ASOS integra el video de compra en los motores de respuesta
ASOS ha lanzado una integración que permite a los compradores descubrir y comprar sus productos directamente desde ChatGPT utilizando video de compra. A través de la experiencia ASOS Stylist, los usuarios pueden describir lo que buscan en lenguaje natural – por ejemplo, “un vestido de verano rosa con flores” – y recibir un conjunto curado de productos del catálogo de ASOS. Cada resultado se puede ver como un video de formato corto, y luego abrirlo con detalle en ASOS.com para completar la compra. El piloto se está implementando en el Reino Unido y Estados Unidos, y se basa en el AI Stylist ya disponible en la aplicación ASOS.
La experiencia está impulsada por la tecnología de comercio en video de Bambuser, que convierte el catálogo de productos y los activos de video de ASOS en datos estructurados que los modelos de lenguaje a gran escala pueden recuperar en tiempo real y renderizar como video de compra. ASOS posiciona esto como una evolución más allá de las herramientas de compra con IA basadas en texto e imágenes estáticas, con el objetivo de hacer que el descubrimiento de moda sea “más rápido, más fácil y más inspirador” en interfaces conversacionales como ChatGPT.
De la búsqueda de productos al "comercio de respuestas"
La integración ilustra un cambio más amplio en el e‑commerce, de los recorridos basados en búsquedas y listados al "comercio de respuestas", donde los usuarios plantean consultas conversacionales y esperan un pequeño conjunto de opciones altamente relevantes en lugar de navegar por filtros y paginación. En ese modelo, la calidad y la estructura de los datos del producto se vuelven tan críticos como el precio o el surtido: el motor de respuesta no puede mostrar lo que no puede analizar.
La iniciativa de ASOS es uno de los intentos más avanzados en el mercado del Reino Unido para conectar un catálogo de moda grande y de rápido cambio con un modelo de lenguaje amplio de propósito general de una manera que preserve la lógica de la comercialización. El hecho de que la experiencia devuelva no solo mosaicos de productos, sino también video, sugiere que ASOS ha invertido en la asignación de productos, atributos y activos multimedia en una capa indexable y legible por máquina que se puede consultar mediante lenguaje natural en lugar de una sintaxis de búsqueda rígida.
Implicaciones para los product feeds y la infraestructura de contenido
Para que un recorrido conversacional, primero en video, funcione dentro de una interfaz externa como ChatGPT, un minorista de e‑commerce tiene que tratar su product feed como algo más que una simple exportación para las plataformas publicitarias. Se derivan varias consecuencias.
En primer lugar, los feeds necesitan atributos más ricos. Una solicitud como “vestido de verano rosa con flores para una boda diurna, por debajo de 80 £” solo se puede responder bien si los productos subyacentes están etiquetados con familias de colores, patrones (florales), ocasión, precio, y a menudo dimensiones más subjetivas como "verano" o "invitada de boda". Muchos comerciantes aún dependen de feeds limitados optimizados para motores de comparación de precios; el comercio conversacional los empuja hacia taxonomías de atributos mucho más granulares y vocabularios controlados.
En segundo lugar, los feeds necesitan una conexión más estrecha con los medios. El video de compras en los motores de respuesta requiere la asignación entre SKUs y segmentos de video: qué productos aparecen en qué video, en qué marcas temporales y en qué contexto (aspecto completo, primer plano, prueba, consejo de estilo). Esto no se captura normalmente en los product feeds estándar, que se centran en las imágenes y los metadatos básicos. ASOS y Bambuser están tratando el video como un objeto de datos de primera clase vinculado al catálogo, en lugar de como un activo de marketing suelto.
En tercer lugar, los feeds deben optimizarse para la recuperación en tiempo real en lugar de la exportación por lotes. Para seguir siendo relevantes, las recomendaciones que surgen de un modelo de lenguaje a gran escala deben reflejar los niveles de existencias, los cambios de precios y las actualizaciones del surtido. Esto empuja a los comerciantes hacia las API y las actualizaciones de transmisión en lugar de las cargas nocturnas de feeds, y hacia arquitecturas donde los datos del producto, el inventario y el contenido se sincronizan lo suficientemente estrechamente como para exponerlos de forma segura a los motores de respuesta externos.
Estandarización de catálogos y legibilidad por máquina
La iniciativa de ASOS destaca cómo los estándares de catálogo se están convirtiendo en una capa habilitadora para las compras impulsadas por IA. La “Capa de Inteligencia” de Bambuser se describe como la transformación del catálogo y la biblioteca de videos en datos estructurados consumibles por los modelos de lenguaje a gran escala. En la práctica, esto probablemente implica varios pasos que se están convirtiendo en estándar en las pilas de e‑commerce avanzadas:
- Normalizar los atributos del producto en esquemas coherentes, de modo que “floral”, “estampado de flores” y “patrón de floración” se fusionen en un único concepto reconocible por máquina.
- Enriquecer las entradas del catálogo utilizando la visión por computador y los modelos de lenguaje para detectar el color, el patrón, la silueta e incluso los casos de uso inferidos cuando los propios datos de los comerciantes están incompletos.
- Indexar el contenido para la búsqueda semántica, de modo que consultas como “tejidos de verano suaves y transpirables” puedan coincidir con los productos descritos como “popelina de algodón” o “mezcla de lino” incluso si el texto exacto no está presente.
Para el mercado en general, esto indica una dirección de viaje: los catálogos se están moviendo de descripciones legibles por humanos, pero frágiles para las máquinas, a estructuras legibles por máquinas diseñadas explícitamente para la recuperación de IA. A los minoristas que mantienen catálogos heredados y no estandarizados les resultará más difícil participar en los motores de respuesta y los entornos de comercio conversacional.
Elevar las páginas de detalles del producto a través del video
Llevar el video a ChatGPT no es solo un juego de distribución; tiene implicaciones para cómo se ve una “buena” página de detalles del producto (PDP). El video de formato corto ya ha demostrado ser eficaz para aumentar la conversión y disminuir las devoluciones en la moda al mostrar el ajuste, el movimiento y el contexto de estilo. Mostrar ese mismo contenido directamente en la capa de descubrimiento comprime el embudo tradicional: la inspiración, la evaluación y la selección de productos ocurren en una sola interacción.
Para apoyar eso, el contenido del producto subyacente tiene que ser más profundo y consistente. El video debe estar disponible en una alta proporción de SKUs, no solo en los productos estrella. Los detalles de talla, ajuste y tejido deben ser lo suficientemente precisos como para que los clientes puedan actuar con confianza sobre lo que ven en el video. Las PDP incompletas o inconsistentes se convierten en debilidades más visibles cuando la primera impresión es un conjunto curado por IA de videos de compra en lugar de una cuadrícula de fotos fijas.
También hay un bucle de retroalimentación: las interacciones de los usuarios con el video (qué productos se pausan, se reproducen, se hace clic en ellos) crean señales de comportamiento adicionales que pueden retroalimentarse en los modelos de clasificación y la priorización de contenido. Con el tiempo, esto puede influir en qué productos reciben contenido más rico y cómo los comerciantes invierten en la producción de video.
Velocidad de incorporación del surtido y automatización de contenido
Para los grandes catálogos de moda, uno de los principales cuellos de botella en la ampliación del surtido es la creación de contenido: títulos, descripciones, atributos, imágenes y, cada vez más, video. La implementación de video de compra en los motores de respuesta hace que la velocidad sea aún más crítica: los productos recién incorporados deben ser descubribles en los recorridos conversacionales rápidamente, no semanas después del listado inicial.
La IA y la automatización se vuelven centrales para resolver esto. La visión por computador puede extraer atributos de las imágenes, mientras que los modelos de lenguaje pueden generar descripciones iniciales basadas en datos estructurados. Los flujos de trabajo de video se pueden automatizar parcialmente a través de plantillas, gráficos en movimiento y edición asistida por IA, y los equipos humanos se enfocan en contenido crítico para la marca y control de calidad. Los comerciantes que sistematizan estos procesos pueden acortar el tiempo entre las decisiones de compra y las entradas de catálogo listas para IA, lo que les da una ventaja en categorías dinámicas.
Las herramientas sin código también juegan un papel. Los equipos de marketing y comercialización confían cada vez más en interfaces que les permiten definir segmentos, reglas y variantes de contenido sin la participación de los desarrolladores. Cuando se conectan a superficies de descubrimiento basadas en IA, estas herramientas permiten a los usuarios no técnicos gestionar qué colecciones, tendencias o campañas deben priorizarse en las respuestas conversacionales (“fiesta de temporada”, “looks de festival”, “vuelta a la escuela”), mientras que los sistemas centrales garantizan que el esquema y las etiquetas subyacentes sigan siendo consistentes.
Motores de respuesta como un nuevo canal de distribución
Tratar a ChatGPT y sistemas similares como motores de respuesta en lugar de canales de medios tradicionales replantea la distribución del e‑commerce. En lugar de comprar impresiones o palabras clave, los minoristas deben competir por la calidad de los datos, la relevancia y la capacidad de integrarse de forma segura con los sistemas de IA externos. La integración de ASOS sugiere un modelo en el que:
- Las capas de catálogo y contenido se exponen a través de API seguras o widgets que los motores de respuesta pueden llamar, sin darles acceso directo a los sistemas internos.
- Los comerciantes mantienen el control sobre los precios, el pago y los datos de los clientes al devolver a los usuarios a sus propios dominios para la finalización de la transacción.
- La personalización se puede compartir entre el motor de respuesta y los sistemas del comerciante a través de señales contextuales, al tiempo que se cumplen las restricciones de privacidad.
Esta arquitectura tiene implicaciones para el análisis y la atribución. Los análisis web tradicionales no son adecuados para recorridos que comienzan dentro de un agente conversacional y continúan a través de varias superficies. Los comerciantes que prueban tales integraciones deberán conciliar los registros de las plataformas de IA, las capas de comercio en video y sus propios análisis web y de aplicaciones para comprender el impacto en la conversión, el valor promedio del pedido y las tasas de devolución.
Importancia estratégica para los ecosistemas SaaS y e‑commerce
Desde una perspectiva de SaaS, la iniciativa de ASOS ilustra un patrón: están surgiendo plataformas especializadas para situarse entre los datos brutos de los minoristas y las interfaces de IA de uso general. Estas plataformas se encargan de la ingestión, normalización, enriquecimiento y exposición de los datos comerciales en formularios que los modelos de lenguaje a gran escala pueden usar de forma segura y eficiente. Para las empresas de e‑commerce, esto puede reducir la necesidad de construir una infraestructura de IA compleja internamente, pero aumenta el nivel de exigencia para la gobernanza de datos y la higiene del catálogo.
Para el sector del e‑commerce en su conjunto, las implementaciones de compras conversacionales, primero en video, dentro de los motores de respuesta aceleran varias tendencias:
- Los product feeds evolucionan hacia gráficos de conocimiento ricos y en tiempo real.
- Los estándares y taxonomías de catálogos se convierten en activos competitivos en lugar de preocupaciones de back-office.
- La calidad de la PDP se mide no solo por la conversión en el sitio, sino también por la forma en que los productos pueden representarse en entornos externos impulsados por IA.
- La velocidad de incorporación del surtido depende cada vez más del contenido y la producción de medios asistidos por IA.
- Las herramientas sin código y de IA se convierten en la capa operativa que permite a los equipos comerciales dirigir recorridos impulsados por IA sin soporte de ingeniería constante.
El piloto de ASOS se encuentra en fase inicial y su impacto comercial aún no se ha cuantificado, pero indica una dirección en la que es probable que se mueva el e‑commerce de moda: de listados estáticos al descubrimiento conversacional, rico en medios, que abarca múltiples plataformas, impulsado por contenido estructurado y legible por máquina en el núcleo de la pila de comercio.
La integración de ASOS con ChatGPT subraya la creciente importancia de los datos de producto estructurados y de alta calidad. Este cambio hacia el "comercio de respuestas" resalta una necesidad crítica de gestión y enriquecimiento eficiente del catálogo. Para las empresas que buscan lograr esto, NotPIM proporciona una solución robusta para garantizar que los product feeds sean precisos, consistentes y estén listos para aplicaciones impulsadas por IA. Al automatizar tareas como el mapeo de atributos, el enriquecimiento de contenido y la transformación de feeds, NotPIM ayuda a las empresas de e-commerce a adaptarse a este panorama en evolución, mejorando la capacidad de descubrimiento de productos y facilitando la integración perfecta con plataformas como ChatGPT. Esto ayuda a nuestros clientes a mantenerse a la vanguardia al optimizar sus datos para estas nuevas e innovadoras experiencias de e-commerce. Esto es particularmente útil para mejorar los product feeds, lo cual es crucial para la integración de la IA. Con la ayuda de la IA, puede crear descripciones de productos que impulsen las ventas rápidamente. Comprender cómo funcionan estos sistemas le permite no tener miedo a las integraciones complejas. Los comerciantes también pueden beneficiarse del uso de un programa de procesamiento de listas de precios.