Preparar tu catálogo para la IA: tres pasos

La búsqueda era lo único que se interponía entre un producto y un comprador. Cada vez lo es menos. Los asistentes, los agentes de compra y los motores generativos se sitúan ahora delante del catálogo, y responden preguntas en lugar de devolver diez enlaces. Eso cambia lo que tiene que hacer una ficha: ya no basta con convencer a quien la está mirando, tiene que resultar legible a un sistema que decide si la muestra siquiera.

Nadie fuera de esas compañías sabe exactamente cómo funciona el ranking. Pero lo que necesita un sistema automatizado no es ningún misterio, y coincide con lo que necesita un comprador atento: pruebas de que el producto existe, datos lo bastante limpios para compararlo y contexto suficiente para responder una pregunta sobre él.

1. Amplía tu presencia multicanal

Los sistemas que construyen recomendaciones se apoyan en la corroboración. Un producto que aparece en varios marketplaces de confianza, con los mismos identificadores y las mismas especificaciones cada vez, es más fácil de dar por real que uno que solo existe en un sitio. La presencia en varios canales funciona como prueba.

El argumento comercial va en paralelo y no depende de ninguna hipótesis sobre la IA. Los vendedores que operan en dos o más marketplaces promediaron 10.073.917 dólares de GMV en 2025, frente a 575.093 de los que venden en un solo canal: una diferencia de 17,5 veces. Dos tercios de los vendedores siguen en un único canal.

La consistencia importa más que el número. El mismo EAN, la misma cadena de marca, los mismos valores de especificación en todas partes. Tener datos contradictorios entre marketplaces es peor que tener una sola ficha limpia, porque un sistema que evalúa tu producto no encuentra una respuesta estable ni forma de elegir entre ellas.

2. Estandariza los datos para que una máquina pueda leerlos

La mayoría del contenido de producto está escrito para una persona que recorre una página. Los atributos quedan enterrados en la prosa, las unidades se sobreentienden y la misma propiedad se llama de tres maneras distintas dentro del mismo catálogo. Una persona lo salva. Un parser, no.

Hacer legible un catálogo es sobre todo trabajo poco lucido:

• Atributos como valores estructurados, no como frases. «Fabricado en acero inoxidable cepillado» es una frase. material: acero inoxidable es un valor que se puede filtrar, comparar y emparejar.
• Un solo vocabulario por propiedad. Si el color es «navy» en un canal, «azul marino» en otro y «azul oscuro» en un tercero, nada puede agruparlos.
• Identificadores que no se muevan. Un EAN o GTIN válido en cada variante, sin cambios entre sincronizaciones. Los identificadores son la forma en que un sistema sabe que dos fichas describen un mismo producto.
• Unidades explícitas y completitud. Una medida sin unidad es inservible. Un atributo obligatorio vacío es un producto que no se puede comparar con su categoría.

Es el mismo trabajo que ya exigen los marketplaces. Los operadores Mirakl validan las exportaciones contra un esquema de atributos por categoría, y la calidad del catálogo decide tanto la rapidez de publicación como la puntuación del vendedor. Hacerlo una vez y bien sirve a ambos públicos, que es lo interesante de esta inversión en concreto.

3. Optimiza para motores generativos

La optimización para motores generativos (GEO) es la parte que suena nueva, y es sobre todo un problema de redacción y no de tecnología. Un motor generativo compone una respuesta a partir de fuentes que puede recuperar y citar. El contenido fácil de trasladar a una respuesta se usa; el que exige interpretación, no.

En la práctica:

• Escribe el contexto, no solo la especificación. Para qué sirve el producto, a quién le encaja y a quién no. Una tabla de especificaciones dice qué es el producto; el contexto permite decidir si responde a una pregunta.
• Formula las preguntas como preguntas. Un encabezado con la pregunta que hace el comprador, respondida justo debajo, es citable de forma directa. Los bloques FAQ marcados con schema FAQPage lo hacen legible también para la máquina.
• Responde primero y desarrolla después. Empieza por la respuesta directa y amplía luego. Un motor que extrae una respuesta se queda con la primera afirmación clara que encuentra.
• Sé lo bastante concreto como para merecer una cita. Las cifras exactas, las restricciones con nombre y los errores reales se citan. Las generalidades no, porque ya las ha escrito toda la competencia.

Por dónde empieza esto

No por la IA. Empieza por el catálogo, porque los tres pasos dependen de que los mismos datos de base sean correctos y coherentes allá donde aparezcan.

Ese es el argumento para guardar los datos de producto en un único sitio y dejar que cada canal reciba la forma que necesita. El PIM de Sellintu mapea un catálogo de Shopify sobre la taxonomía de cada marketplace, transforma los valores a las opciones que ese marketplace admite y mantiene estables los identificadores en cada sincronización. Además incluye conectores MCP, así que un asistente compatible con el Model Context Protocol —Claude o ChatGPT— puede leer y actualizar esos datos de producto directamente, sin exportaciones de por medio.

Que es la versión más corta de «preparación para la IA» disponible hoy: si un agente de IA ya puede consultar tu catálogo y obtener una respuesta limpia, estructurada y completa, la mayor parte del trabajo está hecha.