Respuesta breve
Una hoja de trabajo para comparar la ficha visible, los datos estructurados, el feed de productos y la política de devoluciones antes de evaluar respuestas de compra con IA.
La respuesta depende de una variante y un mercado concretos
¿Puede un asistente de IA decir con precisión si una chaqueta está disponible en talla M y si se puede devolver? La afirmación genérica de que el catálogo está «preparado para IA» no resuelve esa pregunta. Importan el color y la talla exactos, el país de entrega, el instante en que se consultó el inventario y las condiciones aplicables. Esta guía propone un método para propietarios de tiendas, responsables de catálogo y equipos de desarrollo. No presenta una auditoría efectuada a VITON13 ni a otro minorista: no se analizaron SKU reales para escribirla y tampoco se midieron respuestas de plataformas de IA. Antes de probar un asistente hay que saber qué hechos controla y publica el propio comercio.
El trabajo compara cuatro superficies: la ficha que ve una persona, los datos estructurados renderizados, la fila exportada del feed comercial y la política que el comprador puede leer. El resultado es un registro de discrepancias, no una puntuación universal de visibilidad. Shopify describe su propia infraestructura de comercio agéntico como una forma de trasladar información de catálogo a experiencias conectadas y verificar opciones, precio e inventario durante la compra. Eso explica su ecosistema, no demuestra que todos los asistentes consulten el mismo feed ni una versión actualizada al segundo. Una respuesta de chatbot debe registrarse como observación aparte, nunca como prueba de que las cuatro fuentes originales son correctas.
Muestrea variantes, no solo productos padre
Define una muestra pequeña con situaciones que puedan fallar de distintas maneras: una talla básica disponible, otra agotada, un color con imagen propia, un precio rebajado y una prenda con una excepción de devolución. Anota fecha, zona horaria, país, moneda, canal y combinación exacta de talla y color. Fija la regla de selección antes de ver los resultados; de otro modo es fácil excluir sin querer los artículos incómodos. Cinco variantes sirven para enseñar la hoja de trabajo, pero no permiten calcular la tasa de errores de todo un catálogo. Si hay almacenes o catálogos por país, esos contextos deben mantenerse separados.
Imaginemos la fila DEMO-COAT / negro / M / entrega en Francia. DEMO-COAT es un identificador inventado para enseñar el método; no representa un artículo ni un hallazgo. Asigna a esa fila el identificador interno de la variante, la URL que conserva la selección y el ID comunicado a cada canal. Puede ocurrir que el producto padre exista mientras que la combinación negro-M esté agotada. Recomendar el padre no respondería entonces a la pregunta de la persona. Escribe la consulta íntegra en la hoja: «¿Puedo pedir hoy el negro M para Francia y cuánto cuesta devolverlo?». Después comprueba disponibilidad y devolución por separado, citando la fuente de cada cláusula.
Guarda lo que una persona ve en la ficha del producto
Abre la ficha en una sesión nueva, elige la variante y espera a que la interfaz termine de actualizarse. Registra la etiqueta de talla, medidas y unidades, orientación sobre ajuste, fotografía elegida, precio vigente con moneda, mensaje de stock, estado del botón de compra, destino de entrega y enlace de devolución. Repite la observación en un teléfono si el selector o la política desaparecen en un ancho pequeño. Conserva la URL y una captura con hora: un valor correcto en la base interna no sustituye lo que se promete en pantalla. La letra M puede representar medidas del cuerpo, de la prenda o solo un código; si la tabla no lo aclara, existe una ambigüedad aunque el feed repita correctamente la letra.
Avanza hasta el carrito sin completar una compra. ¿Se conservan color y talla? ¿Puede seleccionarse una combinación agotada después de recargar? ¿Está el enlace de devoluciones junto al producto o escondido en el pie general? Si aparece el reclamo «devolución gratis», comprueba a qué país y categoría se aplica. Son preguntas para un examen real, no acusaciones contra una tienda concreta. La página visible es el punto de referencia humano y ayuda a descubrir casos en los que un JSON-LD técnicamente válido describe una oferta distinta de la que se puede adquirir. También permite distinguir un problema de interfaz de otro de sincronización.
Relaciona cada variante con el marcado renderizado
Inspecciona el HTML que recibiría un rastreador, no solo el componente fuente del repositorio. La documentación de Google sobre variantes explica cómo ProductGroup puede reunir Product mediante variesBy, hasVariant y productGroupID; también contempla implementaciones en una página o en varias. Localiza el nodo del artículo elegido y coteja SKU, talla, color, imagen y URL de Offer con la selección visible. Comprueba priceCurrency, precio y availability. Abre directamente la URL de la variante para ver si recupera la combinación esperada. Un Offer genérico del producto padre puede parecer suficiente en una prueba superficial y, sin embargo, no resolver la pregunta sobre el negro M.
Utiliza Rich Results Test de Google para examinar sintaxis y requisitos de la función correspondiente, y luego compara los hechos manualmente. Pasar esa prueba no demuestra que una tabla de medidas sea exacta, que el stock esté actualizado o que una IA ajena haya leído el marcado. Google también documenta la representación de devoluciones en Organization y, para excepciones, en Offer. Si una política común está declarada a nivel de empresa, el producto no debe inventar otro plazo salvo que exista una excepción real. Guarda el JSON-LD renderizado y el resultado de la herramienta con fecha y hora. Así otra persona podrá reproducir el conflicto sin depender de una captura aislada.
Concilia las filas del feed con la ficha
Exporta las filas del feed correspondientes a los mismos IDs de variante y al mismo mercado. La especificación de Google Merchant Center distingue el ID del artículo y el item_group_id que agrupa variantes; describe campos de talla, tipo y sistema de talla cuando proceden, además de precio, disponibilidad y enlace de destino. Compara el tamaño y color de la fila con el selector, y el grupo con el producto padre. Averigua si el enlace abre la talla elegida o vuelve a una selección predeterminada distinta. En artículos cuyo precio o inventario cambia con frecuencia, anota cuándo se generó y procesó el feed junto a la hora de la página. Una demora de actualización también puede afectar al comprador, aunque la solución sea técnica y no editorial.
No conviertas el feed de Google en un supuesto formato universal de todas las plataformas. Los requisitos de Merchant Center varían por categoría y país, y otros canales pueden tener campos o ritmos de actualización propios. La especificación de Google pide coherencia entre disponibilidad de feed, página de destino, compra y datos estructurados. El artículo de Shopify describe su catálogo y las experiencias de IA conectadas a él; no prueba que un feed independiente de Google sea consumido por cada asistente conversacional. La hoja necesita columnas distintas para sistema de origen, valor exportado y valor observado. Esa separación evita confundir una exportación limpia con una experiencia de compra correcta.
Lee la política completa, no solo un sello de devolución
Abre desde el producto la página de devoluciones aplicable al país de destino. Extrae el plazo y desde qué acontecimiento empieza a contar, el estado exigido de la prenda, exclusiones, gastos de envío, forma del reembolso y pasos que debe seguir la persona. Investiga si una rebaja, un artículo personalizado o una categoría sensible por higiene tiene otra regla. El sello «30 días para devolver» no basta si omite país, condiciones o costes. Esta metodología comprueba la coherencia de contenidos y no constituye asesoramiento jurídico; el responsable legal o de políticas del comercio debe aprobar el texto operativo para cada mercado.
Compara ese texto con el marcado y los ajustes de devolución de Merchant Center. Google Search Central describe MerchantReturnPolicy en Organization para políticas generales y en Offer cuando una oferta requiere una excepción; entre sus campos figuran applicableCountry, merchantReturnDays y returnFees. El marcado puede ayudar a ciertos sistemas a interpretar condiciones declaradas, pero no sustituye todas las cláusulas de una política ni certifica cómo actuará un almacén. Volvamos únicamente al ejemplo inventado DEMO-COAT: supongamos que la página promete 30 días desde la entrega y una configuración del feed indica 14. Anota un conflicto hipotético para que lo revise quien gobierna la política; no elijas automáticamente la cifra más atractiva para una respuesta de IA.
Convierte los conflictos en reparaciones comprobables
Crea un registro con una fila por afirmación: ID de variante, mercado, tipo de dato, valor visible, valor del marcado, feed, política, hora de captura, URL fuente, persona responsable y estado. Prioriza según el perjuicio posible para el cliente, no según el departamento que produjo el dato. Una disponibilidad o un coste de devolución incorrectos para la talla elegida exigen atención rápida; una diferencia cosmética en el nombre de un color puede esperar si no altera lo que se compra. Para el abrigo imaginario negro-M, la respuesta provisional prudente es «no se ha podido confirmar la disponibilidad o la devolución» hasta conciliar las fuentes. Este ejemplo no atribuye un defecto a ningún vendedor real.
Una vez corregido el origen, actualiza página y feed, vuelve a abrir la URL exacta y repite la consulta en las superficies de IA que la tienda realmente utilice. Guarda pregunta, respuesta, fecha, ubicación o mercado y enlaces probatorios. Un acierto aislado no equivale a una tasa estable de exactitud: un asistente puede recuperar otra fuente, conservar un dato antiguo o negarse a responder. Define antes de probar un criterio de aceptación: precio y posibilidad de compra deben coincidir en las propias superficies del comercio, toda afirmación de devolución debe remontarse a un texto aprobado y cada conflicto sin resolver debe tener propietario. La auditoría deja una fuente corregida y un control repetible, no una garantía de cita, posicionamiento o recomendación por parte de una IA.
Lista práctica
- Selecciona de antemano variantes concretas de talla y color, con fecha, mercado y criterio de muestreo.
- Guarda la talla, el precio, la disponibilidad y el enlace de devolución que ve un comprador tras elegir cada variante.
- Compara el Product o ProductGroup renderizado con la variante y su Offer.
- Exporta las filas correspondientes del feed y coteja identificadores, talla, precio, stock y URL de destino.
- Lee las condiciones de devolución para el país elegido, registra las discrepancias y asigna una persona responsable.
Preguntas frecuentes
¿Demuestra un Product válido que la IA citará la talla correcta?
No. Un validador comprueba la interpretación técnica del marcado según sus propias reglas. No verifica medidas reales, la calidad de la tabla de tallas, cambios de inventario ni qué documento recuperó otro asistente cuando respondió.
¿Necesita cada combinación de talla y color una página independiente?
No necesariamente. Google documenta variantes en una sola página y en páginas separadas. La auditoría exige una identidad estable y valores coherentes de URL, oferta y disponibilidad para cada combinación publicada.
¿Qué política de devoluciones debe compararse?
La que se aplica realmente al artículo, país de entrega y canal de compra elegidos. Revisa por separado el texto visible, el marcado a nivel de organización u oferta y la configuración de Merchant Center; no presupongas sincronización.
¿Puede un feed corregir una tabla de tallas equivocada?
No. El atributo de talla transmite una etiqueta, pero no convierte en fiable una guía de ajuste incorrecta. Corrige primero el registro y la explicación para personas, y después reconcilia las exportaciones.
¿Cuándo se puede dar por superada la auditoría?
Cuando las afirmaciones muestreadas coinciden en una fecha registrada, las excepciones tienen una fuente aprobada y cada conflicto pendiente posee responsable. El resultado no promete posicionamiento, citas ni respuestas perfectas en todas las plataformas de IA.