Por Diosh — Fundador, AHAeCommerce | Inteligencia de decisiones de eCommerce para operadores con un GMV de USD 50K–5M
Cuando un comprador le pregunta a un asistente de IA "cuál es la mejor zapatilla de running ligera para pies anchos por menos de USD 120", la IA no clasifica las páginas por densidad de palabras clave ni por autoridad de dominio. Identifica los productos que tienen datos verificables por máquina: opciones de ancho disponibles en stock, peso verificado en onzas, precio confirmado dentro del rango indicado y una política de devoluciones que cubre problemas de talla. Los productos que se citan son aquellos cuyos datos responden a la consulta. Es posible que los productos con las mejores descripciones optimizadas para SEO no aparezcan en absoluto.
Los datos de Salesforce de 2025 muestran que el 39% de todos los compradores usa IA para el descubrimiento de productos, y el 54% de los compradores de la Generación Z hace lo mismo. Esto no es una tendencia futura para la que haya que prepararse: es el estado actual de cómo una porción significativa de tus compradores potenciales encuentra productos. Los operadores que construyeron sus páginas de producto para el algoritmo de Google de 2020 y no las han auditado para que sean detectables por IA están perdiendo cuota de consideración frente a competidores cuyos datos de producto son más legibles por máquina, incluso cuando su contenido es menos atractivo.
La suposición por defecto (y por qué falla)
La respuesta predominante de los operadores ante la búsqueda con IA es una respuesta de estrategia de contenido: producir más contenido apto para IA, escribir descripciones de producto más largas con lenguaje natural, añadir secciones de preguntas frecuentes, crear contenido comparativo estructurado. La suposición es que el descubrimiento con IA funciona como el SEO orgánico: que premia la relevancia, la profundidad y la autoridad temática.
Esto es parcialmente correcto para el contenido editorial y las entradas de blog. Para el descubrimiento de productos, es el modelo equivocado. Los asistentes de IA que evalúan productos para recomendarlos no están puntuando autoridad temática. Están haciendo verificación de hechos. El comprador hizo una pregunta específica con parámetros medibles. La IA necesita verificar que un producto concreto cumple esos parámetros con datos fiables, no que tu descripción de producto esté bien escrita.
Un asistente de IA que le recomienda un producto a un comprador asume un riesgo de reputación si la recomendación es incorrecta. Si recomienda una zapatilla "de horma ancha" que no tiene una especificación de ancho documentada, o una opción "ligera" que carece de un peso confirmado, y el comprador la adquiere y descubre que la afirmación era texto de marketing y no una especificación, el comprador culpa a la IA. Los asistentes de IA están entrenados para evitar esto prefiriendo productos con datos verificables y estructurados por encima de productos con descripciones atractivas pero no verificables.
El cambio: de la calidad del contenido a la calidad de los datos. De la optimización para SEO a la completitud de los datos estructurados.
De qué depende realmente la decisión
Datos estructurados frente a texto narrativo
Los datos estructurados son legibles por máquina. Se publican en un formato estandarizado (Schema.org, JSON-LD) y cualquier sistema que conozca el esquema puede analizarlos. Cuando publicas un producto con marcado Product de Schema.org que incluye name, description, offers (con price, availability, priceCurrency), weight, size y material, un asistente de IA puede verificar esos campos contra los parámetros de la consulta del comprador.
El texto narrativo es legible por humanos y depende del contexto. "Esta zapatilla es perfecta para corredores que necesitan más espacio en la puntera" es útil para un lector humano que puede interpretar "espacio en la puntera" como probablemente adecuado para pies anchos. Un asistente de IA que analiza esta frase no puede confirmar que satisface una consulta de "ancho amplio disponible en talla 11" sin datos estructurados adicionales que lo verifiquen.
Los operadores que tienen un marcado de datos estructurados completo son citados por los asistentes de IA en consultas que coinciden con sus atributos verificables. Los operadores con texto narrativo atractivo son citados en consultas donde la IA está sintetizando contenido editorial —reseñas, comparativas, guías—, no recomendaciones de producto. Estas son fuentes de tráfico distintas, con distinta intención de compra y distinta economía de conversión.
Los cinco campos que impulsan las citas de productos por IA
La capacidad de descubrir un producto en contextos de recomendación con IA depende principalmente de cinco campos de datos que están sistemáticamente ausentes en la mayoría de las páginas de producto de eCommerce:
Precio y disponibilidad en tiempo real en el marcado Offer. Un asistente de IA no recomendará un producto si no puede verificar que se puede comprar en ese momento. Si tu Offer de Schema.org no incluye availability: InStock con una señal en vivo, el producto es un riesgo de cita para la IA.
Dimensiones específicas, peso y especificaciones técnicas en propiedades de producto estructuradas. Estos son los campos que permiten a la IA responder consultas dimensionales o técnicas con precisión. Un producto con "ligero" en la descripción pero sin un campo weight en los datos estructurados no pasa la prueba de verificabilidad por máquina.
Restricciones de compatibilidad: con qué funciona el producto y con qué no. Los asistentes de IA que responden a consultas de compatibilidad ("funciona con el modelo X", "encaja en un orificio de tamaño Y") necesitan datos de compatibilidad estructurados, no afirmaciones de compatibilidad narrativas.
Detalles específicos de la política de devoluciones en el marcado MerchantReturnPolicy. Los compradores que buscan productos "con devoluciones gratuitas" o "política de devoluciones sencilla" buscan condiciones de devolución verificables. Una IA que cita un producto con una afirmación vaga de "devoluciones fáciles" en el texto, y el comprador descubre una comisión de reposición del 15% en la letra pequeña, ponderará ese producto más abajo en futuras recomendaciones.
Datos de reseñas en el marcado AggregateRating. El número de reseñas y la valoración media son señales fuertes para la cita por IA, en particular en categorías donde las señales de experiencia del comprador son el diferenciador principal.
La brecha entre lo que publicas y lo que la IA puede leer
La mayoría de las páginas de producto de eCommerce tienen dos versiones de la información del producto: la descripción narrativa escrita para lectores humanos y los datos del catálogo de producto en el backend de la plataforma de eCommerce. Los datos del backend —incluyendo dimensiones, peso, atributos de SKU y estado de inventario— suelen existir en la plataforma pero no se publican en la página de producto en formato de datos estructurados.
Un producto que tiene todos los datos correctos en el panel de administración de productos de Shopify pero que solo publica una descripción narrativa en la página de producto es invisible para los asistentes de IA, de la misma manera que una página compuesta solo de imágenes es invisible para los indexadores de texto de los motores de búsqueda. Los datos existen; simplemente no se publican en un formato que la IA pueda consumir.
La solución para esto no es un proyecto de producción de contenido. Es una tarea de publicación de datos estructurados: configurar tu tema o la plantilla de la página de producto para que emita los datos del catálogo del backend como JSON-LD de Schema.org, y asegurarte de que se incluyan los campos que importan para la descubribilidad por IA. Para la mayoría de las tiendas de Shopify, esto es una modificación de plantilla, no una nueva iniciativa de datos de producto.
La realidad del costo
El tráfico de búsqueda orgánica procedente del descubrimiento mediado por IA no aparece con claridad en la atribución estándar de Google Analytics. Los clics de las AI Overviews se atribuyen de forma diferente a los clics orgánicos; las referencias de agentes de compra pueden llegar a través de canales directos o de referencia según la implementación del agente. Medir el costo de la invisibilidad ante la IA es más difícil que medir el costo de una caída en el ranking.
La métrica indirecta que revela la brecha: la cobertura de resultados enriquecidos (rich results). Si tus páginas de producto no están generando rich results en Google (precio, disponibilidad y valoración mostrados en el resultado de búsqueda), tampoco tienes un marcado de datos estructurados suficiente para la descubribilidad por IA. Los rich results requieren los mismos campos de Schema.org que analizan los asistentes de IA. Ejecutar la Prueba de Resultados Enriquecidos de Google sobre tus 20 páginas de producto principales revelará la brecha.
Los operadores que han hecho una remediación de datos estructurados en las páginas de producto —publicando un marcado Product de Schema.org completo con los cinco campos— suelen ver una mejora del 15–25% en la cobertura de rich results en un plazo de 60 días. El impacto en SEO solo por los rich results a menudo justifica el costo de implementación, con la mejora en descubribilidad por IA como beneficio que se acumula.
El mapa de la disyuntiva
Remediación del catálogo completo
Auditar y remediar los datos estructurados en todo el catálogo de productos entrega el máximo beneficio de descubribilidad por IA. Para una tienda de 500 SKU con datos de producto consistentes en el backend, esto es una modificación de tema más una auditoría de datos del catálogo y el relleno de huecos: normalmente entre 4 y 8 semanas de operaciones de catálogo y entre 2 y 3 semanas de trabajo de desarrollo.
La ventaja: cobertura completa de datos estructurados, máxima elegibilidad para rich results y elegibilidad de cita por IA para todo el catálogo. La desventaja: una inversión concentrada al inicio, y los huecos en los datos de producto del backend (pesos, dimensiones o campos de compatibilidad faltantes) requieren trabajo de operaciones de catálogo que extiende el cronograma.
Remediación de SKU prioritarios
Remediar el 20% de los SKU principales por tráfico e ingresos entrega más del 80% del beneficio de descubribilidad por IA con el 20% del costo de remediación. Este es el primer paso correcto para operadores con catálogos grandes o recursos técnicos limitados.
El enfoque: identificar los 20 SKU principales por tráfico orgánico, asegurar datos estructurados de Schema.org completos para esos SKU, medir la mejora en la cobertura de rich results y usar la evidencia para justificar la remediación del catálogo completo en el siguiente trimestre.
Vía paralela de contenido + datos
Para operadores cuyas páginas de producto tienen descripciones narrativas sólidas pero datos estructurados débiles, el enfoque paralelo —seguir publicando contenido editorial mientras se remedian los datos estructurados— captura tanto el tráfico de las AI Overviews (que premia la profundidad editorial) como el tráfico de recomendación de producto por IA (que premia los datos estructurados). Estas son inversiones complementarias, no alternativas.
Cuándo la inversión en descubrimiento por IA tiene el mayor ROI
Las categorías donde las mejoras en el descubrimiento de productos por IA producen el impacto más medible son aquellas donde los compradores usan IA para hacer investigación comparativa antes de comprar:
- Productos técnicos donde las especificaciones importan para la decisión de compra (electrónica, electrodomésticos, herramientas, equipamiento outdoor)
- Productos con requisitos de talla o compatibilidad (ropa con tallaje, accesorios con compatibilidad de dispositivos, piezas con compatibilidad de vehículos)
- Productos en categorías con comportamiento activo de compra con IA (artículos para el hogar, cuidado personal, equipamiento de fitness) según los datos de descubrimiento de Salesforce de 2025
- Productos de alta consideración y mayor AOV donde los compradores investigan antes de comprometerse
Los productos de baja consideración, de tipo commodity o de compra impulsiva se benefician menos de la remediación de datos estructurados, porque los compradores de esas categorías tienen menos probabilidades de consultar a la IA antes de comprar.
Lo que los operadores hacen mal con más frecuencia
El primer error es tratar el descubrimiento de productos por IA como un problema de contenido. Escribir descripciones de producto más largas, añadir secciones de preguntas y respuestas y producir más contenido comparativo mejora la visibilidad editorial ante la IA (AI Overviews, citas de ChatGPT para consultas informativas). No mejora de forma significativa la recomendación de producto por parte de los agentes de compra con IA, que se impulsa por los datos estructurados, no por la calidad del contenido.
El segundo error es publicar los datos estructurados una vez y no mantenerlos. Los campos de estado de disponibilidad, precio y estimación de envío cambian a diario o cada hora. Una página de producto con datos estructurados que muestra un precio estático o "InStock" cuando el artículo está temporalmente agotado daña de forma activa la confianza de la recomendación por IA. La IA cita tu producto; el comprador hace clic y lo encuentra agotado o a un precio distinto; la IA se entrena en contra de citar tus productos. Los datos estructurados requieren una publicación automatizada y en tiempo real, no una implementación de esquema única.
El tercer error es medir la descubribilidad por IA únicamente a través de métricas de tráfico orgánico, que son cada vez más difíciles de atribuir con precisión. El mejor indicador indirecto es la cobertura de rich results y la tasa de errores de validación de datos estructurados, ambos medibles sin la incertidumbre de atribución de las rutas de conversión multitáctil.
Los operadores que esperen a que el descubrimiento de productos por IA se convierta en un tema generalizado antes de actuar estarán remediando bajo presión competitiva, adaptando un catálogo de 500 SKU en lugar de uno de 200 SKU, y explicándole a su equipo por qué el producto de un competidor está siendo citado por los asistentes de IA en consultas donde su producto es una respuesta igual de buena o mejor.
Ejecuta la Prueba de Resultados Enriquecidos de Google sobre tus 20 páginas de producto principales. Cuenta los campos faltantes. Esa brecha es tu exposición en descubribilidad por IA, y es medible hoy mismo.
AHAeCommerce es una plataforma independiente de inteligencia de decisiones de eCommerce. Ninguna relación de afiliación influye en este análisis. Redactado con asistencia de IA. Editado y verificado en sus afirmaciones por Diosh.
Fuentes: Salesforce, "AI Agent Retail Trends 2025" — salesforce.com/news/stories/ai-agent-retail-trends-2025/; Prueba de Resultados Enriquecidos de Google — search.google.com/test/rich-results; Schema.org Product — schema.org/Product; ver también: Stack de analítica de eCommerce
