Descrição de produto com IA: como gerar sem inventar ficha técnica

Em fevereiro de 2026, um lojista do Shopify percebeu que o assistente de IA da plataforma (Sidekick/Magic) tinha inventado códigos de SKU alfanuméricos que não existiam, ignorado palavras-chave proibidas em SEO e trocado o idioma da descrição sem nenhuma instrução para isso. O suporte confirmou: não havia configuração para impedir a ferramenta de inventar dado. O lojista revisou mais de 80 produtos à mão para desfazer o estrago.

O caso não é exceção. É o comportamento normal de um modelo de linguagem quando falta informação: ele não pergunta, não deixa em branco, preenche com algo plausível. Numa conversa isso é inofensivo. Numa ficha técnica publicada, vira medida errada, material errado, compatibilidade que não existe, e o cliente só descobre a diferença quando o produto chega errado na porta.

Por que a IA inventa ficha técnica

Um modelo de linguagem gera texto prevendo a palavra mais provável a seguir, com base em padrões de treino. Ele não consulta a ficha real do seu produto, a menos que você entregue esse dado no próprio prompt. Quando falta informação, o modelo não erra de forma visível: ele produz uma frase coerente, bem escrita e vazia de fato, do tipo “tecido macio com toque premium” a partir de uma nota vaga e uma foto. O texto fica melhor. O dado fica pior.

Isso pesa mais em categorias técnicas (eletrônicos, ferramentas, autopeças) do que em moda, porque especificação exata importa mais para essas categorias e o modelo tem menos contexto confiável para preencher a lacuna sem inventar.

Os campos que nunca podem sair da cabeça da IA

Nem todo campo tem o mesmo risco. Cinco concentram quase todo o problema:

Arraste para ver a tabela completa.

O padrão que se repete nesses cinco campos: quando o dado de origem está incompleto, a saída mais segura é deixar o campo em branco ou mandar para revisão, nunca pedir para a IA “completar”.

O workflow que evita a alucinação

Como gerar sem inventar

• Alimente o prompt só com os atributos já confirmados do produto: a IA reescreve, não completa
• Instrua explicitamente o que ela não pode fazer: 'não invente medida, material, compatibilidade ou item incluso'
• Extraia toda alegação numérica ou factual do texto gerado numa lista separada
• Confira cada alegação da lista contra a ficha original ou o dado do fornecedor, uma a uma
• Releia caçando linguagem de hedge ('pode', 'projetado para', 'até'): geralmente indica um dado que o modelo não tinha e disfarçou
• Se um campo de risco está vazio na fonte, a publicação para automaticamente e vai para revisão humana

Fazendo isso em escala, não produto por produto

O ganho de tempo real aparece quando o processo roda em lote, não anúncio por anúncio. O caminho: uma planilha com os atributos confirmados de cada SKU, um formato fixo de saída (título, descrição curta, bullets, descrição longa, meta description) e uma chamada em lote a um modelo como Claude, ChatGPT ou Gemini, pedindo a resposta nesse formato estruturado. O custo de processamento fica na casa de centavos por produto, porque a geração em si é barata.

O que não é barato, e é onde o processo trava quando alguém tenta atalho, é manter a planilha de origem limpa e completa antes da geração. Nenhum formato de saída bonito resolve ficha técnica incompleta na entrada. É a mesma lógica de qualquer bom catálogo de marketplace: dado organizado primeiro, automação depois.

Depois da geração em lote, roda uma validação automática que barra a importação de qualquer produto com campo de risco vazio ou com número fora do intervalo esperado da categoria, antes de qualquer revisão humana. Isso reduz o trabalho manual ao que realmente precisa de julgamento: os casos sinalizados, não o catálogo inteiro.

A responsabilidade não muda porque foi a IA que escreveu

No Brasil, o artigo 37 do Código de Defesa do Consumidor proíbe publicidade enganosa sobre característica do produto, e essa regra não pergunta quem digitou o texto: a responsabilidade é sempre da loja que publicou. Uma ficha técnica errada gerada por IA tem o mesmo peso jurídico de uma ficha errada escrita por uma pessoa.

Nos Estados Unidos, esse princípio virou regra explícita: em julho de 2026 entrou em vigor a exigência da FTC de que conteúdo gerado por IA em contexto de consumo seja tratado com o mesmo padrão de veracidade de qualquer alegação publicitária, com multa por violação em descrição de produto com especificação inventada. O Brasil não tem uma lei específica de IA para isso, porque não precisa: o CDC já cobre o resultado, não a ferramenta usada para chegar nele.

Existe ainda um efeito mais imediato que o jurídico: o Google Merchant Center já avisa que informação de produto incorreta ou incompleta pode impedir o anúncio de aparecer no Shopping. Ficha errada não derruba só a confiança do cliente. Derruba a visibilidade antes mesmo de alguém clicar.

Vale fechar o ciclo: uma ficha técnica gerada certa, sem invenção, é exatamente o que os agentes de compra avaliam para recomendar o seu produto, como detalhamos em como a IA escolhe seu produto. Gerar rápido não compensa se o dado gerado tira o produto da recomendação por inconsistência.

Como a YAV trata isso na prática

A YAV usa e desenvolve IA para acelerar cadastro e descrição de catálogo, e a regra interna é a mesma deste guia: a IA reescreve o que já é fato, nunca inventa o que falta. Quando um campo de risco não está confirmado na origem, o produto não publica sozinho.

Para o lojista, o ganho de velocidade da IA só vira ganho de verdade quando o dado de origem está limpo. Escalar geração de descrição em cima de ficha incompleta não economiza tempo: transfere o trabalho para o time de atendimento, na forma de devolução e reclamação.