¿En qué fuentes se basan los asistentes de compra con IA al recomendar productos?
Los asistentes de compra con IA construyen sus respuestas sobre productos a partir de varios tipos de fuente a la vez: datos de producto facilitados por los comerciantes, páginas rastreadas en la web abierta, reseñas y valoraciones de terceros, y fichas de marketplaces o directorios. Cuáles de estas fuentes utiliza un asistente determinado y cómo las combina varía según el producto y la función, y ningún proveedor publica una ponderación completa.
Los feeds de comerciantes son la fuente más estructurada. Cuando un minorista o una marca envía un feed de datos de producto a una plataforma de compras, el feed aporta identificadores, precio, estado de stock, imágenes y atributos en un formato legible por máquinas. Los feeds son la forma más limpia de indicar a un asistente exactamente qué es un producto.
Las páginas web son la fuente más amplia. Los asistentes que navegan o recuperan contenido leen fichas de producto, hojas de especificaciones, artículos comparativos y documentos de ayuda. Aquí importa más la claridad que el volumen: una página que indica en texto plano el nombre del producto, el modelo, las especificaciones clave y los casos de uso es más fácil de citar con precisión que una que oculta las especificaciones en imágenes o pestañas.
Las reseñas y los listados de marketplaces actúan como corroboración. Un asistente que encuentra la misma especificación en tu web, en la ficha de un minorista y en una reseña independiente tiene más motivos para repetirla. Las cifras contradictorias entre estas fuentes son un motivo habitual por el que un asistente duda o omite un producto.
- Feeds de productos de comerciantes (cuando la plataforma los acepta)
- Páginas de producto y hojas de especificaciones de la marca rastreadas en la web abierta
- Reseñas, resultados de pruebas y valoraciones de terceros
- Fichas de minoristas y marketplaces
- Directorios sectoriales y contenido comparativo
¿Qué atributos del feed de producto influyen más en que un asistente pueda mostrar un producto?
Los atributos más importantes son los que permiten a un sistema identificar el producto exacto, confirmar que se puede comprar ahora y exponer sus datos clave sin tener que adivinar. En la práctica, eso significa un identificador único, un precio y una disponibilidad actualizados, y un conjunto completo de especificaciones. Los campos opcionales, como las imágenes de estilo de vida o las descripciones promocionales, ayudan menos que estos.
Los identificadores van primero. Un GTIN (la familia de códigos de barras que incluye UPC y EAN) permite a un sistema emparejar tu producto con el mismo artículo vendido en otro lugar. Cuando un producto no tiene GTIN, el recurso habitual es un número de referencia del fabricante (MPN) junto con el nombre de la marca. Un producto B2B que no tenga ninguno de los dos debería, aun así, publicar un SKU estable y un número de modelo en cada página que lo describa.
El precio y la disponibilidad deben coincidir con la página en vivo. Un feed que muestra un precio de 499 mientras la página indica 549, o que marca un artículo como disponible cuando está descatalogado, enseña a un sistema a desconfiar de tus datos. La frecuencia de actualización importa tanto como el valor inicial.
Las especificaciones determinan si una respuesta comparativa puede incluirte. En un artículo B2B, los campos por los que compran los clientes, como dimensiones, materiales, voltaje, certificaciones, capacidad, compatibilidad y condiciones de garantía, deben rellenarse con unidades. Los valores vagos, como alta calidad o grado industrial, no le dan a un asistente nada que comparar.
| Atributo | Por qué importa | Fallo habitual |
|---|---|---|
| GTIN, MPN o SKU | Empareja el producto exacto entre fuentes | Ausentes, o identificadores distintos entre el feed y la web |
| Precio y moneda | Permite al asistente citar un precio actual | El precio del feed no coincide con el de la página |
| Disponibilidad | Indica si el artículo se puede comprar ahora | Estado de stock desactualizado |
| Título del producto | Nombra el artículo como lo buscan los compradores | Códigos internos en lugar de nombres descriptivos |
| Especificaciones con unidades | Facilita las comparativas | Campos vacíos o adjetivos de marketing |
| Marca y categoría | Sitúa el producto en el conjunto correcto | Etiquetas de categoría genéricas o inconsistentes |
¿Cuánto influyen las reseñas y valoraciones de terceros en las recomendaciones de productos de la IA frente a la web propia de una marca?
Las reseñas de terceros influyen en las recomendaciones de la IA sobre todo como prueba del rendimiento y la fiabilidad, no como sustituto de los datos del producto. La web propia de la marca suele ser la fuente de lo que es un producto; las reseñas son la fuente de cómo se comporta en el uso. Los asistentes que responden preguntas como cuál es la opción más duradera tienden a apoyarse en fuentes independientes, mientras que las preguntas sobre especificaciones tienden a apoyarse en el fabricante.
Ningún estudio público cuantifica ese reparto, así que considera no verificado cualquier porcentaje que leas. Lo que sí se observa es que una reseña que menciona un modelo concreto, indica un caso de uso y describe un resultado medible es más fácil de citar para un asistente que una valoración genérica con estrellas. Las reseñas que están desfasadas, no tienen autor identificado o se refieren a otro número de modelo añaden ruido.
En el caso de los vendedores B2B, los pasos prácticos son recopilar reseñas de clientes verificados en tus propias páginas, pedir a distribuidores y revendedores que muestren el mismo nombre de modelo y especificación, y citar informes de pruebas independientes cuando existan. No escribas reseñas tú mismo ni pagues ubicaciones que parezcan independientes. Eso arriesga su retirada y debilita la señal de confianza que intentas construir.
¿Ayudan o perjudican los listados en marketplaces y directorios sectoriales a la visibilidad en las comparativas generadas por IA?
Los listados en marketplaces y directorios ayudan cuando confirman tus datos y perjudican cuando los contradicen. Añaden lugares donde un asistente puede encontrar tu producto, su precio y sus reseñas, pero cada listado es también una copia que puede quedar desactualizada. El efecto neto depende más de la coherencia que del número de listados.
Una forma útil de pensarlo es como un juego de espejos. Si el título del marketplace, el número de modelo, la especificación y el precio coinciden con tu feed y tu web, el asistente recibe una confirmación repetida. Si un listado usa un nombre de modelo antiguo, un voltaje incorrecto o un precio descatalogado, el asistente puede descartarlos todos o citar el equivocado.
Los directorios sectoriales funcionan de forma similar en B2B. Una ficha completa y actualizada en un directorio comercial reconocido puede confirmar el nombre de tu empresa, la categoría de producto y las certificaciones. Una ficha obsoleta, con una dirección antigua o un certificado retirado, es un pasivo. Revisa cada listado una vez al trimestre frente a la misma fuente de referencia que usas para tu feed.
¿Qué datos estructurados debes implementar para favorecer el descubrimiento de productos en la IA?
Implementa el marcado Product de schema.org en cada página de producto, con un Offer anidado que incluya precio, moneda y disponibilidad. Los datos estructurados no garantizan que un asistente recomiende un producto, pero eliminan la ambigüedad sobre lo que describe la página y coinciden con los campos que ya contienen los feeds, así que ambas fuentes se refuerzan mutuamente.
El conjunto mínimo útil está formado por el nombre del producto, la descripción, la marca, un identificador (gtin, mpn o sku), la imagen y una oferta con precio, priceCurrency y availability. Añade aggregateRating solo cuando refleje reseñas reales y publicadas, ya que un marcado que no coincide con el contenido visible puede considerarse engañoso. Usa los valores que se muestran en la página, exactamente como aparecen.
Valida el marcado con una herramienta de pruebas de datos estructurados después de cada cambio en la plantilla y comprueba que los valores del JSON-LD coinciden con el feed. Las discrepancias son el error más habitual y también el más fácil de corregir.
- Elige una única fuente de verdad para cada producto (PIM o ERP) y genera tanto el feed como el marcado de la página a partir de ella.
- Añade un bloque Product con name, description, brand, sku, mpn y gtin cuando existan.
- Anida un Offer con price, priceCurrency, availability y una URL canónica.
- Añade aggregateRating solo cuando coincida con reseñas visibles y publicadas.
- Valida cada plantilla y luego compara una muestra de los valores del marcado con el feed en vivo.
¿Cómo puede una empresa B2B comprobar si los asistentes recomiendan sus productos y qué debe corregir primero?
Haz la prueba lanzando un conjunto fijo de prompts de compra en cada asistente que te interese, registrando qué dice sobre tu producto, si menciona tu marca, qué fuentes cita y si los datos son correctos. Repite los mismos prompts con una periodicidad regular, porque las respuestas cambian entre ejecuciones y entre sesiones. Una sola captura de pantalla aporta muy poca información.
Construye el conjunto de prompts a partir de la forma real en que preguntan los compradores. Usa tres tipos: preguntas de categoría (el mejor sensor industrial para una instalación de cadena de frío), preguntas de especificaciones (qué válvula soporta esta presión y temperatura) y preguntas de comparación (marca A frente a marca B para un uso concreto). Registra la respuesta, las citas y los errores en una hoja sencilla. Herramientas como Rixe, una plataforma de visibilidad en IA, pueden automatizar este seguimiento diario en ChatGPT, Gemini, Perplexity y Google AI Overviews, algo útil cuando las comprobaciones manuales se vuelven demasiado lentas.
Corrige en este orden: primero los errores factuales en feeds y páginas, porque un precio o una especificación incorrectos dañan la confianza en todo lo demás. Después completa identificadores y especificaciones que falten. Luego ordena los listados de marketplaces y directorios. Solo después escribe contenido nuevo de comparativas o guías, dirigido a los prompts en los que estás ausente o estás mal descrito.
- Redacta entre 20 y 30 prompts de compra de tipo categoría, especificaciones y comparación.
- Lanza cada prompt en todos los asistentes que controles, una vez a la semana, desde una sesión limpia.
- Registra si aparece tu marca, cómo se describe, qué fuentes se citan y cualquier error factual.
- Rastrea cada error hasta su origen: feed, página de producto, listado en marketplace o reseña.
- Corrige primero los errores de datos, después los atributos que faltan, luego la coherencia de los listados y, por último, el contenido nuevo.
- Repite los mismos prompts cuatro semanas después y compara los registros.
¿Qué debe hacer primero un equipo B2B y qué sigue sin demostrarse?
Empiece por la precisión de los datos y los identificadores, porque son las partes que controla por completo y las que más necesita un asistente para hacer coincidir con su producto. El contenido y las reseñas importan, pero se apoyan en una base correcta. Hacer bien lo básico tiene poco riesgo, incluso si el peso exacto de cada fuente resulta distinto de lo que espera.
Sea claro sobre qué está verificado y qué no. Está documentado que existen vocabularios de datos estructurados como schema.org y que los feeds incluyen identificadores y disponibilidad. Lo que no está documentado públicamente es cómo un asistente clasifica los productos entre sí, qué porcentaje de una respuesta procede de las reseñas o si un cambio concreto en el marcado modificará una recomendación. Planifique la medición, no resultados garantizados.
Un primer trimestre razonable consiste en corregir los productos con más errores, alinear los datos del feed con los de la página, añadir marcado a las plantillas principales, recopilar reseñas verificadas y empezar el registro de prompts. Revise el registro tras cada ciclo y deje que las brechas observadas, y no las suposiciones, marquen las siguientes prioridades.