Do-Not-Merch para LLM y comercio visual: estándar C2PA, IPTC y JSON‑LD tras el incidente de TikTok

Contexto y objetivo

Fecha de referencia: 23 de septiembre de 2025. Tras el incidente de TikTok, marcas y publishers necesitan evitar que contenidos sensibles activen módulos de producto o respuestas con anexado comercial. AEO inverso prioriza no mostrar ni vincular merchandising en contextos no aptos y convierte esa coherencia en una señal positiva de calidad y confianza.

El estándar Do-Not-Merch legible por LLM

El estándar propuesto tiene tres capas complementarias. Cuando coexisten, el motor aplica precedencia por frescura y firma.

Capa 1 C2PA

• Nueva aserción: org.dnm.v1 dentro del manifiesto con alcance por región e imagen completa.
• Campos clave: donotMerch true o false, reason lista taxonómica, scope scene face object, ttl ISO8601, jurisdiction por país, reviewer y timestamp, evidence con hash de regiones.
• Referencia técnica: ver la especificación C2PA oficial.

Capa 2 IPTC

• Uso de regiones de imagen para etiquetar escena, rostro y objeto con términos controlados y severidad.
• Extensiones suaves con prefijo dnm: sin romper compatibilidad. Ejemplos: dnm:sensitivitySeverity, dnm:minor true para menores.

Capa 3 JSON‑LD de exclusión

• Bloque machine readable para rastreadores y motores de respuesta con políticas de exclusión y hints de sensibilidad aplicables a la URL activa y a los derivados.
• Tipo recomendado: MediaObject definido en MediaObject en schema.org.

Ejemplos listos para copiar

Ejemplo JSON‑LD de exclusión y hints

{
  "@context": "https://schema.org",
  "@type": "MediaObject",
  "identifier": "urn:uuid:123e4567-e89b-12d3-a456-426614174000",
  "isPartOf": "https://ejemplo.com/nota/accidente-local",
  "doNotMerch": true,
  "doNotMerchTTL": "P14D",
  "doNotMerchReason": ["crisis", "duelo"],
  "doNotMerchScope": {
    "scene": ["accidente_trafico"],
    "faces": [{"regionId": "f1", "minor": true}],
    "objects": ["ambulancia", "sangre"]
  },
  "merchHints": {
    "blockedCategories": ["armas", "seguros", "juguetes"],
    "allowedCategories": ["donaciones", "servicios_apoyo"],
    "jurisdiction": ["US", "MX"],
    "sensitivitySeverity": "alta"
  }
}

Ejemplo de aserción C2PA org.dnm.v1

{
  "type": "org.dnm.v1",
  "payload": {
    "donotMerch": true,
    "reasons": ["menores", "privacidad"],
    "ttl": "2025-10-07T00:00:00Z",
    "regions": [
      {"id": "f1", "role": "face", "minor": true, "bbox": [0.12, 0.18, 0.25, 0.33]},
      {"id": "s1", "role": "scene", "tag": "hospital"}
    ],
    "review": {"policyVersion": "1.0", "reviewer": "brand_safety_bot", "timestamp": "2025-09-23T12:35:00Z"}
  }
}

Cabeceras y metatags opcionales

• Ejemplo de header HTTP: X-Do-Not-Merch: on ttl=1209600 reason=crisis,duelo
• Meta tag HTML: <meta name="shopping-robots" content="donotmerch, ttl=14d">

Taxonomía de contextos sensibles

• Crisis y desastres: accidentes, catástrofes, violencia, conflictos, emergencias sanitarias.
• Duelo y memoriales: funerales, homenajes a víctimas, conmemoraciones de pérdida.
• Menores y educación: presencia de niños, uniformes escolares, eventos estudiantiles, guarderías.
• Privacidad y datos: domicilios, matrículas, historiales médicos, documentos visibles.
• Salud y bienestar: procedimientos médicos, sangre, dispositivos clínicos, salud mental.
• Identidad y vulnerabilidad: centros de culto, orientación política o religiosa, colectivos en riesgo.

Etiquetado por nivel

• Escena: un solo tag dominante por pieza y severidad alta, media o baja. Ejemplo: escena hospital con severidad alta y TTL 14 días.
• Rostro: crear regiones por persona. Señalar minor true cuando aplique. Incluir permisos model_release y restricciones de merchandising.
• Objeto: armas, ambulancias, equipos médicos, documentos. Asociar score de sensibilidad y relación con la escena.

Ingesta y enforcement en motores de respuesta

• Parsing en cascada: primero manifiesto C2PA, luego regiones IPTC y después JSON‑LD. Si hay conflicto, gana C2PA más reciente y firmado.
• Señal de ranking: cuando doNotMerch sea true, penalizar productos candidatos en respuestas y módulos de shop, y aumentar la confiabilidad del editor por cumplimiento coherente. Introducir merch_block_risk_score en el re ranking.
• Fallback inteligente: si faltan metadatos, usar modelo de visión para estimar sensibilidad y respetar allowedCategories y jurisdicciones.

Playbook para marcas y publishers

1. Gobierno y políticas

• Redactar política de exclusión con la taxonomía previa, mapeo legal por país y ventanas TTL por categoría.
• Crear un registro de decisiones con versionado y responsables.

2. Producción y herramientas

• Activar C2PA en el DAM, habilitar regiones IPTC y plantillas dnm:*.
• Entrenar etiquetado asistido por visión con umbrales conservadores para menores y medical.

3. QA y auditoría

• Auditoría semanal de coincidencias bloqueadas y falsos positivos. Revisiones humanas sobre muestras estratificadas por severidad y fuente UGC vs editorial.

4. Integración con feeds de comercio

• Añadir columnas do_not_merch, allowed_categories, blocked_categories en product feed y media feed. Sincronizar TTL y jurisdicción con CMS y PIM.
• Conectar con tácticas de AEO para ChatGPT Search Shopping para mantener conversión en contextos aptos.

5. Experimentos

• A B test por superficie. Grupo control sin Do-Not-Merch, tratamiento con Do-Not-Merch y hints. Medir brand safety lift y CVR en contextos aptos.
• Complementar con licencias machine readable siguiendo RSL First para AEO para reforzar señales de confianza.

6. Canales sociales y video

• En creatividades de video, combinar con C2PA y control de likeness siguiendo el playbook de AEO en video para YouTube.

Métricas y auditoría

• Blocked match rate por 1.000 impresiones en contextos sensibles: objetivo bajar al menos 80 por ciento frente a la línea base.
• Brand safety incident rate por millón de vistas: objetivo menos de 1.
• Safe context coverage: porcentaje de impresiones en entornos aptos con productos mostrados, objetivo más de 95 por ciento.
• CVR en contextos aptos: sin degradación, objetivo entre menos 1 por ciento y más 2 por ciento.
• Tiempo de reacción desde publicación a propagación de señal: objetivo menos de 5 minutos.

Cómo convertirlo en ventaja en TikTok e IG Shop

• Segmentación creativa: duplicar creatividades y activar doNotMerch solo en contenidos con hints de sensibilidad. Mantener whitelists por categoría para contextos aptos.
• Sello de confianza: comunicar al retail media partner el cumplimiento Do-Not-Merch para optar a inventario premium con menor riesgo.
• Optimización de catálogo: usar allowedCategories para impulsar productos de ayuda o donación en contextos de crisis permitidos legalmente, con copy sensible.
• Puja y pacing: elevar pujas en inventario marcado merch_ok y reducir en inventario desconocido. Automatizar con reglas en el ad stack.

Riesgos y mitigaciones

• Falsos positivos que reduzcan ingresos: revisión humana sobre colas de alta probabilidad y expiración TTL corta.
• Latencia en lectura de metadatos: precache de manifiestos C2PA y headers en CDN.
• Inconsistencias entre capas: política de precedencia y firmas.
• Privacidad: anonimización de regiones y no almacenar rostros crudos en logs.

Roadmap de adopción

• 0 a 30 días: definir taxonomía, activar JSON‑LD y headers, pilotos en 10 por ciento del inventario.
• 31 a 60 días: habilitar C2PA en DAM y flujos de edición, entrenar etiquetado asistido, iniciar A B tests en TikTok e IG Shop.
• 61 a 90 días: auditoría formal, ajuste de umbrales, publicación de guía pública y creación de informe trimestral de brand safety.

Checklist operativo

• Política y owner definidos.
• Plantillas IPTC y C2PA en DAM.
• JSON‑LD activo en páginas de detalle y notas.
• Feeds de productos y medios con campos dnm.
• Reglas de puja por contexto.
• Panel de métricas con blocked match rate, incident rate, CVR apto y latencia TTL.

Criterios de éxito

• Reducción sostenida de incidentes y cero penalizaciones por adjacency en social commerce.
• Mantener o mejorar CVR en contextos aptos y aumentar ranking por confiabilidad.
• Adopción por partners y reconocimiento como mejor práctica.

Preguntas rápidas

• ¿Qué pasa si un motor ignora JSON‑LD? La señal se refuerza en C2PA e IPTC. Además, los tests A B mostrarán si hay fuga y dónde reforzar.
• ¿Cómo probar sin arriesgar ingresos? Empezar por TTL cortos y aplicar la política solo en categorías de mayor riesgo, con control holdout.

Resumen ejecutivo

Do-Not-Merch crea una gramática común para que LLM y motores de compras sepan cuándo no anexar productos a contenido sensible. Combinando C2PA, IPTC y JSON‑LD con auditoría y pruebas controladas, las marcas pueden protegerse, cumplir y ganar ventaja competitiva sin sacrificar la conversión en contextos aptos.