Toda tienda online con más de mil referencias tiene el mismo problema sin resolver: cientos o miles de fichas con la descripción que envió el fabricante —idéntica a la de otros veinte competidores— y categorías sin una sola línea de texto propio. Nadie lo arregla porque escribirlo a mano cuesta un año de trabajo, y encargarlo fuera cuesta más que el margen que dejan esos productos.
Los agentes de IA han cambiado esa ecuación, pero han abierto otra: publicar miles de textos generados sin control es la forma más rápida de perder el tráfico que ya tenías. Este artículo explica dónde está la línea y cómo se monta un proceso que la respeta.
Qué penaliza Google exactamente (y qué no)
Conviene desmontar el mito de entrada: Google no penaliza el uso de IA. Su política de scaled content abuse —abuso de contenido a escala— se aplica igual si las páginas las generó un modelo, un becario, un scraper o una plantilla. Lo que persigue es la creación masiva de páginas cuyo propósito principal es manipular el ranking en lugar de ayudar a alguien.
- Miles de textos publicados sin que nadie los lea antes
- Contenido que repite el mismo esqueleto cambiando la keyword
- Descripciones que no aportan un dato que no esté ya en el título
- Páginas creadas para posicionar combinaciones que nadie busca
- Datos inventados: medidas, composiciones o certificaciones
- Fichas con atributos reales y verificados del producto
- Textos de categoría que responden a la duda de compra
- Contenido diferenciado producto a producto, no plantilla rellenada
- Un humano que revisa, corrige y se hace responsable
- Utilidad comprobable: el cliente resuelve algo leyéndolo
La pregunta que se hace el buscador no es «¿usaron IA?». Es «¿esto es útil, original y fiable?». Un catálogo de 20.000 fichas puede aprobar ese examen; 20.000 refritos del mismo párrafo, no.
Un pipeline de agentes no es «pedírselo a ChatGPT»
La diferencia entre un experimento y un sistema de producción está en todo lo que rodea a la generación. Un pipeline serio tiene seis fases, y solo una de ellas es escribir.
Antes de generar nada, el sistema reúne lo que ya sabe de esa entidad: atributos, categoría, marca, precio, productos hermanos, opiniones. Un texto escrito sobre datos verificados no inventa, porque no necesita rellenar huecos.
Cada tipo de contenido —ficha, categoría, meta description— tiene su propio agente, con sus reglas de longitud, tono y estructura. El prompt incorpora los datos anteriores y las restricciones de marca; no es una instrucción genérica repetida 5.000 veces.
Una meta description de 150 caracteres no necesita el modelo más caro; un texto de categoría estratégica sí. Poder elegir proveedor y modelo por tarea es la diferencia entre un coste asumible y una factura incómoda.
La respuesta se analiza y se valida: longitudes, campos obligatorios, ausencia de promesas prohibidas, formato correcto. Lo que no pasa la validación no llega a la cola de publicación, vuelve a generarse.
Antes de publicar: densidad razonable, presencia de la keyword objetivo, duplicidad frente al resto del catálogo, encabezados coherentes. Es el filtro que evita publicar 300 textos con el mismo primer párrafo.
Nada se publica en caliente. El contenido entra en una cola donde se revisa por muestreo, se corrige y se aprueba por tandas. Y todo queda registrado: qué agente lo generó, con qué modelo y quién lo aprobó.
Cuánto cuesta esto de verdad
La pregunta que siempre llega en la segunda reunión. La respuesta es que se puede calcular con bastante precisión antes de lanzar el proceso: se conoce el número de entidades, el tamaño medio del prompt, el tamaño esperado de la salida y el precio por millón de tokens de cada modelo.
- Estimación previa del coste del lote completo, antes de ejecutarlo
- Coste real acumulado por ejecución, no una tarifa plana opaca
- Elección de modelo por tarea, para no pagar razonamiento donde sobra
- Procesamiento en cola con reintentos, para que un fallo de API no tire el lote
- Trazabilidad: qué se generó, cuándo, con qué versión del prompt
Con esos números sobre la mesa, la comparación deja de ser «IA sí o IA no» y pasa a ser una decisión de inversión normal: qué cuesta cubrir las 2.000 fichas que hoy no tienen texto propio frente a lo que aportan en tráfico y conversión. Es el mismo cálculo que hacemos al valorar cualquier proyecto de IA aplicada al ecommerce.
El enlazado interno: donde más se gana y más se rompe
Generar texto es la parte fácil. La que mueve posiciones es el enlazado interno: que la ficha enlace a su categoría con un texto ancla razonable, que la categoría enlace a la guía de compra y que la guía devuelva tráfico a la categoría. Hacerlo a mano en un catálogo grande es inviable; hacerlo automático sin criterio es peor que no hacerlo.
Dos reglas que evitan el desastre: candidatos antes que inserciones —el sistema propone destinos relevantes y solo enlaza los que superan un umbral de relación— y variedad de anclas, porque 400 enlaces con el mismo texto exacto es un patrón artificial evidente. Si vas a trabajar la arquitectura, el artículo sobre categorías de producto explica dónde deben apuntar esos enlaces.
Lo que no debe generar un agente, nunca
Hay contenido donde el coste de un error no lo compensa ningún ahorro:
- Datos que no están en tu sistema. Si la composición o las medidas no constan en la ficha, el modelo las completará con lo que le parezca plausible.
- Afirmaciones reguladas. Propiedades saludables en cosmética o alimentación, compatibilidades técnicas y certificaciones.
- Precios, descuentos y disponibilidad. Cambian cada hora y están sujetos a normativa: ahí manda el cálculo del precio anterior, no un texto.
- Opiniones y valoraciones. Inventar reseñas no es un problema de SEO, es una infracción.
Cómo saber si ha servido de algo
La métrica que no vale es «hemos publicado 3.000 descripciones». Lo que hay que montar es una comparación honesta: elige dos grupos equivalentes de productos, aplica el contenido nuevo solo a uno y mira a ocho semanas las impresiones, la posición media y la conversión de cada grupo.
Añade una segunda lectura que cada vez pesa más: si tu contenido responde preguntas concretas con datos verificables, empieza a aparecer citado en las respuestas de los asistentes de IA. Es un canal nuevo, se mide distinto y es el terreno de la visibilidad en IA generativa.
Preguntas frecuentes
¿Google penaliza el contenido generado con IA?
No por usar IA. Su política de contenido a escala se aplica igual si las páginas las generó un modelo, una persona o una plantilla: lo que persigue es publicar en masa páginas cuyo propósito principal es manipular el ranking en lugar de aportar utilidad.
¿Es seguro usar IA para descripciones de producto?
Sí, con un proceso humano en el circuito: la IA genera un primer borrador sobre datos verificados y una persona lo revisa, lo ajusta al tono de marca y comprueba los datos. Publicar cientos de textos sin revisar es lo que se marca como baja calidad.
¿Qué fases tiene un pipeline de contenido con agentes?
Recuperación de datos reales de la entidad, construcción del prompt con contexto, generación con el modelo adecuado a la tarea, validación estructurada de la salida, auditoría SEO automática y cola de revisión antes de publicar.
¿Cuánto cuesta generar contenido para miles de productos?
Se puede estimar antes de ejecutar: número de entidades, tamaño del prompt, longitud esperada de la salida y precio por millón de tokens del modelo elegido. Exige a cualquier herramienta estimación previa y coste real acumulado por ejecución.
¿Qué contenido no debe generar nunca un agente?
Datos que no constan en tu sistema (medidas, composiciones), afirmaciones reguladas como propiedades saludables o certificaciones, precios y disponibilidad, y por supuesto opiniones o reseñas: inventarlas no es un problema de SEO, es una infracción.
¿Cómo se mide si el contenido generado ha servido?
Con dos grupos equivalentes de productos: se aplica el contenido nuevo solo a uno y se comparan impresiones, posición media y conversión a ocho semanas. Publicar 3.000 textos no es una métrica.
Resumen
Generar contenido de catálogo con agentes es hoy la aplicación de IA con mejor relación coste-impacto en un ecommerce grande — a condición de que exista un proceso alrededor: datos reales, validación, auditoría, cola de revisión y una persona que firme lo que se publica.
En Kadevia hemos construido este pipeline para catálogos reales, con estimación de coste previa, auditoría SEO y cola de aprobación. Si tu problema es más de arquitectura que de volumen, empieza por la consultoría: generar texto sobre una estructura mal planteada solo multiplica el problema.
