IA para ecommerce: los cinco trabajos que pagan

La IA para ecommerce funciona cuando se apunta a problemas de datos y falla cuando se apunta al gusto. Las tiendas que sacaron retorno arreglaron su catálogo, su buscador y su cola de soporte. Las que no sacaron nada compraron un motor de personalización y lo alimentaron con un feed al que le faltaban atributos.

Estos son los cinco trabajos que merecen la pena, en el orden en que suelen pagar.

Dónde empieza la IA para ecommerce: los datos de producto#

Todas las funciones de abajo leen tu catálogo. Buscador, recomendaciones, anuncios, feeds de marketplace y la copia de la ficha heredan lo que haya ahí dentro.

Casi todos los catálogos tienen los mismos defectos: nombres de atributo inconsistentes, medidas ausentes, categorías puestas por quien subió el producto y descripciones escritas con cuatro voces distintas a lo largo de cinco años de personal.

Un modelo es genuinamente bueno en este trabajo. Dale los datos en bruto y un esquema escrito y normalizará nombres de atributo, propondrá categorías, marcará contradicciones y rellenará huecos que pueda inferir de la ficha técnica. Lo que no puede hacer es inventar. Cada campo rellenado necesita una fuente y todo lo inferido se marca para que una persona lo confirme.

Es poco vistoso y es lo de mayor palanca de la lista, porque hace posible el resto.

El buscador, que es donde están los compradores#

Quien usa el buscador interno ya ha pasado la fase de mirar. Sabe lo que quiere. Y entonces el buscador le falla: sin sinónimos, sin tolerancia a erratas y sin nada útil cuando la consulta describe un atributo en vez de un nombre de producto.

La búsqueda semántica arregla exactamente ese fallo. Una consulta como "chaqueta impermeable para bici en invierno" devuelve productos cuyos atributos encajan, aunque ninguna de esas palabras esté en el título.

Dos reglas. Mantén los filtros deterministas, porque quien compra quiere acotar por talla y precio sin negociar con un modelo. Y registra las búsquedas que no devuelven nada, porque ese registro es la hoja de ruta de producto más honesta que vas a tener.

Copia a escala, desde atributos verificados#

Las descripciones generadas funcionan bajo una condición: el modelo escribe desde una tabla de atributos verificada, nunca desde el título.

Con una ficha técnica produce copia consistente y legible en miles de referencias, en tu voz, que es un trabajo que ningún humano quiere y para el que ningún equipo tiene tiempo. Con solo un nombre de producto fabrica materiales, medidas y compatibilidades con total seguridad, y cada fabricación acaba en una devolución, un ticket o un problema regulatorio.

Mantén los datos estructurados separados de la prosa. La prosa es para personas; los atributos alimentan tu feed, tus filtros y tu marcado de producto.

El fallo que cuesta confianza#

Hay un modo de fallo específico de este canal y es caro.

Una descripción generada dice que la chaqueta es impermeable. La chaqueta es resistente al agua. El cliente compra, se moja, devuelve y escribe una reseña. Pagas el envío dos veces, pierdes el margen, pierdes la puntuación y, en la práctica, has hecho una afirmación engañosa sobre una característica del producto, que es materia de consumo y no de redacción.

Nada de eso aparece en el panel que te dijo que la copia generada mejoró la conversión. Aparece tres semanas después en devoluciones, en volumen de soporte y en el sentimiento de las reseñas, y para entonces nadie conecta ambas cosas.

El arreglo es de procedimiento, no técnico: toda afirmación de la copia generada debe trazar a un campo de la tabla de atributos, y lo que el modelo infirió se marca para revisión antes de publicar.

Soporte con un traspaso real#

Estado del pedido, plazos, devoluciones y "dónde está mi paquete" son una parte enorme de la cola de cualquier tienda y casi todo es consulta.

Automatiza eso con tres restricciones:

1. El bot responde desde tus sistemas, no desde su memoria. El estado del pedido sale del pedido.
2. No negocia dinero. Reembolsos, detalles comerciales y excepciones van a una persona.
3. El traspaso es un clic y conserva el contexto. Hacer que un cliente molesto se repita es cómo un ticket se convierte en una reseña.

Merchandising y personalización, al final#

Recomendaciones, ordenación y bloques personalizados son reales y necesitan volumen. Por debajo de unas miles de sesiones al día no hay señal suficiente para que un modelo gane a una regla sensata como "muestra lo que hay en stock, se vende y está relacionado".

Si estás por debajo de ese umbral, gasta el esfuerzo en buscador y velocidad. Si estás por encima, empieza por recomendaciones en carrito y ficha, y compara contra una línea base de reglas y no contra nada.

Qué medir, incluido lo incómodo#

Conversión e ingreso por sesión son los obvios. Añade estos:

• Tasa de devolución por producto, sobre todo con copia generada.
• Contactos por pedido. Si el soporte sube tras automatizar, la automatización está creando trabajo en otro sitio.
• Salidas desde el buscador. Gente que busca, no ve nada útil y se va.

Cualquier proyecto que mejore la conversión aumentando las devoluciones te ha hecho más pobre con mejores gráficas.

La versión corta#

Limpia el catálogo, arregla el buscador, genera copia solo desde atributos verificados, tría el soporte con traspaso real y añade personalización cuando tu tráfico se la gane.

Si quieres esto montado sobre tu tienda con tu equipo formado para operarlo, es lo que cubren mis formaciones de IA para empresas, y en la agencia de inteligencia artificial es donde hago este trabajo para tiendas. Para la parte de captación, generación de leads con IA cubre el otro lado del embudo y herramientas SEO con IA la visibilidad.