Optimización de compras con IA

TL;DR — La optimización de compras con IA consigue que tus productos se recomienden y se compren dentro de asistentes como ChatGPT, Google AI Mode, Copilot y Perplexity. El gran cambio frente al SEO de comercio electrónico normal es que estas herramientas se apoyan mucho en un feed de productos —una lista legible por máquinas con tus productos, precios y existencias— junto con (no en lugar de) tu página web, y el peso que cada superficie da al feed frente a la página varía según la plataforma. Por eso el trabajo añade «publicar un feed completo, exacto y actualizado» al SEO de página, en vez de sustituirlo. También hay una distinción que suele confundirse: que te recomienden depende sobre todo de la calidad de los datos; que te compren dentro del chat es una configuración independiente y opcional.

Qué es la optimización de compras con IA

Las experiencias de compras con IA pueden usar feeds de comerciantes, datos de producto estructurados e información web en directo, pero los requisitos varían según la plataforma. Evidence for this claim ChatGPT search can show shopping results using structured product and merchant information. Scope: OpenAI's documented shopping experience; eligibility and presentation can change and do not define every AI shopping system. Confidence: high · Verified: 2026-07-14 OpenAI: Shopping with ChatGPT search La documentación de productos de Google distingue los feeds de Merchant Center de los datos estructurados de producto en la página. Evidence for this claim Google documents Product structured data and Merchant Center feeds as ways to provide product information for search experiences. Scope: Google Search and merchant surfaces; compliance can enable eligibility but does not guarantee selection or ranking. Confidence: high · Verified: 2026-07-14 Google: Product structured data

Cuando compras con un asistente de IA, no recorres una página con diez enlaces azules. Haces una pregunta —«mochila impermeable para ir al trabajo por menos de 150 USD»— y el asistente responde con una lista breve de productos concretos, a menudo con precios, imágenes y motivos.

Para construir esa respuesta, la IA a menudo no lee tu página de producto como lo haría una persona: se apoya en datos de producto estructurados y en tu feed, donde cada producto tiene campos como marca, precio, disponibilidad, talla, color e imágenes. El grado en que una superficie depende del feed frente a la página renderizada varía según la plataforma. La optimización de compras con IA consiste en hacer que esos datos (y el contenido de la página que los respalda) sean lo más completos, exactos y actuales posible para que tus productos sean seleccionados.

Por qué esto es diferente del SEO normal

El SEO clásico de comercio electrónico optimiza la página: el título, el texto, los enlaces internos y los backlinks. Eso sigue siendo importante: algunas superficies de compras con IA todavía rastrean y leen HTML. Pero la mayoría de los agentes de compras con IA también ponderan mucho el feed, y la mayoría de los programas de SEO ni siquiera son responsables de él ni lo auditan.

Una página de producto excelente vinculada a un feed roto o incompleto puede seguir siendo invisible para los agentes de compras que dependen de los datos del feed. Ese es el cambio de mentalidad: el feed se convierte en una superficie de optimización de primer nivel junto a la página, no en un sustituto de ella.

La distinción que debes recordar

Que te recomienden y que te compren son dos cosas distintas.

• Descubrimiento — aparecer o ser recomendado por ChatGPT, Google AI Mode, Copilot o Perplexity— depende sobre todo de tu feed y de la calidad de los datos. No necesitas ninguna integración especial para esto.
• Checkout — permitir que alguien compre dentro del chat— es una capa independiente y opcional, gestionada por protocolos de comercio (en este grupo hay artículos dedicados al Agentic Commerce Protocol y al Universal Commerce Protocol).

La mayoría de los artículos mezclan ambos conceptos. Mantenlos separados y todo será más claro: corrige primero tus datos y añade el checkout dentro del chat cuando estés listo.

Qué hacer primero

• Asegúrate de que cada producto tenga identificadores completos —marca, GTIN/MPN—, además de precio y disponibilidad exactos.
• Mantén el precio y el stock actualizados: los agentes operan con datos en directo y la información obsoleta puede descalificarte.
• Añade especificaciones reales del producto y responde en lenguaje sencillo a «¿para quién es y qué problema resuelve?».
• Consigue reseñas. Sirven para desempatar entre productos similares.

¿Quieres conocer las superficies, los factores de posicionamiento, el problema de medición y un plan priorizado? Cambia a la pestaña Avanzado.

TL;DR — El cambio de categoría es un cambio de énfasis: los agentes se apoyan mucho en catálogos legibles por máquinas, así que el feed (atributos, datos estructurados y frescura) se convierte en una superficie principal junto a la página. La combinación exacta de feed y página depende del proveedor, y ninguna superficie ha publicado una fórmula universal de posicionamiento ni una vía garantizada de inclusión. La distinción que debes dominar es esta: el descubrimiento (que te recomienden) depende en gran medida del feed y de la calidad de los datos y no depende de un protocolo, mientras que el checkout (ACP, UCP y Copilot Checkout) es una capa independiente y opcional. Los factores de mayor impacto, por orden, son la completitud de atributos (GTIN/MPN, marca y variantes), la exactitud en tiempo real de precio y disponibilidad, las imágenes de alta resolución, las reseñas como desempate y el texto de producto en lenguaje natural. Un estudio de una fuente secundaria encontró una gran coincidencia entre el carrusel orgánico de compras de ChatGPT y el posicionamiento orgánico de Google Shopping (verifica la metodología primaria antes de dar por cerrado el porcentaje exacto), lo que explica por qué la higiene clásica de Merchant Center probablemente rinde en varias superficies. El reto de medición es que las compras mediadas por IA pueden no dejar una visita de página, aunque depende del proveedor y del diseño de transferencia; cada vez más, los equipos usan métricas de visibilidad del feed y reconciliación a nivel de pedido junto con las sesiones.

El cambio de categoría, explicado una vez

No existe una fórmula universal de posicionamiento para compras con IA ni una vía garantizada de inclusión. Evidence for this claim ChatGPT search can show shopping results using structured product and merchant information. Scope: OpenAI's documented shopping experience; eligibility and presentation can change and do not define every AI shopping system. Confidence: high · Verified: 2026-07-14 OpenAI: Shopping with ChatGPT search Trata los datos de producto exactos y actuales como infraestructura de elegibilidad y comprensión, no como garantía de una cita. Evidence for this claim Google documents Product structured data and Merchant Center feeds as ways to provide product information for search experiences. Scope: Google Search and merchant surfaces; compliance can enable eligibility but does not guarantee selection or ranking. Confidence: high · Verified: 2026-07-14 Google: Product structured data

Durante veinte años, el SEO de comercio electrónico optimizó una página para un lector humano y una lista ordenada de enlaces. La optimización de compras con IA añade una segunda superficie: datos para una máquina que lee un catálogo y compone una respuesta. Ese es el cambio en una frase, pero es un cambio de énfasis, no un intercambio absoluto. La evidencia actual respalda combinaciones específicas de cada proveedor entre feeds, páginas y catálogos, no una regla universal de «feed, no página»; algunas superficies todavía rastrean y ponderan HTML, y las páginas siguen aportando detalles de especificación (casos de uso, preguntas frecuentes y materiales) para los que los feeds no tienen campos.

La razón por la que los feeds importan más que antes es mecánica, no una moda. Los agentes de compras con IA se apoyan cada vez más en datos de producto legibles por máquinas —feeds y atributos estructurados— junto con tu HTML renderizado. Al explicar su experiencia de compras en AI Mode, Google describe un proceso llamado query fan-out: “AI Mode will start a query fan-out, which means it runs several simultaneous searches to figure out what makes a bag good for rainy weather and long journeys, and then use those criteria to suggest waterproof options” (traducción) «AI Mode iniciará una expansión de consultas: ejecutará varias búsquedas simultáneas para determinar qué hace buena a una bolsa para el clima lluvioso y los viajes largos, y después usará esos criterios para sugerir opciones impermeables» (Lilian Rincon, VP Product Management, Google). La expansión de consultas relaciona una intención descompuesta con los atributos del producto. Un texto repleto de palabras clave no ofrece nada con lo que hacer esa correspondencia; sí lo hace un conjunto completo y exacto de atributos.

Descubrimiento frente a checkout: la distinción que sostiene este artículo

Este es el modelo mental más útil de la página y el que más contenidos de la competencia interpretan mal.

• Descubrimiento — aparecer o ser recomendado de forma orgánica— depende en gran medida de la calidad de los datos del feed y de los atributos, y es independiente de que hayas activado un protocolo de checkout. Un comerciante puede ser recomendado por ChatGPT, Google AI Mode, Copilot o Perplexity solo por la calidad de sus datos.
• Checkout — completar la transacción dentro del asistente— es una capa separada, adicional y opcional. Eso es lo que hacen los protocolos: el Agentic Commerce Protocol (ACP) de OpenAI y Stripe permite el checkout en ChatGPT; el Universal Commerce Protocol (UCP) de Google y Shopify lo permite en Google AI Mode y Gemini; Microsoft tiene su propio Copilot Checkout.

No necesitas integrar ACP ni UCP para que te recomienden. Los necesitas para que te compren dentro del chat. Corrige primero los datos y añade el checkout cuando el beneficio transaccional justifique la ingeniería. Los artículos sobre protocolos explican la mecánica del checkout; este artículo deliberadamente no la vuelve a derivar.

Las superficies, en breve

Ahora mismo importan cinco superficies. Todas leen datos estructurados y ninguna premia la densidad de palabras clave.

Google AI Mode / Shopping Graph. La escala es el argumento para tomarse en serio los feeds. En una publicación de lanzamiento de mayo de 2025, Google dijo que “The Shopping Graph now has more than 50 billion product listings, from global retailers to local mom and pop shops, each with details like reviews, prices, color options and availability” (traducción) «El Shopping Graph ya tiene más de 50 mil millones de fichas de productos, desde minoristas globales hasta tiendas locales, cada una con detalles como reseñas, precios, opciones de color y disponibilidad» (Rincon), y que “Every hour more than 2 billion of those product listings are refreshed on Google” (traducción) «Cada hora se actualizan en Google más de 2 mil millones de esas fichas de productos» (misma publicación). Google presenta la idea de forma amplia: “Our new AI Mode experience is built for every part of shopping — from finding inspiration to buying at the right moment” (traducción) «Nuestra nueva experiencia de AI Mode está diseñada para cada parte de las compras: desde encontrar inspiración hasta comprar en el momento adecuado» (Rincon). Trata las cifras de 50 mil millones y 2 mil millones como afirmaciones fechadas de esa publicación de lanzamiento, no como un contador en directo; el artículo de análisis del Shopping Graph recoge cifras oficiales más recientes si las hubiera. El propio Shopping Graph tiene un análisis detallado en este grupo.

ChatGPT Shopping. ChatGPT muestra selecciones orgánicas de productos que, según el material de ayuda de OpenAI, no son anuncios ni se vuelven a ordenar por precio o envío en el posicionamiento base. La ayuda de compras de OpenAI describe la selección de comerciantes mediante factores como disponibilidad, precio, calidad y si el comerciante es el fabricante o el vendedor principal del artículo (consulta Compras con ChatGPT Search). La documentación comercial para desarrolladores de OpenAI ahora admite el envío directo de feeds de productos, una evolución importante porque ChatGPT dependía históricamente de proveedores de datos externos en lugar de un feed enviado por el comerciante. La especificación actual de archivos de producto separa un schema Stable (el que se debe usar como base) de un schema Draft, destinado a planificación y todavía no listo para producción, y expone tres indicadores de elegibilidad independientes por producto: búsqueda, checkout y anuncios, en vez de un único interruptor. La carga de archivos funciona mediante SFTP, con snapshots completos del catálogo al menos diarios, nombres estables, formatos comprimidos concretos y un tratamiento explícito de los productos retirados. Es un modelo de cadencia diferente al de un feed en directo, minuto a minuto; planifica la canalización para snapshots diarios en lugar de asumir un envío casi en tiempo real.

Microsoft Copilot Shopping. La propuesta de Microsoft para comerciantes es que Copilot funciona como comprador personal, y su Copilot Merchant Program permite “share key product specifications with us, ensuring we have up-to-date details on all your items.” (traducción) «compartir con nosotros las especificaciones clave de los productos para garantizar que tengamos datos actualizados de todos tus artículos» . Técnicamente es menos detallado que el stack de Google u OpenAI, pero es una tercera superficie que justifica un feed.

Perplexity Shopping. La posición declarada de Perplexity es que sus resultados de compras son orgánicos y que las marcas no pueden pagar por aparecer; su programa para comerciantes comparte datos del catálogo (reseñas, precios, especificaciones e imágenes) para relacionar consultas en lenguaje natural con productos (consulta Compra como un profesional).

Gemini consume los mismos datos de Google Shopping Graph, así que la higiene del feed de Google también se aplica aquí.

Qué mueve realmente la aguja

Ordenados aproximadamente por impacto:

1. Completitud de atributos. GTIN/MPN, marca, precio y disponibilidad exactos, variantes de talla/color e imágenes de alta resolución. Es un factor de gran impacto porque tanto la documentación de Google como la especificación de feeds de OpenAI lo destacan de forma independiente. El schema Stable de archivos de producto de OpenAI exige campos como item_id, title, description, url, brand, image_url, precio con moneda, availability y seller_name; cada registro también tiene indicadores separados is_eligible_search, is_eligible_checkout y de elegibilidad para anuncios. La elegibilidad para búsqueda es un requisito previo para la de checkout, y ninguna de las tres está garantizada por el mero hecho de enviar un feed. Verifica los nombres exactos de campos y el comportamiento de los indicadores en la especificación de archivos de producto activa de OpenAI antes de basarte en ellos: los schemas evolucionan.
2. Frescura con una cadencia realista. La exactitud de precio y stock importa más que en el SEO clásico, pero «tiempo real» no es universal: Google describe la actualización de más de 2 mil millones de fichas por hora, mientras que la ruta actual de carga de archivos de OpenAI usa snapshots completos al menos diarios por SFTP, no un envío en directo. Ajusta la cadencia a lo que realmente ingiere cada superficie; el stock o precio obsoleto sigue siendo una señal descalificadora cuando supera la ventana de actualización de esa superficie.
3. Imágenes de alta calidad. Varios ángulos, fondos limpios e imágenes correctas para cada variante: los agentes muestran imágenes y a veces razonan sobre ellas.
4. Reseñas y señales de confianza como desempate entre productos que de otro modo serían similares. En el scorecard de seis puntos para páginas de producto preparadas para IA de Search Engine Land, Jeff Oxford, de Visibility Labs, encontró que el producto mediano entre mil consultas de comercio electrónico tenía unas 156 reseñas y propone considerar aproximadamente 150 o más como umbral práctico de visibilidad en IA. Su explicación de por qué las páginas necesitan detalles explícitos es que los asistentes de IA necesitan especificaciones claras para comprender los productos y relacionarlos con las necesidades de los clientes.
5. Texto de producto semántico y en lenguaje natural. Escribe «¿para quién es y qué problema resuelve?», no densidad de palabras clave: eso es lo que consumen la expansión de consultas de Google y la coincidencia conversacional de Perplexity y ChatGPT.

El atajo entre plataformas que está a la vista

Este es el hallazgo en el que actuaría primero si solo tuviera una tarde. Un análisis de Search Engine Land sobre feeds de productos y búsqueda con IA, que cita un estudio de Peec AI con más de 43 mil fichas, encontró que hasta el 83 % de los productos del carrusel de compras de ChatGPT coincidían con resultados orgánicos de Google Shopping, y que aproximadamente el 60 % de las coincidencias procedía de las posiciones 1 a 10 de Google Shopping. En términos sencillos: el carrusel orgánico de compras de ChatGPT coincide mucho con el posicionamiento orgánico de Google Shopping. Por tanto, la higiene del feed de Merchant Center no beneficia solo a Google: tiene un apalancamiento considerable entre plataformas. El mismo artículo señala que las AI Overviews aparecen ahora en aproximadamente el 14 % de las consultas de compras, frente a alrededor del 2 % a finales de 2024. Ambas cifras proceden de la cobertura de Search Engine Land sobre el estudio de Peec AI; vuelve a verificarlas con el estudio primario antes de citarlas como propias.

La lectura práctica es esta: mejora de verdad tu feed de Google Merchant Center y habrás hecho buena parte del trabajo para ChatGPT; después añade los feeds específicos de cada superficie (ChatGPT Product Feed, Microsoft Merchant Center y la ingesta de catálogo de Perplexity), cada uno con su schema y vía de envío. Un solo feed no gana automáticamente en cinco motores, pero un feed realmente bueno te acerca mucho.

Esta es la divergencia entre proveedores a fecha de redacción; revisa las condiciones actuales de cada programa antes de construir sobre ellas, porque cambian rápido:

Además, la elegibilidad a nivel de proveedor, cuenta y producto varía; que una función o capacidad de checkout esté activa para un comerciante o país no significa que lo esté para otro.

John Morabito, de Stella Rising, presenta el feed como un activo estratégico de marketing y no solo como un requisito técnico: tiene la estructura de un schema, pero la autoridad de tu página de producto, y la completitud suele funcionar como desempate (Optimizar ChatGPT Shopping).

Medirlo: el problema de la «visita de página»

La parte incómoda es que una proporción creciente de compras impulsadas por IA deja poco o ningún rastro analítico: ninguna visita de página ni sesión en GA4. Que un flujo concreto omita la página depende del proveedor, del diseño de transferencia entre el asistente y tu sitio y de cómo hayas instrumentado el seguimiento; es un patrón real y frecuente, no una propiedad garantizada de todas las compras mediadas por IA. Se nota sobre todo en el checkout mediado por protocolos (el artículo sobre UCP explica con detalle la transacción sin visita), pero también puede aparecer en el descubrimiento orgánico, cuando alguien compra a un competidor al que nunca atribuiste la exposición.

Por eso el KPI pasa de las sesiones a la visibilidad del feed y la reconciliación a nivel de pedido:

• Google está incorporando la capa de medición a Merchant Center. Su documentación de ayuda describe sugerencias de merchandising impulsadas por IA: “Google Merchant Center uses AI to analyze your unique products and performance data and uncover opportunities for your business.” (traducción) «Google Merchant Center usa IA para analizar tus productos únicos y los datos de rendimiento, y descubrir oportunidades para tu negocio» (Merchant Center Help), junto con la garantía de que “you’ll always remain in full control to review, adjust, or approve any changes” (traducción) «siempre conservarás el control total para revisar, ajustar o aprobar cualquier cambio» (misma página). Google también ha indicado que las estadísticas para experiencias de compras impulsadas por IA llegarán a Merchant Center, y Search Engine Land ha cubierto la llegada de las nuevas AI Performance Insights y los atributos conversacionales a Merchant Center.
• Hasta que maduren, reconcilia a nivel de pedido: relaciona los pedidos con los metadatos de referencia o del agente que puedas capturar como solución provisional.

Una cautela estratégica: homogeneidad de elección

Hay un matiz que conviene mantener como pregunta estratégica, no solo táctica. Un estudio de 2025 de un simulador de Columbia/Yale sobre agentes de compras con IA encontró indicios de homogeneidad de elección: los agentes concentran la demanda en un grupo pequeño de productos, más de lo que lo haría la navegación humana, y advirtió de una dinámica emergente de «AI-SEO» con riesgo de resultados en los que el ganador se lo lleva todo. El estudio se cita a través de la cobertura de Search Engine Journal; verifica el nombre, las instituciones y los hallazgos en la fuente primaria antes de basarte en él. La conclusión es que estar dentro del conjunto recomendado vale más, y quedarse justo fuera vale menos, que una posición equivalente en un mundo de diez enlaces azules. Eso eleva la importancia del trabajo de datos.

Dónde profundizar

• Mecánica del checkout: Agentic Commerce Protocol (ACP) y Universal Commerce Protocol (UCP), ambos en este grupo.
• Mecánica de feeds y catálogo de Google: los artículos sobre product feeds for AI y Google Shopping Graph, además de Google Merchant Center y Merchant Center feed optimization para el detalle de atributos.
• Completar una compra dentro del agente de principio a fin: el artículo sobre agentic checkout.

Resumen de IA

Resumen de la versión Avanzada

• El cambio: es un cambio de énfasis, no un intercambio absoluto: los agentes de compras con IA se apoyan mucho en catálogos legibles por máquinas (atributos del feed de productos, datos estructurados y frescura) junto a la página, y la combinación exacta de feed y página depende de cada proveedor.
• La distinción clave: el descubrimiento (que te recomienden) depende en gran medida del feed y de la calidad de los datos y no depende de protocolos; el checkout (ACP para ChatGPT, UCP para Google/Gemini y Copilot Checkout para Microsoft) es una capa independiente y opcional. No necesitas un protocolo para tener visibilidad, sino para que te compren dentro del chat.
• Superficies: Google AI Mode / Shopping Graph (más de 50 mil millones de fichas y más de 2 mil millones actualizadas por hora, según una publicación de lanzamiento de Google de 2025), ChatGPT Shopping (selecciones orgánicas, no anuncios; envío directo de feeds mediante un schema Stable y snapshots diarios por SFTP, además de indicadores separados de elegibilidad para búsqueda, checkout y anuncios), Microsoft Copilot Shopping, Perplexity Shopping (orgánico y sin pago por posición) y Gemini (usa el Shopping Graph).
• Factores de mayor impacto: completitud de atributos (GTIN/MPN, marca y variantes) → frescura ajustada a la cadencia real de cada superficie → imágenes de alta resolución → reseñas como desempate (referencia de unas 150 o más) → texto semántico en lenguaje natural.
• Atajo entre plataformas: un estudio citado por una fuente secundaria encontró una gran coincidencia entre el carrusel orgánico de ChatGPT y el posicionamiento orgánico de Google Shopping (se ha comunicado hasta aproximadamente un 83 %; verifica el estudio primario), lo que sugiere que la higiene de Merchant Center probablemente rinde en varias superficies.
• Medición: las compras con IA pueden no dejar una visita de página, según el proveedor y la transferencia; cada vez más, los equipos combinan visibilidad del feed (incluidas las AI Performance Insights de Google) y reconciliación a nivel de pedido con las sesiones.
• Cautela: la homogeneidad de elección (Columbia/Yale) implica que estar en el conjunto recomendado vale de forma desproporcionada, lo que eleva la importancia del trabajo de datos.
• Elegibilidad acotada: la elegibilidad varía por proveedor, mercado, cuenta y producto; que una función esté activa para un comerciante o país no garantiza que lo esté para otro.

Documentación oficial

Material de fuentes primarias de las plataformas que operan superficies de compras con IA.

Google

• Actualizaciones de Google Shopping: AI Mode y prueba virtual — escala del Shopping Graph, cadencia de actualización y expansión de consultas (Lilian Rincon, VP Product Management).
• Activar crecimiento y estadísticas con IA — sugerencias de merchandising impulsadas por IA dentro de Merchant Center.
• Estadísticas para experiencias de compras con IA (próximamente) — informes futuros de superficies de IA en Merchant Center.
• Sobre el checkout con UCP y la guía para desarrolladores de Universal Commerce Protocol (preguntas frecuentes) — mecánica de la capa de checkout; el artículo hermano sobre UCP la explica en profundidad.

OpenAI

• Cómpralo en ChatGPT: checkout instantáneo y Agentic Commerce Protocol — visión general del comercio en ChatGPT; el artículo hermano sobre ACP cubre el protocolo.
• Compras con ChatGPT Search — cómo ChatGPT selecciona productos orgánicos (no anuncios).
• Especificación de feeds de productos comerciales de OpenAI — schemas Stable y Draft, campos obligatorios e indicadores de elegibilidad para búsqueda, checkout y anuncios.
• Descripción general de la carga de archivos comerciales de OpenAI — modelo de envío por SFTP: cadencia diaria de snapshots, nombres estables, formatos admitidos y tratamiento de retiradas.
• Introducción a la investigación de compras en ChatGPT — contexto de la función más reciente de investigación de compras.

Microsoft

• Introducción al Copilot Merchant Program — programa de compras para comerciantes de Microsoft.

Perplexity

• Compra como un profesional — funciones de compras y programa para comerciantes de Perplexity (orgánico y sin pago por posición).

Citas de la fuente

Declaraciones registradas. Los enlaces profundos saltan al pasaje citado de la página de origen, donde se verificó el ancla.

Google: Shopping Graph y AI Mode (Lilian Rincon, VP Product Management)

• “Our new AI Mode experience is built for every part of shopping — from finding inspiration to buying at the right moment.” (traducción) «Nuestra nueva experiencia de AI Mode está diseñada para cada parte de las compras: desde encontrar inspiración hasta comprar en el momento adecuado»
  Saltar a la cita
• “The Shopping Graph now has more than 50 billion product listings, from global retailers to local mom and pop shops, each with details like reviews, prices, color options and availability.” (traducción) «El Shopping Graph ya tiene más de 50 mil millones de fichas de productos, desde minoristas globales hasta tiendas locales, cada una con detalles como reseñas, precios, opciones de color y disponibilidad»
  Saltar a la cita
• “Every hour more than 2 billion of those product listings are refreshed on Google.” (traducción) «Cada hora se actualizan en Google más de 2 mil millones de esas fichas de productos»
  Saltar a la cita
• “AI Mode will start a query fan-out, which means it runs several simultaneous searches to figure out what makes a bag good for rainy weather and long journeys, and then use those criteria to suggest waterproof options.” (traducción) «AI Mode iniciará una expansión de consultas: ejecutará varias búsquedas simultáneas para determinar qué hace buena a una bolsa para el clima lluvioso y los viajes largos, y usará esos criterios para sugerir opciones impermeables»
  Saltar a la cita

Google: herramientas de IA de Merchant Center

• “Google Merchant Center uses AI to analyze your unique products and performance data and uncover opportunities for your business.” (traducción) «Google Merchant Center usa IA para analizar tus productos únicos y los datos de rendimiento, y descubrir oportunidades para tu negocio»
  Saltar a la cita
• “It will present these as simple suggestions you can easily action, and you’ll always remain in full control to review, adjust, or approve any changes.” (traducción) «Las presentará como sugerencias sencillas que puedes aplicar fácilmente, y siempre conservarás el control total para revisar, ajustar o aprobar cualquier cambio»
  Saltar a la cita

Microsoft: Copilot Merchant Program (atribuido al equipo de Copilot)

• “With Copilot, customers have a personal shopper at their service, helping guide them towards the right items and best deals.” (traducción) «Con Copilot, los clientes tienen un comprador personal a su servicio que les ayuda a encontrar los artículos adecuados y las mejores ofertas»
  Saltar a la cita
• “Once you’re in the Copilot Merchant Program you can also share key product specifications with us, ensuring we have up-to-date details on all your items.” (traducción) «Una vez dentro del Copilot Merchant Program también puedes compartir con nosotros las especificaciones clave de los productos, para garantizar que tengamos datos actualizados de todos tus artículos»
  Saltar a la cita

Orientación del sector

• Jeff Oxford, de Visibility Labs, escribe que los asistentes de IA necesitan especificaciones claramente expresadas para comprender los productos y relacionarlos con las necesidades de los clientes. Lee su scorecard de seis puntos para páginas de producto.
• John Morabito, de Stella Rising, recomienda tratar el feed como un activo estratégico de marketing y no solo como un requisito técnico. Lee su guía sobre ChatGPT Shopping.
• La guía de comercio agéntico de Search Engine Journal enlaza las declaraciones originales que cita de Kevin Miller, de Stripe, y Vanessa Lee, de Shopify.

¿Qué problema de compras con IA estás resolviendo?

Usa este árbol para decidir dónde invertir el siguiente bloque de trabajo. Mucha gente salta directamente a «integrar un protocolo», cuando la respuesta casi siempre es «arregla primero el feed».

Lista de comprobación de optimización de compras con IA

Trabaja de arriba abajo: el orden sigue aproximadamente el impacto.

Calidad de los datos del feed (haz esto primero; no requiere protocolo)

• Cada producto tiene un identificador único —GTIN o MPN— y marca.
• Los títulos y las descripciones son completos y específicos (especificaciones, materiales y dimensiones), no están llenos de palabras clave.
• El precio y la disponibilidad son exactos y se actualizan con frecuencia: el stock o precio obsoleto es una señal descalificadora.
• Todas las variantes (talla y color) aparecen como artículos propios con los atributos correctos.
• Imágenes de alta resolución, varios ángulos e imágenes correctas para cada variante.
• Hay reseñas y siguen creciendo (unas 150 o más son una referencia de trabajo útil para considerar la visibilidad en IA).
• El texto del producto responde en lenguaje sencillo a «¿para quién es y qué problema resuelve?».

Cobertura de superficies

• El feed de Google Merchant Center es la prioridad (el Shopping Graph alimenta AI Mode y Gemini, y coincide con el carrusel orgánico de ChatGPT).
• Se ha enviado directamente el ChatGPT Product Feed (sin depender solo de la agregación de terceros).
• Se ha enviado el feed de Microsoft Merchant Center para Copilot Shopping.
• Se ha configurado el catálogo o programa para comerciantes de Perplexity.

Checkout (opcional; solo después de consolidar el descubrimiento)

• Decide si el checkout dentro del chat compensa; si es así, usa ACP para ChatGPT y/o UCP para Google/Gemini (consulta esos artículos).

Medición

• Acepta que muchos pedidos de IA no dejan visita de página; no juzgues el canal solo por las sesiones de GA4.
• Observa las AI Performance Insights / los atributos conversacionales de Merchant Center cuando se incorporen.
• Reconcilia los pedidos impulsados por IA a nivel de pedido como solución provisional.

Modelos mentales

1. Los datos se suman a la página; no la sustituyen.
El feed legible por máquinas se convierte en una superficie de optimización de primer nivel junto a la página dirigida a personas; el peso de cada una depende del proveedor. Si no recomiendan un producto, audita el feed antes de asumir que el problema está en el texto de la página, pero tampoco des por irrelevante la página.

2. Descubrimiento ≠ checkout.
Que te recomienden depende del feed y de la calidad de los datos y no depende de protocolos. Que te compren dentro del chat es una capa independiente y opcional (ACP/UCP/Copilot Checkout). No dejes que un proveedor o un artículo mezcle ambos conceptos: corrige primero los datos y añade checkout cuando el beneficio transaccional justifique el desarrollo.

3. Un feed excelente y después un mapeo hacia fuera.
Un feed no gana automáticamente en cinco motores —cada superficie tiene su propio schema—, pero como los datos subyacentes se solapan mucho (y el carrusel orgánico de ChatGPT sigue de cerca el posicionamiento orgánico de Google Shopping), un feed de Merchant Center realmente excelente cubre gran parte del trabajo restante.

4. Los atributos son la superficie de posicionamiento.
La expansión de consultas y la coincidencia conversacional evalúan atributos, no densidad de palabras clave. La palanca es la completitud y exactitud de los campos estructurados; el «copywriting SEO» no lo es.

5. La frescura descalifica; no es un detalle decorativo.
Los agentes operan con datos en directo. Un precio incorrecto o una marca obsoleta de «en stock» no solo molesta al usuario: puede sacarte por completo del conjunto recomendado.

6. Sesiones → visibilidad del feed + reconciliación de pedidos.
El modelo de medición se invierte: cuando no hay visita de página, los informes de visibilidad del feed son el indicador principal y la reconciliación a nivel de pedido es la red de seguridad.

Errores comunes (y qué hacer en su lugar)

«Mi SEO actual ya cubre esto».
Por qué es incorrecto: el SEO clásico de página (títulos, backlinks y profundidad del contenido) sigue importando para las superficies que rastrean HTML, pero la superficie principal de los agentes de compras con IA es el feed estructurado de productos, del que la mayoría de los programas de SEO no es responsable ni realiza auditorías. Una página excelente con un feed roto puede ser invisible para los agentes de compras.
Haz esto: audita y asume la responsabilidad del feed como un activo de primer nivel, separado del trabajo de SEO de página.

«Necesito ACP o UCP para aparecer en ChatGPT o Google AI Mode».
Por qué es incorrecto: la visibilidad orgánica depende en gran medida de la calidad de los datos del feed y de los atributos, y es independiente de los protocolos de checkout. La integración de checkout es adicional, no un requisito para tener visibilidad.
Haz esto: corrige los datos del feed para que te recomienden; añade ACP/UCP después y solo para el checkout dentro del chat. (Los despliegues de protocolos de comercio cambian rápido: confirma la documentación actual de OpenAI y Google si tienes dudas.)

«Los resultados de compras con IA se pueden comprar como anuncios de pago».
Por qué es incorrecto: OpenAI afirma que sus selecciones de compras no son anuncios y que el posicionamiento base no las vuelve a ordenar por precio, envío o devoluciones; Perplexity afirma que los resultados de su programa para comerciantes son orgánicos y no funcionan como pago por posición.
Haz esto: compite en calidad de datos y reseñas. Ten en cuenta el matiz: las ubicaciones de pago (por ejemplo, anuncios de Shopping dentro de las superficies de IA de Google) pueden convivir con recomendaciones orgánicas en la misma superficie; «recomendación orgánica» y «ubicación de pago» no se excluyen mutuamente, pero no puedes comprar la selección orgánica.

«Todavía es teórico o tiene poco volumen; no merece prioridad».
Por qué es incorrecto: señales independientes (la escala de actualización de 2 mil millones de fichas por hora de Google, el estudio de coincidencia de carruseles de Peec AI, y el tráfico y crecimiento de pedidos atribuidos a IA que se han comunicado) apuntan a un volumen real y de rápido crecimiento. «Todavía es teórico» ya no describe la situación.
Haz esto: empieza ahora el trabajo del feed; se acumula y es una apuesta de bajo riesgo aunque la mezcla de tráfico cambie lentamente.

«Un feed de productos funciona en todas partes».
Por qué es incorrecto: cada superficie (Google Merchant Center, ChatGPT Product Feed, Microsoft Merchant Center y catálogo de Perplexity) tiene su propio schema y mecanismo de envío, aunque los datos subyacentes se solapen.
Haz esto: crea un conjunto de datos de referencia excelente y después mapéalo y envíalo a cada superficie; trátalo como trabajo de mapeo, no como cinco proyectos de contenido independientes.

Hoja rápida de optimización de compras con IA

Trabaja en este orden

1. Datos de referencia del producto: ID estables, GTIN/MPN, marca, variantes y especificaciones.
2. Verdad transaccional: el precio y la disponibilidad coinciden con el sistema comercial de origen activo.
3. Datos de presentación: títulos y descripciones exactos, imágenes de variantes de alta calidad y reseñas auténticas.
4. Mapeo de superficies: envía los datos de referencia a Google, OpenAI, Microsoft y Perplexity en el formato requerido por cada superficie.
5. Checkout: añade ACP o UCP solo cuando la compra dentro del agente justifique el desarrollo.
6. Medición: reconcilia visibilidad del feed y pedidos, no solo sesiones.

Descubrimiento frente a checkout

Mapa de superficies

Un conjunto de datos de referencia excelente reduce el trabajo de mapeo, pero cada superficie sigue teniendo su propio schema y vía de ingesta.

Métricas para la optimización de compras con IA

Cobertura de productos aptos y sin errores

• Métrica: proporción del catálogo vendible apta para el descubrimiento y sin errores activos del feed o de políticas.
• Qué indica: si los datos del producto están completos para entrar en el conjunto de recomendaciones antes de considerar el posicionamiento o la conversión.
• Cómo obtenerla: combina los diagnósticos de Merchant Center con exportaciones equivalentes del estado del feed en cada superficie de compras compatible.
• Referencia / rango realista: usa el total de SKU actualmente vendibles como denominador interno; investiga cada diferencia no explicada en vez de tomar prestado un porcentaje del sector.
• Cadencia: seguimiento diario y revisión semanal por tipo de error.

Paridad de la oferta seleccionada

• Métrica: proporción de variantes muestreadas o transaccionadas en las que el PDP visible, el JSON-LD Product/Offer renderizado, el artículo del feed, el carrito y el checkout coinciden con el sistema de origen de referencia en identidad de producto, SKU, ID de grupo, precio, moneda y disponibilidad.
• Qué indica: si los agentes pueden confiar lo suficiente en los datos para recomendar y completar una compra.
• Cómo obtenerla: reconcilia las exportaciones de los feeds de superficie con los datos de catálogo y checkout usando el ID de producto y la variante estables; separa la revalidación explicada por ubicación o en el momento del checkout de las sustituciones silenciosas y los datos obsoletos.
• Referencia / rango realista: trata las discrepancias como defectos; establece una línea base por fuente y prioriza los productos aptos para checkout.
• Cadencia: continua para los campos que cambian rápido, con resumen diario.

Usa el contrato de oferta seleccionada de Product Variant SEO completo al definir la población de prueba y la estrategia de URL principal frente a la de variante.

Pedidos e ingresos atribuidos a agentes

• Métrica: pedidos, ingresos y tasa de finalización vinculados a una superficie o protocolo de agente a nivel de pedido.
• Qué indica: si la visibilidad del feed produce resultados comerciales aunque no exista una visita de página o sesión.
• Cómo obtenerla: conserva los metadatos de referencia, protocolo o agente en la sesión de checkout y reconcilia la información en el OMS; usa UTMs cuando los flujos de redirección las expongan.
• Referencia / rango realista: compara con la línea base histórica y la mezcla de productos del propio canal; las superficies iniciales no admiten un objetivo universal.
• Cadencia: revisión operativa semanal e informe empresarial mensual.

Ponte a prueba: optimización de compras con IA

Cinco preguntas rápidas sobre la optimización para superficies de compras con IA. Elige una respuesta en cada caso y comprueba después.

Recursos que merecen tu tiempo

Mis textos relacionados

Todavía no he publicado un artículo específico sobre compras con IA —es un terreno más nuevo—, pero un par de mis estudios de Ahrefs ayudan a fundamentar esta postura. Para entender por qué «IA» y «posiciona bien» no son lo mismo, consulta Google cree que AI Mode es bueno para los usuarios, pero el contenido no es lo bastante bueno para posicionar; para mantener las expectativas sobre el tráfico de IA ancladas en los datos, consulta ChatGPT tiene el 12 % del volumen de búsqueda de Google, pero Google envía 190 veces más tráfico a los sitios web. Y como el estado exacto del inventario ahora es literalmente un campo del feed que los agentes leen, mi artículo anterior sobre comercio electrónico ¿Cómo debes gestionar los productos agotados? Depende es más relevante que cuando lo escribí.

Mis charlas

• Cómo funciona la búsqueda (SlideShare) — el recorrido por rastreo, renderizado, indexación y posicionamiento que fundamenta la idea de que las superficies leen datos, no páginas. (Se mantiene mi descargo habitual: esta es mi comprensión de estos sistemas, no una garantía de que sea 100 % completa o exacta).

Del sector

• Actualizaciones de Google Shopping: AI Mode y prueba virtual (Google) — escala del Shopping Graph, cadencia de actualización y expansión de consultas.
• Scorecard de 6 puntos para páginas de producto preparadas para IA (Search Engine Land / Jeff Oxford) — lista de comprobación de especificaciones, propuestas únicas, casos de uso, preguntas frecuentes, reseñas y datos estructurados, además del umbral de unas 150 reseñas.
• Por qué los feeds de productos necesitan una estrategia orgánica para la búsqueda con IA (Search Engine Land) — estudio de Peec AI que relaciona el posicionamiento orgánico de Google Shopping con la inclusión en el carrusel de ChatGPT.
• Optimizar ChatGPT Shopping: cómo los feeds de productos impulsan el GEO (Search Engine Land / John Morabito) — el feed como activo estratégico.
• Cómo cambia el descubrimiento de compras impulsado por IA la optimización de páginas de producto (Search Engine Land) — las páginas de producto como documentos de conocimiento.
• Vender a la IA: guía completa del comercio agéntico (Search Engine Journal) — citas de ejecutivos y estadísticas de crecimiento de canales.
• Google lanza AI Performance Insights y atributos conversacionales en Merchant Center (Search Engine Land) — la capa de medición emergente.
• Compras con ChatGPT Search (OpenAI) — cómo ChatGPT selecciona productos orgánicos.

Estadísticas que merecen una cita

• Más de 50 mil millones de fichas de productos en el Shopping Graph de Google y más de 2 mil millones actualizadas cada hora: cifras de Google sobre el catálogo que está detrás de AI Mode y Gemini. Fuente
• Hasta aproximadamente un 83 % de coincidencia entre los productos del carrusel de compras de ChatGPT y los resultados orgánicos de Google Shopping (estudio de Peec AI con más de 43 mil fichas y aproximadamente el 60 % de coincidencias procedentes de las posiciones 1 a 10 de Google Shopping), según Search Engine Land: el argumento para tratar la higiene de Merchant Center como una palanca entre plataformas. Cobertura Vuelve a verificarlo con el estudio primario de Peec AI.
• Aproximadamente el 14 % de las consultas de compras muestran ahora AI Overviews, frente a aproximadamente el 2 % a finales de 2024, según el mismo análisis de Search Engine Land. Cobertura Vuelve a verificar los datos con la fuente primaria.
• Mediana de unas 156 reseñas entre mil consultas de comercio electrónico, con unas 150 o más como referencia práctica sugerida para considerar la visibilidad en IA (Jeff Oxford, Visibility Labs, a través de Search Engine Land). Fuente
• Homogeneidad de elección: un estudio de simulación de Columbia/Yale de 2025 informó que los agentes de compras con IA concentran la demanda en menos productos que la navegación humana y advirtió de una dinámica de «AI-SEO» en la que el ganador se lo lleva todo (a través de Search Engine Journal). Verifica el nombre del estudio y las instituciones con la fuente primaria. Cobertura

Registro de cambios