Imagina a un comprador que te encontró a través de ChatGPT. Pidió una maleta de cabina que cumpla las normas de Ryanair, recibió tres sugerencias, y una de ellas era la tuya. Hace clic y aterriza en tu página de producto. Le gusta lo que ve: el acabado, el precio, quizá la propia marca.

Ahora tiene preguntas. ¿También pasa en easyJet? ¿La versión de cuatro ruedas pesa más? ¿Qué cubre realmente la garantía? ¿Hay una maleta a juego para el resto de la familia?

¿Adónde va? Podría abrir ChatGPT otra vez y preguntar allí: sobre tu producto, en la superficie de otro, con las palabras de otro. En tu sitio, no hay dónde preguntar. Hay un menú, una página de preguntas frecuentes enterrada en el pie de página, quizá un formulario de contacto que responde en 48 horas. Y una barra de búsqueda que nunca se construyó para preguntas: espera un nombre de producto y devuelve una cuadrícula de miniaturas, la misma interacción que en 2012.

Esa es la paradoja del momento. El comprador que llega desde un asistente acaba de tener una conversación. Luego entra en tu tienda y no hay nadie con quien hablar. El paso más frustrante de su recorrido es ahora el que te pertenece.

Nuestra entrega anterior sostenía que el medio del embudo, interés y consideración, es la única parte que una marca todavía puede poseer. Esta trata de lo que hace falta de verdad para poseerla, empezando por el trabajo más básico de todos: ayudar a la gente a encontrar.

ChatGPT hizo que te descubrieran. Enseñarles la casa es cosa tuya.

Démosle al asistente lo que le corresponde. Hizo exactamente lo que debía: te puso delante de alguien que quizá aún no te conocía, o solo de nombre. Eso es descubrimiento en el sentido que usamos en nuestras dos últimas entregas, ser descubierto, y ocurre cada vez más en un lugar que no es tuyo.

Y esos visitantes valen mucho. Según Adobe, el tráfico procedente de asistentes de IA hacia sitios de retail de Estados Unidos convirtió un 54 % mejor que el resto del tráfico en mayo de 2026, un vuelco completo respecto a un año antes. Una vez en el sitio, estos compradores pasan un 53 % más de tiempo por visita y ven un 23 % más de páginas. Llegan precualificados, curiosos y con ganas de profundizar. [1]

Lo que viene después es otro trabajo: hacer que te descubran a ti. Tu gama, tu experiencia, lo que te diferencia de los otros dos nombres que mencionó el asistente. En una tienda, eso es lo que hace un buen vendedor en los primeros cinco minutos. Online, el comprador que acaba de pasar veinte minutos preguntándole cualquier cosa a ChatGPT espera poder seguir preguntando cualquier cosa.

Esa expectativa no es nueva, por cierto. En las pruebas de usabilidad de Baymard, aproximadamente la mitad de los participantes recurre a la búsqueda como su forma preferida de encontrar productos, y en uno de sus estudios el 34 % escribió en ella preguntas que no eran de producto: política de devoluciones, cancelar un pedido. En dos tercios de los sitios, esas preguntas reciben a cambio una cuadrícula de productos. [2]

Así que el comprador quiere preguntar cualquier cosa, como en ChatGPT. Tú quieres que la respuesta venga de ti: tus palabras, tu catálogo, tus reglas. Ese es todo el encargo.

Entonces, ¿por qué no dejar que ChatGPT responda por ti? En cierto sentido ya lo hace: así es como te encontró el comprador. Pero ChatGPT es un asistente generalista, no un producto de e-commerce: comprar es un caso de uso entre muchos, junto a los deberes, la escritura y el código. En el propio estudio de OpenAI sobre el uso en 2025, las preguntas sobre productos representaron alrededor del 2 % de los mensajes de ChatGPT, menos que la tutoría (10 %) o la programación (4 %). [5] No está hecho para ser el vendedor de ninguna tienda, y menos aún de la tuya. Ve tu catálogo a través de un feed de producto, no a través de los atributos, los contenidos y las reglas que construyó tu equipo, y siempre responderá por su propio usuario antes que por tu marca.

Está también lo que contiene el propio intercambio. La forma en que los compradores describen sus necesidades, las restricciones que añaden, cómo responden a la pregunta de aclaración: esos son los datos de intención más ricos que una marca recogerá jamás. Cuando la conversación ocurre en la superficie del asistente, esos datos se quedan con el asistente. Cuando ocurre en tu sitio, son tuyos, para afinar las respuestas, corregir huecos en tu catálogo y aprender qué quiere la gente que todavía no vendes. Esa es la parte del intercambio que necesitas poseer.

Conserva la barra de búsqueda. Deja de pedirle que entienda.

Seamos claros: la búsqueda léxica no va a desaparecer. Cuando alguien escribe un nombre de producto o una referencia, la coincidencia por palabras clave es rápida, barata y exactamente lo que hace falta. Amazon, cuya búsqueda por palabras clave es la referencia, trazó la misma línea: desde mayo de 2026 su barra de búsqueda también admite preguntas en lenguaje natural, respondidas por Alexa for Shopping, el asistente que sustituyó a Rufus. [6]

El problema es todo lo demás. El benchmark de 2026 de Baymard califica al 56 % de los sitios de «mediocres o peores» en búsqueda, y los fallos se concentran donde los compradores describen en lugar de nombrar: un caso de uso, una necesidad de compatibilidad, un problema que resolver. El ejemplo más revelador es una búsqueda en Home Depot que combina el estilo y la capacidad de un frigorífico. Devuelve cero resultados, mientras que los propios filtros del sitio, aplicados a mano, encuentran 45 productos que encajan. [2] El catálogo sabía la respuesta. La barra de búsqueda no supo hacerle la pregunta.

Ese es el primer trabajo del agente de marca: convertir una intención vaga en una consulta estructurada, siempre que pueda. No para sustituir la estructura de tu catálogo, sino para usarla. Tus categorías, atributos y filtros son años de trabajo de merchandising. El trabajo del agente es traducir una frase a ese lenguaje.

Volvamos a nuestro comprador de la maleta de cabina. «Algo que quepa en Ryanair» encierra una restricción que ninguna palabra clave encontrará jamás. Ryanair permite 55×40×20 cm con Priority, y 40×30×20 cm para el bulto gratuito bajo el asiento. Un agente que conoce tu catálogo convierte la frase en una consulta: equipaje de cabina, altura ≤ 55 cm, fondo ≤ 20 cm. Y como la frase es ambigua, hace lo que un motor de palabras clave nunca pudo. Primero hace una pregunta: ¿con Priority, o el bulto gratuito bajo el asiento?

Dos cosas hacen que esa traducción funcione. El agente tiene que entender el lenguaje, algo que los grandes modelos ya hacen bien. Y tiene que saber cómo está organizado tu catálogo: qué atributos existen, cómo se llaman, qué valores toman, en cuáles puedes confiar. Esa segunda parte es la difícil, y es distinta para cada marca.

Trabajar así también mantiene honesta la respuesta. Una consulta estructurada se le puede mostrar al comprador en forma de filtros que puede ver y ajustar. El comprador ve cómo se le ha entendido, y tu merchandising sigue siendo la columna vertebral de la respuesta.

Lo que no cabe en un filtro

La estructura solo te lleva hasta cierto punto. Mucho de lo que preguntan los compradores no tiene columna en tu base de datos de productos.

Piensa en una compradora de cosmética en un retailer como Oh My Cream!: «Necesito una hidratante que no haga bolitas debajo de la base de maquillaje. Tengo la piel grasa a mediodía, pero tirante después de limpiarla.» Parte de eso es estructurado. Piel mixta, deshidratación: las páginas de producto de Oh My Cream! ya incluyen los tipos de piel y las preocupaciones como campos, y el agente debería convertirlos en filtros. [3] Pero «que no haga bolitas debajo de la base» no es un atributo en ninguna parte. Vive en las descripciones de textura, en las notas del propio equipo sobre cada producto, en los consejos de uso, en las reseñas.

Lo mismo vale para las preguntas del principio. Qué cubre la garantía, dónde se fabrican los productos, si la marca repara o sustituye: nada de eso está en el catálogo. Está en las páginas de preguntas frecuentes, las historias de marca, las guías de compra y las instrucciones de cuidado, el contenido que tu equipo lleva años escribiendo.

Así que el segundo trabajo del agente es aprovechar todo lo no estructurado que puedas darle, y usarlo bien. La recuperación semántica te lleva parte del camino: empareja significados en lugar de cadenas de texto, de modo que «no hace bolitas» puede encontrar «no deja residuos». Pero la recuperación por sí sola solo devuelve párrafos. El agente tiene que combinarlos con la consulta estructurada del paso anterior: filtrar por lo que es seguro y luego ordenar lo que queda según lo que el contenido dice de verdad.

Hay una ironía aquí. Las marcas están reescribiendo ese mismo contenido para que ChatGPT pueda leerlo. Adobe sitúa a la cosmética en primer lugar en legibilidad para la IA, precisamente por sus densas listas de ingredientes, sus tutoriales y sus guías prácticas. [1] Si tu contenido es lo bastante bueno para que lo lea el asistente de otro, es lo bastante bueno para alimentar el tuyo.

Una regla se mantiene en todo momento: el agente solo dice lo que el contenido respalda. Si ninguna página dice que una crema funciona debajo del maquillaje, el agente no lo afirma. Es la capa de responsabilidad que describimos en nuestra entrega anterior, aplicada al descubrimiento. [4]

Tus reglas, no las del asistente

Entender al comprador y conocer el catálogo sigue sin ser suficiente. Dos productos pueden responder igual de bien a la misma necesidad, y rara vez te da igual cuál de los dos se muestra. Ese es el tercer trabajo: aplicar tus propias reglas de negocio a lo que se muestra.

Algunas reglas simplemente se escriben. Empujar la nueva colección este mes. Ocultar los productos por debajo de un umbral de stock. Y, para un retailer multimarca con marca propia, preferir la marca de la casa cuando encaja de verdad. Piensa en una concept store de belleza que vende treinta marcas junto a su propia línea de cuidado de la piel: cuando dos hidratantes encajan igual de bien, quiere que la suya aparezca primero. Un asistente genérico nunca sabrá que esa preferencia existe. Tu agente debería aplicarla en cada respuesta, de forma visible o no, y nunca a costa del encaje.

Otras reglas se aprenden mejor de lo que se escriben. Qué productos compra realmente la gente a la vez. Cuándo sugerir un segundo artículo ayuda y cuándo molesta. Qué combinación convierte con un visitante nuevo pero no con uno fiel. Nadie las escribe, porque nadie las conoce de antemano. Un agente presente en miles de conversaciones puede aprenderlas, siempre que esas conversaciones sigan siendo tuyas.

Esa última parte no sale gratis. Escribir una regla requiere una línea de configuración. Aprender una requiere infraestructura: capturar cada conversación y lo que vino después (el clic, el añadido al carrito, la compra, la devolución), cruzarla con los datos de catálogo y de pedidos, y ejecutar los modelos que convierten todo eso en mejores recomendaciones. Es la caja de herramientas clásica de la recomendación, filtrado colaborativo y modelos de propensión, alimentada ahora con lo que los compradores dicen y no solo con aquello en lo que hacen clic. Un proveedor de modelos puede lanzar mañana un modelo de lenguaje más inteligente. No puede lanzar ese bucle de aprendizaje, entrenado con tus compradores. Eso es lo que se acumula con el tiempo, y eso es lo que sigue siendo difícil de copiar.

Junta los tres trabajos y obtienes algo que una barra de búsqueda nunca fue diseñada para ser: una visita guiada por tu marca, con las palabras que tú elegiste. El comprador pregunta cualquier cosa, como haría en ChatGPT. La respuesta viene de tu catálogo, tu contenido y tus reglas.

Esa es la base. Una vez que el comprador ha encontrado el producto adecuado, se abre una nueva pregunta: ¿qué más deberías sugerir, y cuándo deberías callar? El cross-sell y el upsell existen desde siempre, y casi siempre han sido torpes. Ese es el tema de nuestra próxima entrega.

Fuentes