Mass Translate con ChatGPT en Magento 2: traducciones, SEO, moderación de contenido y enlazado

1 de junio de 2026 Kowal

Material práctico sobre cómo utilizar Mass Translate con ChatGPT en Magento 2 para traducciones, trabajo con SEO, estructuras JSON, terminología técnica y organización del enlazado entre store view

Mass Translate con ChatGPT para Magento 2 se asocia más fácilmente con una sola tarea: la traducción de descripciones de productos y categorías a otros store view. Es una asociación correcta, pero demasiado limitada. En la práctica, este módulo se vuelve realmente valioso solo cuando lo tratamos no como un traductor simple, sino como una capa para el procesamiento masivo de contenido en Magento.

Entendido de esta forma, el mismo mecanismo puede encargarse no solo de la localización del catálogo, sino también de:

completar metadatos que faltan,
ordenar campos SEO,
moderar y normalizar contenido,
procesar descripciones de producto según reglas estrictas,
traducir contenido técnico especializado,
realizar operaciones editoriales en entradas de blog,
sustituir enlaces internos tras la traducción del contenido.

Esto es precisamente lo que muestran los prompts utilizados en las tiendas GERDA, VITCAS y Kowal. Su denominador común es sencillo: lo más importante no es la integración con el modelo en sí, sino hasta qué punto definimos con precisión la tarea, el formato de los datos y los límites de actuación de la AI.

Por qué Mass Translate en Magento 2 no debe tratarse como un traductor común

En muchas tiendas, el problema ya no consiste en que el contenido deba traducirse. El problema consiste en que debe procesarse según una lógica de negocio concreta:

completar solo los campos vacíos,
no tocar los datos existentes,
mantener HTML y placeholders,
no añadir información nueva,
mantener la coherencia terminológica,
distinguir los campos técnicos de los campos visibles para el usuario,
ejecutar la tarea de forma masiva y predecible.

En este punto, el módulo Mass Translate con ChatGPT se convierte en una herramienta de gestión de contenido, y no exclusivamente de traducción. El prompt deja de ser un añadido. Se convierte en la lógica real del proceso.

Las versiones completas de los prompts pueden ser muy extensas, pero incluso fragmentos breves muestran bien el nivel de control.

GERDA: completar Meta Title y Meta Description sin cambiar el contenido del producto

El prompt utilizado para GERDA no sirve para traducir. Su tarea es más limitada y por eso muy práctica: completar los campos que faltan de Meta Title y Meta Description, limpiar Meta Keywords, pero sin tocar el resto del registro.

Este es un buen ejemplo de una operación de moderación sobre datos de producto. El modelo no debe ser creativo. Debe ser disciplinado y actuar únicamente dentro de los límites de los datos de entrada.

Fragmento de prompt de ejemplo:

1. Uzupełnij `Meta Title` tylko wtedy, gdy jest puste, brakujące lub zawiera wartość null.2. Uzupełnij `Meta Description` tylko wtedy, gdy jest puste, brakujące lub zawiera wartość null.3. Wyczyść pole `Meta Keywords`: - zawsze ustaw je jako pusty ciąg znaków ''4. Nie dodawaj żadnych informacji, cech, parametrów, obietnic ani danych technicznych, których nie ma w danych wejściowych.

En la práctica, un prompt así hace tres cosas importantes a la vez:

vigila la calidad SEO,
no reescribe todo el catálogo,
mantiene un workflow seguro y masivo sobre JSONL.

Para tiendas con un gran número de registros, esto a veces es más importante que la propia traducción a otro idioma. Primero hay que ordenar los datos y solo después localizarlos.

Kowal: traducción, localización y ampliación controlada del contenido

El prompt preparado para Kowal muestra el segundo extremo de uso. Aquí el objetivo no es solo cambiar el idioma, sino crear una sola capa para:

traducir,
localizar,
y, si hace falta, también ampliar el contenido de forma controlada.

Esto es importante, porque en el contenido tecnológico la corrección lingüística por sí sola no basta. También hay que evitar dañar la capa técnica. Si el modelo empieza a traducir URL, variables, nombres de clases, endpoints API o fragmentos de configuración, el resultado se vuelve rápidamente inútil.

Fragmento de prompt de ejemplo:

1. Zachowaj wszystkie tagi HTML bez zmian.2. Tłumacz tylko tekst widoczny dla użytkownika.3. Nie zmieniaj adresów URL, placeholderów, nazw plików, ścieżek, komend, klas, metod, funkcji ani endpointów API.4. Jeśli tekst wymaga rozbudowy, rozwijaj go wyłącznie na podstawie informacji obecnych w tekście źródłowym.

Este es precisamente el punto en el que una instrucción común del tipo traduce el texto deja de ser suficiente. En Magento hay que separar con mucha claridad:

qué es contenido para el usuario,
qué es estructura del sistema,
qué puede localizarse,
qué no puede tocar el modelo.

VITCAS: traducciones técnicas especializadas en lugar de una traducción literal

VITCAS muestra un tercer nivel de flexibilidad: la traducción de contenido de producto especializado, en el que una comprensión general del idioma no es suficiente.

El prompt de producto para VITCAS está construido alrededor de un problema muy concreto: el inglés británico en el sector de materiales refractarios, chimeneas, hornos, fundición y aislamiento no puede traducirse de forma literal. El modelo primero debe comprender correctamente el término en el contexto del sector y solo después elegir el equivalente de mercado adecuado para el país de destino.

Fragmento de prompt de ejemplo:

- “stove” usually refers to a heating stove, wood-burning stove, fireplace stove, room heater, or biomass heating appliance, not a kitchen cooker or oven- “fire cement” refers to a refractory sealing, jointing, setting, or repair compound, not structural construction cement- “board” does not automatically mean gypsum board- Always interpret ambiguous terms according to the refractory, fireplace, chimney, furnace, kiln, foundry, insulation, outdoor cooking, and high-temperature materials context

Esto ya no es una simple traducción de texto. Es control de la interpretación de la terminología. Precisamente aquí se ve que el módulo Mass Translate con ChatGPT puede utilizarse allí donde se necesita una moderación sectorial de significados y un control del vocabulario para varios mercados.

VITCAS: traducción de entradas de blog guardadas en JSON

Otro prompt para VITCAS se refiere a entradas de blog del módulo Amasty Blog. Aquí la tarea vuelve a ser distinta de la traducción clásica de una descripción de producto, porque el modelo trabaja sobre una estructura de datos y no solo sobre un único campo description.

Fragmento de prompt de ejemplo:

1. Zwracaj wyłącznie poprawny JSON.2. Zachowaj dokładnie te same klucze JSON.3. Tłumacz wyłącznie wartości tekstowe przeznaczone dla użytkownika.4. Nie tłumacz pól technicznych, identyfikatorów, URL-i, slugów i konfiguracji.5. Zachowaj wszystkie tagi HTML bez zmian.

Esto es importante, porque en Magento muchos datos editoriales viven en JSON, módulos de blog, bloques CMS y otras estructuras que no pueden procesarse de forma segura con un prompt demasiado general. Si el modelo no recibe reglas claras, puede alterar fácilmente campos técnicos o romper la estructura de datos.

De dónde sale `llms.txt` y qué tiene que ver con ello el módulo AI Feed

El caso más interesante empieza allí donde la traducción ya está hecha, pero el contenido aún requiere trabajo editorial. Un buen ejemplo es la sustitución de enlaces internos tras traducir artículos.

Para que una operación así sea segura, el modelo no debe adivinar las URL. Debe tener una fuente de verdad. Aquí es precisamente donde aparece llms.txt.

Los archivos llms.txt no surgen de la nada. Son el resultado del funcionamiento de la capa de feeds de AI, es decir, de un módulo del tipo Kowal AI Product Feed para OpenAI Vector Store. Un módulo así prepara datos públicos y estructurados de la tienda para sistemas AI:

listas de productos,
categorías,
FAQ,
contenido CMS y de blog,
URL adecuadas para un store view concreto,
y el manifiesto llms.txt, que indica dónde están disponibles esos datos.

En la práctica, llms.txt actúa como punto de entrada para modelos y agentes AI. En lugar de escanear la web a ciegas, pueden leer dónde se encuentran los feeds adecuados y qué registros describen productos, categorías o entradas en un idioma determinado. Este es exactamente el tipo de infraestructura que permite realizar tareas editoriales más complejas sin adivinar.

VITCAS: sustitución de enlaces tras la traducción de artículos gracias a `llms.txt`

El prompt preparado para VITCAS muestra que Mass Translate con ChatGPT también puede funcionar como herramienta para ordenar contenido ya terminado después de la traducción.

En este caso, la tarea consiste en:

reconocer el idioma de destino del artículo,
analizar los enlaces internos conservados de la versión EN,
leer los datos correctos de la versión adecuada de llms.txt,
sustituir solo href,
dejar el texto ancla y toda la estructura del artículo sin cambios,
no adivinar direcciones si no es posible confirmar el equivalente en el feed.

Fragmento de prompt de ejemplo:

1. Zmieniaj wyłącznie linki wewnętrzne prowadzące do domen sklepu VITCAS.2. Jeśli nie znajdziesz jednoznacznego odpowiednika w feedzie: - pozostaw oryginalny URL bez zmian, - nie zgaduj, - nie twórz nowego adresu ręcznie.3. Zmieniaj wyłącznie wartości `href` w linkach , jeśli wymagają podmiany.

Este es un ejemplo muy potente, porque muestra algo que a menudo se pasa por alto al hablar de AI en Magento: el modelo puede realizar tareas masivas de mantenimiento sobre el contenido, y no solo crear descripciones nuevas. En una tienda multilingüe, una operación así puede ser realmente valiosa, porque después de traducir el contenido todavía hay que poner en orden el enlazado interno entre store view.