El «total look» de Lola Casademunt plantea un trabajo que la fotografía, por sí sola, no resuelve: relacionar cada pieza que lleva la modelo con el catálogo de la tienda. Múltiplo describe un sistema basado en GPT-4o y GPT-4o-mini para clasificar imágenes y establecer esas relaciones. A partir de las descripciones obtenidas, facilita también la redacción de fichas y su traducción a los idiomas del ecommerce.
La consultora recoge el caso en una presentación de sus proyectos publicada el 19 de octubre de 2026. La ficha específica explica cómo se construye esa conexión entre imagen, recomendación y contenido. El interés económico del trabajo está en convertir una composición de moda en caminos concretos hacia otras referencias, manteniendo una descripción coherente de los productos.
La demanda de una categoría y la búsqueda de una marca siguen ritmos distintos
Las búsquedas españolas muestran por qué conviene distinguir la atracción de una categoría del interés por una firma. En una comparación de las expresiones exactas «Lola Casademunt», «vestidos de fiesta», «cazadora» y «moda mujer», el índice de «cazadora» pasa de 49 en la semana del 4 al 10 de octubre de 2026 a 68 entre el 11 y el 17. «Lola Casademunt» permanece en 9 en ambas semanas; «moda mujer», en 16. «Vestidos de fiesta» pasa de 9 a 8.
Interés de búsqueda en España: marca y categorías de moda
Series semanales comparadas de «Lola Casademunt», «vestidos de fiesta», «cazadora» y «moda mujer».
índice de interés (0–100)
Pulsa o pasa el cursor para ver detalles. Selecciona una serie para mostrarla u ocultarla.
Contraer notas
Explorar la tabla de datos
| Categoría | Lola Casademunt | vestidos de fiesta | cazadora | moda mujer |
|---|---|---|---|---|
| 2025-10-26/2025-11-01 | 9 índice de interés (0–100) | 8 índice de interés (0–100) | 56 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2025-11-02/2025-11-08 | 10 índice de interés (0–100) | 9 índice de interés (0–100) | 65 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2025-11-09/2025-11-15 | 9 índice de interés (0–100) | 8 índice de interés (0–100) | 67 índice de interés (0–100) | 17 índice de interés (0–100) |
| 2025-11-16/2025-11-22 | 12 índice de interés (0–100) | 8 índice de interés (0–100) | 75 índice de interés (0–100) | 18 índice de interés (0–100) |
| 2025-11-23/2025-11-29 | 18 índice de interés (0–100) | 9 índice de interés (0–100) | 93 índice de interés (0–100) | 21 índice de interés (0–100) |
| 2025-11-30/2025-12-06 | 11 índice de interés (0–100) | 9 índice de interés (0–100) | 74 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2025-12-07/2025-12-13 | 13 índice de interés (0–100) | 9 índice de interés (0–100) | 70 índice de interés (0–100) | 17 índice de interés (0–100) |
| 2025-12-14/2025-12-20 | 11 índice de interés (0–100) | 9 índice de interés (0–100) | 66 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2025-12-21/2025-12-27 | 13 índice de interés (0–100) | 8 índice de interés (0–100) | 81 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2025-12-28/2026-01-03 | 13 índice de interés (0–100) | 8 índice de interés (0–100) | 78 índice de interés (0–100) | 17 índice de interés (0–100) |
| 2026-01-04/2026-01-10 | 21 índice de interés (0–100) | 7 índice de interés (0–100) | 100 índice de interés (0–100) | 19 índice de interés (0–100) |
| 2026-01-11/2026-01-17 | 14 índice de interés (0–100) | 10 índice de interés (0–100) | 63 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2026-01-18/2026-01-24 | 12 índice de interés (0–100) | 10 índice de interés (0–100) | 59 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-01-25/2026-01-31 | 13 índice de interés (0–100) | 11 índice de interés (0–100) | 55 índice de interés (0–100) | 14 índice de interés (0–100) |
| 2026-02-01/2026-02-07 | 11 índice de interés (0–100) | 12 índice de interés (0–100) | 51 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-02-08/2026-02-14 | 9 índice de interés (0–100) | 11 índice de interés (0–100) | 45 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2026-02-15/2026-02-21 | 8 índice de interés (0–100) | 13 índice de interés (0–100) | 43 índice de interés (0–100) | 18 índice de interés (0–100) |
| 2026-02-22/2026-02-28 | 10 índice de interés (0–100) | 12 índice de interés (0–100) | 46 índice de interés (0–100) | 18 índice de interés (0–100) |
| 2026-03-01/2026-03-07 | 9 índice de interés (0–100) | 15 índice de interés (0–100) | 43 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2026-03-08/2026-03-14 | 9 índice de interés (0–100) | 16 índice de interés (0–100) | 43 índice de interés (0–100) | 17 índice de interés (0–100) |
| 2026-03-15/2026-03-21 | 11 índice de interés (0–100) | 15 índice de interés (0–100) | 45 índice de interés (0–100) | 18 índice de interés (0–100) |
| 2026-03-22/2026-03-28 | 11 índice de interés (0–100) | 14 índice de interés (0–100) | 46 índice de interés (0–100) | 19 índice de interés (0–100) |
| 2026-03-29/2026-04-04 | 9 índice de interés (0–100) | 15 índice de interés (0–100) | 47 índice de interés (0–100) | 17 índice de interés (0–100) |
| 2026-04-05/2026-04-11 | 9 índice de interés (0–100) | 15 índice de interés (0–100) | 35 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2026-04-12/2026-04-18 | 10 índice de interés (0–100) | 15 índice de interés (0–100) | 34 índice de interés (0–100) | 17 índice de interés (0–100) |
| 2026-04-19/2026-04-25 | 10 índice de interés (0–100) | 14 índice de interés (0–100) | 31 índice de interés (0–100) | 18 índice de interés (0–100) |
| 2026-04-26/2026-05-02 | 9 índice de interés (0–100) | 14 índice de interés (0–100) | 31 índice de interés (0–100) | 18 índice de interés (0–100) |
| 2026-05-03/2026-05-09 | 10 índice de interés (0–100) | 15 índice de interés (0–100) | 33 índice de interés (0–100) | 17 índice de interés (0–100) |
| 2026-05-10/2026-05-16 | 8 índice de interés (0–100) | 14 índice de interés (0–100) | 34 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-05-17/2026-05-23 | 9 índice de interés (0–100) | 12 índice de interés (0–100) | 28 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-05-24/2026-05-30 | 9 índice de interés (0–100) | 12 índice de interés (0–100) | 21 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2026-05-31/2026-06-06 | 11 índice de interés (0–100) | 10 índice de interés (0–100) | 20 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-06-07/2026-06-13 | 12 índice de interés (0–100) | 11 índice de interés (0–100) | 20 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-06-14/2026-06-20 | 12 índice de interés (0–100) | 9 índice de interés (0–100) | 17 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-06-21/2026-06-27 | 12 índice de interés (0–100) | 8 índice de interés (0–100) | 17 índice de interés (0–100) | 13 índice de interés (0–100) |
| 2026-06-28/2026-07-04 | 12 índice de interés (0–100) | 9 índice de interés (0–100) | 17 índice de interés (0–100) | 12 índice de interés (0–100) |
| 2026-07-05/2026-07-11 | 13 índice de interés (0–100) | 10 índice de interés (0–100) | 18 índice de interés (0–100) | 12 índice de interés (0–100) |
| 2026-07-12/2026-07-18 | 12 índice de interés (0–100) | 9 índice de interés (0–100) | 17 índice de interés (0–100) | 12 índice de interés (0–100) |
| 2026-07-19/2026-07-25 | 13 índice de interés (0–100) | 9 índice de interés (0–100) | 21 índice de interés (0–100) | 12 índice de interés (0–100) |
| 2026-07-26/2026-08-01 | 11 índice de interés (0–100) | 9 índice de interés (0–100) | 20 índice de interés (0–100) | 13 índice de interés (0–100) |
| 2026-08-02/2026-08-08 | 10 índice de interés (0–100) | 9 índice de interés (0–100) | 21 índice de interés (0–100) | 13 índice de interés (0–100) |
| 2026-08-09/2026-08-15 | 10 índice de interés (0–100) | 9 índice de interés (0–100) | 23 índice de interés (0–100) | 11 índice de interés (0–100) |
| 2026-08-16/2026-08-22 | 11 índice de interés (0–100) | 11 índice de interés (0–100) | 27 índice de interés (0–100) | 13 índice de interés (0–100) |
| 2026-08-23/2026-08-29 | 10 índice de interés (0–100) | 11 índice de interés (0–100) | 39 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-08-30/2026-09-05 | 10 índice de interés (0–100) | 11 índice de interés (0–100) | 33 índice de interés (0–100) | 14 índice de interés (0–100) |
| 2026-09-06/2026-09-12 | 8 índice de interés (0–100) | 11 índice de interés (0–100) | 36 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2026-09-13/2026-09-19 | 8 índice de interés (0–100) | 11 índice de interés (0–100) | 36 índice de interés (0–100) | 14 índice de interés (0–100) |
| 2026-09-20/2026-09-26 | 8 índice de interés (0–100) | 8 índice de interés (0–100) | 39 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-09-27/2026-10-03 | 9 índice de interés (0–100) | 8 índice de interés (0–100) | 41 índice de interés (0–100) | 15 índice de interés (0–100) |
| 2026-10-04/2026-10-10 | 9 índice de interés (0–100) | 9 índice de interés (0–100) | 49 índice de interés (0–100) | 16 índice de interés (0–100) |
| 2026-10-11/2026-10-17 | 9 índice de interés (0–100) | 8 índice de interés (0–100) | 68 índice de interés (0–100) | 16 índice de interés (0–100) |
La serie anual permite situar ese movimiento: «cazadora» había alcanzado 100 en la semana del 4 al 10 de enero y registraba 17 entre el 12 y el 18 de julio. La comparación utiliza una escala común de interés relativo y conserva las semanas completas del 26 de octubre de 2025 al 17 de octubre de 2026. Los valores expresan la importancia relativa de esas búsquedas, no ventas ni porcentajes de compradoras.
Para un ecommerce, una consulta de categoría puede ser una entrada distinta de la búsqueda por nombre de marca. La ficha de producto tiene que servir a quien llega buscando una prenda y a quien ya conoce la colección. El mecanismo de Lola Casademunt actúa dentro de ese segundo tramo del recorrido: cuando la persona dispone de una imagen o de una referencia, le propone otros productos que guardan una relación concreta con ella. La serie de búsquedas aporta contexto de demanda; el caso explica cómo la tienda organiza la exploración posterior.
De reconocer una prenda a encontrar el conjunto
La dificultad de localizar productos es un problema reconocible en el comercio electrónico. Una encuesta de Coveo y Arlington Research a 4.000 compradores de Estados Unidos y Reino Unido, realizada del 14 al 19 de diciembre de 2025, recoge que el 31% encuentra demasiadas opciones o filtros poco útiles. El 30% señala dificultades al buscar o navegar y el 28%, recomendaciones irrelevantes. Es un contexto internacional sobre problemas declarados al comprar online, con respuestas múltiples.
Encontrar el producto sigue siendo una fricción de compra
Problemas declarados al buscar productos en tiendas online de Estados Unidos y Reino Unido, diciembre de 2025.
Pulsa o pasa el cursor para ver detalles. Todos los valores están disponibles en la tabla de datos.
Contraer notas
Encuesta online de Coveo y Arlington Research a 4.000 compradores de 18 o más años en Estados Unidos y Reino Unido, del 14 al 19 de diciembre de 2025. Respuestas múltiples: las categorías pueden solaparse. Contexto de otros mercados, no resultados de Lola Casademunt.
Explorar la tabla de datos
| Categoría | Personas encuestadas |
|---|---|
| Demasiadas opciones o filtros poco útiles | 31% |
| Dificultad de búsqueda o navegación | 30% |
| Recomendaciones irrelevantes | 28% |
| Web lenta o con errores | 28% |
| Sin selección de existencias o disponibilidad por tienda | 27% |
| Web poco adaptada al móvil | 15% |
| Ninguno de estos problemas | 18% |
La propuesta de Múltiplo para Lola Casademunt parte de una relación visible: el producto principal y sus accesorios comparten una fotografía. El módulo identifica y describe los artículos que aparecen en ella para ofrecer el conjunto completo. También establece alternativas similares por estilo o color y recomendaciones de productos complementarios. Así, la relación comercial puede responder tanto a buscar otra opción como a completar una combinación.
Daniel Cuenca, presentado como CTO de Múltiplo en la ficha del proyecto, explica que el equipo estudió primero librerías de visión por computación para detectar objetos y encontrar productos candidatos. Según su relato, esas herramientas eran rápidas, pero no proporcionaban la profundidad necesaria para el objetivo del cliente. La solución descrita utiliza GPT-4o y GPT-4o-mini para clasificar y relacionar productos a escala de miles de referencias.
La decisión técnica queda vinculada a una tarea comercial precisa. Detectar que una foto contiene una prenda es el comienzo; para que la recomendación resulte útil debe conducir hacia productos relacionados del catálogo. La consultora presenta PLai Related Products, construido sobre PLai Framework, como el módulo que organiza esas relaciones para tiendas online. El «total look» da una estructura al conjunto; las alternativas mantienen abierta la búsqueda cuando la primera referencia no encaja.
Una recomendación contextual ofrece ayuda en un momento concreto
El valor de orientar una compra depende también de la ayuda que espera recibir la persona. Un estudio de EAE Business School publicado en febrero de 2024, con 1.000 consumidores en España, recoge que el 56,9% valora el consejo de una persona real y el 28,9% aprecia notificaciones sobre productos que le interesan. Un 9,1% declara que no le importa que la IA registre sus preferencias para recibir publicidad. Son actitudes distintas, recogidas en afirmaciones que pueden coincidir en una misma persona.
La ayuda humana y la personalización responden a expectativas distintas
Actitudes ante las interacciones con marcas en España, recogidas en un informe publicado en febrero de 2024.
Pulsa o pasa el cursor para ver detalles. Todos los valores están disponibles en la tabla de datos.
Contraer notas
Informe de EAE Business School con 1.000 consumidores en España; el perfil original recoge edades de 18 a 70 años. Publicado en febrero de 2024, sin fechas exactas de trabajo de campo. Las afirmaciones pueden solaparse; no forman segmentos exclusivos. La aceptación del uso de preferencias para publicidad es distinta de valorar una recomendación contextual.
Explorar la tabla de datos
| Categoría | Personas encuestadas |
|---|---|
| Valora el consejo de una persona real | 56,9% |
| Aprecia avisos de productos de interés | 28,9% |
| No le gustan las interacciones personalizadas | 12,9% |
| No le importa que conozcan su historial o nombre | 10,8% |
| No le importa que la IA registre preferencias para publicidad | 9,1% |
| No sabe | 7,1% |
La recomendación de un conjunto trabaja sobre un contexto que la clienta ya está viendo: la fotografía y la prenda elegida. La descripción del proyecto de Lola Casademunt se centra en identificar artículos y sus relaciones visuales. Esa información permite explicar la propuesta sin equiparar una combinación de productos con el almacenamiento de preferencias personales para publicidad.
El catálogo que describe Múltiplo reúne ropa para ocasiones especiales y para el día a día, además de bisutería, bolsos, calzado y accesorios. Esa variedad da sentido a una recomendación que atraviesa categorías. Una ficha puede mostrar cómo encaja una prenda con otros elementos de la misma imagen y ofrecer alternativas por estilo o color. La utilidad está en hacer comprensible la relación, conservando la decisión de qué piezas explorar o elegir.
La preferencia por el consejo humano que recoge EAE aporta otro matiz: la asistencia tiene distintas formas. La relación contextual de productos resuelve una parte concreta de la navegación, mientras el asesoramiento personal responde a preguntas más amplias. El estudio de 2024 ayuda a distinguir esas expectativas; el módulo documentado aborda la conexión entre imagen y catálogo.
Las imágenes y las fichas deben hablar el mismo idioma
Relacionar productos a escala exige que el contenido siga siendo utilizable. En una encuesta de Canto y Ascend2 a 434 profesionales de contenido y creatividad de Estados Unidos y Reino Unido, realizada en noviembre de 2025, el 40% identifica la demanda creciente de contenido para distintos canales como un reto. Mantener la consistencia de marca figura con un 31% y localizar o acceder a los activos con un 30%.
El trabajo de contenido combina presión de volumen y coherencia
Dificultades declaradas por profesionales de contenido y creatividad de Estados Unidos y Reino Unido, noviembre de 2025.
Pulsa o pasa el cursor para ver detalles. Todos los valores están disponibles en la tabla de datos.
Contraer notas
Encuesta online de Canto y Ascend2 a 434 profesionales de contenido y creatividad, noviembre de 2025; Estados Unidos 51% y Reino Unido 49%. Valores de la pregunta de dificultades del informe publicado en enero de 2026, página 10. Respuestas múltiples. El contexto no mide los procesos ni los resultados de Lola Casademunt.
Explorar la tabla de datos
| Categoría | Personas encuestadas |
|---|---|
| Atender la demanda de contenido de distintos canales | 40% |
| Gestionar el volumen creciente de contenido amplificado por la IA | 36% |
| Encontrar o implantar la tecnología adecuada | 36% |
| Coordinar equipos y flujos de trabajo | 34% |
| Disponer de presupuesto y recursos | 32% |
| Mantener la consistencia de marca | 31% |
| Localizar y acceder a los activos | 30% |
| Responder a la velocidad del negocio | 22% |
| Otros | 1% |
En el caso de Lola Casademunt, Múltiplo sitúa entre los retos la precisión al detectar objetos, los costes y recursos necesarios y la ejecución de procesos sobre miles de referencias de distintas categorías. La imagen entra así en dos trabajos relacionados: identificar qué productos combinar y producir información que los describa. Una recomendación puede mostrar una relación visual; la ficha tiene que explicar qué ofrece cada artículo con el lenguaje de la marca.
La consultora indica que las descripciones generadas a partir de las imágenes sirven para crear textos de producto y traducirlos a los idiomas del ecommerce. El tono y la voz de Lola Casademunt forman parte del encargo. La coherencia deja de depender únicamente de que las prendas combinen en la fotografía y se extiende a cómo se presentan por escrito en distintas fichas e idiomas.
Esa conexión es relevante para el coste de mantener un catálogo que cambia. El trabajo manual de establecer relaciones, describir referencias y adaptar textos se multiplica con cada categoría. La solución reúne esas operaciones alrededor de la información visual del producto. El análisis económico se centra en esa organización del trabajo, además de la recomendación que finalmente ve la clienta.
El SEO aporta el criterio comercial a la generación de texto
La misma investigación de Canto y Ascend2 recoge una pregunta diferente sobre las tareas para las que los equipos utilizan IA. La optimización de contenido para SEO o rendimiento registra un 40%; el etiquetado y la organización automatizados, un 39%; y la mejora del descubrimiento o las recomendaciones, un 38%. La creación automática de contenido también aparece con un 38%. Las categorías se solapan y describen usos declarados de los profesionales encuestados.
Los usos de IA abarcan SEO, organización y recomendaciones
Aplicaciones de IA declaradas en una encuesta de contenido y creatividad de Estados Unidos y Reino Unido, noviembre de 2025.
Pulsa o pasa el cursor para ver detalles. Todos los valores están disponibles en la tabla de datos.
Contraer notas
Pregunta sobre usos actuales de IA en el informe original de Canto y Ascend2, página 25. Encuesta online de noviembre de 2025; muestra global de 434 profesionales de contenido y creatividad de Estados Unidos y Reino Unido. El informe no desglosa aquí una base separada para esta pregunta. Las categorías pueden solaparse y describen usos declarados, no mejoras de rendimiento.
Explorar la tabla de datos
| Categoría | Personas encuestadas |
|---|---|
| Analizar el rendimiento del contenido | 41% |
| Optimizar contenido para SEO o rendimiento | 40% |
| Organizar mediante etiquetado automático | 39% |
| Crear contenido | 38% |
| Mejorar la calidad del contenido | 38% |
| Mejorar descubrimiento y recomendaciones | 38% |
| Automatizar tareas repetitivas | 36% |
| Personalizar para segmentos de audiencia | 34% |
| Agilizar la distribución de contenido | 33% |
| Otros | 1% |
La ficha de Múltiplo precisa de dónde procede el criterio de posicionamiento aplicado a las descripciones de Lola Casademunt: las palabras clave detectadas en los análisis que genera el cliente. La imagen aporta información sobre el producto; la marca aporta su voz y esos análisis de posicionamiento. El sistema combina esas entradas para preparar descripciones que la consultora presenta como detalladas y orientadas a SEO, además de facilitar su traducción.
Ese reparto dirige la generación de texto hacia necesidades comerciales identificadas por el cliente. Las relaciones entre productos permiten continuar la exploración dentro de la tienda; las descripciones trasladan los atributos de las prendas a las fichas y a los términos de búsqueda que trabaja la marca.
Isabel Gómez, identificada como CRM Manager de Lola Casademunt en el testimonio publicado por el proveedor, atribuye al módulo una mejora de la experiencia de compra y de los procesos. Sobre la conversión, emplea una expresión de expectativa: «esperamos, incremente la tasa de conversión». Su valoración sitúa el trabajo en la experiencia de la tienda y la operativa, sin convertir esa expectativa en un incremento medido.
El caso muestra una aplicación de IA definida por el recorrido que facilita: pasar de una imagen a los productos que la componen, encontrar otra opción y disponer de descripciones adaptadas al catálogo. El valor comercial del «total look» se juega en esa continuidad entre inspiración, elección y contenido de producto. La tecnología aporta capacidad para construir las relaciones; la marca conserva el criterio sobre su presentación y las necesidades de búsqueda a las que quiere responder.
En este artículo
Marian Vasile
Marian Vasile es un profesional de MarTech y crecimiento digital. Su trabajo abarca marketing de producto, SEO, publicidad de pago y seguimiento online avanzado, incluidos el análisis del comportamiento y la atribución.
