Catálogo inteligente en retail: 80% menos tiempo de registro con Gemini Enterprise
Un marketplace brasileño registraba 1.200 SKUs/semana con 8 analistas. Un agente Gemini Enterprise genera ficha técnica, descripción enriquecida, atributos PIM, traducciones y SEO a partir de fotos y specs del proveedor.
Fabiano Brito
CEO & Founder
42 → 7 min
750 → 1.800
copy con SEO
23% → 3%
El registro de producto en un marketplace es el trabajo invisible que decide el éxito de la plataforma: descripción mal escrita, atributo incorrecto, foto sin estándar = producto que no vende.
Este caso muestra cómo un agente bien diseñado convirtió el cuello de botella en ventaja competitiva.
El punto de partida
- ~80k SKUs activos, 1.200 nuevos por semana.
- 8 catalogadores con tiempo promedio de 42 min por SKU.
- Backlog típico: 4-6 semanas — los productos llegaban al sitio 1 mes después de que el proveedor los enviara.
- Inconsistencia de atributos: 23% de los SKUs con filtros del sitio rotos.
- Descripciones genéricas, copiadas del proveedor, sin optimización SEO.
- La traducción al ES (mercado argentino) tardaba +1 semana y tenía errores.
Lo que hace el agente
- Recibe fotos del producto (5-15 imágenes) + planilla del proveedor con specs en bruto.
- Gemini 2.5 Pro multimodal analiza las imágenes: color, material aparente, forma, estado, ángulos, presencia de defectos.
- Extrae y normaliza atributos conforme al schema del PIM (categoría, subcategoría, marca, color, talle, material, dimensiones, peso).
- Genera ficha técnica estructurada.
- Escribe descripción enriquecida optimizada para SEO (250-400 palabras) con la voz de la marca.
- Sugiere bullets y título de la PDP.
- Traduce al ES neutro (mercado LATAM).
- Identifica SKUs similares ya registrados (deduplicación).
- Devuelve para revisión humana: el catalogador valida en 5-7 min y publica.
Arquitectura
- Gemini Enterprise Plus + Vertex AI Agent Builder.
- Gemini 2.5 Pro multimodal: visión + texto.
- Vertex AI Search: base de productos existentes (deduplicación) + glosario de marca.
- Herramientas:
- Lectura de carpeta en Drive (proveedor).
- Búsqueda de producto por nombre/marca/UPC (PIM REST).
- Creación de SKU borrador en el PIM.
- Carga de imágenes optimizadas en CDN.
- Generación de código SKU.
- Panel de revisión en PWA para que el catalogador valide y publique.
- Pipeline de calidad en Cloud Run: pruebas de schema, peso de imagen, presencia de campos obligatorios.
Resultados en 60 días
| Métrica | Antes | Después | Delta |
|---|---|---|---|
| Tiempo promedio por SKU | 42 min | 7 min | -83% |
| Backlog | 4-6 semanas | 0-1 semana | casi cero |
| Inconsistencia de atributos | 23% | 3% | -87% |
| SKUs publicados/semana | ~750 | ~1.800 | +140% |
| Conversión PDP | baseline | +18% | +18 pts |
| Tiempo hasta disponibilidad ES | +7 días | el mismo día | -100% |
| Catalogadores asignados | 8 | 3 (+5 reasignados) | -62% |
El aumento de conversión del 18% fue el número que compró el proyecto definitivamente: descripciones escritas con técnica de copy + SEO de cola larga convierten más que copias del proveedor. El agente democratizó el copy de calidad.
Lo que aprendimos
1. El glosario de marca es innegociable
Sin glosario, el agente escribe descripciones correctas pero "neutras". Construimos un documento con la voz de la marca, palabras a usar/evitar y ejemplos de descripción premiados. El nivel mejoró en 3 ciclos.
2. La visión multimodal cubrió más de lo esperado
Para ropa, identifica: tipo de manga, escote, corte, largo, patrón (liso/estampado/rayado), tipo de material aparente. Para hogar: color predominante, estilo, función, espacio sugerido. Redujo campos manuales en ~70%.
3. La deduplicación por embedding evitó duplicados
Los catálogos de marketplace tienen 5-15% de duplicados ocultos. El agente compara embedding visual + textual con el catálogo existente — el catalogador recibe una alerta antes de crear un duplicado.
4. El SEO se convirtió en capacidad interna
Antes, el SEO era trabajo de una agencia tercerizada. Ahora cada SKU sale con title tag, meta description, slug y bullets pensados para Google Shopping.
5. La traducción PT→ES neutro funcionó
Los términos regionales fueron mapeados en el glosario hacia variantes neutras. La traducción automática del agente tuvo una revisión del 4% (vs ~30% en el piloto inicial).
Errores que evitamos
- No publicamos sin revisión humana. La regla "publicar si confianza > 0.9" se intentó y falló en descripciones con error factual sutil. La revisión manual sigue siendo barata en 7 min — vale el seguro.
- No usamos un modelo único para todo. La categorización visual usa Gemini Flash (más rápido); la descripción enriquecida usa Gemini Pro (más calidad). Mix de costo/rendimiento.
- No entrenamos modelo personalizado en el MVP. Gemini 2.5 Pro fue suficiente. El fine-tuning quedó en el roadmap solo si las métricas se estancan.
Gobernanza
- El contenido de los proveedores tiene términos de uso revisados (uso interno + procesamiento IA).
- Las imágenes pasan por DLP visual: sin rostros humanos identificables, sin información del cliente.
- Audit log: cada SKU tiene historial de qué versión del prompt y modelo generó cada campo.
- El revisor humano sigue siendo el responsable legal del contenido publicado.
Conversión +18% compró el proyecto. Pero el verdadero beneficio fue sacar a 5 catalogadores del rol de "tomadores de pedido" y devolverles la carrera — hoy hacen curación, merchandising y calidad de catálogo, trabajo que la IA no hace bien.
Replicabilidad
El patrón se aplica a cualquier marketplace o retail de mediana/gran escala con PIM (VTEX, Salesforce Commerce, Shopify Plus, headless custom). Tiempo típico de implementación: 45-60 días.
¿Cuántas semanas de productos nuevos hay en su backlog ahora mismo?
Autenticare implementa en 45-60 días: agente multimodal Gemini 2.5 Pro + Vertex AI Search, conectores PIM, glosario de marca, pipeline de calidad, panel de revisión. ROI defendible en el primer trimestre.