Generación de Descripciones de Producto en Masa con ChatGPT

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 30-60 minutos tendras:

✓ Prompt principal listo para producción
✓ Plantilla de salida CSV/JSON para integración PIM
✓ Checklist de control de calidad y localización

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Fichero CSV o tabla con atributos por referencia (SKU, nombre base, categoría, materiales, tallas/colores, precio).

Obligatorio Acceso a una cuenta de ChatGPT con capacidad de procesamiento en lote y API o interfaz que permita ejecuciones repetidas.

Recomendado Catálogo de estilo de marca con tono, palabras preferidas y terminología prohibida.

Recomendado Sistema PIM o CMS con capacidad para importar CSV/JSON y asignar metadatos SEO.

Transferencia internacional de datos: ChatGPT procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

TextilCentro SA, sector retail moda — el problema real

Cada temporada TextilCentro introduce cerca de 1.000 referencias nuevas. El equipo de marketing no puede redactar descripciones coherentes y optimizadas a tiempo, lo que retrasa la publicación en tiendas online y marketplaces.

Con ChatGPT y el prompt de este tutorial, puede resolver este reto en 30-60 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

ChatGPT
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: ChatGPT maneja plantillas y patrones lingüísticos eficientemente, permite parametrizar tono y longitud, y puede producir salidas estructuradas compatibles con sistemas PIM. Su capacidad para adaptar texto a reglas estilísticas y formatos exportables lo hace idóneo para volumen y consistencia.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Necesitas publicar cientos o miles de referencias con fechas límite estacionales Tienes un CSV con atributos limpios y normalizados Buscas variaciones de tono y localización rápida para varios mercados	Cuando requieres descripciones legales o certificadas sujetas a regulación estricta sin revisión humana Si los datos de producto están incompletos o no estandarizados Si cada descripción requiere aprobación legal o técnica individual

Paso 01

Preparar y normalizar los datos de producto

Recolecte todas las referencias a procesar en un CSV estandarizado. Normalizar evita errores en la generación y acelera la integración con el PIM.

1
Consolidar el CSV maestro Incluya columnas mínimas: SKU, nombre base, categoría, materiales, talla/variantes, precio, imagen principal, y atributos clave. Esto facilita que el modelo use datos consistentes para cada descripción.
2
Estandarizar valores Unifique nombres de categorías y formatos (por ejemplo, 'S' en vez de 'Small'). Las variaciones inconsistentes generan descripciones erráticas.
3
Incluir ejemplos de referencia Adjunte 3-5 ejemplos de descripciones correctas según su guía de estilo. El modelo aprende el patrón y reproduce el tono y la estructura deseada.

Checkpoint: CSV con todas las columnas requeridas y ejemplos de descripciones; valores normalizados y sin celdas vacías críticas.

Paso 02

Diseñar plantillas y taxonomía

Defina la estructura objetivo para cada descripción: short, medium, long, bullets, SEO y metadatos. Esto garantiza salidas uniformes y listas para publicación.

1
Definir longitudes y elementos Establezca longitudes meta: short (50-80 caracteres), medium (120-160), long (150-250). Determine bullets con beneficios y especificaciones técnicas por prioridad.
2
Mapear atributos a la taxonomía Cree reglas para traducir atributos a etiquetas y categorías PIM (p. ej. 'Algodón 100%' -> material: Algodón). Esto reduce necesidad de post-procesado manual.
3
Crear reglas de exclusión y cumplimiento Defina términos prohibidos, reclamaciones de salud o comparativas. El prompt debe referirse a estas reglas para evitar riesgos legales.

Checkpoint: Documento con plantillas de salida, taxonomía mapeada y reglas de cumplimiento listas para integrarse en el prompt.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[COMPANY_NAME]Nombre de la empresa o marca que debe aparecer en títulos y metadatos.

[BRAND_TONE]Tono de comunicación (ej.: 'cercano y dinámico', 'formal y técnico', 'lujoso y aspiracional').

[PRODUCTS_CSV]Contenido CSV con columnas mínimas (sku,name,category,material,color,size,price,image_url,atributos...).

Prompt principal — Descripciones de producto en masa Eres un redactor ejecutivo experto en e-commerce y SEO. A partir del siguiente archivo CSV con filas de producto, genera para cada fila una salida estructurada y lista para importar en el PIM. Responde en JSON con un array 'products' donde cada objeto contiene las claves: sku, category, short_description (50-80 chars), medium_description (120-160 chars), long_description (150-250 chars), bullets (lista de 3-6 beneficios en orden de prioridad), seo_title (hasta 60 chars), meta_description (150-160 chars), tags (lista corta), technical_specs (mapa clave:valor), price (num), currency, suggested_alt_text, internal_notes, confidence_score (0-100). Reglas y requisitos: 1) Respeta el tono indicado: [BRAND_TONE]. 2) Extrae y prioriza beneficios comerciales antes de especificaciones técnicas. 3) No uses comparativas con marcas específicas ni afirmaciones terapéuticas. 4) Incluye al menos 3 keywords principales derivadas del nombre y la categoría para SEO. 5) Para campos multi-idioma, genera sólo [LANGUAGE] en esta ejecución. 6) Produce una línea CSV final (cabecera + filas) destinada a importación directa si añadimos 'export_csv': true. Entrada: [PRODUCTS_CSV] (CSV con columnas: sku, name, category, material, color, size, price, image_url, attribute_1...). Formato de salida: JSON estricto (sin explicaciones) con 'products' y 'export_csv'. Además, añade al final un 'quality_report' con: total_processed, items_flagged (lista de SKUs con datos incompletos), avg_confidence, warnings (lista). Si algún registro tiene datos insuficientes para crear la descripción (ej. falta nombre o categoría), incluye el SKU en items_flagged y genera internal_notes indicando la falta. Sé conciso, evita texto redundante y prioriza la usabilidad para ingesta automática. Ejemplo breve de salida esperada en la estructura JSON solicitada: {"products":[{"sku":"123","short_description":"Zapato deportivo ligero para entrenamiento","medium_description":"Zapato deportivo ligero y transpirable, ideal para entrenamiento diario...","long_description":"Zapato deportivo con suela amortiguada, tejido transpirable...","bullets":["Ligero","Transpirable","Suela anti-deslizante"],"seo_title":"Zapato deportivo transpirable - [BRAND]","meta_description":"Zapato deportivo transpirable y ligero ideal para entrenamientos. Disponible en tallas...","tags":["deporte","entrenamiento"],"technical_specs":{"material":"malla","peso":"240g"},"price":49.99,"currency":"EUR","suggested_alt_text":"Zapato deportivo azul vista lateral","internal_notes":"", "confidence_score":92}], "export_csv": true, "quality_report":{}}. Rellena todas las salidas con la máxima precisión posible y adapta el lenguaje al público objetivo de venta B2C. [COMPANY_NAME] es la marca que debe aparecer cuando convenga en títulos y meta.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Validación, iteración y publicación

Implemente controles de calidad automáticos y muestreos manuales antes de importar al PIM. Itere según métricas de conversión y feedback del equipo de producto.

1
Realizar QA automatizado Ejecute comprobaciones automáticas: longitud de texto, cumplimiento de términos prohibidos, consistencia de tallas y presencia de SKU en cada registro.
2
Muestrear manualmente y ajustar prompts Revise una muestra representativa (1-2%) por categoría y ajuste el prompt o plantillas según hallazgos antes de lanzamiento masivo.

Checkpoint: CSV/JSON final validado listo para importación; KPI iniciales establecidos (ej. tasa de publicación, errores por lote).

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Genera versiones más específicas de las descripciones para estos SKUs: [SKU_LIST]. Añade detalles únicos basados en material, construcción y uso. Mantén el tono [BRAND_TONE] y limita medium_description a 140-160 caracteres."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Reescribe las descripciones para estos SKUs: [SKU_LIST] ajustando el nivel de detalle a 'alto' o 'bajo': [NIVEL]. Si 'alto', añade 2 frases técnicas adicionales; si 'bajo', produce sólo short_description y bullets."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe las descripciones para estos SKUs: [SKU_LIST] cambiando el tono actual a: [NUEVO_TONO]. Conserva keywords SEO y longitudes previstas."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera un resumen ejecutivo (máx. 150 palabras) que describa el enfoque, beneficios medibles (tiempo ahorrado, coste estimado), riesgos y plan de despliegue para la generación masiva de descripciones iniciando con estos SKUs: [SKU_SAMPLE]."

Resultado

Que vas a obtener

Este es el tipo de output que genera ChatGPT con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — TextilCentro SA, sector retail moda

Estructura del output

El prompt produce JSON con un array 'products' para integración automática, más un 'quality_report'. Cada producto incluye campos específicos: SKU, descripciones en 3 longitudes, bullets, SEO y specs. Además se genera 'export_csv' listo para importación.

Senales de un buen output

Todas las entradas del CSV se han procesado sin filas marcadas
Los SEO titles y meta descriptions respetan las longitudes objetivo
Las bullets destacan beneficios comerciales antes que especificaciones técnicas
El confidence_score promedio es superior a 80

Senal de que el output es bueno: Porcentaje alto de registros sin 'items_flagged' y confidence_score promedio >= 80

Costes

Inversion y retorno

35$ ChatGPT Empresa / mes

0.5-2 min por referencia Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: El ROI directo proviene de reducir el tiempo de redacción por referencia de horas a minutos, acelerando la publicación estacional y aumentando ingresos por disponibilidad a tiempo. A medio plazo, la coherencia y SEO optimizado mejoran la conversión y reducen costes de revisión manual.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Respuestas con campos vacíos o 'null' en el JSON	Faltan datos en columnas clave del CSV (ej. name o category)	Verificar y rellenar las columnas obligatorias en el CSV; reejecutar el prompt solo con registros completados.
Descripciones con terminología incorrecta de producto	Inconsistencia en la taxonomía o valores libres en atributos	Estandarizar la taxonomía antes de ejecutar y añadir una tabla de mapeo al prompt para normalización.
Tono inconsistente entre productos	No se especificó o se proporcionó un ejemplo insuficiente de guía de estilo	Incluir 3-5 ejemplos por categoría en el input y declarar claramente [BRAND_TONE] en el prompt.
Longitudes de meta_description o seo_title fuera de rango	Reglas de longitud no forzadas en el prompt o tokenización imprevista	Añadir instrucción explícita con límites numéricos y validar en el QA automatizado; pedir reescritura solo de esos campos si es necesario.
Alt text genérico o no descriptivo para imágenes	Falta de datos contextuales sobre la imagen o de directrices en el prompt	Proveer image_url y una columna 'image_context' con uso esperado; solicitar alt_text que incluya color y vista (ej. 'vista lateral').

Modo avanzado

Como hacer este tutorial con ChatGPT en modo avanzado

Utilice el modo agente de ChatGPT (capacidad de ejecutar múltiples pasos, acceder a documentos y llamar a herramientas) para automatizar la ingesta, generación, validación y exportación. Configure tareas encadenadas: transformar CSV, ejecutar el prompt por lotes, aplicar reglas de QA y exportar al formato final.

Modo avanzado

Flujo de trabajo avanzado

1
Cargar el CSV maestro y normalizar valores automáticamente
2
Ejecutar el prompt principal por lotes y recolectar salidas JSON
3
Aplicar reglas de QA automáticas (longitudes, términos prohibidos, campos vacíos)
4
Exportar a CSV/JSON y enviar notificaciones al equipo de publicación

Actúa como un agente de producción para generación masiva de descripciones de producto. Paso 1: descarga y normaliza el CSV proporcionado en [PRODUCTS_CSV] (unifica categorías, tallas y formato de precio). Paso 2: divide el archivo en lotes de 250 filas y ejecuta para cada lote el prompt de generación principal (usar [COMPANY_NAME] y [BRAND_TONE]). Paso 3: tras cada lote, ejecuta validaciones: verificar longitudes SEO, ausencia de términos prohibidos, campos obligatorios no vacíos; marcar SKUs problemáticos. Paso 4: compilar todos los resultados en un único JSON y generar export_csv=true con cabecera listos para PIM. Paso 5: producir un informe final 'quality_report' y un resumen ejecutivo con métricas (tiempo total, % items_flagged, avg_confidence). Entrega: JSON estructurado + CSV exportable + informe.

Cuando usar el modo avanzado en este tutorial: Es especialmente valioso cuando se procesan decenas de miles de SKUs, se requiere integración automática con pipelines CI/CD o se necesita ejecutar validaciones complejas y reintentos automáticos.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · ChatGPT

Explorar mas tutoriales de ChatGPT

Descubre otros casos de uso de ChatGPT para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Integra la salida con tu PIM mediante una importación controlada por lotes y realiza pruebas A/B con variantes de bullets y meta_descriptions en un subconjunto para optimizar conversión antes del despliegue total.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere