Integrazione tra ChatGPT di OpenAI e Shopify: guida completa per l’eCommerce

Non è un chatbot. È un livello di intelligenza sopra lo store.

Quando un brand ci chiede “mettiamo ChatGPT sul sito”, la prima cosa che facciamo è togliere la parola chatbot dal tavolo.
Un widget che risponde alle domande è la parte meno interessante.
La parte interessante è collegare un modello linguistico ai dati veri dello store: catalogo, stock, ordini, clienti.

Integrare ChatGPT con Shopify significa questo: dare al modello accesso governato ai dati del tuo eCommerce e decidere cosa può fare con quei dati.

‍

I quattro casi d’uso che hanno senso oggi

• Contenuti di prodotto. Descrizioni, attributi, traduzioni e testi per i feed generati a partire dai dati strutturati del catalogo, non dal nulla. Su cataloghi da migliaia di referenze è la differenza tra un lancio in giorni e uno in settimane.
• Assistenza pre e post vendita. Un assistente che conosce taglie, disponibilità, tempi di consegna e policy di reso del brand, e che passa la mano a una persona quando serve.
• Ricerca conversazionale. “Un blazer sartoriale sotto i 400 euro, consegna entro venerdì”: il modello interpreta l’intento, il catalogo risponde. È il pezzo su cui stiamo lavorando con il nostro prototipo Aura.
• Operatività interna. Tagging massivo, analisi delle vendite, bozze di campagne: il team eCommerce chiede in linguaggio naturale, il modello esegue sull’Admin API.

‍

Come si integra, in concreto

L’architettura che usiamo è sempre la stessa, cambiano i pesi.

• Dati. Storefront API e Admin GraphQL API di Shopify come unica fonte di verità per prodotti, varianti, stock e ordini. Niente copie del catalogo che invecchiano.
• Modello. API di OpenAI con function calling: il modello non “inventa” un prezzo, chiama una funzione che lo legge dallo store. Ogni risposta su stock, prezzo o consegna è ancorata a un dato in tempo reale.
• Conoscenza. Policy, guide taglie, FAQ e tono di voce del brand indicizzati (embedding) e passati al modello solo quando servono. È qui che l’assistente diventa “del brand” e non generico.
• Guardrail. Cosa può dire, cosa non può dire, quando passa a un umano. Log di ogni conversazione. Nessun dato personale mandato al modello se non è necessario.

‍

Dove si sbaglia

Tre errori li vediamo di continuo.

• Far rispondere il modello a memoria. Senza function calling il modello dice che un prodotto è disponibile quando non lo è. Nel fashion, con stock che cambiano ogni ora, è inaccettabile.
• Partire dal widget. Prima i dati puliti (attributi, taglie, immagini, policy), poi l’interfaccia. Un catalogo disordinato produce un assistente disordinato.
• Ignorare privacy e costi. Ogni chiamata ha un costo e ogni dato inviato è un trattamento. Serve un DPA con il fornitore, minimizzazione dei dati e un tetto di spesa per conversazione.

‍

La checklist prima di partire

• Catalogo con attributi completi e coerenti (materiale, fit, taglie, cura).
• Policy di reso, spedizione e taglie scritte in modo che un modello possa citarle.
• Un caso d’uso solo, misurabile: tempo di risposta, tasso di risoluzione, conversione assistita.
• Test con clienti reali prima del lancio, con una persona che legge le conversazioni.
• Un budget mensile e un piano B se il fornitore cambia prezzo o API.

‍

La direzione è questa

L’intelligenza artificiale non sostituisce lo store. Lo legge, lo interpreta e lo rende più facile da usare, per il cliente e per il team.
Chi parte dai dati oggi, domani ha un assistente che vende.
Chi parte dal widget ha un widget.