IA para descrições de produto em catálogos com milhares de fichas, sem conteúdo lixo

Uma loja com trezentos produtos pode dar-se ao luxo de ter alguém a escrever cada ficha à mão. Uma com oito mil, não. O habitual em catálogos grandes é uma mistura de descrições do fornecedor, fichas vazias e umas poucas trabalhadas com cuidado. A inteligência artificial muda essas contas: o que antes eram meses de redação agora são dias. O problema é que também pode produzir oito mil textos que dizem o mesmo com outras palavras, e isso não vende nem posiciona.

Este artigo não é sobre se a IA escreve bem, mas sobre como organizar o trabalho para que o resultado sirva quando o catálogo é grande.

O problema não é a IA, é o que lhe dá

Um modelo de linguagem redige a partir do que recebe. Se só lhe passar o nome do produto, vai preencher com generalidades: «design moderno», «alta qualidade», «ideal para o dia a dia». São frases que podiam estar em qualquer ficha e, por isso, não acrescentam nada ao cliente nem a um motor de pesquisa.

A qualidade do texto depende quase por completo dos dados de partida:

• Características reais: medidas, materiais, compatibilidades, composição, potência, capacidade.
• Contexto de utilização: para quem é, em que situação se usa, com que se combina.
• Diferenças dentro da família: o que distingue este modelo do que está ao lado.
• Perguntas que os clientes já lhe fazem por telefone, e-mail ou chat.
• Restrições: o que não se pode dizer (alegações de saúde, promessas de resultados, comparações com marcas).

Antes de gerar seja o que for, veja o que tem. Se as características estão vazias, a primeira tarefa é preenchê-las, não redigir. Um EAN bem introduzido permite consultar bases de dados públicas de produtos; uma tabela de especificações do fornecedor pode converter-se em características do PrestaShop. Com isso, a IA tem algo concreto para contar.

Defina prioridades: nem todas as fichas merecem o mesmo

Com milhares de produtos, tratar tudo por igual é a forma mais rápida de gastar tempo e dinheiro em API sem resultado. Divida o catálogo em três grupos:

1. Os que vendem ou recebem visitas. Costumam ser uma parte pequena do catálogo. Aqui vale a pena uma descrição completa, revista por alguém que conheça o produto, com perguntas frequentes e benefícios claros.
2. Os que têm pesquisas mas não convertem. Aparecem no Google com impressões e poucos cliques, ou recebem visitas que se vão embora. São os que mais ganham com uma ficha melhor.
3. A cauda longa. Peças de substituição, tamanhos, referências muito técnicas. Uma descrição correta gerada com boas características e uma revisão por amostragem costuma bastar.

Os dados para fazer esta divisão já os tem: vendas no PrestaShop, visitas na sua ferramenta de análise e impressões e cliques na Search Console.

Modelos por família, não uma instrução para tudo

Uma única instrução («escreve uma descrição de 200 palavras») aplicada a todo o catálogo produz fichas com a mesma estrutura e o mesmo tom, seja qual for o produto. Funciona melhor um modelo por família ou categoria:

• Nas peças de substituição, o que importa é a compatibilidade, a referência original e como confirmar que é a peça certa.
• Na moda, o tecido, o corte, como veste e como se lava.
• Na alimentação, origem, formato, conservação e alergénios, que além disso têm obrigações legais próprias.
• No equipamento técnico, especificações, utilização recomendada e o que inclui a caixa.

Cada modelo deve indicar a estrutura, o tom da sua marca, a extensão aproximada e, sobretudo, que dados usar e o que não inventar. Uma frase como «se um dado não estiver na informação fornecida, não o menciones» evita boa parte dos erros.

Trabalhar por lotes, com rascunhos

Gerar milhares de textos e publicá-los diretamente é a receita para o desastre. O fluxo que funciona é este:

1. Lote de teste de vinte ou trinta produtos da mesma família.
2. Revisão completa desse lote: dados corretos, tom, repetições, frases vazias. Ajuste o modelo com o que observar.
3. Lote grande em rascunho: os textos ficam guardados sem substituir ainda os atuais.
4. Revisão por amostragem, comparando o antes e o depois. Se numa amostra aparecerem erros, corrige-se o modelo e gera-se de novo o lote, não ficha a ficha.
5. Publicação e registo da data, para poder medir.

Trabalhar em segundo plano, com uma fila e uma tarefa agendada, evita bloquear o back office e os cortes por tempo de execução que surgem ao processar centenas de produtos num único pedido. E guardar um histórico de cada alteração permite voltar atrás se um lote correr mal.

O que rever em cada amostra

• Dados: medidas, materiais e compatibilidades coincidem com a realidade?
• Diferenciação: se ler seguidas três fichas da mesma família, distinguem-se?
• Frases de enchimento: «qualidade excecional», «não o vai deixar indiferente». Fora.
• Alegações proibidas ou arriscadas: saúde, segurança, resultados garantidos.
• Coerência com a ficha: que o texto não contradiga as características nem o preço.
• Idiomas: se traduzir, que as unidades, os tamanhos e as expressões estejam adaptados ao país.

O que o Google penaliza não é a IA

O Google disse publicamente que não lhe interessa como um conteúdo foi produzido, mas sim se é útil. O que combate é a geração de páginas em massa com o objetivo principal de manipular resultados, sem valor para quem as lê. Para uma loja, a diferença é prática: uma ficha gerada com IA a partir de dados reais e revista ajuda o comprador; mil fichas com o mesmo texto trocado de ordem não ajudam ninguém, tenham sido escritas por uma máquina ou por uma pessoa.

Também não espere que reescrever descrições mexa no tráfego de um dia para o outro. Meça por grupos de produtos e em períodos de várias semanas: impressões, cliques, taxa de conversão da ficha e devoluções por «não é o que esperava».

Um pormenor técnico: loja atualizada

Processar o catálogo em massa mexe em muitas tabelas ao mesmo tempo e depende de tarefas agendadas, ligações à API do fornecedor de IA e versões recentes de PHP. Em lojas com PrestaShop ou PHP muito antigos, as ferramentas atuais muitas vezes não se conseguem instalar, e o que se poupa em redação perde-se em remendos. Ter a loja atualizada faz parte do projeto.

Como resolver no PrestaShop

Easy AI Magic Catalog Suite trabalha dentro do back office com a sua própria chave da OpenAI, Gemini, Claude, DeepSeek, Mistral ou Cohere. O seu AI Mass Processor coloca produtos, categorias ou páginas CMS numa fila que é processada em segundo plano com uma tarefa agendada, e gera os textos como rascunhos: compara o antes e o depois e só então os aplica, com histórico para restaurar. O AI Product Enrichment procura dados por EAN, UPC ou ISBN em bases públicas, o AI Features extrai especificações das descrições e converte-as em características, e o AI Premium Bullets e o AI FAQs completam a ficha. Se o problema é que os produtos novos demoram a entrar, o AI Catalog Flow cria o produto a partir do telemóvel com uma fotografia, com as suas categorias, imagens e combinações, e aplica os valores predefinidos que definir.