Fichas de producto e IA: por qué vuestro catálogo es ilegible
Vuestras fichas de producto son máquinas de conversión y de ranking para Google. A menudo son ilegibles para los LLM. Los diez criterios que cambian esto.
Una ficha de producto fue pensada para dos lectores: el consumidor humano y el robot de Google.
El consumidor humano mira la foto, el precio, las reseñas, el nombre. El robot de Google indexa el título, la meta, los datos estructurados Schema.org. Treinta años de e-commerce han refinado esta alquimia. Las fichas de producto de los grandes e-commerce son máquinas de conversión y de ranking.
A menudo son ilegibles para los LLM.
Lo que leen los LLM — y lo que ignoran
Los modelos de lenguaje procesan texto. No JavaScript. No carruseles de imágenes. No pestañas en lazy loading. No descripciones escondidas tras un "leer más" que requiere un clic.
La estructura típica de una ficha de producto e-commerce es: un título H1, algunos bullet points de características, un bloque de descripción condensada, imágenes, un precio, una zona de reseñas de clientes. Para un LLM que escanea la página, la señal útil suele quedar sumergida en ruido HTML.
La consecuencia directa: cuando un usuario pregunta a ChatGPT o Perplexity "cuál es el mejor [producto] para [uso]", el modelo recurre a fuentes que hablan de esos productos de forma densa y estructurada — comparativas, reseñas de expertos, guías de compra. Rara vez la ficha de producto oficial del comercio.
El e-commerce pierde la recomendación. A veces en beneficio de un comparador o un medio que habla de su producto mejor que él mismo.
Los diez criterios que hacen que una ficha de producto sea legible para una IA
No es ningún misterio. Pero requiere una auditoría honesta.
1. Título descriptivo y preciso. El título debe contener los atributos clave (marca, modelo, característica principal, uso objetivo). Un título vago como "Zapatilla deportiva hombre" es inútil para un LLM que intenta responder a "qué zapatilla de running para trail principiante por menos de 100 euros".
2. Descripción en prosa estructurada. Los bullet points de características técnicas no bastan. Una descripción redactada que explique a quién le conviene el producto, en qué contexto, y por qué — es lo que el LLM puede reformular en una respuesta.
3. Casos de uso explícitos. "Ideal para..." no es un caso de uso. "Diseñado para excursiones de 2 a 5 días en montaña, con una carga inferior a 15 kg" es un caso de uso que el LLM puede utilizar.
4. Comparaciones asumidas. Las fichas de producto evitan cuidadosamente compararse con la competencia. A los LLM, en cambio, les encantan las comparaciones. Una ficha que posiciona claramente el producto frente a las alternativas (sin desprestigiarlas) da a los modelos el material para responder preguntas comparativas.
5. Datos medibles. Peso, dimensiones, autonomía, rendimiento, capacidad, duración de la garantía. Los LLM utilizan datos numéricos en las consultas comparativas. Una descripción solo cualitativa deja que el modelo busque esos datos en otro sitio — a menudo en la competencia.
6. Entidades correctamente nombradas. Marca, tecnología, material, certificación, socio — estas entidades deben nombrarse explícitamente en el texto, no solo en los metadatos.
7. Formato accesible sin ejecución de JavaScript. Si la descripción principal se carga en JS, el crawler del LLM no la ve. Probar la legibilidad de una ficha de producto con un crawler de solo texto suele revelar sorpresas.
8. Ausencia de contenido duplicado genérico. Las descripciones copiadas del proveedor o generadas en masa sin diferenciación se detectan como ruido. El LLM prefiere una fuente con un enfoque propio.
9. Reseñas integradas y accesibles. Las reseñas de clientes suelen contener las expresiones más útiles para un LLM ("perfecto para pies anchos", "aguanta bien en bajada", "ideal para empezar"). Si se cargan dinámicamente y son invisibles para el crawler, es señal perdida.
10. Enlaces a contenido contextual. Una ficha de producto aislada es una señal débil. Una ficha de producto enlazada a una guía de compra, una comparativa, un artículo de blog — es un nodo en una red de contenido que los LLM valoran más.
El caso particular del catálogo e-commerce
El problema de los e-commerce con los LLM no es solo una ficha de producto mal estructurada. Es la escala.
Un catálogo de 5.000 referencias son 5.000 fichas de producto que reevaluar bajo el prisma de los LLM. El enfoque manual es imposible. La reescritura genérica por IA, sin calibrar según los estándares de legibilidad LLM, produce textos que parecen legibles para un humano pero siguen mal estructurados para los motores generativos.
Es exactamente lo que Vurto aborda para los e-commerce: una reescritura del catálogo al vuelo en formato markdown, estructurada según los criterios de legibilidad LLM, con un análisis de cada ficha de producto en diez dimensiones antes y después de la reescritura. El resultado no es una versión genérica de las fichas — es una versión calibrada para que los LLM puedan procesarla, entenderla y recomendarla.
Lo que esto cambia en las ventas
Es difícil medir directamente el impacto de una ficha de producto lista para LLM sobre la facturación, porque el tráfico procedente de las IA sigue siendo parcialmente opaco. Pero las señales están ahí.
Las referencias directas desde ChatGPT y Perplexity ahora son rastreables mediante UTM y referrers. Las marcas que observan este tráfico ven que convierte bien — el usuario llega con una intención cualificada, no solo curiosidad. Ya ha recibido una recomendación de la IA antes de llegar a la ficha.
Ser la referencia citada en esa recomendación significa captar un tráfico de alta intención que las herramientas publicitarias clásicas no alcanzan.
La prueba de cinco minutos
Abrid ChatGPT. Haced esta pregunta: "[nombre de vuestro producto estrella]: ¿sirve para [caso de uso principal de vuestros clientes]?"
Observad la respuesta. Si el modelo cita vuestra ficha de producto o vuestro dominio — perfecto. Si cita una comparativa externa, un artículo de prensa, o peor, a la competencia — ya sabéis lo que os queda por resolver.
Vurto analiza las fichas de producto según diez criterios de legibilidad IA y las reescribe en markdown estructurado para maximizar su visibilidad en las respuestas de los LLM.