Catálogo de productos para agentes de IA: Lecciones de Ulta y Sompo

el catálogo de productos para agentes de IA es importante cuando un asistente debe recomendar, comparar y comprar en nombre de un usuario. Ulta construyó un asistente de compras que navega aproximadamente 30,000 SKUs para responder a intenciones como, "un suero de vitamina C por menos de $50 para piel sensible", mientras que Sompo desplegó más de 10,000 agentes de IA personalizados para automatizar tareas de documentos y conocimiento interno para 34,000 empleados. Estos dos programas muestran que la escala, la estructura y la accesibilidad deciden si un asistente de IA puede encontrar y actuar sobre tus productos, no la prosa de marketing o las galerías de imágenes (Ulta y Sompo estudio de caso).

Si deseas que los agentes muestren tus artículos en flujos de compras de múltiples turnos, trata tu catálogo como un producto de datos para desarrolladores. Eso significa atributos claros, identificadores consistentes, esquema legible por máquina y APIs que expongan la disponibilidad y el precio actualizados al minuto. Los pasos a continuación convierten páginas amigables para humanos en un activo que los agentes de IA pueden consultar, comparar y utilizar para completar compras.

Ideas clave

• Implementa Schema.org Product y Offer JSON-LD en cada página de producto para que los agentes puedan analizar atributos como precio, disponibilidad y marca.
• Proporciona identificadores únicos consistentes, GTIN o SKU, y una taxonomía normalizada para evitar listados duplicados o desajustados en los feeds.
• Expón una API de catálogo o feed con actualizaciones casi en tiempo real y puntos finales de carrito para que los agentes puedan completar flujos de pago de múltiples turnos.
• Diseña metadatos conversacionales: frases cortas de intención, casos de uso en una oración y sugerencias alternativas para comparación y sustituciones.
• Monitorea la frescura del catálogo, las barreras y prueba los agentes de extremo a extremo para mantener las recomendaciones precisas y conformes a gran escala.

¿Cómo estructuro un catálogo de productos para agentes de IA?

Respuesta: Estructura un catálogo como registros legibles por máquina, no como páginas de marketing. Usa un registro JSON por SKU con campos estandarizados, un identificador canónico, un resumen humano mínimo y un mapeo claro a imágenes y variantes.

Comienza con una fuente canónica de verdad para cada SKU. Cada registro debe incluir un identificador estable como GTIN o tu SKU interno, un id de producto padre para variantes, marca, título, categoría y una breve descripción de 1-2 oraciones optimizada para consultas de intención. Almacena atributos estructurados como campos tipados, por ejemplo: price.currency, price.amount, availability.status, dimensions.unit, color.name. Evita incrustar atributos importantes dentro de largos párrafos HTML o copias promocionales que un agente no pueda analizar de manera confiable.

Publica cada producto como Schema.org JSON-LD Product y Offer markup para que los rastreadores web y los agentes puedan analizar atributos clave directamente desde las páginas. Schema.org JSON-LD sigue siendo la base para la legibilidad por máquina, y la implementación de Product, Offer y MerchantReturnPolicy ayuda a los agentes a decidir sobre la lógica de recomendación y compra (guía de esquema). Almacena un catálogo de máquina como una capa de datos separada que refleja tu sitio público pero expone campos normalizados, ids de categoría y embeddings vectoriales para búsqueda semántica.

Estructura de registro concreta

1. id: cadena SKU o GTIN canónica.
2. título: título descriptivo corto, 60 caracteres o menos.
3. marca: id de marca normalizada.
4. category_id: mapeado a una taxonomía de la industria.
5. precio: {amount, currency, list_price, sale_price}.
6. disponibilidad: {in_stock:true/false, ship_from, lead_time_days}.
7. atributos: pares clave valor para tamaño, color, ingredientes, especificaciones técnicas.
8. imágenes: URLs priorizadas con texto alternativo y tipo (hero, swatch, step).
9. short_intent: 8 a 15 palabras que los usuarios utilizan al preguntar a un asistente.
10. guardrails: banderas booleanas para venta restringida, contenido para adultos o manejo especial.

Compensaciones: los catálogos a nivel de tienda priorizan la fidelidad al diseño del sitio pero requieren una normalización sustancial para comparación entre tiendas. Los catálogos normalizados centralizados aceleran el descubrimiento y la comparación de agentes, pero requieren tuberías de mapeo y reconciliación, como los problemas de agrupamiento de catálogos que Shopify resolvió a gran escala (agrupamiento de Shopify). Si no puedes lanzar una capa normalizada completa de una vez, comienza publicando JSON-LD de alta calidad más un feed o API que refleje tus registros SKU canónicos.

¿Qué metadatos necesita un catálogo de productos para agentes de IA?

Respuesta: Los agentes necesitan metadatos de identidad, comercio y conversación. Como mínimo, incluye identificadores únicos, precio y disponibilidad, conjuntos de atributos ricos, imágenes, reseñas y líneas cortas de intención para conversaciones.

Los metadatos de identidad mantienen la coincidencia precisa. Proporciona GTIN, número de parte del fabricante y tu SKU interno. Si GTIN no está disponible, utiliza un id compuesto estable y documenta por qué es único. Los metadatos de comercio deben incluir el precio actual, el precio de lista, promociones con marcas de tiempo de inicio y fin, nivel de stock o disponibilidad booleano, opciones de envío y política de devoluciones. Los agentes utilizan estos campos al decidir si recomendar o realizar un pedido.

Los metadatos de atributos potencian las comparaciones. Para ropa, esto incluye tablas de tallas, material, notas de ajuste e instrucciones de cuidado. Para belleza, incluye la idoneidad para tipos de piel, ingredientes activos y porcentajes de concentración. Para productos técnicos, proporciona especificaciones clave en campos estructurados para que los agentes puedan coincidir con las restricciones del usuario. Incluye etiquetas de taxonomía normalizadas mapeadas a un estándar como categorías de productos de Google o tu propia taxonomía unificada. Usa nombres consistentes en todos los canales para que la coincidencia dentro del contexto del agente sea determinista.

Metadatos conversacionales y señales de confianza

Agrega frases cortas de intención y casos de uso de una línea, como "adecuado para piel grasa" o "para corredores de 5k por debajo de 8 minutos por milla." Proporciona agregados de reseñas, número de calificaciones y insignias de compradores verificados. Marca artículos restringidos y proporciona texto de política que los agentes puedan citar. Estas señales de confianza y pequeñas frases de intención mejoran la calidad de las recomendaciones de múltiples turnos y reducen las aclaraciones innecesarias.

Pasos de mapeo y normalización

1. Audita los campos a través de los feeds y elimina sinónimos, por ejemplo, unifica "colour" y "color" a un solo atributo.
2. Mapea categorías a una taxonomía canónica y almacena ids de categoría junto a etiquetas humanas.
3. Completa los GTINs faltantes o documenta las reglas de id de respaldo.
4. Realiza controles de calidad semanalmente para encontrar campos de precio o disponibilidad faltantes que rompan los flujos de los agentes.

APIs y feeds: ¿Cómo debo exponer mi catálogo de productos para que los agentes de IA puedan llamarlo?

Respuesta: Publica una API de catálogo consultable más feeds impulsados por eventos para actualizaciones de inventario y precios en tiempo real. Permite puntos finales de lectura para detalles de productos, búsqueda, recomendaciones y operaciones de carrito para que los agentes puedan completar flujos de múltiples turnos.

Diseña la API con un contrato claro. Proporciona GET /products/{id} para devolver el registro completo de máquina, POST /search o GET /search con filtros y parámetros de búsqueda semántica, y POST /cart y PUT /cart/{id} para habilitar agregar al carrito. Los agentes esperarán disponibilidad a nivel de artículo y una baja latencia para verificaciones de inventario antes de la compra. Envía cambios de precio y stock a través de un webhook o feed de transmisión para que los agentes nunca lean datos obsoletos durante una conversación.

Soporta tanto consultas estructuradas como semánticas. Proporciona filtros de facetas para rango de precios, marca y categoría, y un punto final de similitud semántica que acepte una frase de intención y devuelva ids de SKU clasificados con puntajes de relevancia y razonamiento breve. Si expones embeddings o un punto final de búsqueda vectorial, los agentes pueden mostrar alternativas y sustitutos que coincidan con la intención del usuario incluso cuando los títulos difieren.

Adopta un estándar de la industria cuando sea posible. Ulta trabajó con Google en torno a un Protocolo de Comercio Universal para comercio agente para hacer que el descubrimiento de productos y las transacciones funcionen dentro de Gemini y AI Mode en Search (mención de UCP). Ya sea que implementes UCP o tu propio esquema, documenta los puntos finales, límites de tasa y el SLA de frescura para que los agentes de terceros puedan integrarse de manera confiable.

Lista de verificación práctica para la implementación de API

• Expón puntos finales de lectura de productos, búsqueda y carrito, con documentación de esquema y ejemplos.
• Proporciona webhooks o flujos para eventos de cambio de precio e inventario y un punto final de registro de cambios para actualizaciones delta.
• Devuelve campos de razonamiento o etiquetas de procedencia que indiquen de dónde provienen el precio y la disponibilidad.
• Ofrece un sandbox con datos de muestra y tokens de prueba para que los agentes puedan ejecutar flujos de múltiples turnos de extremo a extremo.

Diseñando catálogos para flujos de compras de múltiples turnos y personalización

Respuesta: Diseña registros de productos y APIs para soportar conversaciones con estado, sustituciones fáciles y personalización almacenando señales de intención y contexto del cliente junto con los datos del producto.

Para flujos de múltiples turnos, los agentes necesitan hacer preguntas aclaratorias raramente. Proporciona etiquetas short_intent, conjuntos de sugerencias y reglas de sustitución en el registro del producto. Por ejemplo, incluye alternativas recomendadas con razones como "precio más bajo", "sin fragancia" o "más adecuado para piel seca." Eso permite que un agente responda a un seguimiento como, "Muestra opciones más baratas que aún funcionen para piel sensible," sin llamar a múltiples puntos finales y reanalizar largas descripciones.

Supervisa las entradas de personalización temprano. Si tienes datos de lealtad o historial de compras, ponlos a disposición del agente como parte del contexto cuando el usuario lo autorice. Ulta mueve señales de compra y lealtad al contexto de conversación para mejorar la precisión, utilizando datos de primera parte para defender la diferenciación cuando los agentes externos median compras (lealtad y contexto de Ulta). Almacena claves de personalización en el catálogo o un servicio de perfil vinculado y documenta cómo el agente puede obtener datos consentidos durante una sesión.

Soporta ganchos transaccionales. Un registro de producto debe indicar si un artículo puede ser cumplido a través de recogida, entrega o mercado de terceros, e incluir un fulfillment_id para activar el camino de pago correcto. Proporciona estados de error claros para fuera de stock, discrepancia de precios o venta restringida, y devuelve mensajes amigables para el usuario que el agente pueda presentar sin reformular el lenguaje legal de la política.

Pruebas de flujos conversacionales

Realiza conversaciones sintéticas contra un catálogo sandbox y mide la tasa de finalización, la tasa de aclaración y el tiempo para agregar al carrito. Prueba casos límite como cambios de precio simultáneos durante una sesión, fallos en la selección de variantes y respaldo cuando el SKU recomendado no está disponible. Estas métricas revelan si tu catálogo y APIs soportan un comercio confiable de múltiples turnos.

Prácticas operativas para la frescura del catálogo, gobernanza y pruebas

Respuesta: Mantén la frescura, automatiza controles de calidad y aplica barreras. A gran escala, los agentes fallan cuando los productos están obsoletos o cuando faltan banderas de política.

Programa controles automatizados que validen campos clave cada hora para SKUs de rápido movimiento y diariamente para categorías más lentas. Verifica precios, disponibilidad, envíos y marcas de tiempo de política de devoluciones. Marca cambios mayores que un umbral configurado y requiere revisión humana para cambios que afecten políticas o artículos restringidos. Mantén metadatos de procedencia para precios y disponibilidad para que puedas auditar recomendaciones más tarde.

Implementa una capa de gobernanza con roles, aprobaciones y un historial de cambios. Asegúrate de que los cambios en la copia de marketing no sobrescriban atributos estructurados críticos. Separa el catálogo de máquina del contenido de marketing para que un editor pueda actualizar la página sin romper campos orientados a agentes. Usa tuberías CI para cambios en el catálogo y realiza pruebas unitarias contra consultas de muestra de agentes para asegurar que el conjunto de resultados permanezca estable después de las actualizaciones.

La escala operativa importa. Sompo redujo drásticamente el tiempo de desarrollo para modelos al estandarizar el desarrollo de agentes y reutilizar herramientas en 10,000 agentes, lo que requirió una sólida gobernanza y automatización (caso de Sompo). Si esperas muchas integraciones de agentes, invierte temprano en monitoreo, mensajes de error razonados y un plan de reversión para cambios en el catálogo que degraden la calidad de las recomendaciones.

Monitoreo y KPIs

• Cumplimiento de SLA de frescura para precio e inventario, medido cada hora.
• Precisión de recomendación de agentes, medida por clics y conversión a agregar al carrito.
• Tasa de aclaración en conversaciones, con el objetivo de reducir seguimientos innecesarios.
• Incidentes de violación de políticas, rastreados mensualmente y vinculados a tickets de remediación.

Preguntas frecuentes

¿Cómo hago que mi catálogo de productos sea descubrible para agentes de compras de IA?

Haz que tu catálogo sea legible por máquina con Schema.org JSON-LD, publica una API de catálogo documentada y proporciona feeds o webhooks para cambios de precio e inventario. Proporciona identificadores únicos como GTIN o SKU y un mapeo de categoría normalizado para que los agentes puedan coincidir artículos de manera confiable.

¿Cuáles son los campos de metadatos mínimos que necesita un agente de IA para recomendar un producto?

Como mínimo incluye id canónico, título, precio, moneda, disponibilidad, marca, id de categoría, imágenes y una cadena corta de intención o caso de uso. Las reseñas y calificaciones cuentan para el ranking, y un campo de política de devoluciones mejora la calidad de la decisión.

¿Necesito exponer embeddings o búsqueda vectorial para que los agentes funcionen?

No, puedes comenzar con campos estructurados sólidos y etiquetas semánticas más un punto final de búsqueda. Los embeddings y la búsqueda vectorial mejoran la recuperación y la calidad de sustitución, pero son incrementales. Comienza con JSON-LD y una API de catálogo, luego agrega embeddings si necesitas una mejor coincidencia semántica.

¿Con qué frecuencia debo actualizar mi catálogo para el uso de agentes de IA?

Actualiza los cambios de inventario y precio en casi tiempo real para artículos de retail de rápido movimiento, al menos cada hora. Los atributos menos volátiles, como especificaciones, pueden validarse diariamente. Documenta los SLA de frescura para que los agentes sepan cuándo volver a verificar antes de la compra.

¿Qué controles de gobernanza evitan que los agentes recomienden productos restringidos?

Utiliza banderas de barrera en los registros de productos, categorías de políticas y un chequeo de política automatizado en la capa de API. Bloquea recomendaciones cuando un producto tiene una bandera restringida o requiere verificación adicional, y proporciona flujos de revisión humana para excepciones.

Próximo paso: realiza una auditoría rápida de tus 1,000 SKUs principales y asegúrate de que cada uno tenga un id canónico, marcado JSON-LD Product, marcas de tiempo de precio y disponibilidad, y una frase corta de intención. Si necesitas una puntuación de preparación de catálogo automatizada o monitoreo continuo para la visibilidad de agentes, idou.ai puede ayudar a medir con qué frecuencia los asistentes de IA mencionan y recomiendan tu marca en comparación con competidores.

Lectura relacionada: consulta nuestro playbook GEO de 90 días para negocios locales en /blog/90-day-geo-playbook-local-sprint, y la guía sobre cómo rastrear la presencia de marca a través de asistentes de IA en /blog/track-brand-presence-ai-assistants.