La inteligencia artificial ya no solo ordena un catálogo según compras anteriores. Ahora puede interpretar necesidades, comparar alternativas, descartar productos y acompañar al consumidor hasta el pago. Para las tiendas, el desafío deja de ser únicamente atraer visitas: también deben conseguir que sus productos sean comprendidos, seleccionados y recomendados por sistemas que funcionan como nuevos intermediarios de compra.
Durante años, comprar por internet siguió una secuencia relativamente predecible: escribir una palabra clave, aplicar filtros, abrir varias pestañas, comparar precios y escoger un producto.
La inteligencia artificial está reemplazando ese recorrido por una conversación.
Una persona ya no necesita buscar “zapatillas running hombre”. Puede pedir “unas zapatillas para correr tres veces por semana, con buena amortiguación, apropiadas para pie ancho y que cuesten menos de $100.000”. La IA interpreta las condiciones, investiga el catálogo, compara alternativas y presenta una selección reducida.
Ese cambio parece una mejora en el buscador, pero modifica algo mucho más profundo: quién controla la visibilidad de los productos y cómo se construye una decisión de compra.
En el ecommerce tradicional, el consumidor recorría la vitrina. En el comercio impulsado por IA, una máquina puede decidir qué parte de la vitrina merece ser vista.
Un sistema de recomendación utiliza información disponible sobre el usuario, el contexto y los productos para decidir cuáles debería mostrar y en qué orden.
Los primeros sistemas se apoyaban principalmente en reglas relativamente simples:
La IA generativa incorpora otra capacidad: puede interpretar necesidades expresadas en lenguaje natural. No necesita que el comprador traduzca lo que quiere a categorías, marcas o filtros predeterminados.
Además, la recomendación puede considerar simultáneamente:
ChatGPT, por ejemplo, explica que sus resultados de productos pueden considerar la consulta, el contexto de la conversación, precio, disponibilidad, reseñas y facilidad de uso. OpenAI también advierte que el modelo puede interpretar mal las preferencias del comprador y recomienda verificar la inf ormación antes de adquirir un producto. OpenAI Help Center
Por tanto, la IA no se limita a encontrar coincidencias. Construye una interpretación de lo que la persona necesita y recomienda según esa interpretación.
La diferencia entre un buscador y un asistente de compras está en el grado de intervención.
Un buscador entrega una lista. Un asistente puede:
Google ya combina sus modelos Gemini con un Shopping Graph que, según la compañía, contiene más de 50.000 millones de publicaciones de productos. Sus experiencias de compra permiten formular consultas conversacionales, recibir comparaciones y, en determinados mercados y comercios elegibles, autorizar compras cuando un artículo alcanza el precio deseado. Google
OpenAI, por su parte, amplió en marzo de 2026 su infraestructura de comercio para que ChatGPT pueda mostrar productos, compararlos y conectarse con catálogos proporcionados por comerciantes. Según la empresa, el objetivo es convertir una búsqueda fragmentada en una experiencia de descubrimiento más directa. OpenAI
Esto crea tres niveles distintos de comercio asistido por IA:
| Nivel | Función de la IA | Ejemplo |
|---|---|---|
| Recomendación | Ordena y selecciona productos | “También podría interesarte” |
| Asistencia conversacional | Pregunta, compara y explica | “¿Cuál de estas cámaras es mejor para viajar?” |
| Compra agéntica | Realiza acciones con autorización | Vigilar un precio, añadir al carro o iniciar el pago |
No todas estas funciones están disponibles en todos los países, plataformas o comercios. Muchas todavía se encuentran limitadas a determinados mercados o socios.
Cuando la recomendación ocurre dentro de una tienda, el comercio controla el catálogo, la interfaz y buena parte de los criterios de clasificación.
Cuando ocurre en ChatGPT, Gemini u otro asistente externo, la relación cambia. El consumidor puede investigar sin visitar las páginas de cada vendedor. La plataforma de IA compara alternativas y la tienda recibe al usuario cuando este ya se encuentra cerca de tomar una decisión.
El tráfico podría disminuir, pero adquirir una intención más alta.
Esto obliga a reconsiderar indicadores tradicionales como páginas vistas, duración de la sesión o número de productos explorados. Si una IA realiza la investigación previa, una visita breve no necesariamente representa poco interés. Puede corresponder a un comprador que ya decidió qué producto quiere y solo necesita confirmar las condiciones de entrega o completar el pago.
El ecommerce comienza a dividirse en dos capas:
Las tiendas que no participen adecuadamente en la primera capa pueden quedar fuera de la decisión antes de tener la oportunidad de mostrar su sitio.
En este escenario, una descripción atractiva para personas no es suficiente. Los sistemas de IA deben poder identificar con precisión qué es el producto, para quién sirve, cuánto cuesta y bajo qué condiciones puede comprarse.
Los catálogos necesitan datos consistentes sobre:
Google señala que los datos estructurados permiten recuperar información actualizada de una página y reducir inconsistencias de precio o disponibilidad. También exige que los valores entregados a Merchant Center coincidan con lo que ve el consumidor en la tienda. Google Merchant Center
OpenAI utiliza metadatos estructurados y feeds proporcionados por comerciantes y terceros. Su protocolo comercial contempla información como identificadores, descripciones, precios, inventario, imágenes y opciones de despacho. Agentic Commerce Protocol
En otras palabras, la optimización del catálogo deja de ser un trabajo meramente editorial. Pasa a ser también una tarea de ingeniería, operaciones y control de calidad.
Una fotografía incorrecta, un atributo ausente o un precio desactualizado no solo perjudican una página: pueden provocar que la IA descarte el producto o lo recomiende en un contexto equivocado.
En una página de resultados tradicional, un consumidor puede revisar decenas de opciones. Un asistente conversacional suele reducirlas a unas pocas.
Eso aumenta el valor de entrar en el conjunto inicial de candidatos.
Un producto excluido de esa selección puede volverse prácticamente invisible, aunque se encuentre disponible en la tienda y tenga una buena propuesta comercial. Para las marcas, competir ya no significa solamente alcanzar la primera posición en un buscador. También implica demostrar que el producto satisface una necesidad específica que la IA pueda reconocer.
La visibilidad dependerá cada vez más de una combinación de factores:
Google comenzó a incorporar en Merchant Center información sobre consultas conversacionales, atributos buscados y participación de marca en experiencias de IA. Sin embargo, el acceso inicial a estas funciones está limitado a determinados mercados, por lo que no debe asumirse su disponibilidad general en América Latina. Google Merchant Center
Todo sistema de recomendación responde a un objetivo. La pregunta central es quién lo define.
Una tienda podría optimizar sus recomendaciones para aumentar:
Estos objetivos no siempre coinciden.
El producto con mayor probabilidad de recibir un clic no necesariamente es el que mejor resolverá la necesidad del cliente. El artículo con mayor margen para la tienda tampoco tiene que ser la opción más conveniente para la persona.
Incluso la definición de “relevante” contiene decisiones comerciales. Un algoritmo puede favorecer productos populares, marcas conocidas o artículos con abundante información histórica. Como consecuencia, nuevos vendedores, productos de nicho o alternativas con pocas reseñas pueden quedar relegados.
Un experimento publicado en Scientific Reports, aunque realizado con recomendaciones de contenido y no con compras, mostró una tensión importante: optimizar las recomendaciones según las aspiraciones declaradas de las personas produjo menos clics, pero aumentó su percepción de bienestar, confianza y disposición a continuar utilizando el servicio. El estudio no permite trasladar sus cifras directamente al retail, pero ilustra que maximizar interacción y maximizar utilidad no son necesariamente la misma decisión. Scientific Reports
La IA puede confundir variantes, utilizar una reseña correspondiente a otro modelo o presentar un precio que ya cambió. El problema se vuelve especialmente delicado en productos de salud, seguridad, alimentación infantil o compatibilidad técnica.
La tienda debe tratar la recomendación como una hipótesis que necesita datos confiables, no como una garantía automática.
Si el sistema aprende principalmente de compras anteriores, puede reforzar a los productos que ya son populares. Estos reciben más exposición, consiguen más ventas y generan nuevos datos que vuelven a favorecerlos.
El resultado es un círculo que puede reducir la diversidad del catálogo visible.
El consumidor necesita saber si un producto aparece por su utilidad, porque la marca pagó por su visibilidad o porque ofrece un mayor beneficio comercial a la plataforma.
OpenAI señala actualmente que los resultados orgánicos de productos en ChatGPT se seleccionan de manera independiente y que los anuncios se presentan por separado. Esa distinción es una política específica de esa plataforma y puede cambiar o funcionar de otra manera en otros servicios. OpenAI Help Center
Una recomendación puede utilizar búsquedas, compras, ubicación, preferencias y otros antecedentes. Cuanto más precisa intenta ser la personalización, mayor puede ser la cantidad de información procesada.
Esto exige definir qué datos son realmente necesarios, durante cuánto tiempo se conservarán y cómo podrá el usuario corregir o eliminar sus preferencias.
Una IA podría explotar urgencia, vulnerabilidad o disposición a pagar. Es importante distinguir la recomendación personalizada del precio personalizado: sugerir productos distintos no significa necesariamente cobrar precios diferentes.
La Comisión Federal de Comercio de Estados Unidos ha advertido que datos como ubicación, historial de navegación, movimientos del mouse y carritos abandonados pueden utilizarse para ajustar precios u ofertas individuales. FTC
Cuando estas prácticas son opacas, el consumidor no sabe si está recibiendo una buena recomendación o si el sistema simplemente ha calculado cuánto podría estar dispuesto a pagar.
En la Unión Europea, el Reglamento de Servicios Digitales exige que las plataformas expliquen en lenguaje comprensible los principales parámetros de sus sistemas de recomendación y las opciones disponibles para modificarlos. También prohíbe interfaces diseñadas para engañar o perjudicar de manera material la capacidad de tomar decisiones libres e informadas. Reglamento de Servicios Digitales
En Chile, la Ley 21.719 entrará en vigencia el 1 de diciembre de 2026. La norma incorpora derechos relacionados con decisiones individuales automatizadas y elaboración de perfiles, incluyendo información, explicación, intervención humana y revisión cuando esas decisiones produzcan efectos jurídicos o afecten significativamente a una persona. Biblioteca del Congreso Nacional de Chile
No toda recomendación de productos producirá necesariamente un efecto significativo en los términos de la ley. Sin embargo, las empresas que personalizan ofertas, acceso, financiamiento, condiciones o precios deberían revisar con especial cuidado la finalidad, proporcionalidad y transparencia de sus sistemas.
La respuesta no consiste en añadir un chatbot al sitio. Requiere preparar el negocio para un canal de decisión gobernado por datos y modelos.
La información estructurada debe coincidir con la página, el inventario y el sistema de pedidos. Precio, variante y disponibilidad necesitan actualizaciones frecuentes.
Las descripciones deben responder preguntas reales: para quién sirve, con qué es compatible, qué problema resuelve, qué incluye y cuáles son sus limitaciones.
La empresa debe decidir si quiere maximizar clics, margen inmediato, satisfacción, reducción de devoluciones o valor de largo plazo. Dejar esa decisión implícita equivale a permitir que el modelo la tome por defecto.
Los productos patrocinados, favorecidos por acuerdos comerciales o priorizados por margen deberían identificarse de forma visible.
Las recomendaciones de alto impacto necesitan reglas de exclusión, revisión y canales de reclamo. Esto es especialmente importante cuando intervienen menores, datos sensibles, crédito o productos relacionados con la salud.
Un sistema puede aumentar ventas y, al mismo tiempo, elevar devoluciones, reclamos o arrepentimiento posterior.
Una evaluación más completa debería incluir:
La IA puede reducir el esfuerzo de comparar productos, traducir necesidades complejas en criterios concretos y ayudar a compradores que no dominan las especificaciones de una categoría.
Pero esa comodidad concentra poder.
Quien controla el sistema de recomendación puede influir en qué productos entran en consideración, cómo se comparan y qué alternativa parece más adecuada. Por eso, la calidad del ecommerce impulsado por IA no debería medirse solamente por la rapidez con que consigue una venta.
La prueba más exigente será otra: si ayuda al consumidor a tomar una decisión que seguirá considerando correcta después de recibir y utilizar el producto.
Para las empresas, el cambio es igualmente profundo. La tienda online deja de ser la única vitrina. El catálogo pasa a alimentar asistentes externos, las fichas de producto se convierten en evidencia legible por máquinas y la competencia comienza antes de que el usuario visite el sitio.
En ese entorno, no ganará necesariamente la marca que produzca más contenido o compre más tráfico. Tendrá ventaja la que entregue información confiable, mantenga sus datos actualizados y sea capaz de demostrar —ante personas y sistemas de IA— por qué su producto merece ser recomendado.