Enriquecimiento de datos de producto con agentes de IA: método, controles y límites

Por qué las fichas de producto quedan incompletas

Los datos de producto se degradan en cada eslabón: el fabricante publica una ficha técnica rica, a menudo en PDF; el distribuidor copia una parte en su formato; cada enseña reescribe los nombres; y los atributos que ayer eran secundarios pasan a ser obligatorios para un nuevo canal, una norma o un filtro.

A escala de cientos de miles de referencias, la introducción manual no recupera el retraso. El impacto comercial es directo: una ficha precisa atrae y convierte a los compradores que comparan, filtran y leen las características; una ficha pobre los envía al competidor que sí hizo el trabajo.

La misma estructura también ayuda a los motores de respuesta: solo pueden utilizar las características que encuentran y comprenden. Una ficha rica, accesible y con fuentes ofrece más material para responder con precisión, aunque la indexación, la autoridad de la fuente y el contexto sigan siendo determinantes.

Existe además una realidad organizativa: en empresas históricas, los equipos que necesitan los datos no siempre controlan el catálogo. A veces es más rápido recuperar las fichas públicas y actualizadas del propio sitio que esperar una exportación del sistema interno.

Empezar por la nomenclatura, no por la IA

Cada familia de productos necesita su contrato: qué atributos se esperan, en qué unidades y con qué valores permitidos. Un guante químico, un regulador de presión y un mueble no comparten la misma nomenclatura.

Esta definición fija también los límites. El agente sabe qué campos puede completar y cuáles son datos de referencia intocables. El perímetro debe pertenecer a los equipos del cliente y, cuando sea posible, configurarse directamente en su PIM.

El conocimiento de producto ya está al alcance de los modelos

Lo que ha cambiado es el nivel de conocimiento sectorial de los modelos de IA. Una parte de la experiencia de un responsable de categoría o de datos —completar atributos técnicos, redactar una descripción o proponer un equivalente defendible— ya puede ejecutarse a escala. El trabajo humano no desaparece: se desplaza hacia la definición de reglas, la supervisión de lotes y los casos ambiguos.

La categorización lo demuestra. Para clasificar un producto, el agente no se limita a su nombre: consulta productos ya clasificados en las categorías candidatas para comprobar que encaja. Puede trabajar con la taxonomía del cliente o con clasificaciones como GS1 y ETIM. Este análisis por categoría también permite derivar plantillas de nomenclatura en lugar de partir de una página en blanco.

Agotar las fuentes estructuradas antes de rastrear la web

La web no es la primera fuente, sino la última. Los archivos FAB-DIS contienen datos oficiales del fabricante —características, documentos y menciones regulatorias— expresados con vocabulario ETIM. Cuando el dato está allí, esa fuente prevalece. Los proveedores de contenido compartido como Icecat ofrecen fichas normalizadas sobre millones de referencias, cuando su cobertura coincide con el surtido.

Las páginas de fabricantes, fichas PDF e imágenes completan lo que estas fuentes estructuradas no cubren. La combinación de las tres capas —datos sectoriales, contenido compartido y búsqueda web— produce la cobertura; rastrear indiscriminadamente desde el principio solo multiplica el ruido.

Una jerarquía de fuentes que protege el catálogo

El fabricante acredita; los distribuidores reconocidos completan; y cuando un dato solo aparece en distribuidores, se aplica una regla de prudencia: varias fuentes concordantes pueden sostenerlo, una sola no. En ese caso el campo permanece vacío y la pregunta vuelve al fabricante.

Dos consecuencias prácticas. Un documento se califica por su contenido, no por el dominio que lo aloja: una ficha técnica íntegramente del fabricante, publicada por un distribuidor, sigue siendo una fuente del fabricante y a veces es la única versión disponible en el idioma del mercado. Además, una fuente que no se ha abierto realmente no cuenta: «visto en los resultados de búsqueda» no es una prueba.

El método: cobertura mecánica, juicio del agente

La arquitectura se apoya en un principio: el código garantiza la cobertura y el agente conserva el juicio. El código impide olvidar una fuente o una regla; el agente interpreta documentos, elige la prueba adecuada y resuelve las diferencias entre productos cercanos. Un enriquecimiento robusto sigue cinco pasos.

1. 1

   Identificar el producto a partir de la ficha existente, la marca, la referencia y los productos vecinos ya tratados.

2. 2

   Recopilar documentos en una lista cerrada: cada ficha y manual se califica por idioma, marca, referencia y tipo, y debe explotarse o descartarse explícitamente.

3. 3

   Explotar tanto el texto como el aspecto visual, porque tablas, pictogramas y planos no siempre aparecen en el texto extraído.

4. 4

   Verificar cada valor contra su fuente antes de guardarlo. Un valor ausente de la fuente se corrige o se vacía en la misma sesión.

5. 5

   Guardar con límites: listas, números, unidades y booleanos deben respetar el esquema de destino; lo inválido vuelve al agente con el motivo exacto.

El formato importa tanto como el valor

«8,5 litros por minuto», «8.5 L/min» y «8,5 l/min» pueden expresar la misma medida, pero solo uno coincide con el formato del catálogo. La validación normaliza decimales franceses e ingleses, rangos y unidades. La validación se repite contra el esquema del catálogo: una opción fuera de lista vuelve al agente con las alternativas autorizadas más cercanas hasta obtener una importación limpia.

Las deducciones son útiles si permanecen visibles

No todo aparece escrito literalmente. Una deducción puede proceder de una lectura indirecta —una ducha extraíble reconocida en la imagen— o de un razonamiento entre características: si el cartucho mide 35 mm y el montaje es monohueco, la perforación esperada es de 35 mm. Ambas son legítimas si el valor se marca como deducido y conserva su razonamiento.

Otras deben prohibirse. Deducir el género de una prenda por sus tallas es una apuesta, no una lectura. Los campos regulatorios —normas, certificaciones y conformidad— nunca se deducen: una fuente los acredita o permanecen vacíos. Un enriquecimiento fiable debe saber decir «no lo sé».

El multiplicador económico: modelos y variantes

En muchos catálogos, un modelo se presenta en varias tallas y colores y cerca del 90 % de los atributos son comunes: material, normas, descripción e imágenes. Enriquecer cada variante como si fuera un producto aislado significa pagar varias veces por el mismo análisis. Agrupar primero por modelo y variante, enriquecer el nivel común y propagar únicamente lo que corresponde reduce el trabajo a unos segundos por variante y mantiene la coherencia.

Esta propagación también ofrece un control gratuito: si una característica común difiere entre dos variantes del mismo modelo, la anomalía se vuelve visible. La agrupación no solo ahorra trabajo, también verifica el resultado.

Qué exigir a un enriquecimiento industrial

• Cada valor vinculado a su fuente —URL, documento y página— o marcado como deducido con su razonamiento.
• Una verificación sistemática de los valores contra sus fuentes, no una simple muestra.
• Nomenclaturas por familia, escritas y revisables; no una promesa indefinida de «completarlo todo».
• Puntos de control humanos sobre los lotes: la IA propone y la supervisión valida.
• La capacidad de dejar un campo vacío en lugar de inventar; la tasa de completitud no es un objetivo por sí misma.

Conceptos relacionados: FAB-DIS · ETIM · enriquecer un PIM existente · matching de productos