Cómo entrenar un chatbot con tu catálogo de productos

Cómo entrenar un chatbot con tu catálogo es la pregunta que llega justo después de contratar uno: el proveedor promete que "aprende de tu tienda", pero nadie explica qué hay que darle exactamente para que eso sea cierto.

La palabra "entrenar" confunde más de lo que aclara. La mayoría de los agentes de IA para ecommerce no se reentrenan como un modelo desde cero: leen tu catálogo en el momento de responder, y la calidad de esa lectura depende de cómo esté organizado el dato de origen.

Con esa distinción clara, el trabajo real no es "enseñarle" al chatbot, es dejar el catálogo en un estado que un agente pueda leer bien.

Cómo entrenar un chatbot con tu catálogo: lo que de verdad hace falta

Entrenar un chatbot con tu catálogo consiste, en la mayoría de los agentes actuales, en conectarlo a un feed de producto completo y actualizado —nombre, variantes, stock, atributos, política de devolución— para que el modelo lo consulte en cada respuesta, no en volcarle miles de conversaciones de ejemplo. Un catálogo con fichas incompletas produce respuestas incompletas, entrenamiento aparte.

Tres cosas que un catálogo necesita antes de conectar cualquier chatbot

• Atributos consistentes. Si la talla se llama "S" en unos productos y "Small" en otros, el agente no siempre relaciona ambos como la misma variante.
• Stock en tiempo real, no una foto de ayer. Un feed que se actualiza cada hora produce respuestas que confirman disponibilidad real, no una suposición desactualizada.
• Política de devolución y envío como dato, no como texto perdido en una página aparte. Si esa información no está estructurada, el chatbot no la encuentra cuando alguien la pregunta.

El Shopify Changelog documenta bien cómo evoluciona esta parte técnica: cada mejora en la API de producto amplía lo que un agente puede leer sin depender de una copia manual del catálogo.

Por qué el catálogo importa más que el modelo

Es tentador pensar que un modelo de lenguaje más potente compensa un catálogo desordenado. No es así: si la ficha de un producto no dice el material o la talla disponible, ningún modelo puede inventar ese dato sin arriesgarse a decir algo falso.

Esta idea conecta con cómo funciona por debajo la mayoría de los agentes actuales: el modelo no memoriza el catálogo, lo consulta en el momento —una técnica que en círculos técnicos se llama RAG— y responde solo con lo que encuentra ahí.

El Hugging Face Blog explica bien, en términos accesibles, por qué esa consulta en el momento reduce el riesgo de que el chatbot invente un dato que no existe en el catálogo.

La diferencia entre un bot de reglas fijas y un agente que razona sobre tu catálogo explica también por qué dos chatbots conectados al mismo catálogo pueden dar respuestas de calidad muy distinta según cómo lean ese dato.

Qué pasa si conectas el chatbot antes de limpiar el catálogo

Conectar primero y ordenar después parece más rápido, pero suele salir caro en las primeras semanas: el agente empieza a responder con seguridad datos que en realidad están mal etiquetados, y nadie detecta el error hasta que un cliente se queja de una talla o un plazo de envío equivocado.

Esa seguridad aparente es el riesgo real. Un chatbot que dice "no lo sé" cuando el dato falta genera menos confianza a corto plazo, pero un chatbot que inventa con la misma seguridad cuesta devoluciones y reseñas negativas que sí dejan huella.

Por eso conviene invertir el orden habitual: primero una revisión rápida de los campos del catálogo, después la conexión del chatbot, no al revés.

Lo que vemos entrenando agentes con catálogos reales: dato propio de Paideia

En Paideia conectamos agentes de IA a catálogos reales de tiendas online, y con esa muestra —limitada a nuestra propia cartera, sin pretender que sea la norma universal del sector— hemos ido llegando a una idea clara.

La mejora que más baja las escaladas a una persona no es cambiar de modelo de lenguaje, es limpiar tres o cuatro campos del catálogo que estaban incompletos o mal etiquetados.

Cuando esos campos quedan consistentes, el agente empieza a responder bien preguntas que antes derivaba sin necesidad, aunque el catálogo en sí no haya crecido.

Qué hacer esta semana

Antes de exigirle nada al chatbot, revisa diez fichas de producto al azar y comprueba si talla, stock y política de devolución están en campos estructurados o repartidos en texto libre.

Si vendes en WooCommerce, hay algunas comprobaciones específicas de esa plataforma que conviene mirar antes de conectar cualquier plugin de chat, porque el mismo problema de catálogo desordenado se repite ahí con más frecuencia de la que parece.

Esa limpieza previa, no el proveedor que elijas, es lo que más determina si el chatbot responde bien desde el primer día.

Fuentes: evolución de la API de producto documentada en el Shopify Changelog (shopify.dev/changelog) y explicación accesible de cómo un agente consulta el catálogo en el momento de responder (RAG) en el Hugging Face Blog (huggingface.co/blog). El dato sobre qué mejora más las escaladas procede de la operación de los agentes de Paideia, anonimizado y agregado.