Hector AI e le schede prodotto Initpc: dati puliti, testi controllati

La scheda prodotto è la pagina più numerosa di un e-commerce e la più trascurata. Su un catalogo come quello di Initpc — cancelleria, ufficio, informatica, scuola e regalo, oggi oltre 280.000 referenze — è il punto in cui il cliente decide e in cui Google decide se quella pagina merita l'indice. Quando le schede sono copie del listino del fornitore, entrambe le decisioni vanno male.

Qui raccontiamo come abbiamo usato Hector AI, la nostra piattaforma di intelligenza artificiale, per riscrivere il catalogo partendo dai dati e non dai testi: normalizzazione degli attributi, generazione controllata di titoli e descrizioni, verifiche prima della pubblicazione e attenzione al rischio della generazione massiva: migliaia di pagine sottili che un motore di ricerca impara a ignorare.

È un tassello dell'architettura completa del progetto Initpc: i dati arrivano dal gestionale, e gli attributi distillati sono destinati a diventare campi della ricerca.

Il punto di partenza: schede povere, incoerenti e duplicate

Quando abbiamo affrontato il problema il catalogo contava circa 160.000 prodotti, importati da più fornitori e magazzini. Ogni fornitore descrive gli articoli a modo suo: il colore nel titolo o in un campo a parte, il formato in sigle, la confezione da intuire dal prezzo. La stessa penna, da più listini, arriva con titoli diversi e descrizioni che dicono le stesse cose in ordine diverso.

Sul sito il risultato era prevedibile: schede povere (titolo del listino, una riga, nulla su compatibilità o uso), schede incoerenti (stessa famiglia, strutture diverse) e schede duplicate, identiche a quelle del fornitore e quindi a decine di altri negozi.

Scriverle a mano non era un'opzione, e nemmeno riscrivere "solo" le più importanti: il valore di un catalogo così sta nella coda lunga, negli articoli cercati con il codice o con la caratteristica precisa. Lì una scheda scritta bene porta una visita qualificata, e una scheda copiata non porta nulla.

Comprare i testi o costruire la pipeline

La prima strada valutata è stata la più ovvia: generare le schede con le API dei servizi AI commerciali. Abbiamo fatto i conti sul catalogo reale, passaggio per passaggio, e la stima ha superato i 30.000 € di sola spesa in API — da ripagare a ogni rigenerazione.

Abbiamo scelto la strada opposta: costruire la pipeline in casa su Hector AI, che gira sulla nostra infrastruttura con modelli open source sotto il nostro controllo. Il costo diventa quello dell'energia e dei server, che già gestiamo; il catalogo — prezzi, fornitori, margini — non lascia il perimetro dell'azienda; e un lotto si rilancia tutte le volte che serve. Come lavora Hector AI lo raccontiamo nella pagina dedicata: qui ci interessa il metodo.

Prima i dati, poi le parole

L'errore più comune nei progetti di AI per le schede prodotto è chiedere al modello una descrizione partendo da un titolo disordinato. Il modello scrive, con sicurezza, e riempie i vuoti con ciò che gli sembra plausibile. Per questo la prima fase non genera testo: normalizza.

Normalizzazione

Hector AI legge titoli, descrizioni e campi grezzi e li riporta a una forma uniforme: unità di misura coerenti, sigle sciolte, maiuscole e punteggiatura pulite, codici allineati al gestionale. Si affianca a quello che il gestionale fa sui listini dei fornitori per prezzi e disponibilità, con un obiettivo diverso: lì si normalizza per vendere, qui per descrivere.

Distillazione degli attributi

Dal testo normalizzato Hector AI estrae gli attributi che contano per quella categoria e li scrive in campi strutturati: marca, formato, colore, tipo e quantità della confezione, materiale, compatibilità (la stampante per una cartuccia, il modello per una custodia), destinazione d'uso. Ogni attributo conserva la fonte, così un controllo successivo può risalire al punto del listino che lo giustifica.

È il vero patrimonio del progetto: i testi si rigenerano, gli attributi puliti servono a schede, filtri, feed per i marketplace e ricerca.

Generazione e controlli

Solo a questo punto entra la generazione, con un contesto ricco: attributi distillati, categoria, prodotti simili, regole editoriali. Per ogni scheda Hector AI produce un titolo secondo uno schema per categoria (marca, tipo, caratteristica distintiva, formato o confezione); una descrizione che parte dagli attributi verificati e li lega all'uso reale, senza aggiungere nulla che non risulti dai dati; una struttura HTML coerente — introduzione, elenco delle caratteristiche, note su compatibilità e confezione — uguale per tutta la famiglia; un keywording semantico, cioè le espressioni con cui quel prodotto viene cercato davvero, usate per collegare la scheda alla categoria e al brand.

Servono descrizioni esatte, complete e diverse da quelle del fornitore, e nessuna scheda va online senza queste verifiche:

• Validazione degli attributi contro il gestionale. Ogni attributo citato nel testo viene confrontato con i dati del gestionale: se la descrizione indica una confezione diversa da quella conosciuta, la scheda si ferma.
• Controllo dei duplicati. Titoli e descrizioni vengono confrontati fra loro e con i testi dei fornitori; le schede troppo simili vengono rigenerate o accorpate.
• Regole di blocco. Espressioni vietate (superlativi, promesse, prezzi o disponibilità che cambiano), lunghezze minime e massime per campo, struttura HTML obbligatoria.
• Campionamento umano. Da ogni lotto una parte delle schede viene letta da una persona, soprattutto nelle categorie tecniche dove un errore di compatibilità costa un reso; se emerge un difetto sistematico, il lotto intero torna indietro.

Il rischio della generazione massiva e come lo abbiamo contenuto

Generare decine di migliaia di pagine in poco tempo è esattamente ciò che i motori di ricerca hanno imparato a penalizzare, e con ragione: la maggior parte dei cataloghi "arricchiti con l'AI" è fatta di testi intercambiabili. Abbiamo trattato il rischio come un requisito di progetto, non come un effetto collaterale.

Rischio della generazione massiva	Controllo applicato
Contenuto sottile: descrizioni lunghe ma vuote, uguali fra prodotti diversi	Generazione dagli attributi distillati; soglia minima di informazione, non di caratteri
Contenuto duplicato rispetto ai fornitori e ad altri negozi	Confronto con i testi originali del listino; rigenerazione delle schede troppo vicine
Allucinazioni su caratteristiche tecniche (compatibilità, formati, quantità)	Validazione di ogni attributo contro il gestionale; scheda bloccata se un dato non trova riscontro
Penalizzazioni per pubblicazione improvvisa di massa	Pubblicazione a lotti per categoria, osservando l'indicizzazione prima del lotto successivo
Sforzo disperso sulle categorie a basso valore	Priorità alle categorie con più margine, più ricerche e più coda lunga

I lotti meritano una nota: siamo partiti dalle categorie con più valore commerciale, abbiamo osservato come Google le riprendeva in scansione e in indice, e solo dopo siamo passati alle successive, correggendo le regole sulle prime famiglie prima di applicarle alle altre.

Cosa è cambiato

Il segnale è arrivato in fretta: in poche settimane dal primo lotto abbiamo osservato un aumento rilevante di visibilità organica e traffico sulle categorie riscritte. Non pubblichiamo percentuali: un numero senza contesto stagionale e commerciale dice poco.

Le pagine di categoria e di brand nella coda lunga — prima scansionate ma non indicizzate — hanno cominciato a comparire per ricerche precise, con il codice del prodotto o con la caratteristica tecnica. Le schede con attributi completi si sono agganciate alle query di compatibilità, che per cartucce, toner e accessori sono il modo principale in cui le persone cercano, e i titoli coerenti hanno reso leggibili i risultati fra più varianti dello stesso articolo.

Dove stiamo andando: ricerca e Hector AI commerciale

Gli attributi distillati non si fermano alle schede. La ricerca di Initpc oggi si appoggia a Elasticsearch tramite ElasticPress; il nuovo motore proprietario che stiamo sviluppando userà marca, formato, colore, confezione e compatibilità come campi dell'indice e criteri di ranking, così che chi cerca le cartucce per un modello trovi i prodotti compatibili e non quelli che lo citano per caso. Questa integrazione è in sviluppo, non in produzione.

Nello stesso cantiere c'è Hector AI commerciale con operatore umano nel ciclo: un assistente che aiuta il cliente a scegliere fra prodotti simili, propone alternative quando un articolo manca e passa la conversazione a una persona quando la richiesta esce dal catalogo. Anche questo è in sviluppo, non in produzione.

È il percorso che proponiamo nelle nostre soluzioni AI per il retail e l'e-commerce: prima i dati, poi i testi, poi i servizi costruiti sui dati. È la parte del case study Initpc più trasferibile ad altri cataloghi.