Generazione PDP

Un'azienda leader nel settore Pharma, con un e-commerce che ospita oltre 10.000 referenze, ha affrontato un progetto di refresh completo dei contenuti prodotto. La sfida non era solo riscrivere titoli e descrizioni, ma popolare 24 campi custom – categorizzazione, target di consumatore, indicazioni d'uso, attributi merchandising – necessari sia per il filtering on-site sia per i flussi di marketing automation. Si trattava, in altre parole, di trasformare un catalogo "piatto" (codice, nome, prezzo) in un catalogo "intelligente" pienamente sfruttabile da motori di ricerca, sistemi di raccomandazione e automazioni.

#Il Problema

Nel pharma, ogni scheda prodotto deve rispettare vincoli regolatori, tono di voce di brand e coerenza terminologica con il foglietto illustrativo. Eseguire questo lavoro manualmente su 10.000 SKU significa mobilitare un team di copywriter specializzati per mesi, con un costo difficilmente giustificabile e tempi incompatibili con i piani di lancio commerciale. Senza contare il rischio operativo: un team grande introduce inevitabilmente disomogeneità di stile.

Inoltre, i 24 campi custom richiesti dal CMS – per esempio "fascia d'età", "stagionalità", "categoria sintomatica", "compatibilità con altri prodotti" – non esistono nei dati di partenza. Devono essere inferiti incrociando immagini, testi del sito e regole di business definite dal cliente. Un copywriter umano spesso non ha la conoscenza di prodotto necessaria per fare queste inferenze in modo affidabile, soprattutto su volumi così alti.

Il terzo elemento di difficoltà è la frequenza dell'aggiornamento: il catalogo pharma cambia continuamente, con nuovi prodotti, riformulazioni, dismissioni stagionali. Servirebbe non solo una generazione una tantum, ma un workflow ripetibile che possa girare ogni volta che il PIM cambia.

#La Soluzione WMR Intelligence

Abbiamo strutturato un workflow di generazione assistita che combina il lavoro di un AI Specialist con il presidio editoriale di un team Content e SEO. Il modello riceve in input le immagini dei prodotti, i testi pubblicati sul sito e un set di regole cliente che codificano i vincoli regolatori e di brand.

L'output è un CSV ready-to-import nel CMS con metadati, titoli, descrizioni e i 24 campi custom popolati per ogni prodotto. Il QA umano ha avuto un ruolo cruciale: il team SEO ha validato per categorie e fatto rolling check sulla coerenza terminologica, riducendo drasticamente il costo di revisione rispetto a un approccio puramente manuale. Il QA non è un check finale "passa-non passa", è un loop iterativo: i feedback degli editor confluiscono nel prompt e migliorano la generazione successiva.

Tutto il flusso si appoggia ai principi che insegniamo nei percorsi di AI Academy: non si tratta di delegare alla macchina, ma di disegnare il punto di incontro fra automazione e revisione esperta. La parola chiave è "human-in-the-loop": l'AI fa il lavoro pesante, l'esperto valida i punti critici.

#Implementazione

Fase 1 – Mappatura dei 24 campi custom e definizione delle regole di compilazione: per ciascun campo abbiamo redatto specifiche operative ("se l'immagine mostra X e il testo cita Y, il campo Z prende valore W"). Fase 2 – Calibrazione del prompt sul tono pharma e sui vincoli regolatori, con esempi gold-standard validati dal team Medical/Regulatory. Fase 3 – Generazione massiva con batching su categorie omogenee per garantire coerenza interna. Fase 4 – QA editoriale e correzioni iterative, con un focus particolare sui prodotti più sensibili. Fase 5 – Export CSV e ingestion sul CMS, con backup e versioning per consentire rollback.

La governance del progetto ha incluso un comitato editoriale settimanale fra il team WMR e i referenti Medical/Marketing del cliente, con review delle bozze prima del go-live finale. Questo step è non negoziabile in pharma: il costo di un errore di compliance supera ampiamente quello di un'iterazione in più sul prompt.

#Risultati & KPI

• 10.000+ prodotti elaborati end-to-end in un singolo ciclo produttivo.
• 24 campi custom popolati per ogni SKU, con coerenza terminologica garantita dal QA editoriale.
• Riduzione drastica del time-to-publish rispetto a un workflow manuale equivalente.
• Output CSV pronto per l'ingestion automatica nel CMS, senza ulteriori passaggi manuali.
• Workflow ripetibile: la stessa pipeline può essere rieseguita per gli aggiornamenti futuri del catalogo.

#Cosa abbiamo imparato e replicabilità

Il caso Pharma dimostra che l'AI generativa funziona anche in contesti regolati, a patto che il workflow integri esplicitamente le regole di compliance nel prompt e che il QA umano sia parte del processo, non un'eccezione. Lo stesso schema è applicabile a verticali con vincoli simili (food, cosmesi, salute). La domanda chiave non è "possiamo automatizzare?" ma "abbiamo codificato le regole in modo che la macchina possa rispettarle?".

Per progetti dove il volume di contenuti è il vero collo di bottiglia, vedi anche il case Product Data Optimization dove abbiamo applicato la stessa logica al footwear in piena stagione saldi. La logica di fondo è la stessa: generazione massiva + QA strutturato.

Se il tuo CMS richiede campi strutturati su un catalogo di migliaia di referenze e il tuo team editoriale è sotto pressione, possiamo costruire insieme un workflow che produce contenuti di qualità senza sacrificare il controllo umano. La discriminante è la presenza di regole codificabili: dove le regole esistono, l'automazione funziona.