Cómo revisar los atributos de producto enriquecidos con IA antes de que Google o Meta los rechacen

Hoy en día, la mayoría de los catálogos someten sus datos de producto a algún tipo de procesamiento con IA: completar un color que falta, deducir un material a partir de un título, redactar una descripción para un SKU que nunca la tuvo. Funciona lo bastante bien como para que los equipos dejen de revisarlo. Ese es el problema. La propia documentación de Google Merchant Center confirma que su sistema de actualizaciones automáticas de artículos, que corrige sin avisar los valores de price, sale_price, availability y condition que no coinciden rastreando su página de destino, no cubre color, material, size ni el GTIN (Google Merchant Center Help). Si se equivoca en esos atributos, nada lo corrige por usted: el valor erróneo se queda en su feed, activo, hasta que lo detecta una auditoría manual o un rechazo del canal. Esta guía está dirigida a cualquiera que aplique enriquecimiento con IA o basado en reglas a un catálogo de entre unos cientos y unos cientos de miles de SKU, y le ofrece un proceso de control de calidad concreto —cinco patrones de error que revisar, una rúbrica de puntuación y un flujo de muestreo— para detectar estos errores antes de que lleguen a Google, Meta o TikTok Shop.

Por qué los atributos enriquecidos con IA fallan sin avisar

Tradicionalmente, el control de calidad de los feeds se ha centrado en los atributos que los canales vigilan activamente por usted. Google corregirá automáticamente un precio obsoleto o un estado de stock incorrecto a partir de su página de destino sin que usted tenga que hacer nada (documentación sobre las actualizaciones automáticas de artículos). Esa red de seguridad acostumbra a los equipos a suponer que la misma protección se extiende a todo. No es así. El color, el material, la talla, el estampado y el GTIN quedan excluidos de la automatización por diseño, porque Google no puede deducirlos de forma fiable rastreando una página como sí puede deducir un precio mostrado.

Esa laguna importa más ahora que hace dos años, porque son precisamente los atributos que se pide a las funciones de enriquecimiento con IA que completen a escala: los que el comerciante nunca rellenó en el feed de origen. Un modelo de IA que deduce "piel auténtica" a partir de la foto de un producto, o que unifica tres nombres de color incoherentes en uno, está trabajando en la única zona del feed en la que una respuesta errónea no tiene ninguna protección automática.

Los cinco patrones de error que introduce el enriquecimiento con IA

No son hipotéticos. Cada uno corresponde a un requisito documentado de Google o Meta que un procesamiento genérico con IA no tiene por qué conocer.

• Infracciones de formato. El atributo color de Google rechaza los códigos hexadecimales, los valores solo numéricos y cualquier nombre de color de más de 40 caracteres; un modelo al que se le pide "extraer el color" de una imagen devolverá sin problema #3B2F2F (especificación del atributo color).
• Discrepancia con la página de destino. Google exige que el color enviado coincida exactamente con la redacción de la página de destino: "si utiliza 'Toasted Walnut' en su página de destino, envíe ese valor en sus datos de producto. No envíe 'Brown'" (especificación del atributo color). Un proceso de enriquecimiento que trabaja con un clasificador de imágenes genérico no tiene visibilidad de lo que dice realmente el texto de su página de producto.
• Especificidad inventada con exceso de confianza. Un modelo convierte a menudo un campo de material vago o vacío en algo que suena específico pero es erróneo, como "piel" para un producto que en realidad es de poliuretano. La especificación de material de Google exige que el valor refleje "el tejido o material principal del que está hecho su producto", no una suposición plausible (especificación del atributo material).
• Contaminación entre atributos. Que un valor de talla acabe en el campo de estampado, o que una descripción del material acabe en el color, ocurre con más frecuencia de lo que esperan los equipos una vez que el enriquecimiento se ejecuta sin supervisión en decenas de miles de filas con títulos de origen incoherentes.
• Incoherencia entre canales. Si el enriquecimiento se ejecuta por separado para la exportación de cada canal, un mismo producto puede recibir "Toasted Walnut" en su feed de Google y "Brown" en su feed de Meta, lo que es una señal real para los compradores y una discrepancia con la página de destino al menos en uno de los dos lados.

Análisis del antes y el después: cinco modos de error reales

La tabla siguiente muestra cómo se manifiesta cada patrón de error como valor real del feed, por qué falla y qué debe contener la fila corregida.

Una rúbrica de puntuación para el control de calidad de los atributos enriquecidos con IA

Puntúe cada fila enriquecida según cinco criterios, de 0 a 2 puntos cada uno, antes de publicarla. Así, una comprobación subjetiva del tipo "¿parece correcto?" se convierte en algo que un miembro júnior del equipo o un colaborador externo puede aplicar de forma coherente.

Una fila con 9-10 puntos puede publicarse automáticamente. Una fila con 6-8 puntos pasa a una cola de revisión manual por muestreo. Todo lo que esté por debajo de 6 se pone en cuarentena —se excluye de la siguiente exportación— hasta que una persona lo corrija. Esto refleja cómo trata la propia Google estos atributos: no como un riesgo de automatización, sino como un riesgo de revisión manual, ya que su propia automatización basada en el rastreo se detiene expresamente antes de llegar a ellos.

Cómo integrar la lista de control de calidad en su flujo de enriquecimiento

1. Ejecute comprobaciones automáticas con reglas en cada fila enriquecida antes de publicar. Los límites de caracteres, los caracteres prohibidos (patrones hexadecimales, valores de color solo numéricos) y los términos genéricos no permitidos ("multicolor", "varios", "surtido") pueden detectarse con reglas regex sencillas, sin necesidad de intervención humana; la misma capa de lógica basada en reglas que hay detrás del enriquecimiento de feeds puede ejecutar estas comprobaciones como filtro antes de que los valores lleguen a la exportación.
2. Muestree según el riesgo, no de forma uniforme. Dé prioridad a la revisión manual en las categorías en las que GMC considera obligatorio el atributo —ropa y complementos en el caso del color, según el requisito específico por categoría de Google (especificación del atributo color)— y en cualquier SKU cuya puntuación de confianza de la IA, si su herramienta de enriquecimiento la muestra, esté por debajo de su umbral.
3. Compare con los datos de origen, no con la verosimilitud. El problema no es que los valores enriquecidos parezcan erróneos, sino que parecen correctos. Compruebe cada aviso de "fiabilidad de la especificidad" con una ficha técnica real del proveedor o con el texto de la página de producto, no según si el valor suena razonable.
4. Repita la comprobación de coherencia entre canales después de cada exportación, no solo después del enriquecimiento. Si su paso de enriquecimiento se ejecuta antes de dividir el feed en exportaciones por canal, esto queda resuelto en gran medida por diseño. Si el enriquecimiento se ejecuta por canal (algo habitual cuando cada canal necesita un formato distinto), necesita su propio paso de conciliación.
5. Registre lo que pone en cuarentena. Una tasa de cuarentena creciente para un atributo o una categoría concretos es una señal para corregir el prompt o el conjunto de reglas de enriquecimiento, no solo las filas individuales.

En un feed que se sincroniza a diario y no cada hora, un valor enriquecido erróneo que se cuele puede permanecer visible para los compradores durante un ciclo de sincronización completo antes de que la siguiente exportación le dé la oportunidad de corregirlo: un motivo más por el que la comprobación debe hacerse antes de publicar, no después.

Qué no cubre este proceso y dónde tiene sus límites

Este proceso detecta infracciones de formato, discrepancias y especificidad no verificable; no evalúa si un título o una descripción redactados por IA son un buen texto, lo que constituye una revisión aparte y más subjetiva. Tampoco sustituye la revisión legal o de cumplimiento normativo en las categorías reguladas (complementos alimenticios, declaraciones sobre cosméticos, productos infantiles), en las que un atributo erróneo o inventado es un problema de cumplimiento normativo y no solo de calidad del feed.

A gran escala —catálogos de millones de SKU con varios colaboradores y cadenas de aprobación formales—, una cola manual basada en muestreo como la descrita deja de ser suficiente por sí sola. Ese es el tipo de flujo de gobernanza en torno al cual se construyen plataformas como Productsup, con motores de reglas y registros de auditoría integrados en la plataforma en lugar de añadidos por encima. Y si la limitación es la capacidad de revisión y no las herramientas, el modelo de servicio gestionado de Feedonomics —un equipo que revisa su feed en lugar de un software que configura usted mismo— es una alternativa legítima a contratar personal interno para ello. Ninguno de los dos enfoques es necesario para aplicar la lista anterior; conviene conocer ambos antes de decidir desarrollar esto internamente a gran escala.

Por último, nada de esto sustituye la lectura de la especificación del próximo atributo o categoría que vaya a enriquecer. Google y Meta actualizan las reglas de formato y los requisitos de categoría con la frecuencia suficiente como para que una lista creada hoy requiera volver a leer la documentación de origen dentro de seis meses, en lugar de dejarla configurada y olvidarse de ella. Si lo que le preocupa son específicamente las imágenes y descripciones generadas por IA y no los atributos estructurados, consulte nuestra guía de políticas sobre el contenido de producto generado por IA: ese artículo trata del cumplimiento de las políticas de los canales, mientras que este trata del control de calidad de los datos.

Preguntas frecuentes

¿Corrige Google Merchant Center automáticamente un valor de color o material erróneo?

No. Las actualizaciones automáticas de artículos de Google solo cubren el precio, el precio rebajado, la disponibilidad y el estado. El color, el material, la talla y el GTIN están excluidos, por lo que un valor incorrecto en esos campos permanece activo hasta que usted o su proceso de enriquecimiento lo corrijan. Consulte la guía de integración de Google Merchant Center de Feedance para ver cómo se configuran las exportaciones de feeds a GMC.

¿Qué ocurre si envío a Google una lista de colores separados por comas?

Google solo aplica el primer color de la lista y descarta el resto sin avisar: no trata una cadena separada por comas como varios valores (cómo corregir un valor de color no válido). Utilice barras en su lugar, con un máximo de tres colores por producto.

¿Exige Meta los mismos atributos de color y material que Google?

No. La especificación de campos del catálogo de comercio de Meta indica que el color y el material son opcionales, mientras que la talla es obligatoria específicamente para las categorías de ropa y calzado. Meta sí exige que el color se escriba con palabras y no como código hexadecimal (campos del catálogo de comercio de Meta).

¿Supone un atributo de color erróneo el mismo riesgo que una infracción de la política de tergiversación?

Normalmente no. Un único atributo incorrecto suele aparecer como un problema a nivel de artículo en la pestaña "needs attention" de Merchant Center, no como una suspensión a nivel de cuenta. La tergiversación es una política aparte y más grave, dirigida a afirmaciones falsas deliberadas o reiteradas sobre una empresa o una oferta, no a un error de atributo aislado.

¿Qué parte de mi catálogo debo revisar manualmente después de un proceso de enriquecimiento con IA?

Pondere su muestra según el riesgo en lugar de muestrear de forma uniforme: dé prioridad a las categorías en las que un atributo es obligatorio (por ejemplo, ropa y complementos en el caso del color) y a cualquier fila que su herramienta de enriquecimiento marque como de baja confianza, antes de repartir el tiempo de revisión restante por el resto del catálogo.

¿Puede un mismo valor de atributo enriquecido con IA ser distinto en mis feeds de Google y de Meta?

No debería, si ambos describen el mismo producto. Si el enriquecimiento se ejecuta por separado para la exportación de cada canal, añada un paso de conciliación después de la exportación para detectar los casos en que los dos valores se hayan desviado.

¿Qué debo hacer si descubro atributos alucinados que ya están activos en mi feed?

Retire los SKU afectados, corrija los valores a partir de los datos de origen (fichas del proveedor o la página de producto en directo, no repitiendo el mismo proceso de enriquecimiento) y vuelva a enviarlos. Después, compruebe si el mismo patrón de error aparece en otras partes del catálogo: una alucinación rara vez es un caso aislado.

¿Produce alguna vez el enriquecimiento con IA valores de atributo que un proceso manual pasaría por alto?

Sí: es realmente útil para completar atributos en catálogos grandes en los que la introducción manual no es realista, y para detectar patrones (como nombres incoherentes) que una persona que revisa las filas de una en una no percibirá. La capa de control de calidad existe para detectar sus modos de error específicos, no para desaconsejar su uso.

Analice su feed con la herramienta gratuita de auditoría de feeds de productos de Feedance para ver en qué estado se encuentran sus datos de atributos actuales antes de su próximo proceso de enriquecimiento.