La ingeniería de prompts para comercio electrónico significa escribir instrucciones que hagan que los modelos de lenguaje produzcan resultados consistentes, precisos y alineados con la marca a escala: descripciones de productos, variaciones de textos publicitarios, resúmenes de reseñas, respuestas de soporte y atributos de feed. La diferencia entre un prompt débil y uno fuerte es la estructura. Los buenos prompts dan al modelo el rol, los hechos, el formato, las restricciones y un ejemplo, y se prueban en productos reales antes de usarse en todo un catálogo.
¿Qué hace que un prompt funcione para el comercio electrónico?
Los prompts genéricos producen textos genéricos. “Escribe una descripción de producto para este vestido” lleva a las mismas frases que usa cada tienda. Los prompts fuertes siguen un patrón recomendado en la documentación de OpenAI, Anthropic y Google, adaptado al comercio minorista.
- Rol y audiencia: quién escribe el modelo y para quién.
- Hechos de origen: los datos del producto que el modelo debe usar, y una instrucción de no usar nada más.
- Formato de salida: longitud, estructura, campos, tono e idioma.
- Restricciones: palabras prohibidas, afirmaciones que necesitan evidencia, límites legales.
- Ejemplo: una o dos salidas aprobadas que muestren el estilo.
- Regla de incertidumbre: qué hacer cuando falta información, como dejar un campo en blanco en lugar de adivinar.
Caso de uso 1: Descripciones de productos a partir de datos estructurados
Este es el uso más común y el más fácil de escalar mal. La clave es basar cada afirmación en los datos del producto de su PIM o hoja de cálculo.
Una plantilla que funciona podría decir: “Escribes descripciones de productos para una tienda de ropa de exterior. Audiencia: excursionistas que se preocupan por el peso y la protección contra el clima. Usa solo los atributos proporcionados. Escribe de 80 a 120 palabras: una oración sobre el beneficio principal, luego tres viñetas cortas sobre materiales, ajuste y cuidado. No menciones características no listadas. Si falta un atributo, no lo inventes”. Luego pasa los atributos para cada producto.
- Prueba con 20 productos de diferentes categorías antes de ejecutar el catálogo completo.
- Revisa cada salida en busca de características inventadas, tamaños incorrectos o afirmaciones como “impermeable” cuando los datos dicen “resistente al agua”.
- Mantén el prompt en control de versiones o en un documento compartido para que los cambios sean rastreados.
Caso de uso 2: Variaciones de textos publicitarios para pruebas
Las plataformas publicitarias recompensan probar muchos titulares y descripciones. Los anuncios de búsqueda responsivos de Google aceptan hasta 15 titulares de 30 caracteres y 4 descripciones de 90 caracteres; los anuncios de Meta aceptan varias opciones de texto principal y titular. Escribirlos a mano para cada grupo de productos es lento.
Pide variaciones por ángulo en lugar de reescrituras aleatorias: precio, calidad, velocidad de entrega, prueba social, problema resuelto. Especifica límites de caracteres y pide al modelo que los cuente, luego verifica con una fórmula de hoja de cálculo porque los modelos a menudo cuentan mal. Excluye afirmaciones que no puedas respaldar, como “mejor” o “más barato”, que pueden violar las políticas de la plataforma y las leyes del consumidor.
Caso de uso 3: Convertir reseñas en información
Las reseñas contienen información sobre productos y marketing, pero leer miles es poco práctico. Un prompt puede clasificar cada reseña por tema y sentimiento, luego resumir patrones.
- Define los temas de antemano: ajuste, calidad, entrega, empaque, precio, servicio al cliente.
- Pide la salida como JSON o una tabla con ID de reseña, tema, sentimiento y una cita corta.
- Ejecuta en lotes, luego agrega en una hoja de cálculo en lugar de pedir un solo prompt para un resumen de todo.
- Revisa una muestra aleatoria manualmente para verificar la precisión de la clasificación.
Los resultados alimentan páginas de productos, secciones de preguntas frecuentes, ángulos de anuncios y comentarios a compradores o fabricantes.
Caso de uso 4: Respuestas de soporte y macros
Para mesas de ayuda como Zendesk, Gorgias o Freshdesk, los prompts pueden redactar respuestas a partir de datos de pedidos y texto de políticas. El prompt debe incluir la política en sí, no una referencia a ella, y una regla para transferir a una persona para reembolsos por encima de un umbral, quejas o cualquier cosa fuera de la política. Los borradores deben ser revisados por agentes hasta que se pruebe la precisión en una muestra de tickets reales.
Caso de uso 5: Enriquecimiento de feeds y atributos
Google Merchant Center y los feeds de mercado recompensan los atributos completos: color, material, patrón, grupo de edad, tipo de tamaño. Un prompt puede extraerlos de títulos y descripciones existentes en campos estructurados. Pide una lista fija de valores permitidos y una opción de “desconocido”, para que el modelo no invente atributos para llenar vacíos.
¿Cómo mantienes la calidad alta a escala?
- Construye un pequeño conjunto de prueba de productos y resultados esperados, y ejecútalo de nuevo cada vez que cambie el prompt o el modelo.
- Usa configuraciones de temperatura más bajas o modos deterministas para tareas factuales donde la plataforma lo permita.
- Registra la versión del prompt, el modelo y la fecha con cada salida generada.
- Muestrea al menos un pequeño porcentaje de las salidas para revisión humana en cada lote.
- Mantén una lista de errores recurrentes y agrega una restricción al prompt para cada uno.
¿Qué errores de prompt cuestan dinero a los equipos de comercio electrónico?
Dejar que el modelo llene vacíos es el costoso: un material inventado o una instrucción de cuidado lleva directamente a devoluciones y quejas. Escribir un prompt gigante para cada categoría es otro, porque un prompt ajustado para zapatos produce textos extraños para utensilios de cocina. Un tercero es saltarse la verificación de idioma para tiendas multilingües; revisa las salidas en turco, alemán o árabe con hablantes nativos antes de publicar.
Cómo aplica Alien Road la ingeniería de prompts para el comercio electrónico
En un compromiso típico, comenzamos con el descubrimiento de la calidad de los datos del producto del cliente, la voz de la marca, las plataformas y las restricciones legales en sus mercados. Los prompts son tan buenos como los datos que reciben, por lo que los atributos faltantes o inconsistentes suelen ser la primera corrección.
La configuración produce una biblioteca de prompts por caso de uso, cada uno con un conjunto de prueba, ejemplos y restricciones, además de un flujo de trabajo por lotes a través de la API o herramientas como Google Sheets con Gemini. La medición compara listados y anuncios asistidos por IA con los existentes en tasa de conversión, tasa de clics y razones de devolución, y rastrea las tasas de error en la revisión. Los informes muestran al cliente qué prompts están en uso, su precisión y el rendimiento de sus salidas.
Por dónde empezar esta semana
Elige diez productos de una categoría y exporta sus atributos. Escribe un prompt estructurado usando los seis elementos anteriores, ejecútalo y revisa cada salida contra los datos. Anota cada error y agrega una restricción para él. Después de dos o tres rondas, tendrás una plantilla probada lista para el resto de esa categoría.
Sigue leyendo: Agencia de Marketing AI · Marketing AI