Schede prodotto con AI: generare descrizioni in massa

Il collo di bottiglia che frena il tuo catalogo online

Ogni e-commerce manager di una PMI italiana conosce la scena: un foglio Excel con 1.500 righe, ciascuna corrispondente a un prodotto che ha bisogno di una descrizione. Le prime trenta le scrivi con cura, le successive cento le accorci, le restanti 1.370 restano vuote o copiate dal fornitore. Non è pigrizia. È aritmetica: se ogni scheda richiede 20 minuti di lavoro tra ricerca, scrittura e formattazione, un catalogo di 1.500 prodotti richiede 500 ore, ovvero oltre tre mesi di lavoro a tempo pieno per una sola persona.

Il risultato lo vedi ogni giorno nei cataloghi online italiani. Schede con due righe generiche (“prodotto di alta qualità, ideale per ogni esigenza”), descrizioni identiche a quelle di cinque concorrenti perché copiate dallo stesso distributore, oppure campi completamente vuoti. Secondo i dati Baymard Institute 2025, il 20% degli acquisti online falliti dipende da informazioni di prodotto insufficienti o poco chiare. Non si tratta solo di un problema estetico: è fatturato perso.

L’intelligenza artificiale non elimina il lavoro di catalogazione. Ma trasforma un compito che richiedeva settimane in uno che richiede giorni, con un livello di qualità base enormemente superiore al copia-incolla. La differenza sta nel metodo: non si tratta di chiedere a ChatGPT di “scrivere una descrizione” per ogni singolo prodotto, ma di costruire un sistema ripetibile che scala su centinaia o migliaia di referenze mantenendo coerenza, accuratezza e ottimizzazione SEO.

Perché la generazione massiva richiede un approccio diverso

Scrivere una singola scheda prodotto con l’AI è semplice. Generarne mille in modo efficace è un problema di ingegneria di processo. Le differenze sono sostanziali e chi le ignora finisce con un catalogo che sembra scritto da dieci persone diverse in giorni diversi — perché, nella sostanza, è esattamente quello che succede quando si lavora prompt per prompt senza una struttura.

Il problema della coerenza

Quando generi descrizioni una alla volta, ogni output è influenzato dal contesto della conversazione in quel momento. Il modello di linguaggio non ha memoria di quello che ha scritto per il prodotto precedente. Il risultato: la scheda numero 47 usa un tono tecnico e asciutto, la numero 48 diventa improvvisamente colloquiale, la numero 49 introduce un formato diverso per le specifiche. Un cliente che confronta tre prodotti nella stessa sessione di navigazione percepisce subito questa incoerenza, e la fiducia nel brand ne risente.

Il problema della ripetitività

Paradossalmente, mentre le singole descrizioni sono incoerenti tra loro, all’interno della stessa sessione di generazione il modello tende a ripetersi. Le stesse frasi di apertura, le stesse formule (“ideale per chi cerca”, “perfetto per ogni esigenza”), gli stessi schemi sintattici. Dopo il trentesimo prodotto nella stessa sessione, le descrizioni iniziano a suonare tutte uguali. È il cosiddetto effetto “fatica del modello”: non è un termine tecnico ufficiale, ma descrive bene quello che succede nella pratica.

Il problema della verificabilità

Con un singolo prodotto, verifichi le specifiche a occhio. Con mille prodotti, hai bisogno di un sistema. Se il prompt dice “portata massima 500 kg” ma il dato corretto è 300 kg, il modello scriverà 500 kg senza battere ciglio. Moltiplicato per centinaia di schede, il rischio di pubblicare informazioni errate diventa significativo.

L’architettura del processo: cinque componenti che lavorano insieme

La generazione massiva efficace non è un singolo prompt ripetuto mille volte. È un sistema composto da cinque componenti interconnessi. Saltarne uno significa ottenere risultati mediocri; integrarli tutti significa produrre un catalogo che regge il confronto con quello scritto da un team di copywriter dedicato.

Componente 1: la base dati strutturata

Tutto parte dai dati. Prima di toccare qualsiasi strumento di AI, devi avere un foglio (Excel, Google Sheets, o un export dal gestionale) con colonne chiare per ogni prodotto:

• SKU o codice interno: l’identificativo univoco.
• Nome prodotto: come vuoi che appaia nel catalogo.
• Categoria e sottocategoria: per raggruppare i prodotti in famiglie.
• Specifiche tecniche: dimensioni, peso, materiali, capacità, certificazioni.
• Keyword SEO principale: la query di ricerca che vuoi intercettare.
• Differenziatori: cosa rende questo prodotto diverso dalle alternative.
• Note commerciali: per chi è pensato, quale problema risolve, perché i clienti lo scelgono.
• Prezzo indicativo o fascia: utile per calibrare il tono (un prodotto premium merita un linguaggio diverso da uno entry-level).

La qualità delle descrizioni generate sarà direttamente proporzionale alla qualità di questa base dati. Un prodotto con solo nome e codice produrrà una descrizione generica e potenzialmente inventata. Un prodotto con specifiche complete, note commerciali e keyword mirata produrrà una descrizione utilizzabile quasi senza modifiche.

Se la tua azienda sta muovendo i primi passi nell’e-commerce con AI, la guida per iniziare a vendere online con l’intelligenza artificiale ti aiuta a costruire le fondamenta giuste prima di affrontare la generazione massiva.

Componente 2: il template di prompt per famiglia

Non esiste un prompt universale che funzioni per tutti i prodotti. Esiste un prompt per famiglia di prodotto, calibrato sulle caratteristiche specifiche di quella categoria.

Esempio: prompt template per una famiglia di prodotti tecnici B2B

Sei un copywriter tecnico specializzato nel settore [SETTORE].
Scrivi la descrizione per la scheda prodotto del nostro catalogo online B2B.

PRODOTTO:
- Nome: {nome_prodotto}
- Codice: {sku}
- Categoria: {categoria}
- Specifiche: {specifiche_tecniche}
- Applicazioni: {applicazioni}
- Differenziatori: {differenziatori}
- Keyword SEO: {keyword}

FORMATO RICHIESTO:
1. Paragrafo di apertura (2-3 frasi): spiega a cosa serve il prodotto
   e per quale tipo di utilizzatore è pensato.
   Includi la keyword "{keyword}" in modo naturale.
2. Elenco puntato (4-6 punti): caratteristiche tecniche principali,
   ciascuna con il beneficio pratico associato.
3. Paragrafo di chiusura (2-3 frasi): applicazioni tipiche e motivo
   per scegliere questo prodotto.

REGOLE:
- Lunghezza totale: 150-250 parole.
- Non inventare specifiche non presenti nell'input.
- Non usare superlativi assoluti ("il migliore", "insuperabile").
- Tono: tecnico ma accessibile, professionale senza essere freddo.
- Non ripetere la keyword più di 2 volte nel testo.

Esempio: prompt template per una famiglia B2C lifestyle

Sei un copywriter per e-commerce B2C nel settore [SETTORE].
Scrivi la descrizione per {nome_prodotto}, destinata a {target_cliente}.

DATI PRODOTTO:
- Caratteristiche: {specifiche}
- Beneficio principale: {beneficio}
- Keyword: {keyword}

STILE:
- Apri con il beneficio per il cliente, non con le specifiche.
- Descrivi l'esperienza d'uso, non solo le caratteristiche.
- Tono: caldo, diretto, come il consiglio di un amico esperto.
- Lunghezza: 120-200 parole.
- Includi "{keyword}" naturalmente nel primo paragrafo.

La differenza tra B2B e B2C non è solo stilistica. Nel B2B il cliente cerca compatibilità, certificazioni e affidabilità. Nel B2C cerca benefici, esperienza e conferma emotiva della scelta. Se vuoi approfondire come costruire prompt efficaci per il tuo contesto aziendale, il metodo RICOF per il prompt engineering fornisce una struttura che funziona anche per la generazione massiva.

Componente 3: la logica di raggruppamento e batching

Generare tutte le descrizioni in un’unica sessione è il modo più sicuro per ottenere risultati scadenti. Il metodo corretto prevede di lavorare a blocchi (batch) con accorgimenti specifici.

Regole pratiche per il batching:

• Blocchi da 15-25 prodotti: abbastanza grandi da essere efficienti, abbastanza piccoli da mantenere qualità.
• Un blocco per famiglia: tutti i bulloni insieme, tutti i tessuti insieme, tutti gli accessori insieme. Mai mescolare famiglie nello stesso batch.
• Variazione del prompt tra i blocchi: cambia leggermente la formulazione della richiesta (non le regole, ma le parole con cui le esprimi) per ridurre la ripetitività lessicale.
• Pausa tra i blocchi: se usi una chat, apri una nuova conversazione per ogni blocco. Se usi le API, ogni batch è una chiamata indipendente.

Il foglio di gestione dei batch:

Per un catalogo di 800 prodotti divisi in 12 famiglie, il foglio di lavoro potrebbe avere questa struttura:

Questo foglio sembra banale, ma è la differenza tra un progetto che si completa in sei settimane e uno che si arena dopo i primi tre giorni di entusiasmo.

Componente 4: il sistema di revisione scalabile

La revisione di mille descrizioni non può funzionare come la revisione di dieci. Serve un sistema a tre livelli che permetta di concentrare il tempo umano dove serve davvero.

Livello 1 — Controllo automatico (2 secondi per scheda)

Prima ancora della lettura umana, verifica in modo automatico o semi-automatico:

• La descrizione rispetta la lunghezza richiesta (150-250 parole)?
• La keyword principale compare nel testo?
• Il nome prodotto e il codice SKU corrispondono?
• Non ci sono frasi vietate (“il migliore”, “insuperabile”, “leader di mercato”)?

Questo filtro si può implementare con un semplice foglio di calcolo con formule, oppure chiedendo all’AI stessa di fare un controllo incrociato tra input e output.

Livello 2 — Revisione umana rapida (1-2 minuti per scheda)

Dopo il filtro automatico, un revisore umano legge ogni descrizione verificando:

• Le specifiche tecniche corrispondono ai dati reali?
• Il tono è coerente con le altre descrizioni della stessa famiglia?
• La descrizione risponde alla domanda principale che un cliente avrebbe su quel prodotto?
• Ci sono informazioni inventate dal modello?

Con un po’ di pratica, un revisore esperto del prodotto gestisce 30-40 schede all’ora a questo livello.

Livello 3 — Correzione e riscrittura (5-10 minuti per scheda)

Le descrizioni che non superano il livello 2 vengono corrette manualmente o rigenerate con un prompt arricchito di dati mancanti. In un processo ben strutturato, questa fascia rappresenta il 10-15% del totale.

Distribuzione tipica dei risultati con un buon prompt template:

Questi numeri migliorano nel tempo: man mano che il prompt template viene affinato con i feedback della revisione, la percentuale di “pubblica direttamente” sale progressivamente.

Componente 5: l’ottimizzazione SEO di sistema

L’ottimizzazione SEO di un catalogo con centinaia di prodotti non si fa scheda per scheda. Si fa per sistema, con regole applicate a tutto il catalogo e controlli incrociati per evitare problemi.

Il rischio principale: la cannibalizzazione

Se vendi 25 varianti dello stesso prodotto (colori diversi, taglie diverse, configurazioni diverse), 25 descrizioni simili si cannibalizzano sui motori di ricerca. Google non sa quale pagina mostrare e spesso non ne mostra nessuna.

La soluzione è una strategia di keyword per variante:

• Il prodotto base ha la keyword generica (“scarpa da trekking impermeabile”).
• Ogni variante ha una keyword specifica che include l’attributo differenziante (“scarpa da trekking impermeabile donna rossa”, “scarpa da trekking impermeabile uomo Gore-Tex”).
• Ogni descrizione enfatizza un aspetto diverso dell’uso o un beneficio diverso.

I meta tag in blocco:

Oltre alla descrizione, ogni scheda ha bisogno di title tag, meta description e alt text per le immagini. Generarli uno alla volta è inefficiente. Puoi chiedere all’AI di produrli in blocco:

Per ciascuno dei seguenti 20 prodotti, genera:
1. Title tag (massimo 60 caratteri): nome prodotto + keyword
2. Meta description (massimo 155 caratteri): beneficio principale + invito al click
3. Alt text immagine: descrizione visiva del prodotto con nome incluso

Prodotti:
[ELENCO CON NOME, KEYWORD E BENEFICIO PRINCIPALE]

Caso realistico: azienda di arredamento B2C con 2.100 referenze

Un’azienda di arredamento con 24 dipendenti e un e-commerce attivo da tre anni si trovava con un catalogo di 2.100 referenze. Il 70% aveva descrizioni copiate dai fornitori, identiche a quelle presenti su almeno altri quattro siti concorrenti. Il restante 30% aveva descrizioni scritte internamente ma in modo disomogeneo: alcune dettagliate e coinvolgenti, altre ridotte a due righe di specifiche tecniche.

Il team ha deciso di rifare l’intero catalogo partendo dalle sei famiglie a maggior fatturato (divani, tavoli, illuminazione, complementi, tessili, outdoor). Per ogni famiglia ha costruito un prompt template specifico, calibrato sul tipo di cliente e sulle domande ricorrenti ricevute dal customer service.

I numeri del progetto:

Il confronto con il metodo precedente: l’azienda stimava che riscrivere manualmente tutte le 2.100 descrizioni avrebbe richiesto circa 700 ore di lavoro di un copywriter senior, equivalenti a oltre quattro mesi a tempo pieno. Con il processo AI-assistito, il lavoro totale è stato di circa 160 ore distribuite su cinque settimane, inclusa la preparazione dei dati e la revisione.

I risultati dopo tre mesi dalla pubblicazione:

• Traffico organico sulle pagine prodotto: +31% rispetto al trimestre precedente.
• Tempo medio sulla pagina prodotto: da 48 secondi a 1 minuto e 22 secondi.
• Richieste di informazioni telefoniche su specifiche prodotto: -26%.
• Tasso di aggiunta al carrello: +18% sulle pagine con nuove descrizioni.

Il dato più significativo non era nei numeri di traffico, ma nel feedback del team commerciale: “Finalmente i clienti arrivano alle chiamate già informati, e noi possiamo concentrarci sulla vendita vera invece di ripetere le stesse specifiche.”

Gli errori che sabotano la generazione massiva

Dopo aver osservato decine di PMI affrontare la generazione massiva di contenuti per il catalogo, i pattern di fallimento sono ricorrenti e prevedibili.

Errore 1: partire senza una base dati pulita

Il prompt più sofisticato del mondo produce spazzatura se riceve in input dati incompleti o errati. Un’azienda che ha provato a generare 500 descrizioni partendo solo da nome prodotto e codice SKU ha ottenuto testi generici pieni di informazioni inventate. Il 60% è stato scartato completamente. Se avesse investito due giorni nella preparazione della base dati, avrebbe risparmiato una settimana di revisione e rigenerazione.

Errore 2: non testare il prompt prima di scalare

Generare subito tutte le descrizioni con il primo prompt che funziona “abbastanza bene” è una trappola. Il metodo corretto prevede un ciclo di calibrazione:

1. Genera 10 descrizioni di prova con il prompt template.
2. Fai revisionare da chi conosce i prodotti.
3. Raccogli i feedback: troppo lungo? Troppo tecnico? Manca qualcosa?
4. Modifica il prompt.
5. Genera altre 10 descrizioni e confronta.
6. Solo quando il tasso di “pubblica direttamente” supera il 40%, scala al resto del catalogo.

Errore 3: ignorare la manutenzione post-lancio

Un catalogo non è un progetto che si completa una volta e si dimentica. Nuovi prodotti arrivano, prezzi cambiano, specifiche vengono aggiornate, prodotti escono dalla gamma. Il sistema di generazione deve prevedere una procedura di manutenzione: ogni nuovo prodotto inserito a catalogo passa dallo stesso processo (base dati, generazione con template di famiglia, revisione, pubblicazione). Senza questa procedura, dopo sei mesi il catalogo torna a essere un mosaico di stili diversi.

Errore 4: trattare tutte le schede con la stessa priorità

Non tutti i prodotti meritano lo stesso investimento. I prodotti ad alto margine, quelli con maggior volume di ricerca e quelli che generano più richieste di supporto meritano descrizioni più curate, magari con una revisione di livello 3 anche se il testo generato era già buono. I prodotti a bassa rotazione possono accontentarsi di una descrizione funzionale che superi il livello 2.

Strumenti e costi: cosa serve davvero

Una delle domande più frequenti riguarda gli strumenti necessari. La buona notizia è che non servono piattaforme costose per iniziare.

Per cataloghi fino a 500 prodotti:

• Un foglio Google Sheets o Excel con i dati di partenza.
• Un abbonamento a ChatGPT Plus o Claude Pro (circa 20 euro al mese).
• Un processo manuale di copia-incolla dal foglio al prompt e viceversa.
• Tempo stimato: 2-3 settimane per un catalogo completo.

Per cataloghi da 500 a 5.000 prodotti:

• Lo stesso foglio dati, ma con una struttura più rigorosa.
• Le API di OpenAI, Anthropic o Google (costo variabile: 50-300 euro per l’intero catalogo, a seconda del modello e della lunghezza delle descrizioni).
• Uno script semplice (Python, Google Apps Script o un tool no-code come Make/Zapier) che automatizza l’invio dei dati al modello e raccoglie gli output.
• Tempo stimato: 3-5 settimane, inclusa la configurazione iniziale.

Per cataloghi oltre 5.000 prodotti:

• Un database strutturato al posto del foglio di calcolo.
• Un flusso automatizzato con API, code di elaborazione e gestione degli errori.
• Un sistema di revisione con dashboard per tracciare lo stato di ogni descrizione.
• Investimento in sviluppo o consulenza: variabile, ma giustificato dal volume.

In tutti i casi, il costo dell’AI per la generazione del testo è la voce meno significativa del budget. Il vero investimento è nel tempo umano per preparare i dati, revisionare gli output e gestire il processo. Per un approfondimento completo su come valutare i costi e il ritorno dell’AI nella tua azienda, consulta la guida al ROI dell’intelligenza artificiale per PMI.

Il flusso operativo giorno per giorno

Per rendere il processo concreto, ecco come potrebbe svolgersi la prima settimana di lavoro per un catalogo di 1.000 prodotti divisi in 8 famiglie.

Giorno 1-2: preparazione dati. Esporta dal gestionale tutti i dati disponibili. Completa i campi mancanti con le informazioni dai fornitori e le note del team commerciale. Organizza i prodotti per famiglia.

Giorno 3: calibrazione prompt. Per la prima famiglia (quella che conosci meglio), crea il prompt template. Genera 10 descrizioni di prova. Revisiona con il responsabile prodotto. Affina il prompt fino a raggiungere un tasso di accettazione soddisfacente.

Giorno 4-5: prima famiglia completa. Genera tutte le descrizioni della prima famiglia (ipotizziamo 120 prodotti, 6 batch da 20). Revisione di livello 1 automatica. Revisione di livello 2 umana. Correzione delle schede problematiche.

Giorno 6-7: seconda e terza famiglia. Replica il processo adattando il prompt template. A questo punto il ritmo aumenta perché hai già imparato cosa funziona e cosa no.

Giorno 8-10: pubblicazione primo blocco. Carica le descrizioni revisionate nel CMS o nella piattaforma e-commerce. Verifica la formattazione. Controlla che le keyword siano nel title tag e nella meta description.

Nelle settimane successive, il ritmo tipico è di una famiglia ogni 2-3 giorni, inclusa la revisione.

Multilingua: quando il catalogo parla più lingue

Molte PMI italiane che vendono all’estero hanno un problema aggiuntivo: il catalogo deve esistere in due, tre o più lingue. La traduzione manuale moltiplica i costi in modo lineare. La generazione con AI offre un’alternativa molto più efficiente.

Il metodo migliore non è tradurre le descrizioni italiane, ma generare direttamente nella lingua di destinazione partendo dagli stessi dati di base. I modelli di linguaggio attuali producono testi nativi in inglese, francese, tedesco e spagnolo con una qualità che supera la traduzione automatica tradizionale. Il prompt template resta lo stesso, con l’aggiunta di un’istruzione sulla lingua e, idealmente, sulle convenzioni del mercato di destinazione (unità di misura, certificazioni locali, aspettative del consumatore).

Un accorgimento importante: fai revisionare le descrizioni in lingua da qualcuno che conosce quel mercato, non solo la lingua. Una descrizione tecnicamente corretta in tedesco ma scritta con il tono sbagliato per il mercato DACH è comunque un’occasione persa.

Da singolo progetto a processo aziendale

La generazione massiva di descrizioni non dovrebbe restare un progetto una tantum. Le aziende che ne traggono il massimo valore la trasformano in un processo aziendale standard.

La procedura per i nuovi prodotti: ogni volta che un prodotto entra a catalogo, il responsabile compila la scheda dati nel foglio condiviso. La descrizione viene generata con il prompt template della famiglia di appartenenza, revisionata dal responsabile prodotto e pubblicata. Tempo totale per un singolo prodotto: 10-15 minuti, contro i 30-45 del metodo completamente manuale.

La revisione periodica: ogni trimestre, le descrizioni delle famiglie a maggior traffico vengono rivalutate. Le keyword sono ancora rilevanti? I dati tecnici sono aggiornati? Il tono è ancora coerente con l’evoluzione del brand? L’AI rende questa manutenzione praticabile anche su cataloghi grandi: puoi chiedere al modello di analizzare le descrizioni esistenti e suggerire aggiornamenti mirati.

L’archivio dei prompt: i prompt template che funzionano vengono documentati e salvati in un archivio condiviso. Quando un nuovo membro del team deve generare descrizioni, non riparte da zero: usa il template della famiglia e le regole di revisione già validate. Questo è uno dei vantaggi meno evidenti ma più duraturi del processo: trasforma la conoscenza implicita del team in un asset aziendale riutilizzabile.

Da dove partire: il piano per le prossime due settimane

Se il tuo catalogo ha centinaia di schede da migliorare o da scrivere da zero, non cercare di rifare tutto in una volta. Il piano che funziona è incrementale.

Settimana 1:

• Scegli la famiglia di prodotti più importante (per fatturato, per traffico o per volume di richieste al customer service).
• Prepara la base dati per quella famiglia: specifiche, keyword, note commerciali.
• Costruisci il prompt template e calibralo con 10 descrizioni di prova.
• Genera il primo batch completo, revisiona e pubblica.

Settimana 2:

• Misura i primi segnali: traffico sulle pagine aggiornate, tempo sulla pagina, feedback del team.
• Estendi alla seconda famiglia, affinando il processo sulla base di quanto hai imparato.
• Documenta il prompt template e le regole di revisione per rendere il processo replicabile.

In un mese puoi coprire le famiglie strategiche. In due mesi, con un ritmo costante, puoi completare un catalogo di 1.000-2.000 referenze. Il tempo investito si ripaga in traffico organico, meno richieste di supporto su informazioni base e un’immagine professionale che distingue il tuo catalogo da quello dei concorrenti che ancora copiano dal fornitore.

Se vuoi approfondire il metodo completo per portare l’AI nelle operazioni della tua PMI, il libro “Intelligenza Artigianale” ti guida passo dopo passo dalla strategia all’esecuzione.