De ser una palabra de moda a ser la columna vertebral: el descubrimiento de productos con IA entra en la fase crítica
Una entrevista reciente con el CMO de Luigi's Box, un proveedor de herramientas de búsqueda y descubrimiento de productos con IA, destaca cómo la búsqueda, las recomendaciones y el merchandising se están reconstruyendo en torno al machine learning y la IA generativa. El mensaje central: en los próximos cinco años, las marcas de comercio electrónico dejarán de diferenciarse a través del acceso a la propia tecnología de IA y, en su lugar, competirán en función de la eficacia con la que estructuran los datos de los productos, orquestan los flujos de trabajo de contenido y alinean la IA con la estrategia de merchandising. El descubrimiento de productos con IA está pasando de ser una capa de optimización "agradable de tener" a un elemento central de la pila de comercio que determina lo que ven los clientes, la rapidez con la que se ponen en marcha las nuevas gamas y la coherencia con la que se aplican los estándares de catálogo.
Este cambio se está produciendo en el contexto de la adopción de la IA generativa en el sector minorista en línea: los grandes marketplaces ya han integrado la IA en la clasificación, los precios, la generación de contenidos y la atención al cliente, mientras que los minoristas medianos están empezando a implementar la IA para el enriquecimiento del catálogo y la automatización sin código de las tareas de contenido rutinarias. Los comentarios del sector en medios como McKinsey y Shopify apuntan a una convergencia: la búsqueda, las recomendaciones, la personalización y las operaciones de contenido ya no son funciones separadas, sino partes de una única capa de "descubrimiento de productos" impulsada por la IA que se sitúa encima del catálogo y alimenta todas las superficies de cara al cliente. Al mismo tiempo, los expertos advierten de que la calidad de los datos de entrada, la estructura del catálogo y la gobernanza son cada vez más importantes que los propios modelos.
Por qué el descubrimiento de productos con IA es importante ahora
El descubrimiento de productos solía significar la búsqueda por palabras clave más unos pocos filtros manuales y páginas de destino de categorías estáticas. La IA está transformando esto en tres direcciones a la vez:
- Los resultados de la búsqueda son cada vez más semánticos, entendiendo la intención en lugar de las coincidencias exactas en los títulos o atributos de los productos.
- Las recomendaciones se basan en incrustaciones conductuales y modelos de similitud en lugar de en simples reglas de "compra conjunta".
- El merchandising se convierte en una mezcla de clasificación algorítmica y reglas de negocio humanas, en lugar de una clasificación puramente basada en reglas.
En este contexto, Luigi's Box y plataformas similares enfatizan que el rendimiento del modelo está estrechamente ligado a la calidad del catálogo: los atributos que faltan, la nomenclatura incoherente, la mala categorización y las descripciones escasas degradan directamente la relevancia y la conversión. Los estudios de casos del sector muestran sistemáticamente una mejora cuando los minoristas limpian los feeds de productos y enriquecen los atributos antes o junto con cualquier lanzamiento de IA. Esta interrelación entre la IA y la calidad del catálogo explica por qué el descubrimiento de productos se considera ahora una capacidad estratégica, no sólo una mejora de la búsqueda.
Impacto en los feeds de productos: de las exportaciones estáticas a los gráficos de conocimiento en vivo
Los feeds de productos eran tradicionalmente exportaciones estáticas optimizadas para plataformas publicitarias y marketplaces. El descubrimiento de productos con IA exige un perfil diferente de feeds y una mentalidad operativa diferente.
En primer lugar, los feeds deben ser más granulares y estandarizados. Los modelos de IA dependen de señales estructuradas: categorías normalizadas, nombres de atributos consistentes, valores legibles por máquina (tamaños, materiales, compatibilidad, estilos, ocasiones), metadatos de disponibilidad y precios, indicadores de calidad del contenido y, a veces, incluso estados del ciclo de vida (novedades, temporada, liquidación). Donde antes un conjunto mínimo de campos era suficiente para listar los productos, el descubrimiento basado en IA requiere una densa cuadrícula de atributos para soportar la comprensión semántica, el filtrado y la clasificación personalizada.
En segundo lugar, los feeds deben actualizarse casi en tiempo real. A medida que las recomendaciones de IA se adaptan al comportamiento del usuario y a los estados del inventario, los feeds obsoletos causan discrepancias visibles: los productos aparecen en la búsqueda pero están agotados, los precios en los widgets divergen del carrito, o los artículos recién añadidos permanecen "invisibles" porque el modelo tiene señales insuficientes. Muchos equipos de comercio están pasando ahora de las exportaciones nocturnas a las arquitecturas basadas en eventos o en streaming, donde las actualizaciones de los feeds se desencadenan por los cambios en el catálogo, las ediciones de contenido y los eventos de inventario.
En tercer lugar, el contenido no estructurado dentro de los feeds se convierte en una entrada del modelo por derecho propio. Los títulos, las descripciones, las especificaciones, las preguntas frecuentes, los fragmentos de UGC e incluso las etiquetas internas son procesados por las incrustaciones y los LLM para la coincidencia de similitud e intención. Esto empuja a las organizaciones a replantearse la preparación de los feeds: ya no es sólo una tarea de integración técnica, sino un proceso de ingeniería de contenidos en el que la calidad del texto, la consistencia lingüística y la duplicación influyen directamente en el comportamiento de la IA.
Estándares de Catálogo como Activo Competitivo
A medida que las herramientas de descubrimiento basadas en IA maduran, la gobernanza del catálogo se está convirtiendo en un vector de diferenciación. La conversación en torno a Luigi's Box subraya una visión más amplia del sector: los minoristas que más se beneficiarán de la IA en los próximos cinco años son aquellos que tratan los estándares de catálogo como un activo estratégico en lugar de un pensamiento operativo posterior.
Emergen varias tendencias:
- La taxonomía y los modelos de atributos se están rediseñando para que sean tanto navegables por humanos como legibles por máquina. En lugar de categorías ad hoc, las marcas están pasando a taxonomías robustas y multinivel con reglas claras para la colocación de productos y la herencia de atributos.
- Se formalizan los contratos de datos entre los equipos de merchandising, contenido e ingeniería. Cada atributo tiene una fuente definida, reglas de validación y objetivos de integridad. Esto reduce la "entropía silenciosa" que se acumula cuando cientos de personas crean productos de diferentes maneras.
- Las variaciones globales y locales se codifican explícitamente. Para los minoristas multipaís, los modelos de IA necesitan entender los esquemas de tallas regionales, las etiquetas reglamentarias, las diferencias de nomenclatura cultural y las variantes lingüísticas. Esto obliga a los estándares de catálogo a tener en cuenta la localización desde el principio.
En los comentarios de los expertos, esto se describe a veces como la aparición de un "gráfico de conocimiento de productos" en lugar de una simple lista de SKU. Los sistemas de descubrimiento de IA operan de forma más eficaz cuando los productos y los atributos están vinculados en una estructura similar a un gráfico que codifica las relaciones (compatibilidad, sustitutos, complementos, colecciones, paquetes). Esto, a su vez, permite que los modelos de búsqueda y recomendación semánticos razonen sobre el catálogo en lugar de sólo indexarlo.
Páginas de detalles de productos: calidad, integridad y enriquecimiento impulsado por la IA
La IA también remodela las expectativas de las páginas de detalles de productos (PDP). En el pasado, la calidad de las PDP dependía en gran medida de la redacción manual y del contenido proporcionado por el proveedor. Hoy en día, las herramientas de IA generativa pueden redactar descripciones, viñetas, guías de tallas, preguntas frecuentes e incluso activos creativos a partir de un conjunto de atributos estructurados y algunos ejemplos de referencia.
Sin embargo, los profesionales del sector consideran cada vez más la IA como un amplificador de los datos subyacentes, más que como un sustituto de ellos. Cuando los atributos son incompletos o incoherentes, las descripciones generadas reflejan esas lagunas: se vuelven genéricas, repetitivas o delgadas en cuanto a datos. Por el contrario, cuando los atributos son ricos, la IA puede sintetizar múltiples piezas de información (especificaciones, materiales, casos de uso, instrucciones de cuidado, compatibilidad) en narrativas coherentes y específicas para el público.
Se derivan varios cambios concretos en las operaciones de las PDP:
- La finalización de los atributos se convierte en un KPI prioritario. Los equipos utilizan la IA para detectar los campos que faltan, sugerir valores probables en función de elementos similares y sacar a la superficie las anomalías para que sean revisadas por humanos.
- La variación de contenido se genera a escala. A partir de un único registro de producto, la IA puede producir versiones de descripciones adaptadas a diferentes mercados, dispositivos o canales de adquisición, aún basadas en los mismos datos estructurados.
- Se extraen UGC y preguntas de los clientes como señales adicionales. Las reseñas y las preguntas y respuestas se analizan para extraer atributos recurrentes, casos de uso y objeciones, que luego se introducen en los campos estructurados y en el contenido de las PDP.
Es probable que en los próximos cinco años las marcas sean juzgadas menos por la originalidad absoluta de su texto y más por la coherencia, la profundidad y la corrección de la información de sus productos, mediada por la IA.
Velocidad de comercialización: comprimir el ciclo de lanzamiento del catálogo
Un tema central en las entrevistas del sector, incluidas las realizadas con la dirección de Luigi's Box, es la compresión del tiempo que se tarda en pasar de la disponibilidad del producto a la capacidad de descubrimiento. Históricamente, el lanzamiento de nuevas gamas implicaba múltiples pasos secuenciales: incorporación de proveedores, mapeo de atributos, redacción de textos, producción de imágenes, control de calidad, configuración de merchandising, ajuste de la búsqueda. Cada traspaso introducía retrasos y errores manuales.
La IA y las herramientas sin código se utilizan ahora para paralelizar y automatizar gran parte de este flujo de trabajo:
- Las plantillas de incorporación basadas en esquemas guían a los proveedores para que suministren los datos con la estructura correcta desde el principio, reduciendo la limpieza aguas abajo.
- Los mapeadores impulsados por IA alinean los atributos de los proveedores con las taxonomías internas, sugiriendo la ubicación de la categoría y marcando los casos ambiguos para su revisión humana.
- Las herramientas generativas crean contenido inicial de PDP, textos alternativos y sinónimos de búsqueda internos directamente desde el registro estructurado, que los editores refinan en lugar de escribir desde cero.
- Las comprobaciones automatizadas de relevancia y las pruebas de búsqueda simuladas validan que los productos recién incorporados se pueden encontrar para las consultas clave antes de su puesta en marcha.
Como resultado, el cuello de botella en muchas organizaciones está cambiando de la producción de contenido al diseño de procesos: ¿con qué rapidez pueden los equipos definir y ajustar las reglas del catálogo, los umbrales de calidad y las indicaciones de IA sin la intervención de los ingenieros? Aquí es donde las capas de orquestación sin código pasan a primer plano.
Sin código, IA y la nueva infraestructura de contenido
El creciente enfoque en el descubrimiento de productos con IA está acelerando la inversión en herramientas sin código y con bajo código que se sitúan entre las plataformas de comercio centrales y las experiencias de cara al cliente. Estas herramientas tienen como objetivo dar a los usuarios de negocio un control directo sobre cómo la IA interactúa con los datos y el contenido del catálogo.
Los patrones clave incluyen:
- Configuración sin código de las reglas de clasificación y la lógica de negocio sobre los modelos de IA. Los comerciantes pueden especificar condiciones como las prioridades de margen, los topes de exposición de marca o los aumentos estacionales sin modificar el código del modelo.
- Interfaces visuales para la construcción de flujos de trabajo de enriquecimiento. Los usuarios no técnicos pueden definir cuándo la IA debe generar atributos que falten, proponer traducciones o actualizar etiquetas internas basadas en las señales de rendimiento.
- Gestión de indicaciones como componente del sistema. A medida que se utiliza la IA generativa para descripciones, textos de categorías y copias en el sitio, las indicaciones y las salvaguardas se mantienen de forma centralizada, se versionan y se vinculan a los modelos de catálogo, en lugar de ser fragmentos de texto ad hoc.
Los comentarios de publicaciones como Harvard Business Review y The Information sugieren que las organizaciones que separan la "fontanería de la IA" (infraestructura, modelos, seguridad) de la "coreografía de la IA" (indicaciones, flujos de trabajo, reglas de negocio) se adaptarán más rápido. En esta visión, las plataformas de descubrimiento de productos se convierten en centros de orquestación: se conectan al sistema de gestión de información de productos, a las analíticas, a las herramientas de experimentación y a la tienda, a la vez que exponen una capa sin código para la experimentación y la gobernanza.
Diferenciación en los próximos cinco años: datos, gobernanza y alineación
La afirmación central que subyace a la perspectiva del CMO de Luigi's Box es que las propias capacidades de la IA van por el camino de la mercantilización. A medida que los modelos base para el lenguaje y la recomendación estén ampliamente disponibles, la barrera de entrada para la búsqueda y personalización básicas impulsadas por la IA caerá. Lo que seguirá siendo difícil -y, por lo tanto, diferenciador- es la alineación entre cuatro elementos:
- La profundidad y la limpieza de los datos de los productos.
- La solidez de los estándares de catálogo y las taxonomías.
- La madurez de los flujos de trabajo de contenido y merchandising.
- La gobernanza sobre cómo se aplica, se audita y se itera la IA.
Esta visión se alinea con una hipótesis más amplia del sector: a medio plazo, la ventaja competitiva vendrá menos de los algoritmos exclusivos y más del conocimiento de los productos propietario y bien estructurado y de la capacidad operativa para desplegar la IA de forma responsable y rápida en todos los procesos de contenido. Las marcas que sigan tratando los feeds, la estructura del catálogo y el contenido de las PDP como meras preocupaciones operativas de back-office corren el riesgo de no aprovechar al máximo las herramientas de IA y de obtener rendimientos más débiles, incluso si adoptan las mismas tecnologías que sus competidores.
Al mismo tiempo, existe una pregunta abierta sobre hasta dónde puede llegar la automatización sin erosionar la distintividad de la marca percibida. Algunos expertos argumentan que la dependencia excesiva de las plantillas generativas puede conducir a PDP homogeneizadas en todos los minoristas, lo que dificulta que los clientes distingan entre las ofertas. Otros replican que la estandarización del contenido informativo (especificaciones, características, compatibilidad) es beneficiosa, y que la diferenciación se trasladará al diseño de la experiencia, los niveles de servicio y la comunidad en lugar del estilo de copia. Este sigue siendo un debate en vivo y debe tratarse como una hipótesis en evolución y no como un resultado definitivo.
Implicaciones para los equipos de comercio electrónico y contenido
Para los profesionales de las operaciones de comercio electrónico y contenido, la actual ola de descubrimiento de productos impulsado por la IA conlleva varias implicaciones prácticas:
- El trabajo del catálogo se vuelve estratégico. El diseño de la taxonomía, la gobernanza de los atributos y la calidad del feed ya no son tareas de "higiene de datos", sino palancas primarias de la calidad de la búsqueda y la conversión.
- Los equipos de contenido se acercan a los equipos de datos. Los redactores y editores deben entender los modelos de atributos, mientras que los administradores de datos deben tener en cuenta los requisitos narrativos y de experiencia del usuario.
- Las habilidades sin código crecen en importancia. La capacidad de configurar los flujos de trabajo de la IA, gestionar las indicaciones y ajustar las políticas de clasificación sin código se convierte en una competencia básica para los vendedores y los gestores de productos.
- La medición se desplaza a las métricas de descubrimiento. Más allá de las tasas de conversión tradicionales, los equipos rastrean cada vez más la capacidad de búsqueda, las puntuaciones de relevancia, las consultas sin resultados y el tiempo de descubrimiento de las nuevas gamas.
En este entorno, la entrevista con el CMO de Luigi's Box ejemplifica una transición más amplia del sector: la IA en el comercio está pasando de experimentos aislados a una capa de infraestructura que une los feeds, los estándares de catálogo, la calidad de las PDP, la velocidad de lanzamiento y la automatización sin código. La diferenciación en los próximos cinco años probablemente residirá no en quién "tiene IA", sino en quién remodela su infraestructura de contenidos y datos para que el descubrimiento de productos con IA haga su trabajo de forma eficaz y transparente.
En NotPIM, reconocemos la importancia vital de la calidad y la gobernanza de los datos en este panorama en evolución. Nuestra plataforma está diseñada específicamente para abordar los retos que se destacan en este artículo. Capacitamos a las empresas de comercio electrónico para que agilicen la gestión de datos, estandaricen la información de productos y enriquezcan sus catálogos, garantizando que puedan aprovechar plenamente las tecnologías de descubrimiento de productos basadas en IA. Esto permite a nuestros clientes centrarse en las iniciativas estratégicas, el diseño de experiencias y la construcción de la distinción de la marca.