Si tu tienda Shopify lleva años creciendo a base de añadir productos, lo más probable es que tengas un problema de variantes que no estás viendo. Lo ven tus clientes (en sus devoluciones), lo verán los agentes de IA en cuanto consulten tu catálogo, y lo nota tu equipo cada vez que intenta limpiar el panel y se asusta.

Una variante mal configurada no es un detalle cosmético. Es una decisión que se propaga: confunde al usuario en la ficha, sesga las analíticas, ensucia el feed de Google Shopping, complica las integraciones con ERP y, ahora también, hace que un asistente de IA prefiera recomendar otro producto. Aquí están los siete patrones que vemos en casi cualquier auditoría.

1. Tallas mal nombradas o con criterios mezclados

El más común. En un producto la talla es «M», en otro «Mediana», en otro «38-40», en otro «2». Un humano más o menos infiere. Un sistema automático no.

Recomendación: un vocabulario controlado por tipo de producto. Camisetas, una nomenclatura. Pantalones, otra. Zapatos, otra. Lo importante no es cuál elijas; es que sea consistente y que esté declarado en los metafields o en una guía de tallas que el catálogo pueda referenciar.

2. Colores con nombres inconsistentes

«Azul marino», «navy», «marino oscuro», «azul noche». Cuatro fichas, cuatro colores, mismo Pantone. Resultado: tu propio buscador interno no entiende que son el mismo color. Y un asistente de IA, al comparar productos azules, los trata como entidades distintas.

Solución: una paleta cerrada de colores normalizados. Si necesitas tres niveles de detalle («azul» / «azul marino» / «navy specific»), defínelos y úsalos en todos los productos. Idealmente con un metafield de color tipado.

3. Packs mezclados con unidades sueltas

Un mismo producto «Botella de aceite 500ml» tiene como variantes «1 unidad», «pack de 3», «pack de 6», «pack de 12». Mientras que otro producto «Aceite premium» tiene productos separados para cada formato.

Esto rompe la coherencia del catálogo. Para un agente, la pregunta «¿qué packs hay disponibles?» da resultados completamente diferentes según el producto.

Decisión recomendada: una sola lógica para toda la tienda. O packs como variantes, o packs como productos. Mezclar las dos es la peor opción.

4. Productos duplicados con variantes invisibles

«Camiseta XYZ» y «Camiseta XYZ V2», una en azul y otra en rojo, dos productos diferentes en el admin, dos URLs distintas. En realidad son el mismo producto con dos colores que alguien decidió subir como productos separados hace años.

Impacto:

• Canibalización SEO entre las dos URLs.
• Reviews divididas (que individualmente parecen pocas).
• Inventario partido y difícil de leer.
• Un asistente que pregunta «¿qué colores hay?» va a contestar mal.

Auditoría: revisar productos con títulos casi idénticos, fusionar como variantes del mismo producto, redirigir las URLs huérfanas con 301. Es un trabajo molesto, pero el retorno SEO suele ser claro y rápido.

5. Variantes que deberían ser productos separados

El espejo del anterior. Una «camiseta de algodón» y una «camiseta de poliéster reciclado» con la misma forma se presentan como variantes del mismo producto. El usuario, al comparar, no sabe cuál mirar porque la ficha mezcla los dos materiales.

Para un agente de IA es peor: si pregunta «camisetas de poliéster reciclado», la variante específica puede no aparecer como producto relevante porque el sistema indexa el producto «camiseta», no la variante.

Regla práctica: si dos «variantes» tienen descripciones, beneficios o públicos diferentes, son productos diferentes. Variantes son diferencias menores (talla, color); productos son diferencias sustanciales (material, función, target).

6. Atributos importantes escondidos en texto libre

«Compatible con inducción» metido en mitad de la descripción. «Apto para celíacos» en una nota al final. «Resistente al agua hasta 50 metros» entre paréntesis.

Esa información, si está solo en texto libre, no se puede usar para filtrar, comparar ni recomendar de forma fiable. Un humano puede leer. Un agente puede leer también, pero no tiene la garantía de que esa pieza esté siempre, en el mismo formato, en todos los productos comparables.

Solución: cualquier atributo que un usuario pueda usar como criterio de filtro o comparación tiene que estar en un metafield estructurado, no solo en la descripción.

7. Variantes sin precio, sin stock, sin SKU o sin imagen propia

Variantes con campos vacíos generan errores en el feed de Google Shopping, fallos en integraciones con ERP, fichas que parecen rotas en mobile y datos inconsistentes que un asistente interpreta como «producto poco fiable» y descarta.

Auditoría rápida que vale la pena: exportar el catálogo como CSV, ordenar por SKU vacío, precio vacío, stock vacío o imagen ausente. Lo que aparezca arriba es lo primero a limpiar.

El efecto compuesto sobre la IA

Cada uno de estos siete patrones, por separado, parece menor. El problema es que se suman. Un catálogo con variantes ambiguas, colores inconsistentes, packs mezclados y atributos escondidos en texto libre es un catálogo que, desde el punto de vista de un agente, transmite ruido. Y entre dos productos comparables, el agente recomienda al que transmite información más clara.

No es un castigo. Es la lógica de un sistema que tiene que comparar opciones bajo incertidumbre. Quien aporta más certeza, gana.

Cómo abordar la limpieza

El error habitual es intentar arreglar todo a la vez. La forma que funciona es:

1. Inventario del problema. Cuántos productos tienen cada uno de los 7 patrones. Una hoja con números reales.
2. Priorización por impacto. Top de ventas y top de margen primero. Productos zombi se eliminan, no se limpian.
3. Plantilla de variante limpia por categoría. Camisetas se limpian con una regla, cafeteras con otra.
4. Lotes semanales pequeños y verificables. Mejor 30 productos bien limpios cada semana que 4.000 a medias.
5. Validación con un agente. Después de limpiar, preguntar a un asistente conectado al catálogo si entiende la diferencia entre productos similares. Si la respuesta mejora, vas bien.

Si quieres saber cómo está tu catálogo

Esto es exactamente lo primero que miramos en una auditoría de catálogo Shopify para IA: cuántos de estos siete patrones tienes, en qué proporción y qué productos críticos están afectados.

Solicitar auditoría.