Hay empresas con 5.000, 20.000 o 50.000 referencias que siguen gestionando buena parte del conocimiento de producto prácticamente igual que cuando tenían 500.
Una parte está en el ERP.
Otra en el PIM.
Otra en el ecommerce.
Otra en Excel.
Otra en los PDFs que manda el proveedor.
Y la información que realmente permite distinguir dos productos aparentemente iguales sigue estando, demasiadas veces, en la cabeza de alguien.
Entonces llega la IA.
Y la pregunta pasa a ser:
¿Cómo podemos utilizarla para generar las fichas de producto?
Bien.
Pero antes hay otra pregunta bastante más importante:
¿Qué información le vas a dar para que las genere?
Porque la IA puede generar contenido más rápido.
También puede generar basura más rápido si el dato de origen es malo.
Tu catálogo no es una lista de productos
Un catálogo no es simplemente el conjunto de referencias que vendes.
Es una estructura de conocimiento.
Tiene que explicar qué es cada producto, qué características tiene, para qué sirve, en qué se diferencia de otro, con qué otros productos se relaciona y cómo debería encontrarlo alguien que todavía no conoce tu nomenclatura interna.
Eso obliga a tomar decisiones.
Cómo se organizan las familias.
Qué atributos son realmente relevantes.
Qué diferencias entre dos productos merece la pena explicar.
Qué información debe ser obligatoria.
Cómo se gestionan las variantes.
Qué denominación utilizas.
Qué productos deberían poder compararse.
Y qué necesita saber un cliente para poder decidir.
Cuando esa estructura no existe, el problema no está en que falte una descripción bonita.
Está bastante más abajo.
Un catálogo puede funcionar internamente y estar mal preparado para vender
Esto ocurre mucho en negocios que llevan años creciendo.
El catálogo se ha ido construyendo por acumulación.
Entra un proveedor nuevo y se crea una familia.
Se incorpora una línea y se abre otra categoría.
Aparece una gama nueva y alguien decide dónde colocarla.
Durante años se van añadiendo productos sobre una estructura que nadie ha revisado de verdad.
Y llega un momento en el que el árbol de categorías explica perfectamente la historia de la empresa.
Lo que ya no está tan claro es si explica cómo compra el cliente.
Puedes tener familias organizadas por fabricantes, divisiones internas, tecnologías o nomenclaturas históricas que tienen todo el sentido dentro de la compañía y muy poco para alguien que llega desde fuera.
Mientras exista un comercial entre el producto y el cliente, parte del problema se compensa.
El comercial traduce.
Pregunta.
Filtra.
Compara.
Recomienda.
En digital, esa capa desaparece.
Y el catálogo tiene que empezar a hacer parte del trabajo que antes hacía una persona.
Un ejemplo: 6.000 referencias y tres versiones de la realidad
Imaginemos una empresa B2B con 6.000 SKU.
Trabaja con varios fabricantes, tiene años de histórico y quiere renovar su ecommerce. Aprovechando el proyecto, decide utilizar IA para acelerar la creación y mejora de las fichas de producto.
Antes de empezar encontramos esto:
| Lo que necesitamos | Lo que existe |
|---|---|
| Una categoría coherente para cada producto | ERP, PIM y web utilizan clasificaciones distintas |
| Atributos comparables | Cada proveedor entrega información diferente y a veces, no entrega ninguna. |
| Nombres consistentes | Hay varias formas de nombrar productos equivalentes |
| Descripciones útiles | Muchas reproducen prácticamente el texto del fabricante |
| Diferencias claras entre productos parecidos | Las conoce comercial, pero no están estructuradas |
| Un nivel mínimo de información | Un producto tiene 15 atributos y otro 4 |
| Relaciones entre referencias | Complementarios y sustitutos dependen del conocimiento del equipo |
| Una fuente fiable | Parte se actualiza automáticamente y parte sigue siendo manual |
| Una voz reconocible | Cada fabricante escribe de una manera diferente |
Ahora podemos conectar una IA y pedirle que genere 6.000 fichas.
Y seguramente lo hará.
Ese no es el problema.
El problema es qué va a generar a partir de una estructura así.
Puede utilizar nombres inconsistentes.
Puede reproducir diferencias que existen solo porque cada proveedor redacta de una manera.
Puede omitir atributos porque no están disponibles.
Puede presentar como equivalentes productos que no lo son.
Puede tratar como distintos productos que deberían relacionarse.
Puede generar descripciones perfectamente correctas desde el punto de vista gramatical y bastante inútiles para ayudar al cliente a decidir.
Antes tenías datos desordenados.
Ahora tienes datos desordenados con textos mejor redactados.
No es exactamente lo mismo que haber solucionado el catálogo.
Cada SKU debería poder explicarse por sí mismo
Hay una idea que resume bastante bien la base del problema: cada SKU debería funcionar como una unidad de información suficientemente completa y comprensible.
Nombre preciso.
Descripción sin ambigüedad.
Atributos identificados.
Precio actualizado.
Disponibilidad.
Categoría coherente.
Sin depender continuamente de información que vive fuera de la ficha o del conocimiento de la persona que lleva veinte años trabajando con ese producto.
Es también una de las ideas que plantea Marketing4eCommerce al hablar de catálogos preparados para IA: datos de producto limpios y completos, atributos etiquetados, información actualizada y jerarquías coherentes. (Marketing4eCommerce)
Pero yo iría un poco más allá.
No deberíamos ordenar el catálogo porque ahora exista la IA.
Deberíamos ordenarlo porque esa es la base para que el catálogo funcione bien con clientes, buscadores, ecommerce, marketplaces, comerciales, nuevos mercados y cualquier tecnología que pongamos después.
La IA simplemente hace más evidente la necesidad.
El primer problema suele estar en los atributos
Los atributos parecen un asunto técnico hasta que intentas utilizarlos de verdad.
Material.
Potencia.
Medida.
Compatibilidad.
Capacidad.
Acabado.
Aplicación.
Normativa.
O cualquier otra característica relevante en tu sector.
Si están bien estructurados, permiten buscar, filtrar, comparar, recomendar y automatizar.
Si no lo están, cada canal acaba interpretándolos a su manera.
Un proveedor escribe “acero inoxidable”.
Otro “inox”.
Otro “stainless steel”.
Otro no rellena el atributo y lo incluye en mitad de una descripción.
Para la persona que lleva años trabajando con ese producto quizá sea evidente que hablan de lo mismo.
Para un sistema, no necesariamente.
Y cuando multiplicas el problema por miles de referencias y decenas de atributos, deja de ser un detalle.
Empieza a condicionar cómo se vende.
El segundo problema es organizar el catálogo desde dentro
Hay otra situación muy habitual.
Las familias se han creado pensando en cómo gestiona la empresa los productos.
No en cómo los busca el cliente.
Puede tener muchísimo sentido internamente que una gama dependa del proveedor A y otra del proveedor B.
Pero al cliente probablemente le dé igual.
El cliente quiere resolver algo.
Encontrar una alternativa.
Comparar.
Entender la diferencia.
Saber qué producto encaja con su necesidad.
Cuando el catálogo sigue exclusivamente la lógica interna, la consecuencia termina apareciendo en la web.
Menús enormes.
Categorías difíciles de entender.
Filtros que aportan poco.
Productos imposibles de comparar.
Buscadores que solo funcionan si el usuario escribe exactamente el término correcto.
Y equipos de marketing intentando solucionar con SEO o contenidos un problema que en realidad está en la arquitectura del catálogo.
El tercer problema es el conocimiento que sigue viviendo en personas
Este, para mí, es uno de los más importantes.
Pregunta a alguien de producto por la diferencia entre dos referencias prácticamente idénticas.
Te la explica en treinta segundos.
Pregunta al comercial cuál recomendaría en cada caso.
También lo sabe.
Ahora intenta encontrar esa diferencia en los sistemas.
A veces no está.
La empresa posee el conocimiento.
El sistema no.
Eso puede funcionar durante años.
Hasta que quieres escalar.
Abrir un mercado nuevo.
Incorporar comerciales.
Lanzar otro ecommerce.
Vender en marketplaces.
Automatizar atención al cliente.
Crear recomendaciones.
O utilizar IA para ayudar a encontrar el producto adecuado.
En ese momento necesitas convertir parte de ese conocimiento tácito en una estructura que pueda utilizar alguien que no lleva quince años dentro de la empresa.
No se trata de sustituir a la persona experta.
Se trata de dejar de obligarla a explicar mil veces lo mismo porque el sistema nunca lo aprendió.
Y la IA puede añadir otro problema: que cada producto hable con una voz distinta
Hasta aquí hemos hablado de la calidad y estructura del dato.
Pero hay otra capa.
Cómo habla el catálogo.
Imagina una empresa que distribuye varias marcas.
Una tiene un tono muy técnico.
Otra es mucho más aspiracional.
Otra habla de forma directa y sencilla.
Otra entrega unas descripciones completamente corporativas.
Y otra tiene textos que probablemente escribió alguien hace diez años y nadie ha vuelto a tocar.
Todo eso termina dentro de tu ecommerce.
Ahora le pedimos a la IA que genere contenido.
¿Qué tono debe utilizar?
¿El de tu empresa?
¿El del fabricante?
¿El de cada marca?
¿Una mezcla de todos?
Si no está decidido, puede ocurrir prácticamente cualquier cosa.
Una ficha suena técnica.
La siguiente parece una campaña publicitaria.
Otra reproduce casi literalmente al fabricante.
Y otra utiliza ese tono genérico de IA que podría pertenecer a cualquier empresa.
No hay errores graves.
Todo está razonablemente bien escrito.
Y, aun así, el catálogo se ha convertido en un batiburrillo.
“Escribe con nuestro tono de voz” no resuelve el problema
Para que una IA pueda seguir una voz, primero esa voz tiene que existir.
Tiene que estar definida.
Qué vocabulario utilizas.
Qué términos evitas.
Cuánto peso tiene la parte técnica.
Cómo explicas los beneficios.
Cómo nombras determinadas categorías.
Qué estructura siguen las fichas.
Qué cambia cuando hablas de una marca y qué debe permanecer siempre igual.
Porque si trabajas con distintas marcas, además hay una decisión previa bastante importante:
¿Quién debe hablar en tu ecommerce: tu empresa o cada una de las marcas que vendes?
No hay una única respuesta.
Pero tiene que haber una.
Quizá necesitas preservar ciertos códigos de cada fabricante.
Quizá quieres que toda la experiencia esté claramente bajo la voz de tu propia marca.
Quizá haya una capa común y determinados elementos específicos por fabricante.
Perfecto.
Pero eso hay que diseñarlo.
La IA puede ayudarte muchísimo a mantener una voz consistente una vez definida.
Lo que no puede hacer es decidir por ti cuál debería ser esa voz.
Y si no existe un criterio, también puede escalar la inconsistencia.
Un PIM tampoco arregla por sí solo una mala estructura de catálogo
Aquí aparece otra solución aparentemente evidente.
“Necesitamos un PIM.”
Puede que sí.
En un catálogo complejo puede ser una herramienta fundamental.
Pero el PIM gestiona información.
No toma las decisiones de negocio necesarias para estructurarla.
No decide qué atributos importan de verdad.
No decide cómo debería agruparse el catálogo.
No sabe qué diferencia necesita entender el cliente.
No establece por sí mismo qué información debe mantenerse igual entre canales y cuál debe adaptarse.
Tampoco decide cómo tiene que hablar tu marca.
Puedes implantar un PIM sin resolver nada de eso.
Tendrás el desorden mucho mejor centralizado.
Pero seguirá siendo desorden.
La IA necesita contexto. Y tu catálogo es parte de ese contexto
Ahora queremos pedir a sistemas automáticos que encuentren productos, generen contenidos, respondan preguntas, recomienden alternativas, traduzcan, clasifiquen o ayuden al cliente a decidir.
Para hacerlo bien necesitan contexto.
Y tu catálogo es una parte esencial de ese contexto.
Cuanto más estructurada, específica y consistente sea la información, más posibilidades tienes de obtener algo realmente útil.
Por eso me parece peligroso empezar una conversación sobre IA preguntando:
“¿Qué herramienta deberíamos utilizar?”
Yo empezaría bastante antes:
“¿Está preparado nuestro conocimiento de producto para que una herramienta pueda utilizarlo?”
Y añadiría otra:
“¿Está suficientemente claro cómo queremos comunicar ese conocimiento?”
Porque tener datos correctos pero una voz completamente incoherente tampoco es tener el problema resuelto.
La estructura del catálogo afecta a mucho más que la IA
Aunque mañana desapareciera toda la conversación alrededor de la inteligencia artificial, seguiría teniendo sentido hacer este trabajo.
Porque la arquitectura del catálogo condiciona cómo encuentra el cliente un producto, cómo lo compara, cómo trabaja el equipo comercial, cómo construyes una campaña, cómo lanzas otra categoría, cómo formas a alguien nuevo, cómo abres otro país y cuánto dependes de personas concretas para que todo funcione.
Por eso no considero la estructura de catálogo una cuestión meramente técnica.
Ni siquiera una cuestión de ecommerce.
Es una cuestión de negocio.
Y cuanto más amplio, técnico o complejo sea el catálogo, más evidente se vuelve.
Antes de aplicar IA al catálogo, hay unas cuantas decisiones que tomar
No creo que una empresa tenga que reconstruir todo su catálogo antes de hacer cualquier prueba con inteligencia artificial.
Sería absurdo.
Puedes experimentar.
Automatizar una parte.
Probar con una categoría.
Aprender.
Pero si quieres utilizar la IA como una verdadera palanca de escala, tarde o temprano tendrás que decidir qué productos tienes, cómo se relacionan, cómo los agrupas, qué atributos los definen, qué información es obligatoria, qué diferencias importan, dónde vive el conocimiento, quién es responsable de mantenerlo y cómo tiene que expresarse cada marca.
Eso no lo decide una herramienta.
Es arquitectura.
La IA no arregla un catálogo mal estructurado. Lo escala
Esta es probablemente la parte más incómoda.
Cuanto más potente sea la tecnología que coloques encima, más importante se vuelve lo que hay debajo.
Si la base es buena, la IA puede ayudarte a hacer muchísimo más.
Generar.
Enriquecer.
Clasificar.
Traducir.
Relacionar.
Recomendar.
Automatizar.
Mantener una voz consistente.
Pero si la estructura es mala, la velocidad tampoco juega necesariamente a tu favor.
Puedes crear más contenido.
Más fichas.
Más respuestas.
Más recomendaciones.
Más deprisa.
Y seguir sin haber solucionado cómo está organizado el conocimiento del producto.
O peor: puedes multiplicar información inconsistente con suficiente velocidad como para que luego arreglarla sea todavía más difícil.
Por eso, antes de preguntarte qué puede hacer la IA con tu catálogo, yo respondería primero a otra pregunta:
Si mañana quitáramos la IA de la ecuación, ¿tu catálogo estaría suficientemente bien estructurado como para crecer?
Si la respuesta es no, empezaría por ahí.
Porque la IA puede escalar una buena estructura de catálogo.
También puede escalar datos pobres, categorías incoherentes, conocimiento que nadie ha sistematizado y una voz de marca que nadie ha definido.
Lo que no puede hacer es tomar por ti las decisiones que nunca tomaste al construirlo.