twojej firmy, to bardzo prawdopodobne, że po tygodniu regularnego pobierania go zablokuje — i całe „rozwiązanie” stanie z dnia na dzień.

Dla porównania: za danymi Dealavo stoi dedykowana infrastruktura — zewnętrzne i własne mechanizmy proxy, renderowanie, techniki odczytu nowoczesnych, dynamicznych stron — utrzymywana przez wyspecjalizowany, pięcioosobowy zespół inżynierów, którego całą pracą jest niezawodne pobieranie danych. Cały ten łańcuch jest przy tym poukładany pod koszty: dla każdego źródła zaczynamy od najtańszej skutecznej metody pobierania, a po droższe techniki sięgamy dopiero wtedy, gdy strona nas do tego zmusi. Właśnie dzięki temu rachunek spina się przy tysiącu źródeł — a zespół istnieje, bo przy tej skali problem nigdy nie jest rozwiązany raz na zawsze.

Koszt nr 2: bieżące utrzymanie, którego nikt nie wpisuje do budżetu

A oto liczba, która zmienia większość rozmów „budować czy kupić”. Dealavo utrzymuje około 1000 źródeł danych — i przeciętnego dnia psuje się mniej więcej pięć z nich, bo sklep zmienił układ strony, przebudował ją albo wdrożył nową ochronę przed botami. Większość napraw jest szybka. Ale co dzień–dwa trafia się taka, która w praktyce oznacza zbudowanie połączenia z tym źródłem od nowa.

Przeskaluj to na projekt DIY pilnujący 20 stron konkurencji, a statystyka i tak Cię dogoni: coś istotnego psuje się co parę tygodni — po cichu. Żadna kontrolka nie robi się czerwona. Panel po prostu pokazuje wczorajsze ceny albo gubi najważniejszego konkurenta, a Twój zespół podejmuje decyzje cenowe na nieaktualnych danych, nic o tym nie wiedząc.

Dealavo utrzymuje drugą warstwę infrastruktury, która robi wyłącznie jedno: pilnuje, czy samo pobieranie danych działa — plus pięcioosobowy zespół, który naprawia awarie: dla standardowych źródeł do rana po nocnym pobraniu, a dla źródeł krytycznych działa nocny dyżur z reakcją w ciągu około godziny od sygnału anomalii. Klienci dostają od nas informację, co się zepsuło i kiedy będzie naprawione — zanim sami to zauważą.

A teraz pytanie praktyczne: kto u Ciebie będzie właścicielem tego systemu — na stałe? Czego ta osoba w zamian nie zrobi? I co się stanie, gdy odejdzie z firmy — bo wewnętrzne narzędzie jednego autora zwykle przechodzi na emeryturę razem z nim?

Koszt nr 3: dopasowanie — błąd, którego nie widać, dopóki nie zacznie kosztować

Zbieranie cen to widoczna połowa pracy. Druga połowa to ustalenie, która oferta rzeczywiście dotyczy tego samego produktu — i to od niej zależy, czy dane są cokolwiek warte.

Tam, gdzie jest czysty kod EAN, dopasowanie jest proste — i skrypt DIY sobie poradzi. Ale na prawdziwym asortymencie kodu często brakuje albo bywa mylący: marki własne, zestawy, wielopaki, warianty. Wtedy potrzeba dopasowywania po nazwach, atrybutach i zdjęciach — z pomocą AI — a przy naprawdę trudnych przypadkach weryfikacji ręcznej. Dealavo ma do tego wykrywanie anomalii: jeśli oferta pasuje z mocnymi sygnałami, ale cena drastycznie odstaje, system ją flaguje, zamiast jej zaufać.

Dlaczego to takie ważne? Bo błędy dopasowania nie wyglądają jak błędy. Wyglądają jak dane. A jeśli te dane zasilają automatyczny repricing, jedno błędne dopasowanie zamienia się w błędną cenę — opublikowaną w Twoim sklepie, na wielu produktach, zanim ktokolwiek zdąży zapytać.

Koszt nr 4: warstwa aplikacji — łatwo ją skopiować, trudno utrzymać przy dużej skali

Dashboard to, szczerze mówiąc, najłatwiejsza część do odtworzenia z pomocą AI — i przy małym katalogu panel DIY może być zupełnie w porządku. Pułapka pojawia się przy skali. Dane o cenach konkurencji przyrastają błyskawicznie: wielu sprzedawców na produkt, kilka kanałów, codzienne aktualizacje, a do tego wymiar, bez którego analiza traci sens — historia cen. Dealavo pobiera dziesiątki milionów cen dziennie, a doprowadzenie do tego, by ta ilość danych — razem z historią — wyświetlała się błyskawicznie, zajęło lata pracy inżynierskiej. Panel zbudowany w weekend na tych samych danych nie zepsuje się spektakularnie; będzie po prostu działał coraz wolniej, aż w końcu nikt nie będzie go otwierał.

Koszt nr 5: ostatni krok — ERP i automatyzacja cen, czyli tam, gdzie błędy robią się drogie

Najbardziej ryzykowna część całego łańcucha jest na jego końcu: wpisanie rekomendacji cenowych do Twoich systemów i uruchomienie automatyzacji.

• Integracje z ERP dojrzewają latami na nietypowych przypadkach. Dojrzałe konektory mają za sobą lata takich sytuacji — łącznie z zabezpieczeniami przed pomyłką, która brzmi absurdalnie, dopóki się nie wydarzy: na przykład wpisaniem rekomendacji ceny w niewłaściwe pole systemu ERP.
• Repricing bardziej niż sprytu potrzebuje bezpieczników. Silnik automatyzacji reguł cenowych powinien mieć rozbudowany system limitów i zabezpieczeń, żeby pochopna rekomendacja nie prześlizgnęła się do systemu i nie zniszczyła marży na produkcie. To nie jest teoretyczna ostrożność: widzieliśmy już na rynku przypadki, w których zbyt naiwna reguła repricingu zepchnęła ceny znacząco poniżej marży i wygenerowała straty większe niż koszt jakiegokolwiek narzędzia — zanim ktokolwiek to zauważył.

I ta asymetria rozstrzyga większość debat „budować czy kupić”: konsekwencją błędu w DIY nie jest „trzeba poprawić skrypt”, tylko weekend sprzedawania poniżej kosztów.

„Ale my też używamy agentów AI” — tak. Intensywnie. I właśnie o to chodzi.

To nie jest tekst przeciwko AI. Developerzy Dealavo mają wręcz obowiązek pracować z agentowymi narzędziami do kodowania — przy pełnej ludzkiej odpowiedzialności za kod i architekturę. Utrzymujemy dostrojone narzędzia agentowe, które wspierają i uruchamianie, i utrzymanie naszych crawlerów, a AI wykorzystujemy w całym utrzymaniu danych, łącznie z dopasowywaniem produktów po zdjęciach. Skala wykorzystania AI u nas jest naprawdę duża.

I właśnie dlatego wiemy, gdzie AI dziś się kończy: nawet wyspecjalizowane agenty, pracujące nad dokładnie tym problemem każdego dnia, nie obejdą się bez człowieka. Przyspieszają pracę naszych inżynierów — nie zastępują ich osądu, nocnego dyżuru ani odpowiedzialności.

Najprostszy test naszej szczerości: gdyby agentic AI potrafiło prowadzić tę operację samodzielnie, już dawno byśmy to u siebie tak zrobili — mało kto ma silniejszą motywację, żeby sprawdzać to każdego dnia w praktyce, niż my. Na dziś odpowiedź brzmi: nie potrafi.

Kiedy budowa własnego rozwiązania ma sens

Dla uczciwości — trzy przypadki, w których DIY jest racjonalne: dane z sieci są rdzeniem Twojego biznesu (w praktyce stajesz się firmą danych); potrzebujesz kilku źródeł sprawdzanych od czasu do czasu, a człowiek i tak przegląda wszystko przed jakąkolwiek zmianą cen; albo masz zespół inżynierii danych z realnie wolnymi mocami przerobowymi i bez automatyzacji na końcu procesu. Jeśli masz zespół devów i katalog <100 SKU, framework open-source jak Scrapy albo Playwright w połączeniu z PostgreSQL może wystarczyć na start — zwłaszcza jeśli akceptujesz, że utrzymanie zostaje na Waszej stronie. Jeśli natomiast ceny zasilają automatyczne decyzje na prawdziwym katalogu — wracamy do rachunku powyżej.

Pięć pytań przed zatwierdzeniem wewnętrznego projektu

1. Kto — z imienia i nazwiska — odpowiada za ten system rok po starcie i co w zamian przestaje robić?
2. Ile wyniesie miesięczny rachunek za infrastrukturę przy pełnej skali (proxy, renderowanie, serwery), a nie przy skali prototypu?
3. Skąd będziemy wiedzieć, że pobieranie po cichu przestało działać — zanim błędne ceny trafią do sklepu?
4. Kto weryfikuje dopasowania produktów bez czystych kodów i co powstrzyma jedno złe dopasowanie przed przecenieniem produktu?
5. Ile kosztuje nas w najgorszym razie jeden niezauważony błąd cenowy — i kto go poniesie?

Jeśli na wszystkie pięć pytań padną konkretne odpowiedzi, projekt można traktować poważnie. Z naszego doświadczenia najczęściej kończy się na pytaniu trzecim.

Zobacz, jak to wygląda od środka: bezpłatne, tygodniowe demo Dealavo działa na Twoim realnym katalogu i wybranych przez Ciebie źródłach — a dla większych organizacji płatny PoC (do trzech miesięcy) pozwoli Twojemu zespołowi porównać jakość danych z czymkolwiek, co zbudowalibyście sami.