Cómo eligen ChatGPT, Gemini, Perplexity y Copilot los productos que mencionan, qué consejos de GEO son reales, qué corregir en tus datos y feeds, cómo medir las referencias de IA y una lista de diez puntos.
Author
Anichur Rahaman
En la parte 1 de esta serie conocimos a la dueña de una tienda pequeña de equipo para exteriores: un agente de compras con IA nunca mostraba su chamarra más vendida. Ordenó los datos de sus productos y empezaron a llegar pedidos de agentes. Ahora, un martes a las 8:40 de la mañana, prueba otra puerta. Le escribe a un asistente de IA general lo que escribiría cualquier cliente: «una chamarra impermeable por menos de 150 dólares que llegue antes del viernes». El asistente responde con cuatro chamarras, cada una con su razón y su enlace. La suya, la más vendida, a 129 dólares, no está entre ellas.
Al revisar, descubre que el problema no es el posicionamiento. Su página dice 129 dólares, pero el feed de productos todavía trae los 159 del mes pasado y marca como disponible una talla que la página muestra agotada. El asistente encontró dos versiones del mismo producto, no pudo verificar ninguna y no mencionó ninguna. (Las cifras son un ejemplo ilustrativo, no una tienda real.)
Por eso la pregunta del dueño de una tienda ya es otra. Antes era «¿cómo hago para posicionarme?». Ahora es «¿el asistente sabe que mi producto existe, confía en mis datos y lo va a mencionar?». La práctica que ha surgido alrededor de esa pregunta suele llamarse optimización para motores generativos (generative engine optimization, o GEO). A continuación verás cómo arman los asistentes sus recomendaciones, qué consejos de GEO resisten el análisis, qué corregir en los datos de tus productos, cómo medir el resultado y una lista de verificación de diez puntos.
Esta es la parte 2 de una serie de tres partes, «Vender a agentes de IA». La parte 1 explicó qué es el comercio con agentes y qué estaba realmente en operación en agosto de 2026. La parte 3 trata del pago y checkout listos para agentes.
Cada asistente se construye a su manera, pero el proceso se parece bastante. Lee la solicitud, reúne candidatos de varios tipos de fuentes, descarta lo que no puede verificar y escribe una respuesta corta y ordenada.
Las fuentes caen en cuatro grupos:
El paso decisivo es el tercero. Un producto sin precio, con cifras de inventario que se contradicen o sin política de devoluciones no queda en un lugar bajo: lo normal es que ni aparezca, porque un asistente que recomienda algo que no puede respaldar queda mal parado. Es el mismo riesgo de «invisibilidad» que describimos en la parte 1.
Buena parte de lo que se vende como GEO es SEO de toda la vida con otra etiqueta. Google lo dice sin rodeos: en su guía sobre las funciones de IA en la Búsqueda, afirma que no hay requisitos adicionales para aparecer en AI Overviews ni en AI Mode, que no hay archivos ni marcado especial que agregar y que las buenas prácticas de SEO de siempre siguen vigentes (Google Search Central).
Lo que sí cambia es el énfasis. La tabla compara ambos enfoques.
| Pregunta | SEO clásico | GEO para tiendas |
|---|---|---|
| ¿Cuál es la meta? | Posicionar una página para una palabra clave | Que te nombren en una respuesta, con enlace |
| ¿Quién lee tu página? | Un rastreador y luego una persona | Un sistema de recuperación que la cita o la resume |
| ¿Qué gana? | Relevancia, enlaces, experiencia de página | Datos verificables, información consistente, pruebas independientes |
| ¿Qué contenido ayuda más? | Páginas que apuntan a una frase de búsqueda | Páginas que responden preguntas de comparación y de «el mejor para…» en lenguaje sencillo |
| ¿Cómo se mide? | Posiciones, clics | Referencias desde asistentes, menciones, pedidos por fuente |
| ¿Qué envías? | Un mapa del sitio | Un mapa del sitio y feeds de productos donde las plataformas los acepten |
Sigue haciendo bien lo básico del SEO y suma una segunda capa de trabajo en datos de producto y pruebas independientes.
Los buscadores aprendieron hace años a leer páginas de producto, y los asistentes se apoyan en las mismas señales. Cuatro elementos pesan más que el resto.
Un GTIN (el número bajo el código de barras), o marca más MPN en los productos que no lo tienen, permite que un sistema reconozca que tu ficha y la de un competidor son el mismo artículo. Sin identificador, el emparejamiento se hace por título, y los títulos suelen ser un desorden.
Usa marcado schema.org en JSON-LD. Para una tienda, los tipos útiles son Product, Offer (precio, moneda, disponibilidad), AggregateRating y Review, además de MerchantReturnPolicy y OfferShippingDetails para las políticas. Google los documenta como datos estructurados de producto, de fichas de comerciante y de política de devoluciones. El marcado no es un truco de posicionamiento: es una copia legible por máquinas de lo que ya está escrito en la página.
El precio en el marcado, en la página y en el feed debe coincidir, y debe coincidir con lo que cobra el carrito. Las discrepancias son la causa más común de que un feed sea rechazado y de que un producto pierda credibilidad. Es un problema de arquitectura de datos más que de mercadotecnia: si el precio y el inventario se editan en tres lugares, tarde o temprano dejarán de coincidir.
«Devolución gratis dentro de 30 días, sin costo para ti, reembolso al medio de pago original en cinco días hábiles» es un dato. «Devoluciones fáciles» no lo es. Publica en frases claras el costo y el tiempo de envío por región, la hora de corte y el plazo de devolución, y refléjalos también en el marcado.
Un feed es un archivo con la lista de tus productos que se sube a una plataforma de forma programada. En agosto de 2026 el panorama es más abierto que hace un año, pero cambia de un asistente a otro. Revisa las condiciones vigentes de cada programa antes de apoyarte en algo de esto, porque cambian con frecuencia.
| Superficie | Cómo entran los datos de producto | Qué hacer |
|---|---|---|
| Google AI Mode, AI Overviews, compras en Gemini | El Shopping Graph de Google, alimentado por Merchant Center y por el marcado de las páginas | Configura Merchant Center, activa las fichas gratuitas y mantén el feed al día |
| ChatGPT | El programa de comerciantes de OpenAI acepta feeds de productos, en su formato JSONL o en CSV o TSV compatibles con Google | Solicita tu ingreso al programa y mantén la disponibilidad actualizada. Las plataformas alojadas pueden aportar los datos por ti |
| Perplexity | Merchant Program que trabaja con feeds al estilo de Google | Inscríbete y reutiliza tu feed de Merchant Center |
| Microsoft Copilot | Copilot Merchant Program, basado en Microsoft Merchant Center | Envía un feed limpio con las políticas de devolución y de soporte |
Primero, la especificación de producto al estilo de Google se volvió el idioma común: la mayoría de las superficies de la tabla pueden recibirla, así que un solo feed bien cuidado hace casi todo el trabajo. Segundo, la propia especificación de feed de OpenAI exige nueve campos en cada fila: ID del artículo, título, descripción, URL, marca, nombre del vendedor, URL de la imagen, disponibilidad y precio con código de moneda (documentación para desarrolladores de OpenAI). Si no puedes llenar esos nueve campos de forma confiable para todo tu catálogo, empieza por resolver eso.
En la parte 1 vimos que el checkout dentro de ChatGPT se redujo en marzo de 2026. Aun así, el feed sigue importando, porque apoya el descubrimiento incluso cuando la compra se cierra en tu propio sitio.
La gente le pregunta a los asistentes «cuál es el mejor para una cocina pequeña», «qué alternativa hay a tal marca» o «cuál dura más». Tu sitio puede responder esas preguntas mejor que nadie, porque tú conoces el producto.
Una prueba sencilla: lee la página de tu producto como si fueras un asistente que no ve las fotos. ¿Puedes saber para quién es, cuánto cuesta, cuándo llega y qué pasa si no le queda al comprador?
Verás consejos de agregar un archivo llms.txt a tu sitio. Este es su estado en agosto de 2026.
llms.txt es una propuesta, no un estándar. Jeremy Howard la planteó en 2024 como un archivo markdown que dirige a los sistemas de IA hacia las páginas más útiles de un sitio, y está documentada en llmstxt.org. Ningún organismo de estándares la gobierna. La guía de Google dice que no necesitas archivos nuevos legibles por máquinas ni archivos de texto para IA para aparecer en sus funciones, y John Mueller, de Google, ha dicho públicamente que ningún sistema de IA usa hoy llms.txt. Además, un análisis de SE Ranking sobre unos 300,000 dominios no encontró ninguna relación medible entre tener el archivo y recibir más citas de los asistentes de IA.
Publicarlo cuesta poco y puede ser razonable en sitios de documentación. Pero en una tienda no es donde tu tiempo rinde. Rinde en los datos de producto, los feeds y las pruebas independientes.
Los asistentes sí envían visitantes, aunque no siempre los etiquetan con claridad. Un enfoque práctico tiene cuatro partes.
Al principio las cifras serán pequeñas. El valor de medir está en descubrir qué páginas y productos prefieren los asistentes, para repetir lo que funciona.
Si un producto no aparece en las respuestas, haz cuatro revisiones en orden. Cada una abre la puerta a la siguiente: un marcado perfecto en una página que no está indexada no cambia nada.
La tercera revisión es la que se repite, porque el rastreo y el marcado se configuran una vez, mientras que el precio y el inventario cambian todos los días. La chamarra de la escena inicial se perdió justo así, por una fila vencida del feed.
Recórrela en orden. Cada paso sostiene al siguiente.
Si solo haces los pasos del uno al cinco, ya irás por delante de muchas tiendas, porque corrigen los datos sobre los que descansan todos los demás.
De vuelta con la dueña y su chamarra de 129 dólares. Cuando convirtió el registro del producto en la única fuente para página, marcado y feed, la fila vieja de 159 dólares desapareció. Un mes después hizo la misma pregunta y su chamarra salió en tercer lugar de cuatro, con el precio correcto y el plazo de devolución citado. La chamarra no cambió, solo cambiaron los datos. (Sigue siendo el mismo escenario ilustrativo.)
Que te recomienden es solo la mitad del trabajo. Cuando un asistente envía a un comprador hacia ti, o intenta cerrar la compra por su cuenta, el checkout y el pago tienen que funcionar para un agente igual que para una persona. De eso trata la parte 3: cómo pagan los agentes, qué salvaguardas existen y cómo mantener bajo control el fraude y los reembolsos.
Anichur Rahaman es arquitecto de software y creador de StoreConsole. Diseña sistemas de comercio y ERP para negocios en crecimiento, con enfoque en arquitectura orientada a eventos, integridad de datos y operación en servidores propios.
About the Author
Anichur Rahaman
Continue Reading
