¿Cuántas horas has perdido copiando y pegando títulos y descripciones de productos? Si gestionas una tienda online con cientos de referencias, sabes que la parte más tediosa no es hacer las fotos, sino convertir cada una en una ficha que venda y, además, esté optimizada para los motores de búsqueda. A mí me pasaba: cuando lanzaba una nueva colección de accesorios, pasaba más tiempo delante del Excel que haciendo cualquier otra cosa. Hasta que descubrí cómo la inteligencia artificial y una herramienta de automatización podían resolver este cuello de botella para siempre.
En esta guía te voy a enseñar, paso a paso, a montar un flujo en n8n que coge la foto de un producto, la analiza con un modelo de visión artificial (como GPT-4 Vision o alternativas open‑source), y genera automáticamente el título, la descripción, los bullets y los atributos técnicos, todo con un enfoque SEO y listo para publicar en plataformas como Shopify o WooCommerce. Y lo mejor: apenas tocarás el teclado.
Por qué el enfoque tradicional se queda corto
Escribir a mano las fichas de producto no solo es lento, sino propenso a errores e inconsistencias. Si tienes un catálogo con 500 skus, mantener el mismo tono, incluir las keywords adecuadas y no olvidar atributos técnicos es un desafío titánico. Además, dependes completamente de tu capacidad para interpretar la imagen: ¿de qué color exactamente era esa camiseta? ¿El estampado tenía motivos florales o geométricos? Los modelos de visión actuales ven detalles que a veces a nosotros se nos escapan, y pueden describirlos con precisión.
Qué necesitas para empezar
Antes de lanzarnos al flujo, asegúrate de tener estos elementos listos:
- Una instancia de n8n: puedes usar la versión cloud (de pago pero con capa gratuita limitada) o, si te gusta el control total, instálala en tu propio servidor con Docker. La documentación oficial es bastante clara.
- Acceso a un modelo de visión: necesitarás una API que acepte imágenes y devuelva descripciones. La más potente ahora mismo es GPT-4 Vision de OpenAI, pero si prefieres evitar costes recurrentes o mantener tus datos en casa, puedes optar por modelos open‑source como LLaVA (ejecutable localmente con Ollama) o usar servicios como Replicate que ofrecen modelos por llamada.
- Credenciales de tu tienda online: la API de Shopify (con token de administrador) o la de WooCommerce (con clave de consumidor y secreto).
Paso 1: Prepara el entorno y obtén las imágenes
Lo primero es decidir cómo llegarán las fotos al flujo. Puedes configurar un disparador que vigile una carpeta de Dropbox, un bucket de S3 o un formulario donde suban las imágenes desde el móvil. En mi caso, suelo hacer las fotos con el teléfono y las envío directamente a una carpeta sincronizada; n8n la detecta gracias al nodo “Watch Local File” o “S3 Trigger”.
Si trabajas con un equipo, también puedes utilizar un webhook que reciba la imagen desde cualquier frontend personalizado. La idea es que cada nueva foto llegue al flujo sin fricciones.
Paso 2: Conecta el modelo de visión y diseña el prompt
Este es el corazón de la automatización. En n8n, añades un nodo HTTP Request (o el nodo específico de OpenAI si usas el conector oficial) para enviar la imagen al modelo. Por ejemplo, con GPT-4 Vision, la petición incluye la imagen en base64 o una URL pública, más un conjunto de instrucciones detalladas. El secreto está en cómo redactas el prompt para que el modelo devuelva exactamente la información que necesitas, y en un formato estructurado (JSON, por ejemplo).
Ejemplo de prompt efectivo
Algo así como:
‘Analiza esta imagen de producto y genera un objeto JSON con los siguientes campos: nombre del producto (título corto y atractivo, incluyendo la keyword principal como «zapatilla running amortiguación»), descripción larga optimizada para SEO (>150 palabras, en tono persuasivo, resaltando beneficios), tres bullets de características técnicas, color predominante, material probable y un atributo extra que identifiques (ej. «con bolsillo lateral»). Devuelve solo el JSON.’
Observa que pedimos que la keyword principal aparezca en el título y que la descripción tenga longitud suficiente para posicionar. Al limitar la salida a JSON, luego podemos parsearla fácilmente con un nodo “Item Lists” o “Function” en n8n.
Modelos gratuitos como LLaVA pueden ser un poco menos precisos con la estructura, así que quizás necesites un paso extra de limpieza con un nodo “Code”. Pero para empezar, GPT-4 Vision es sorprendentemente fiable y apenas requiere retoques.
Paso 3: Procesa la respuesta y enriquece los datos
Una vez que el modelo nos devuelve el JSON, lo convertimos en campos utilizables dentro de n8n. Con un nodo “Function” podemos extraer cada propiedad y asignarla a variables del flujo. Es un buen momento para aplicar reglas de negocio: por ejemplo, si el color es “rojo”, asegurarnos de que también se incluya el término “color rojo” en los bullets; o si la descripción no incluye la marca, podemos añadirla automáticamente con un “Set” node.
También podemos añadir un paso opcional para traducir el contenido si vendemos en múltiples idiomas, usando la API de DeepL o incluso el mismo modelo de lenguaje.
Paso 4: Publica en tu tienda online
Ahora que ya tenemos todos los campos listos, toca enviarlos a Shopify o WooCommerce. Ambas plataformas ofrecen APIs muy completas. En n8n, el nodo HTTP Request es suficiente para hacer llamadas a sus endpoints. Por ejemplo, para crear un producto en Shopify, harías una petición POST a /admin/api/2024-01/products.json con el payload que incluya title, body_html, vendor, tags, variantes, etc.
Si manejas tallas o colores, tendrás que haber incluido en el flujo lógica para crear variantes; puedes usar el mismo modelo de visión para detectar si la imagen muestra varios colores o simplemente añadir variantes por defecto según el tipo de producto. n8n permite bucles y ramas condicionales para estos casos.
Consejos para escalar y no perder el control
- Costes: cada llamada a GPT-4 Vision cuesta unos pocos céntimos. Si procesas miles de imágenes, el costo se puede disparar. Implementa un sistema de caché: antes de enviar la imagen, comprueba si ya has procesado un archivo con el mismo hash; así evitas duplicados.
- Calidad de la imagen: el modelo funciona mejor con fotos sobre fondo blanco y buena iluminación. Si le pasas imágenes oscuras o con mucho ruido, los resultados pierden precisión. Incluye en el flujo un paso de preprocesado con herramientas como Sharp para redimensionar o mejorar el contraste si es necesario.
- Revisión humana: aunque el sistema sea muy bueno, siempre puede colarse algún error (sobre todo con artículos muy técnicos). Yo suelo añadir un nodo que envía un email o un mensaje de Slack con el contenido generado y espera una confirmación antes de publicar, al menos para los primeros productos de una nueva categoría.
- Variaciones de idioma: si tu tienda tiene versiones en varios idiomas, puedes expandir el flujo para generar el contenido en cada uno usando la misma imagen y distintos prompts, o bien traducir automáticamente la salida original.
Resultados y próximos pasos
Desde que monté este sistema, el tiempo dedicado a la creación de fichas se redujo en un 90%. Ahora puedo subir 50 productos nuevos en una mañana, y lo mejor es que el contenido no es genérico: cada descripción incluye detalles extraídos visualmente, lo que ayuda a diferenciarse de los competidores y a mejorar el posicionamiento en long tail.
Como siguiente evolución, estoy experimentando con la generación automática de imágenes adicionales usando DALL‑E para mostrar el producto en contexto, todo integrado en el mismo flujo de n8n. Las posibilidades son enormes.
¿Te animas a probarlo? Con un par de horas de configuración, tu catálogo puede empezar a construirse solo. Y si te atascas, la comunidad de n8n es muy activa y hay plantillas de workflows que puedes adaptar.
