Google Shopping fue el canal de descubrimiento de productos por 15 años. En 2026, ese canal está migrando a ChatGPT Shopping, Perplexity Shopping y agentes de compra integrados en asistentes de IA. Si tu ecommerce no está optimizado para que una IA entienda qué vendés, a qué precio y en qué condiciones, tus productos no existen para la próxima generación de compradores.
AEO para ecommerce (Answer Engine Optimization aplicada a comercio electrónico) es la disciplina de estructurar tus páginas de producto, categorías y landings para que los motores de IA las incluyan en sus respuestas de compra. No es SEO tradicional con palabras clave. Es machine readability con datos estructurados.
Google Shopping funciona con un feed de productos: subís un CSV con título, precio, imagen y disponibilidad. Google lo indexa y lo muestra en la pestaña Shopping. Es un sistema pensado para que un humano vea una grilla de productos y haga clic.
ChatGPT Shopping funciona distinto. Un usuario dice «necesito una notebook para diseño gráfico, pantalla 15 pulgadas mínimo, 16GB de RAM, presupuesto USD 1200, entrega en CABA». ChatGPT consulta fuentes, evalúa productos, y recomienda 3 opciones con justificación. El usuario no ve una grilla: ve una respuesta argumentada. Y si tu producto no está en esa respuesta, no existís.
La diferencia fundamental: Google Shopping rankea productos por relevancia de keywords y bid de shopping ads. ChatGPT Shopping selecciona productos por completitud de información, señales de confianza y adecuación a los criterios del usuario.
Sin Product y Offer en schema.org, tu producto es invisible para motores de IA. Product describe qué vendés. Offer describe cómo lo vendés. Los dos son obligatorios.
Product requiere: name, description, image, y un identificador único (sku, gtin o mpn). Offer requiere: price, priceCurrency, availability, y url. Si falta cualquiera de estos campos, tu producto no entra en el set de evaluación del agente de IA.
Para ecommerce B2B, Offer debe incluir eligibleCustomerType (Business), priceValidUntil (fecha de caducidad de la oferta), y areaServed (país o región de entrega). Estos campos adicionales son los que determinan si el agente incluye tu producto en una comparación para un comprador empresarial en Argentina o lo descarta por no coincidir con los criterios geográficos.
BreadcrumbList le dice al agente dónde está ubicado tu producto en tu taxonomía. No es solo para UX humana: es para que el agente entienda que «Cable UTP CAT6» pertenece a «Cables de Red» que pertenece a «Infraestructura de Red» que pertenece a «Insumos Industriales».
Esta jerarquía permite que el agente entienda tu catálogo completo. Si un comprador busca «insumos para cableado estructurado», el agente puede navegar desde la categoría hasta los productos sin tener que scrapear cada URL individualmente.
FAQPage con preguntas sobre envío, garantía, devoluciones y métodos de pago responde las objeciones más comunes antes de que el comprador (humano o agente) las pregunte. Para un agente de compra, una FAQPage bien estructurada es señal de que el vendedor es profesional y tiene procesos claros.
Las preguntas deben ser específicas del producto, no genéricas del sitio. «¿Cuál es el plazo de entrega de este producto en CABA?» es mejor que «¿Cuánto tarda el envío?». «¿Este producto incluye garantía del fabricante?» es mejor que «¿Tienen garantía?».
Un agente de IA no confía en marcas: confía en datos. AggregateRating con ratingValue (4.5) y reviewCount (87) le da al agente una señal numérica de satisfacción de clientes anteriores. Cuanto mayor el reviewCount, más peso tiene esta señal.
Review individuales con author, datePublished y reviewBody permiten búsquedas semánticas dentro de las opiniones. Un comprador que busca «notebook que no se caliente» activa una búsqueda en los reviewBody de tus productos. Si tus reviews están en schema, el agente las encuentra.
Organization con name, url, sameAs (LinkedIn, Mercado Libre, redes sociales) y contactPoint establece que hay una empresa real detrás de la tienda. En B2B, esto es particularmente importante: un agente de compras corporativas descarta vendedores sin datos de empresa verificables.
El proceso de evaluación de un agente de compras tiene 4 etapas. Entenderlas permite optimizar cada una.
Etapa 1, discovery: el agente recibe la query del usuario, la descompone en criterios (categoría de producto, especificaciones, presupuesto, ubicación, plazo de entrega) y busca fuentes que contengan productos coincidentes. Si tu schema tiene los atributos correctos, aparecés en esta etapa.
Etapa 2, filtering: el agente descarta productos que no cumplen criterios duros: precio fuera de rango, sin stock, sin envío a la ubicación requerida, sin datos de empresa. Acá es donde el 60% de los productos quedan eliminados por falta de datos estructurados.
Etapa 3, comparison: el agente compara los productos que pasaron el filtro usando señales como precio total (producto + envío), rating y cantidad de reviews, velocidad de entrega, y condiciones de garantía. Acá gana el que tiene los datos más completos, no necesariamente el más barato.
Etapa 4, recommendation: el agente produce una respuesta con 3-5 productos recomendados, incluyendo justificación. La posición en esta lista determina la probabilidad de compra. Estar primero duplica la tasa de conversión respecto a estar tercero.
| Atributo | Schema type | Ejemplo | Impacto en evaluación del agente |
|---|---|---|---|
| Identificador | sku / gtin13 / mpn | «NB-THINKPAD-X1-G11» | Permite cross-reference con otras fuentes |
| Nombre | name | «ThinkPad X1 Carbon Gen 11 – i7 16GB 512GB» | Debe incluir specs clave en el título |
| Descripción | description | 300-500 chars, bullets de specs, sin adjetivos vacíos | Fuente primaria de información para el agente |
| Imagen | image | URL de imagen principal, mínimo 1200px | Usada para confirmar coincidencia visual |
| Marca | brand | {«name»: «Lenovo»} | Factor de decisión en queries de marca |
| Precio | offers.price | «1899000» | Numérico, en centavos si aplica |
| Moneda | offers.priceCurrency | «ARS» | Código ISO 4217 obligatorio |
| Disponibilidad | offers.availability | «https://schema.org/InStock» | URL canónica de schema.org |
| Stock | offers.inventoryLevel | 47 | Cantidad exacta, esencial para compras B2B |
| Envío | offers.shippingDetails | {«shippingRate»: «0», «deliveryTime»: «2-3»} | Costo y plazo desglosados |
| Garantía | offers.warranty | {«duration»: «P12M»} | Duración en formato ISO 8601 |
| Rating | aggregateRating | {«ratingValue»: «4.6», «reviewCount»: «112»} | Señal de confianza ponderada por volumen |
El contenido de tus páginas de producto compite por ser citado como fuente. Cuando ChatGPT responde «las características principales de este producto son X, Y, Z», está citando contenido que encontró en páginas de producto. Si tu contenido es vago, genérico o incompleto, no es citable.
Usá bullets para especificaciones técnicas. Cada bullet debe ser una oración con dato concreto. «Procesador: Intel Core i7-1365U (10 núcleos, hasta 5.2GHz)» es citable. «Procesador de última generación» no.
Incluí una tabla de especificaciones técnicas con atributo y valor en cada página de producto. Las tablas son más fáciles de parsear para un agente que el texto corrido.
Agregá una sección de preguntas frecuentes específica del producto. No solo FAQPage en schema: contenido visible en la página que responda las dudas más comunes sobre ESE producto.
Verificá cada punto en tus 20 productos de mayor tráfico:
No lo reemplaza, lo extiende. SEO tradicional optimiza para Google Search. AEO optimiza para ChatGPT, Perplexity y agentes de compra. Necesitás ambos, pero AEO es donde está el crecimiento incremental en 2026.
Las IAs reindexan fuentes con frecuencia variable. ChatGPT usa datos con semanas de antigüedad, Perplexity es más cercano a tiempo real. Los primeros resultados de visibilidad en IA se ven en 30-60 días después de implementar schema correcto.
No. Son sistemas independientes. ChatGPT Shopping construye su propio índice de productos a partir del contenido web público. No depende del feed de Google Shopping. Sí depende del schema markup de tu sitio.
Usá sku como identificador en schema. Agregá mpn si tenés número de parte del fabricante. Si no tenés ningún identificador estándar, usá sku con tu propio código. Lo importante es que el identificador sea único y consistente en todo tu sitio.
Sí, y con más peso que los compradores humanos. AggregateRating con reviewCount mayor a 50 es una de las señales más fuertes de confianza para un agente. Las reviews individuales en schema permiten búsqueda semántica dentro del contenido de las opiniones.
Última actualización: 30 de junio de 2026
Loop: GSC detecta query, IA genera borrador, se publica, GSC mide, el loop ajusta.
Tus competidores usan agentes para scrapiar precios y copiar landings.
Google Analytics dice que tu tráfico bajó. Tus compradores migraron a ChatGPT.
El funnel tradicional murió. Los growth loops generan output que alimenta el próximo ciclo.
Mapa del stack de marketing 2027: agentes para research, contenido, outreach.
Framework del Agentic SEO-GEO OS sin intervención humana.
