magentoforum.pl

Między 21 października a 1 listopada pojawiły się trzy wiadomości, które przeczytałem w całości, zamiast zatrzymać się na nagłówkach: OpenAI rozszerzyło reklamy w ChatGPT, NVIDIA wypuściła open source’ową „warstwę semantyczną“ dla agentów AI, a zespół DeepSeek Harness udostępnił prototyp agenta, który sam rozdziela pracę między podwykonawców. Tylko pierwsza z nich jest wprost o marketingu. Dwie pozostałe to narzędzia dla programistów i mówię to na wstępie, bo w sieci krąży już sporo tekstów sprzedających je jako „przełom w marketingu“. Nim nie są. Są natomiast czytelnym sygnałem, w którą stronę idzie automatyzacja, a z tego sygnału mała firma może wyciągnąć kilka praktycznych wniosków. Po kolei.

1. ChatGPT Ads: kanał reklamowy, który przestaje być ciekawostką

30 października Barry Schwartz z Search Engine Roundtable opisał cotygodniowy mail, jaki OpenAI wysyła reklamodawcom. Najważniejsze punkty: reklamy w ChatGPT działają w 26 kolejnych krajach, na desktopie pojawia się szerszy standardowy format karty reklamowej, reklamy wieloobrazkowe weszły do otwartej bety dla wszystkich reklamodawców, a integracja z Shopify jest dostępna międzynarodowo.

Kilka liczb, żeby to osadzić. Po ostatnim rozszerzeniu reklamy sprzedawane są w 89 krajach, a od startu, czyli przez nieco ponad osiem miesięcy, kampanie uruchomiło ponad 100 tysięcy reklamodawców. Reklamy widzą wyłącznie użytkownicy planów Free i Go, płatne subskrypcje pozostają bez reklam. W sierpniu biznes reklamowy OpenAI osiągnął roczne tempo przychodów rzędu miliarda dolarów. Dla polskiego czytelnika istotne jest to, że Polska znalazła się już we wcześniejszej, europejskiej fali uruchomienia obejmującej 31 krajów. Nie trzeba więc czekać na kolejne rozszerzenie, żeby to przetestować. Dostęp jest możliwy przez partnerów technologicznych albo samoobsługowo przez Ads Manager.

Dwa szczegóły z tego maila uważam za ważniejsze niż geografia. Pierwszy: nowy, szerszy format karty korzysta z istniejących kampanii i kreacji, więc reklamodawca nie musi nic robić. Brzmi wygodnie, ale oznacza też, że platforma zmienia wygląd waszej reklamy bez pytania. Drugi: tzw. ulepszenia kreacji (creative enhancements) są włączane automatycznie. To ten sam kierunek, który znamy z Google i Meta: system coraz więcej decyduje sam. Jeśli komuś zależy na spójności marki, powinien po prostu sprawdzić, co AI robi z jego materiałami, zamiast zakładać, że robi to dobrze.

Co z tego dla małej firmy? Ludzie pytają ChatGPT o to, o co kiedyś pytali Google: „jaki ekspres do 2000 zł“, „księgowa dla jednoosobowej działalności“, „sala na 40 osób pod Wrocławiem“. To intencja zakupowa, nie przewijanie feedu. Samoobsługowy Ads Manager pozwala wejść z małym budżetem, a sklepy na Shopify dostają integrację od razu. Jednocześnie nie przenosiłbym tam budżetu hurtem. Samo OpenAI zapowiada, że dopiero kolejny etap przyniesie nowe formaty, cele kampanii, opcje zakupu i możliwości pomiaru, czyli mierzalność tego kanału wciąż dojrzewa. Rozsądne podejście to test na kilkanaście procent budżetu, z własnym pomiarem po stronie sklepu lub CRM i porównaniem kosztu pozyskania z tym, co dają obecne kanały.

2. NVIDIA Auto Ontology: czy wasz asystent AI podaje właściwą liczbę?

W tym samym czasie (artykuł MarkTechPost z 1 listopada) NVIDIA udostępniła Auto Ontology. To biblioteka open source na licencji Apache 2.0, która z metadanych firmowych buduje warstwę kontekstu; agenci AI piszą zapytania SQL w oparciu o certyfikowane definicje biznesowe, a nie zgadują na podstawie surowych nazw kolumn. Repozytorium stawia sprawę wprost: szybka odpowiedź o przychodzie jest bezwartościowa, jeśli liczba jest zła.


Technicznie: narzędzie łączy się z bazami takimi jak Databricks, Postgres, Snowflake czy DuckDB, agenci korzystają z niego przez dziewięć narzędzi MCP działających tylko do odczytu oraz przez CLI i API, a według testów NVIDII czas budowy ontologii skraca się o 90 procent. Potrafi też godzić sprzeczne definicje tego samego pojęcia. Przez MCP wpina się w środowiska agentowe takie jak Cursor czy Claude Desktop i ma wbudowaną kontrolę dostępu opartą na rolach. Ten „tylko do odczytu“ to nie drobiazg: agent może pytać, ale nie może niczego zepsuć.

Dlaczego o tym piszę na forum marketingowym? Bo problem, który NVIDIA rozwiązuje w korporacjach, w małej firmie wygląda identycznie, tylko w mniejszej skali. „Klient“ w CRM to ktoś, kto wypełnił formularz. „Klient“ w programie do faktur to ktoś, kto zapłacił. „Konwersja“ w Google Analytics to jeszcze co innego. Kiedy właściciel pyta asystenta AI „ile mieliśmy nowych klientów w październiku“, model wybiera jedną z tych definicji i nie mówi którą. Potem ta liczba trafia do decyzji o budżecie. To najczęstszy powód, dla którego „raport z AI“ nie zgadza się z tym, co widzi księgowa.

Praktyczny wniosek nie wymaga ani NVIDII, ani programisty. Zanim podłączycie do danych jakiekolwiek narzędzie „analityki AI“, spiszcie na jednej stronie, co w waszej firmie znaczy klient, lead, konwersja, przychód i zwrot. To jest warstwa semantyczna w wersji za zero złotych i moim zdaniem bardziej opłacalna niż większość subskrypcji. Jeśli macie w zespole osobę techniczną i własną bazę, samo narzędzie jest darmowe, ale trzeba dodać: to framework w Pythonie, nie produkt „kliknij i działa“.

3. DeepSeek dsh-superagent: jak ustawić agentów, żeby nie zjadły waszego czasu

31 października zespół DeepSeek Harness opublikował na GitHubie dsh-superagent-prototype na licencji MIT. Sam DeepSeek określa to jako kod badawczy, nie oficjalny produkt. Konstrukcja jest prosta i warta zapamiętania: każde zadanie trafia do odizolowanej sesji Workera z własnym katalogiem roboczym; Worker pisze kod, uruchamia testy i otwiera pull request, a jedynym, co odzywa się do człowieka, jest Router. Zgłoszenia przychodzą z repozytorium GitHub, opcjonalnie z komunikatora Feishu. Domyślnym trybem jest obserwacja, a DeepSeek zaleca uruchamianie w izolacji, bo agent działa z pełnymi uprawnieniami użytkownika systemu operacyjnego.


Dane są skromne, ale kierunkowe: w symulacji z zaszumionym strumieniem komunikatów układ Router–Worker kończył zadania w 15,7 minuty (95. percentyl) wobec 29,5 minuty dla pojedynczej sesji. Ciekawsza od liczb jest teza DeepSeeka: wąskim gardłem w pracy z agentami nie jest już model, tylko człowiek próbujący nadzorować kilka sesji naraz.

Każdy, kto prowadzi małą firmę, zna to uczucie bez żadnego agenta. I tu jest realna wartość tej premiery dla marketingu: nie jako narzędzie, bo to narzędzie dla programistów, tylko jako wzorzec. Większość prób automatyzacji w małych firmach, z jakimi się spotykam, wygląda tak: jeden chatbot ma odpowiadać klientom, pisać newsletter, aktualizować CRM i robić raport. Po dwóch tygodniach nikt nie wie, co właściwie zrobił. Wzorzec DeepSeeka mówi coś odwrotnego. Jeden „dyspozytor“, który z wami rozmawia i sam nic nie wykonuje. Wielu wąskich „wykonawców“, z których każdy ma jedno zadanie i własny, odizolowany kontekst. Każdy wynik ląduje w kolejce do zatwierdzenia przez człowieka, czyli odpowiednik pull requesta. I start zawsze w trybie „patrz, nie działaj“. Dodałbym jeszcze jedno, wprost z ostrzeżenia DeepSeeka: narzędzie, które ma dostęp do waszego konta reklamowego albo bazy mailingowej, traktujcie jak narzędzie z pełnymi uprawnieniami. Osobne konto, ograniczony dostęp, logi.

Co bym zrobił w tym kwartale

Przetestował ChatGPT Ads niewielkim budżetem przez samoobsługowy Ads Manager, z kreacjami wieloobrazkowymi, jeśli prowadzę sklep, i z własnym pomiarem, bo cudzemu dashboardowi na tym etapie nie ufam. Spisał definicje kluczowych pojęć, zanim ktokolwiek w firmie podłączy AI do danych. Każdą automatyzację projektował jako dyspozytor plus wąscy wykonawcy plus zatwierdzanie, a nie jako jeden bot od wszystkiego. I na każdym spotkaniu z dostawcą narzędzia zadawał dwa pytania: jak rozwiązujecie sprzeczne definicje w moich danych oraz z jakimi uprawnieniami działa wasz agent. Odpowiedź albo jej brak mówi więcej niż demo.

Na koniec, dla równowagi

„Ponad 100 tysięcy reklamodawców“ to liczba, która robi wrażenie, ale nie mówi, ilu z nich zostało na drugi miesiąc. Prototyp DeepSeeka sam siebie nazywa prototypem. Narzędzie NVIDII ma kilka dni. Nie piszę więc, że wszystko się zmieniło. Piszę, że trzy duże firmy w jednym tygodniu dołożyły infrastrukturę pod to samo: żeby agenci AI mieli skąd brać prawdę o danych, żeby ich praca dała się zorganizować bez pochłaniania uwagi człowieka i żeby w rozmowie z AI dało się kupić reklamę. Mała firma nie wygra z korporacją budżetem, ale może wygrać tempem decyzji, pod warunkiem, że zacznie od uporządkowania definicji i uprawnień, a nie od kolejnej subskrypcji.

Źródła:

Więcej informacji: https://boostwave.pl/blog

Search Engine Roundtable, „ChatGPT Gets Wider Ads, Multi-Image Ads Expands, Expansion & More“ (30.10.2026): https://www.seroundtable.com/chatgpt-ad ... 42427.html
OpenAI, „ChatGPT Ads expands to 26 new countries...“ (21.10.2026): https://openai.com/index/chatgpt-ads-ex ... countries/
MarkTechPost, „NVIDIA Releases Auto Ontology: An Open Semantic Layer That Grounds AI Agent SQL“ (01.11.2026): https://www.marktechpost.com/2026/11/01 ... ai-agents/
MarkTechPost, „DeepSeek dsh-superagent“ (01.11.2026): https://www.marktechpost.com/2026/11/01 ... ing-agent/
Dataconomy, „DeepSeek releases open-source dsh-superagent coding agent“ (02.11.2026): https://dataconomy.com/2026/11/02/deeps ... ing-agent/
The Next Web, „ChatGPT ads reach 89 countries as OpenAI passes 100,000 advertisers“: https://thenextweb.com/news/chatgpt-ads ... dvertisers