Como fazer o QA de atributos de produtos enriquecidos por IA antes que o Google ou a Meta os reprovem

Hoje, a maioria dos catálogos passa os dados de produtos por algum processo de IA — preenchendo uma cor ausente, deduzindo um material a partir do título, escrevendo uma descrição para um SKU que nunca teve uma. Funciona tão bem que as equipes param de conferir. Esse é o problema. A própria documentação do Google Merchant Center confirma que o sistema de atualizações automáticas de itens, que corrige silenciosamente valores divergentes de price, sale_price, availability e condition rastreando sua página de destino, não cobre color, material, size nem GTIN (Ajuda do Google Merchant Center). Se esses atributos estiverem errados, nada os corrige para você — o valor incorreto simplesmente fica no seu feed, ativo, até que uma auditoria manual ou uma reprovação do canal o detecte. Este guia é para quem roda enriquecimento por IA ou baseado em regras em um catálogo de algumas centenas a algumas centenas de milhares de SKUs, e oferece um processo de QA concreto — cinco padrões de falha a verificar, uma rubrica de pontuação e um fluxo de amostragem — para detectar esses erros antes que cheguem ao Google, à Meta ou ao TikTok Shop.

Por que os atributos enriquecidos por IA falham silenciosamente

Historicamente, o QA de feeds se concentrou nos atributos que os canais fiscalizam ativamente por você. O Google corrige automaticamente um preço desatualizado ou um status de estoque errado a partir da sua página de destino sem que você mova um dedo (documentação de atualizações automáticas de itens). Essa rede de segurança acostuma as equipes a presumir que a mesma proteção se estende a tudo. Não se estende. Cor, material, tamanho, estampa e GTIN são excluídos da automação de propósito, porque o Google não consegue deduzi-los de forma confiável a partir de um rastreamento da página, como consegue deduzir um preço exibido.

Essa lacuna importa mais hoje do que há dois anos, porque esses são justamente os atributos que os recursos de enriquecimento com IA são chamados a preencher em escala — aqueles que o lojista nunca preencheu no feed de origem. Um modelo de IA que deduz "couro legítimo" a partir de uma foto do produto, ou que normaliza três nomes de cor inconsistentes em um só, está operando na única zona do feed em que uma resposta errada não tem nenhuma proteção automática.

Os cinco padrões de falha introduzidos pelo enriquecimento com IA

Eles não são hipotéticos. Cada um corresponde a um requisito documentado do Google ou da Meta que um processo genérico de IA não tem nenhum motivo intrínseco para conhecer.

• Violações de formato. O atributo color do Google rejeita códigos hexadecimais, valores apenas numéricos e qualquer nome de cor com mais de 40 caracteres — um modelo instruído a "extrair a cor" de uma imagem vai retornar tranquilamente #3B2F2F (especificação do atributo color).
• Divergência com a página de destino. O Google exige que a cor enviada corresponda exatamente ao texto da página de destino — "se você usa 'Toasted Walnut' na sua página de destino, envie esse valor nos dados do produto. Não envie 'Brown'" (especificação do atributo color). Um processo de enriquecimento que trabalha a partir de um classificador de imagens genérico não tem nenhuma visibilidade do que o texto da sua página de produto realmente diz.
• Especificidade inventada com excesso de confiança. Um modelo muitas vezes transforma um campo de material vago ou ausente em algo que soa específico, mas está errado — "couro" para um produto que, na verdade, é de poliuretano. A especificação de material do Google exige que o valor reflita "o tecido ou material principal de que o produto é feito", e não um palpite plausível (especificação do atributo material).
• Vazamento entre atributos. Um valor de tamanho que acaba no campo de estampa, ou uma descrição de material que acaba na cor, acontece com mais frequência do que as equipes imaginam quando o enriquecimento roda sem supervisão em dezenas de milhares de linhas com títulos de origem inconsistentes.
• Inconsistência entre canais. Se o enriquecimento roda separadamente em cada exportação por canal, o mesmo produto pode receber "Toasted Walnut" no feed do Google e "Brown" no feed da Meta — um sinal real para os compradores e uma divergência com a página de destino em pelo menos um dos lados.

Antes e depois: cinco modos de falha reais

A tabela abaixo mostra como cada padrão de falha aparece como valor real no feed, por que falha e o que a linha corrigida deve conter.

Uma rubrica de pontuação de QA para atributos enriquecidos por IA

Pontue cada linha enriquecida em cinco critérios, de 0 a 2 pontos cada, antes que ela entre no ar. Isso transforma uma verificação subjetiva do tipo "parece certo?" em algo que um membro júnior da equipe ou um prestador de serviços pode aplicar de forma consistente.

Uma linha com 9–10 pontos pode ser publicada automaticamente. Uma linha com 6–8 pontos vai para uma fila de verificação manual por amostragem. Qualquer coisa abaixo de 6 fica em quarentena — retida fora da próxima exportação — até que uma pessoa a corrija. Isso reflete a forma como o próprio Google trata esses atributos: não como um risco de automação, mas como um risco de revisão manual, já que sua própria automação baseada em rastreamento para explicitamente antes deles.

Incorporando o checklist de QA ao seu fluxo de enriquecimento

1. Execute verificações automáticas por regras em todas as linhas enriquecidas antes da publicação. Limites de caracteres, caracteres proibidos (padrões hexadecimais, valores de cor apenas numéricos) e termos genéricos vetados ("multicolor", "variado", "sortido") podem ser detectados com regras simples de regex, sem precisar de ninguém — a mesma camada de lógica baseada em regras por trás do enriquecimento de feeds pode executar essas verificações como uma barreira antes que os valores cheguem à exportação.
2. Faça a amostragem por risco, não de forma uniforme. Priorize a revisão manual nas categorias em que o GMC trata o atributo como obrigatório — vestuário e acessórios, no caso da cor, segundo o requisito específico por categoria do Google (especificação do atributo color) — e em qualquer SKU cuja pontuação de confiança da IA, se a sua ferramenta de enriquecimento a exibir, esteja abaixo do seu limite.
3. Compare com os dados de origem, não com a plausibilidade. O modo de falha não é que os valores enriquecidos pareçam errados — é que eles parecem certos. Confira cada alerta de "confiança na especificidade" com uma ficha técnica real do fornecedor ou com o texto da página do produto, e não com base em se o valor soa razoável.
4. Repita a verificação de consistência entre canais após cada exportação, e não apenas após o enriquecimento. Se a etapa de enriquecimento roda antes de o feed ser dividido em exportações por canal, isso fica em grande parte resolvido pela própria arquitetura. Se o enriquecimento roda por canal (algo comum quando canais diferentes precisam de formatações diferentes), ele precisa de uma etapa própria de conciliação.
5. Registre o que você coloca em quarentena. Uma taxa de quarentena crescente para um atributo ou uma categoria específica é um sinal para corrigir o prompt ou o conjunto de regras do enriquecimento, e não apenas as linhas individuais.

Em um feed sincronizado diariamente, e não a cada hora, um valor enriquecido incorreto que passe pela verificação pode ficar visível para os compradores por até um ciclo de sincronização completo antes que a próxima exportação dê a você a chance de corrigi-lo — mais um motivo para que a verificação aconteça antes da publicação, e não depois.

O que isto não cobre e onde deixa de funcionar

Este processo detecta violações de formato, divergências e especificidade não verificável — ele não avalia se um título ou uma descrição escritos por IA são um bom texto, o que é uma revisão separada e mais subjetiva. Ele também não substitui a revisão jurídica ou de compliance em categorias reguladas (suplementos, alegações de cosméticos, produtos infantis), em que um atributo errado ou inventado é um problema de conformidade, e não apenas de qualidade do feed.

Em escala real — catálogos com milhões de SKUs, vários colaboradores e cadeias formais de aprovação —, uma fila manual baseada em amostragem como a descrita acima deixa de ser suficiente por si só. É em torno desse tipo de fluxo de governança que plataformas como a Productsup são construídas, com mecanismos de regras e trilhas de auditoria embutidos na plataforma, e não adicionados por cima. E se a limitação for a capacidade de revisão, e não as ferramentas, o modelo de serviço gerenciado da Feedonomics — uma equipe revisando o seu feed, em vez de um software que você mesmo configura — é uma alternativa legítima a contratar pessoas para isso internamente. Nenhuma das duas abordagens é necessária para aplicar o checklist acima; ambas valem a pena ser conhecidas antes de você decidir construir isso internamente em escala.

Por fim, nada disso substitui a leitura da especificação de qualquer novo atributo ou categoria que você for enriquecer em seguida. O Google e a Meta atualizam as regras de formato e os requisitos por categoria com frequência suficiente para que um checklist criado hoje precise de uma nova leitura da documentação de origem em seis meses, e não de um status permanente de "configurou e esqueceu". Se a sua preocupação são especificamente imagens e descrições geradas por IA, e não atributos estruturados, veja nosso guia de políticas sobre conteúdo de produto gerado por IA — aquele texto trata da conformidade com as políticas dos canais, enquanto este trata do QA da qualidade dos dados.

Perguntas frequentes

O Google Merchant Center corrige automaticamente um valor de cor ou material errado?

Não. As atualizações automáticas de itens do Google cobrem apenas preço, preço promocional, disponibilidade e condição. Cor, material, tamanho e GTIN ficam de fora, então um valor incorreto nesses campos permanece ativo até que você ou o seu processo de enriquecimento o corrija. Consulte o guia de integração com o Google Merchant Center da Feedance para ver como as exportações de feed para o GMC são configuradas.

O que acontece se eu enviar ao Google uma lista de cores separadas por vírgula?

O Google aplica apenas a primeira cor da lista e descarta silenciosamente o restante — ele não trata uma string separada por vírgulas como vários valores (como corrigir: valor inválido de cor). Use barras, com até três cores por produto.

A Meta exige os mesmos atributos de cor e material que o Google?

Não. A especificação de campos do catálogo de comércio da Meta lista cor e material como opcionais, enquanto o tamanho é obrigatório especificamente para as categorias de roupas e calçados. A Meta exige que a cor seja escrita por extenso, e não como código hexadecimal (campos do catálogo de comércio da Meta).

Um atributo de cor errado traz o mesmo risco que uma violação da política de declaração falsa?

Normalmente, não. Um único atributo incorreto costuma aparecer como um problema no nível do item na guia "precisa de atenção" do Merchant Center, e não como uma suspensão no nível da conta. A declaração falsa é uma política separada e mais severa, voltada a alegações falsas deliberadas ou recorrentes sobre uma empresa ou oferta, e não a um erro isolado de atributo.

Quanto do meu catálogo devo revisar manualmente após uma execução de enriquecimento por IA?

Pondere sua amostra pelo risco em vez de amostrar de forma uniforme: priorize as categorias em que um atributo é obrigatório (vestuário e acessórios para cor, por exemplo) e qualquer linha que sua ferramenta de enriquecimento sinalize como de baixa confiança, antes de distribuir o tempo de revisão restante pelo resto do catálogo.

O mesmo valor de atributo enriquecido por IA pode ser diferente entre meus feeds do Google e da Meta?

Não deveria, se ambos descrevem o mesmo produto. Se o enriquecimento roda separadamente em cada exportação por canal, adicione uma etapa de conciliação após a exportação para identificar casos em que os dois valores se distanciaram.

O que devo fazer se descobrir atributos "alucinados" já ativos no meu feed?

Separe os SKUs afetados, corrija os valores com base nos dados de origem (fichas do fornecedor ou a página do produto ao vivo, e não uma nova execução do mesmo processo de enriquecimento) e envie novamente. Em seguida, verifique se o mesmo padrão de falha aparece em outras partes do catálogo — uma alucinação raramente é um caso isolado.

O enriquecimento por IA chega a produzir valores de atributos que um processo manual deixaria passar?

Sim — ele é realmente útil para preencher atributos em catálogos grandes, em que a entrada manual não é viável, e para detectar padrões (como nomenclatura inconsistente) que uma pessoa revisando uma linha por vez não perceberia. A camada de QA existe para detectar os modos de falha específicos dele, e não para argumentar contra o seu uso.

Passe seu feed pela ferramenta gratuita de auditoria de feed de produtos da Feedance para ver a situação atual dos seus dados de atributos antes da próxima execução de enriquecimento.