Come fare il QA degli attributi di prodotto arricchiti con l'AI prima che Google o Meta li rifiutino

Oggi la maggior parte dei cataloghi fa passare i dati di prodotto attraverso un qualche processo di AI: completare un colore mancante, dedurre un materiale dal titolo, scrivere una descrizione per uno SKU che non ne ha mai avuta una. Funziona abbastanza bene da far smettere i team di controllarlo. Ed è proprio questo il problema. La documentazione di Google Merchant Center conferma che il sistema di aggiornamento automatico degli articoli, che corregge silenziosamente i valori non corrispondenti di price, sale_price, availability e condition effettuando la scansione della landing page, non copre color, material, size né il GTIN (Guida di Google Merchant Center). Se sbagli questi attributi, nessuno li corregge al posto tuo: il valore errato resta nel feed, attivo, finché un audit manuale o un rifiuto da parte del canale non lo intercetta. Questa guida è per chiunque esegua un arricchimento basato su AI o su regole su un catalogo che va da qualche centinaio a qualche centinaio di migliaia di SKU, e offre un processo di QA concreto — cinque schemi di errore da verificare, una griglia di punteggio e un flusso di campionamento — per intercettare questi errori prima che arrivino a Google, Meta o TikTok Shop.

Perché gli attributi arricchiti con l'AI falliscono senza dare segnali

Storicamente il QA dei feed si è concentrato sugli attributi che i canali controllano attivamente al posto tuo. Google corregge automaticamente un prezzo non aggiornato o uno stato dello stock errato partendo dalla tua landing page, senza che tu debba muovere un dito (documentazione sugli aggiornamenti automatici degli articoli). Questa rete di sicurezza abitua i team a pensare che la stessa protezione valga ovunque. Non è così. Colore, materiale, taglia, motivo e GTIN sono esclusi per scelta dall'automazione, perché Google non può dedurli in modo affidabile dalla scansione di una pagina come invece può fare con un prezzo mostrato.

Questa lacuna conta oggi più di due anni fa, perché sono proprio gli attributi che alle funzionalità di arricchimento con AI viene chiesto di compilare su larga scala: quelli che il merchant non aveva mai inserito nel feed di origine. Un modello di AI che deduce "vera pelle" da una foto del prodotto, o che normalizza tre nomi di colore incoerenti in uno solo, opera nell'unica zona del feed in cui una risposta sbagliata non ha alcuna protezione automatica.

I cinque schemi di errore introdotti dall'arricchimento con AI

Non sono ipotetici. Ciascuno corrisponde a un requisito documentato di Google o Meta che un processo di AI generico non ha alcun motivo intrinseco di conoscere.

• Violazioni di formato. L'attributo color di Google rifiuta codici esadecimali, valori solo numerici e qualsiasi nome di colore oltre i 40 caratteri: un modello a cui si chiede di "estrarre il colore" da un'immagine restituirà tranquillamente #3B2F2F (specifica dell'attributo color).
• Discrepanza con la landing page. Google richiede che il colore inviato corrisponda esattamente al testo della landing page: "se nella landing page usi 'Toasted Walnut', invia quel valore nei dati di prodotto. Non inviare 'Brown'" (specifica dell'attributo color). Un processo di arricchimento basato su un classificatore di immagini generico non ha alcuna visibilità su ciò che dice davvero il testo della tua pagina prodotto.
• Specificità inventata con eccessiva sicurezza. Un modello trasforma spesso un campo materiale vago o mancante in qualcosa che suona specifico ma è sbagliato, ad esempio "pelle" per un prodotto che in realtà è in poliuretano. La specifica di Google per il materiale richiede che il valore indichi "il tessuto o materiale principale di cui è fatto il prodotto", non un'ipotesi plausibile (specifica dell'attributo material).
• Contaminazione tra attributi. Un valore di taglia che finisce nel campo motivo, o una descrizione del materiale che finisce nel colore, capita più spesso di quanto i team immaginino quando l'arricchimento gira senza supervisione su decine di migliaia di righe con titoli di origine incoerenti.
• Incoerenza tra canali. Se l'arricchimento viene eseguito separatamente per ogni esportazione di canale, lo stesso prodotto può ricevere "Toasted Walnut" nel feed Google e "Brown" nel feed Meta: un segnale concreto per gli acquirenti e una discrepanza con la landing page almeno da una parte.

Analisi prima/dopo: cinque errori reali

La tabella seguente mostra come si presenta ciascuno schema di errore come valore effettivo del feed, perché non è valido e cosa dovrebbe contenere la riga corretta.

Una griglia di punteggio per il QA degli attributi arricchiti con l'AI

Valuta ogni riga arricchita in base a cinque criteri, da 0 a 2 punti ciascuno, prima che venga pubblicata. In questo modo un controllo soggettivo del tipo "sembra giusto?" diventa qualcosa che anche un membro junior del team o un collaboratore esterno può applicare in modo coerente.

Una riga con punteggio 9–10 può essere pubblicata automaticamente. Una riga con punteggio 6–8 va in una coda di controllo manuale a campione. Tutto ciò che è sotto 6 viene messo in quarantena — escluso dalla successiva esportazione — finché una persona non lo corregge. È lo stesso approccio che Google adotta per questi attributi: non come un rischio da automazione, ma come un rischio da revisione manuale, dato che la sua automazione basata sul crawler si ferma esplicitamente prima di essi.

Integrare la checklist di QA nel flusso di arricchimento

1. Esegui controlli automatici basati su regole su ogni riga arricchita prima della pubblicazione. Limiti di caratteri, caratteri vietati (schemi esadecimali, valori di colore solo numerici) e termini generici non ammessi ("multicolor", "various", "assorted") possono essere intercettati con semplici regole regex, senza bisogno di una persona: lo stesso livello di logica basata su regole alla base del feed enrichment può eseguire questi controlli come filtro prima che i valori arrivino all'esportazione.
2. Campiona in base al rischio, non in modo uniforme. Dai priorità alla revisione manuale nelle categorie in cui GMC considera l'attributo obbligatorio — abbigliamento e accessori per il colore, secondo il requisito specifico per categoria di Google (specifica dell'attributo color) — e su qualsiasi SKU in cui il punteggio di confidenza dell'AI, se il tuo strumento di arricchimento lo mostra, sia inferiore alla tua soglia.
3. Confronta con i dati di origine, non con la plausibilità. Il problema non è che i valori arricchiti sembrano sbagliati, ma che sembrano giusti. Verifica ogni segnalazione di "affidabilità della specificità" rispetto a una vera scheda tecnica del fornitore o al testo della pagina prodotto, non in base a quanto il valore suoni ragionevole.
4. Ripeti il controllo di coerenza tra canali dopo ogni esportazione, non solo dopo l'arricchimento. Se la fase di arricchimento avviene prima che il feed venga suddiviso nelle esportazioni per canale, il problema è in gran parte risolto per costruzione. Se l'arricchimento avviene per canale (cosa comune quando canali diversi richiedono formattazioni diverse), serve un passaggio di riconciliazione dedicato.
5. Registra ciò che metti in quarantena. Un tasso di quarantena in aumento per un attributo o una categoria specifici è un segnale che occorre correggere il prompt o il set di regole dell'arricchimento, non solo le singole righe.

Con un feed che si sincronizza ogni giorno anziché ogni ora, un valore arricchito errato che sfugge al controllo può restare visibile agli acquirenti per un intero ciclo di sincronizzazione prima che l'esportazione successiva ti dia la possibilità di correggerlo: un motivo in più per cui il controllo deve avvenire prima della pubblicazione, non dopo.

Cosa non copre questo processo e dove non basta

Questo processo intercetta violazioni di formato, discrepanze e specificità non verificabili, ma non valuta se un titolo o una descrizione scritti dall'AI siano un buon testo, il che richiede una revisione separata e più soggettiva. Non sostituisce nemmeno la revisione legale o di conformità per le categorie regolamentate (integratori, claim cosmetici, prodotti per l'infanzia), in cui un attributo errato o inventato è un problema di conformità e non solo di qualità del feed.

Su scala davvero ampia — cataloghi da milioni di SKU con più contributori e catene di approvazione formali — una coda manuale basata sul campionamento come quella descritta sopra non basta più da sola. È il tipo di flusso di governance attorno a cui sono costruite piattaforme come Productsup, con motori di regole e audit trail integrati nella piattaforma anziché aggiunti sopra. E se il vincolo è la capacità di revisione anziché gli strumenti, il modello a servizio gestito di Feedonomics — un team che rivede il tuo feed invece di un software che configuri tu — è un'alternativa legittima all'assunzione di risorse interne. Nessuno dei due approcci è necessario per applicare la checklist sopra; entrambi vale la pena conoscerli prima di decidere di sviluppare tutto internamente su larga scala.

Infine, nulla di tutto questo sostituisce la lettura della specifica per qualsiasi nuovo attributo o categoria che arricchirai in futuro. Google e Meta aggiornano le regole di formato e i requisiti delle categorie abbastanza spesso da rendere necessaria, per una checklist creata oggi, una nuova lettura della documentazione ufficiale tra sei mesi, invece di uno stato definitivo da impostare e dimenticare. Se la tua preoccupazione riguarda specificamente le immagini e le descrizioni generate dall'AI anziché gli attributi strutturati, consulta la nostra guida alle policy sui contenuti di prodotto generati dall'AI: quell'articolo tratta la conformità alle policy dei canali, mentre questo tratta il QA della qualità dei dati.

Domande frequenti

Google Merchant Center corregge automaticamente un valore di colore o materiale errato?

No. Gli aggiornamenti automatici degli articoli di Google riguardano solo prezzo, prezzo scontato, disponibilità e condizione. Colore, materiale, taglia e GTIN sono esclusi, quindi un valore errato in questi campi resta attivo finché tu o il tuo processo di arricchimento non lo correggete. Consulta la guida all'integrazione con Google Merchant Center di Feedance per sapere come vengono configurate le esportazioni dei feed verso GMC.

Cosa succede se invio a Google un elenco di colori separati da virgola?

Google applica solo il primo colore dell'elenco e scarta silenziosamente gli altri: non tratta una stringa separata da virgole come valori multipli (come risolvere: valore non valido per color). Usa invece le barre, fino a tre colori per prodotto.

Meta richiede gli stessi attributi di colore e materiale di Google?

No. La specifica dei campi del catalogo commerce di Meta indica colore e materiale come facoltativi, mentre la taglia è obbligatoria specificamente per le categorie di abbigliamento e calzature. Meta richiede comunque che il colore sia scritto a parole e non come codice esadecimale (campi del catalogo commerce di Meta).

Un attributo colore errato comporta lo stesso rischio di una violazione della norma sul travisamento?

Di solito no. Un singolo attributo errato emerge in genere come problema a livello di articolo nella scheda "richiede attenzione" di Merchant Center, non come sospensione a livello di account. Il travisamento è una norma separata e più severa, rivolta ad affermazioni false deliberate o sistematiche su un'attività o un'offerta, non a un errore isolato su un attributo.

Quanta parte del catalogo dovrei rivedere manualmente dopo un arricchimento con AI?

Ponderare il campione in base al rischio anziché campionare in modo uniforme: dai priorità alle categorie in cui un attributo è obbligatorio (ad esempio abbigliamento e accessori per il colore) e a qualsiasi riga che il tuo strumento di arricchimento segnali come a bassa confidenza, prima di distribuire il tempo di revisione restante sul resto del catalogo.

Lo stesso valore di attributo arricchito con l'AI può essere diverso tra i feed Google e Meta?

Non dovrebbe, se entrambi descrivono lo stesso prodotto. Se l'arricchimento viene eseguito separatamente per ogni esportazione di canale, aggiungi un passaggio di riconciliazione dopo l'esportazione per intercettare i casi in cui i due valori si sono discostati.

Cosa devo fare se scopro attributi "allucinati" già attivi nel mio feed?

Estrai gli SKU interessati, correggi i valori in base ai dati di origine (schede dei fornitori o la pagina prodotto online, non una nuova esecuzione dello stesso processo di arricchimento) e invia di nuovo. Poi verifica se lo stesso schema di errore compare altrove nel catalogo: un'allucinazione raramente è un caso isolato.

L'arricchimento con AI produce mai valori di attributo che un processo manuale non troverebbe?

Sì: è davvero utile per compilare attributi su cataloghi ampi in cui l'inserimento manuale non è realistico, e per individuare schemi (come nomi incoerenti) che una persona che rivede una riga alla volta non noterebbe. Il livello di QA esiste per intercettare i suoi specifici schemi di errore, non per sconsigliarne l'uso.

Analizza il tuo feed con il tool gratuito di audit del feed di prodotto di Feedance per capire a che punto sono i tuoi dati di attributo prima del prossimo arricchimento.