Corrige la oferta contradictoria de una chaqueta, responde preguntas útiles y mide la visibilidad en IA sin prometer ventas por unas menciones.
Autor
Anichur Rahaman
Parte 2 de 3
Vender a agentes de IALa página dice 129 y el feed aún dice 159. La talla elegida aparece disponible en un sitio y agotada en otro. Imagina que la dueña pregunta por una chaqueta impermeable y no ve la suya. Encontró un problema real de datos; no demostró por qué el asistente la omitió. Es la tienda ficticia de la primera parte, no un caso de éxito.
La distinción importa. Corregir la oferta vale la pena aunque la siguiente respuesta siga recomendando otra chaqueta. Puedes verificar la reparación, pero no prometer un lugar en una respuesta que no controlas.
Generative engine optimization, o GEO, es el nombre habitual del trabajo para mejorar descubrimiento y representación en respuestas de IA. Para una tienda, consiste en hacer accesible, coherente y creíble la información útil, y observar el resultado. Asistentes, resultados de búsqueda y tarjetas comerciales no forman un único sistema de clasificación.
La visibilidad nunca se redujo a una posición para una palabra clave. El comprador puede descubrir por imagen, reseña, comparación, ficha comercial o explicación de un asistente. En lugar de «¿cómo fuerzo la recomendación?», pregunta «¿se entiende el producto, se verifica la oferta y se puede juzgar si encaja?»
La guía de funciones de IA de Google mantiene la elegibilidad habitual de Search, sin archivo ni marcado especial. Ser elegible no garantiza aparecer. Es orientación de Google, no de todos los asistentes.
No existe una secuencia pública universal de cuatro pasos donde cada campo ausente excluya automáticamente a una tienda. Los datos incompletos o contradictorios pueden perjudicar la oferta y su elegibilidad, pero faltar en una respuesta no identifica la causa. Registra el fallo real antes de comprar un remedio.
Elige variante exacta, mercado y moneda. Un precio mínimo «desde» de otra talla no es el de la seleccionada. Comprueba condiciones promocionales, cargos según destino y hora de observación. Contrasta página visible, datos estructurados, feed enviado, resultado procesado y checkout: subir correctamente no demuestra que se muestre la versión nueva.
Asigna responsable e historial al registro fuente. Genera las representaciones desde él, vigilando errores de mapeo, tareas retrasadas y filas rechazadas. El origen común reduce discrepancias manuales; no hace instantánea ni correcta cada copia. Concilia una muestra tras cambiar precio o stock, además del lanzamiento.
Usa un identificador interno estable por variante y los identificadores externos auténticos asignados cuando correspondan. No inventes GTIN ni número del fabricante para rellenar formularios. Mantén imágenes reales y especificaciones respaldadas. Explica límites: resistencia al agua, ajuste y cuidados solo ayudan si son correctos.
Crea una comparación útil para una pregunta real: desplazarse bajo lluvia ligera frente a una caminata larga y expuesta. Explica para qué sirve cada chaqueta, para qué no, qué medidas respaldan la comparación y si la evidencia viene del proveedor, un ensayo independiente o una prueba propia documentada. No presentes un dato del proveedor como ensayo tuyo.
Una tabla breve con unidades, buenas fotos, tallas, condiciones de entrega y política de devoluciones legible ayuda a decidir. Pon los hechos importantes en texto accesible además de imágenes. Las FAQ deben resolver incertidumbres reales, no repetir cada frase de búsqueda.
La documentación de productos de Google distingue fragmentos de producto y fichas comerciales. Elige requisitos aplicables y valida el resultado: el marcado no garantiza un resultado enriquecido ni recomendación de IA.
Haz coincidir afirmaciones visibles y valores estructurados. Marca únicamente reseñas auténticas y valoraciones válidas que realmente tengas. Evita elogios comprados, expertos inventados y comparativas masivas sin aportación. Cambia la fecha de revisión solo tras revisar de verdad el material.
Pide al responsable técnico revisar página renderizada, URL canónica, idioma previsto, controles de indexación, errores de rastreo y desafíos del CDN. Funcionar con tu sesión iniciada no prueba acceso para la ruta de descubrimiento. El sitemap ayuda a descubrir, sin garantizar indexación ni recomendación.
OpenAI documenta controles separados para OAI-SearchBot de búsqueda y GPTBot de entrenamiento. Permitir búsqueda no exige permitir entrenamiento. Verifica el rastreador previsto, sin desactivar protección para todo visitante automatizado.
Separa catálogo público de cuentas, facturas y pedidos. robots.txt no autentica. No expongas datos ni debilites permisos para ser «legible por IA». Un nombre de bot en una petición no demuestra identidad.
Un feed es un contrato de canal, no un archivo universal. Revisa elegibilidad, campos obligatorios y condicionales, formato, variantes y estado de actualización por destino. Reutiliza registros controlados con mapeos validados. No supongas que un mismo archivo sin cambios te inscribe en Google, ChatGPT, Perplexity y Copilot.
El proyecto llms.txt sigue siendo una propuesta, revisada en agosto de 2026. Algunos flujos de agentes y documentación usan estos archivos; eso no garantiza aparecer en búsquedas.
La guía actual de Google dice que Search ignora llms.txt para visibilidad y clasificación. Si otro flujo documentado lo necesita, mantenlo para ese fin; no arregla un precio antiguo.
Prioriza los hechos incorrectos del comprador y los requisitos reales del destino. Una conversión, un sello «AI-ready» o un archivo no certifican calidad de recomendaciones. La primera parte explica programas cambiantes; descubrir y autorizar compras son trabajos distintos.
Usa la tabla para interpretar cada observación. Los informes cubren definiciones y superficies propias, no todo el mercado de IA.
El informe Generative AI de Google documenta impresiones de Search AI y despliegue mundial desde el 31 de agosto de 2026; con pocas impresiones puede no mostrarse. Revisa sus reglas de conteo.
Las novedades de AI Performance de Bing cubren citas en experiencias compatibles de Microsoft y socios. Citation Share es observacional, no posición, cuota de tráfico ni puntuación de calidad.
Ejemplo didáctico reproducible: 20 preguntas, tres ejecuciones de cada una en el mismo asistente, país e idioma especificados: 60 respuestas. Si 12 recomiendan explícitamente tu producto, es el 20% de esa muestra, no cuota de mercado. Las ejecuciones pueden no ser independientes. Registra fecha, modelo o modo visible, contexto de cuenta, citas, precio y mención frente a recomendación.
No cambies las preguntas a mitad y lo llames mejora. Compara periodos equivalentes, anotando promociones y cambios de stock o plataforma. Admite origen desconocido, deduplica transacciones, distingue rastreadores de visitas humanas y respeta consentimiento y conservación. Una pregunta opcional de procedencia aporta contexto, no atribución exacta.
Una cita no es un clic; un clic no es un pedido aceptado; un pedido no es ingreso liquidado. Compara contribución tras adquisición, soporte y devoluciones. Para afirmar ventas incrementales necesitas un experimento controlado adecuado; una captura antes/después no aísla causalidad.
| Observación | Qué indica | Qué no demuestra |
|---|---|---|
| Feed aceptado | Superó ese paso de procesamiento | Todos ven la oferta más reciente |
| Oferta correcta en una muestra | Las variantes revisadas coincidían en ese momento | Todo el catálogo siempre es correcto |
| Cita o recomendación | Un informe o respuesta utilizó el producto/página | Visita, venta o posición universal |
| Pedido aceptado atribuido | Pedido ligado a una señal de procedencia disponible | Liquidación o beneficio incremental |
El primer hito de la chaqueta es concreto: precio y disponibilidad de la variante coinciden en las superficies comprobadas, la siguiente actualización se propaga como se espera y checkout revalida. Anota retrasos y errores restantes. Después mejora la explicación y repite las mismas observaciones.
Quizá la nueva página sea citada, otra chaqueta siga siendo más adecuada o no haya datos suficientes para concluir. Las tres posibilidades sirven más que prometer posiciones. El próximo artículo sigue al comprador hacia una compra autorizada y conciliable.
Parte 2: rutas de compra del comercio → esta guía → checkout y pagos delegados.
Revisado el 5 de noviembre de 2026. Anichur Rahaman es el creador de StoreConsole. La tienda y el experimento son ilustrativos, no resultados medidos de clientes.
Series
Vender a agentes de IASobre el autor
Anichur Rahaman
Seguir Leyendo
