LLM en vietnamita para retail y consumo: chatbots y descripciones

01/10/2026

Una tienda en línea de artículos para el hogar tiene dos mil códigos de producto, y las descripciones de la mitad de ellos están copiadas tal cual del proveedor, incluso con faltas de ortografía. Quien administra el contenido allí sabe que corregirlos uno por uno es impensable. Este es el tipo de problema en el que un LLM en vietnamita encaja bien en el retail: gran volumen, textos repetitivos y un margen de error pequeño que es aceptable si hay un paso de revisión. Pero no se apresuren, porque cada aplicación tiene su propia trampa.

Chatbot de asesoría: que no prometa en lugar de ustedes

El cliente pregunta "¿esta olla sirve para estufa de inducción?", "¿la talla M le queda a una persona de 1.65?", "¿cuándo llega mi pedido?". Un chatbot basado en un LLM, conectado a los datos de producto y al sistema de pedidos, puede responder en un vietnamita natural, incluso cuando el cliente escribe sin acentos, con abreviaturas o mezclando jerga. Esa es su ventaja frente a un chatbot de guion rígido, que solo entiende cuando el cliente teclea la palabra clave exacta.

La trampa es que el chatbot tiende a decir lo que el cliente quiere oír. Si preguntan "¿esta camisa se puede lavar en lavadora?" y el dato no está registrado, el modelo puede contestar "sí" por cortesía. La forma de prevenirlo es obligarlo a usar solo la información de los datos de producto y, cuando falte, decir con honestidad que no cuenta con esa información y pasar la consulta a un asesor. Lo mismo con promociones, precios y garantías: todo lo que pueda convertirse en un compromiso legal o comercial debe tomarse de la fuente oficial de datos, no de lo que el modelo redacte por su cuenta.

Situaciones que deben pasar con una persona

• El cliente está molesto o amenaza con presentar una queja.
• Solicitudes de cambio o devolución fuera de la política habitual.
• Productos con un factor de seguridad, como cosméticos para piel sensible o alimentos para personas con alergias.
• Preguntas que el chatbot ya intentó responder dos veces sin resolverlas.

Descripciones de producto: rápidas, pero con un freno

Redactar descripciones para miles de productos a partir de una tabla de especificaciones es una tarea que el LLM hace bastante bien. Se le dan el material, las dimensiones y el uso, y devuelve un texto con una voz de marca uniforme, ya optimizado para búsquedas. Un beneficio en el que poca gente piensa es la consistencia: todo el catálogo suena como si lo hubiera escrito una sola persona.

Pero hay dos errores que me encuentro constantemente. El primero es "agregar de más": la tabla dice tela de algodón, y la descripción generada afirma "absorbe el sudor de maravilla, antibacterial", algo que no está en los datos. En bienes de consumo, sobre todo alimentos, cosméticos y suplementos, frases así pueden constituir publicidad engañosa. El segundo son las descripciones que se leen casi idénticas, llenas de lugares comunes como "brinda una experiencia increíble". El cliente lo lee una vez y nota que lo escribió una máquina. La solución es darle al modelo ejemplos reales de la voz de la marca y prohibirle inferir cosas fuera de los datos de entrada.

Análisis de los comentarios de clientes: donde el LLM aporta valor sin hacer ruido

Calificaciones con estrellas, comentarios en los marketplaces, mensajes de la página de Facebook, correos de queja. Muy pocos equipos los leen todos. El LLM puede leerlos todos y agruparlos por tema: en qué zona hay retrasos en las entregas, qué producto recibe quejas por el olor, qué modelo de empaque suele llegar abollado. El vietnamita en redes sociales es un reto real: abreviaturas ("ko", "dc", "sp"), falta de acentos, jerga, sarcasmo, emojis en lugar de emociones. La frase "qué rápida entrega, apenas tres semanas", ¿es un elogio o una burla? La máquina suele equivocarse, así que el análisis de sentimiento todavía necesita una revisión de muestras hecha por personas.

Les recomiendo no usarlo para asignar puntajes de sentimiento y hacer gráficas bonitas. Úsenlo para responder preguntas concretas: ¿de qué se quejaron más los clientes esta semana que la anterior? ¿Esas quejas se concentran en qué lote de mercancía? Cuando pueden mostrar además una cita textual del cliente, el equipo de producto confía mucho más en el resultado.

Cómo elegir el modelo

En retail, el costo y la velocidad importan tanto como la calidad, porque el número de consultas es grande. En muchos casos, un modelo compacto, con fine-tuning sobre datos del sector y con la voz propia de la marca, conviene más que un modelo enorme para todo. AIVISION entrena y hace fine-tuning de LLM para vietnamita y para sectores específicos, y ya lanzó el modelo L1.0 para vietnamita. No menciono cifras de desempeño ni de costo, porque dependen de cómo lo implementen ustedes.

Una nota más sobre los datos de clientes: los mensajes suelen contener teléfonos y domicilios de entrega. Conviene ocultar esa información antes del análisis y definir con claridad por cuánto tiempo se conservan las conversaciones.

Cómo empezar

Elijan un catálogo reducido, por ejemplo quinientos productos de una categoría. Generen las descripciones, que las revise un editor, y cuenten cuánto corrigió y de qué tipo. Esa cifra les dirá si hay que ajustar el modelo o los datos de entrada. Hay más información sobre los modelos en la página de AIVISION.