Tu próximo comprador no va a ser una persona. Va a ser un agente de IA que recibe una instrucción tipo «comprá 500 unidades de cable UTP categoría 6 para entrega el jueves» y ejecuta la compra sin que un humano toque el teclado. Esto ya está pasando. OpenAI lanzó Operator, Anthropic tiene Computer Use, y Google está integrando agentes de compra directamente en Gemini. Si tu ecommerce no está preparado para que un agente lea tus fichas de producto, compare precios y ejecute un checkout, estás fuera del juego en 2026.
El dato que cambia todo
La conversión de tráfico orgánico tradicional ronda el 2.8%. Es el número que venís viendo en Google Analytics hace años. La conversión de tráfico mediado por agentes de IA ya está en 14.2%, según datos agregados de plataformas B2B que implementaron agentes de compra en 2025. Cinco veces más. La razón es simple: cuando un agente llega a tu página de producto, ya sabe lo que quiere. No está navegando, no está comparando precios por curiosidad, no necesita ser convencido. Viene a extraer datos y ejecutar.
Gartner proyecta que el 90% de las transacciones B2B van a ser mediadas por agentes para 2028. No es un escenario futurista. Es planificación operativa para los próximos 18 meses.
Cómo decide un agente de compra
Un agente de compra no «ve» tu tienda. No le importa tu diseño. No le importa tu copy persuasivo. El agente hace web scraping estructurado, lee schema markup, y evalúa opciones contra un conjunto de criterios programados por el comprador humano que lo delegó. Los criterios más comunes son precio, disponibilidad de stock, velocidad de entrega, y señales de confianza como reviews verificadas.
Cuando un agente evalúa tres proveedores para el mismo producto, la decisión se toma en milisegundos. El que tiene los datos más limpios, más completos y más accesibles gana. No hay «consideración de marca». Hay parsing eficiente.
Las 5 señales que busca un agente
Primero, precio exacto con moneda. Un agente descarta productos que muestran «consultar precio» o «precio desde». Necesita un número, con código de moneda ISO 4217, en un campo estructurado. Segundo, disponibilidad en tiempo real. Si tu stock dice «disponible» pero no tiene cantidad exacta, el agente pasa al siguiente. Tercero, costo y tiempo de envío desglosados. Cuarto, políticas de devolución legibles por máquina. Quinto, señales de autoridad como cantidad de transacciones completadas o rating agregado.
Las descripciones largas con adjetivos no suman. Los bullets con especificaciones técnicas suman. Las tablas de comparación suman. Los datos numéricos suman.
Schema: lo único que el agente lee de verdad
El 80% de los ecommerce en Latinoamérica no tiene structured data. Del 20% que lo tiene, la mitad lo tiene mal implementado. Esto es una ventana de oportunidad que se cierra rápido: hoy podés ser el único proveedor con schema correcto en tu categoría. En 12 meses, va a ser requisito mínimo.
El schema esencial para agentes de compra es Product + Offer. No alcanza con tener Product. Product describe qué vendés. Offer describe a qué precio, en qué moneda, con qué disponibilidad. Los dos juntos forman la unidad mínima de información que un agente necesita para incluirte en su set de comparación.
Implementación mínima de Product + Offer
El tipo Product requiere name, description, image, y sku o gtin. El tipo Offer requiere price, priceCurrency, availability, y url. Sin estos campos, tu producto es invisible para un agente. Con estos campos, entrás al juego.
Para ecommerce B2B, agregá eligibleCustomerType, priceValidUntil, y areaServed. Estos campos le dicen al agente si sos una opción viable antes de que haga scraping completo de tu página. Si un agente necesita 500 unidades con entrega en CABA y tu Offer dice areaServed: AR y availability: InStock con quantity 500, ganaste.
Schema complementario que acelera la decisión
AggregateRating con reviewCount mayor a 50 es una señal fuerte de confianza. Organization con sameAs apuntando a tu LinkedIn y Mercado Libre suma autoridad. BreadcrumbList ayuda al agente a entender tu taxonomía de productos. FAQPage con preguntas de envío, garantía y devoluciones responde objeciones sin interacción humana.
Estructura de datos de producto para machine readability
Tu ficha de producto actual probablemente tiene un título, una descripción, fotos, y un botón de comprar. Eso funciona para humanos. Para agentes necesitás una capa adicional de datos estructurados que no necesariamente se ve en la UI pero está en el DOM.
| Elemento | Formato humano típico | Formato agent-readable |
|---|---|---|
| Precio | «$15.000» | «price»: «15000», «priceCurrency»: «ARS» |
| Stock | «En stock» | «availability»: «https://schema.org/InStock», «inventoryLevel»: 247 |
| Envío | «Envío gratis» | «shippingDetails»: {«shippingRate»: «0», «deliveryTime»: «2-3»} |
| SKU | Visible en la página | «sku»: «UTP-CAT6-305M» en schema |
| Reviews | Estrellitas con CSS | «aggregateRating»: {«ratingValue»: «4.7», «reviewCount»: «128»} |
| Garantía | «12 meses de garantía» | «warranty»: {«duration»: «P12M», «type»: «https://schema.org/ManufacturerWarranty»} |
Cada fila de esta tabla es un punto de fallo donde un agente abandona tu producto. Si el precio no es numérico, abandona. Si el stock no tiene cantidad exacta, abandona. Si el envío no está desglosado con tiempos, asume el peor caso y sigue con otro proveedor.
La API de tu ecommerce como producto
En 2027, los agentes no van a hacer scraping de HTML. Van a consultar APIs. Si tu ecommerce expone un endpoint REST o GraphQL con catálogo, precios y disponibilidad, los agentes te van a indexar directo. Si no, van a tener que parsear HTML, que es frágil, lento y propenso a errores.
Shopify ya tiene la Storefront API. WooCommerce tiene la REST API. Magento y VTEX también. El problema no es técnico: es de mentalidad. La mayoría de los ecommerce trata su API como un detalle técnico interno. Los que ganan en la era agentic la tratan como un producto público, documentado, versionado y monitoreado.
Rate limiting inteligente
Un agente de compra puede hacer 50 requests en un segundo chequeando precios de 50 productos. Si tu API devuelve 429 en el tercer request, el agente te descarta y va al siguiente proveedor. Necesitás rate limits que entiendan tráfico de agentes: más generosos que para tráfico humano, pero con autenticación para evitar scraping malicioso de competidores.
Caso concreto: B2B industrial en Argentina
Tomemos un distribuidor de insumos eléctricos en Buenos Aires. Vende 3000 SKUs a empresas constructoras. Hoy recibe pedidos por WhatsApp y email. Un comprador humano tarda 45 minutos en armar un pedido de 20 items, comparando precios entre 3 proveedores.
Con schema Product + Offer en cada ficha, ese mismo proceso lo hace un agente en 4 segundos. El distribuidor que tenga datos estructurados recibe el pedido antes de que el comprador humano termine de abrir la segunda pestaña del navegador.
El cálculo es simple: si un agente consulta 3 proveedores y tu schema está completo mientras los otros dos no tienen structured data, tu producto es el único que el agente puede evaluar automáticamente. Ganás por default.
Errores comunes que te dejan fuera
- Precios en texto plano sin schema Offer. El agente no puede parsear «USD 49.99 + IVA» como número.
- Imágenes sin alt text descriptivo. El agente usa alt text para confirmar que el producto coincide con la búsqueda.
- Descripciones copiadas del fabricante. Google penaliza duplicate content, los agentes también detectan baja originalidad.
- Falta de gtin/mpn. Sin identificador único de producto, el agente no puede cross-referenciar con otras fuentes.
- Stock binario (hay/no hay). El agente necesita cantidad exacta para planificar compras por volumen.
- Páginas de categoría sin schema ItemList. El agente no puede navegar tu catálogo eficientemente.
- Tiempos de carga mayores a 2 segundos. El agente tiene timeout; si no respondés rápido, no existís.
El checklist de preparación
Semana 1: implementá Product + Offer en las 50 fichas de producto con más tráfico. Usá la herramienta de validación de schema.org. Corregí todos los warnings.
Semana 2: agregá AggregateRating donde tengas más de 20 reviews. Implementá BreadcrumbList en todas las páginas.
Semana 3: documentá la API de tu ecommerce como si fuera un producto público. Publicá un endpoint /api/catalog con documentación OpenAPI.
Semana 4: implementá monitoreo de tráfico de agentes. User agents como «GPTBot», «Claude-Web», «anthropic-ai» y «omni-ai» son señales de que ya te están escaneando.
Mes 2: integrá webhooks para que los agentes puedan recibir notificaciones de cambio de precio o stock sin tener que hacer polling.
Lo que viene en 2027
Los agentes de compra van a negociar precios entre ellos. Un agente comprador va a enviar un RFQ (Request for Quotation) estructurado a 10 agentes vendedores, que van a responder con ofertas en tiempo real. El agente comprador va a seleccionar la mejor combinación de precio, plazo de entrega y confiabilidad. Todo en menos de 3 segundos.
Las empresas que hoy no tienen structured data van a estar compitiendo por el 10% del mercado que queda en canales tradicionales. Las que invierten en machine readability van a capturar el 90% mediado por agentes.
No es una cuestión de SEO. Es una cuestión de existencia comercial.
Preguntas Frecuentes
¿Qué schema es obligatorio para que un agente de IA pueda comprar en mi tienda?
Product + Offer como mínimo. Product para identificar qué vendés, Offer para especificar precio, moneda y disponibilidad. Sin estos dos, el agente no puede incluirte en su set de comparación.
¿Los agentes de compra ya existen o es futuro?
Ya existen. OpenAI Operator, Anthropic Computer Use, y agentes corporativos como AutoGPT para procurement están en producción. El 90% del B2B va a ser agent-mediated para 2028 según Gartner.
¿Cómo sé si un agente ya está escaneando mi ecommerce?
Revisá tus logs de servidor. User agents como GPTBot, Claude-Web, anthropic-ai y omni-ai indican escaneo de IA. Si no tenés logs, un aumento de tráfico sin conversión humana puede ser tráfico de agentes.
¿Mi tienda Shopify/WooCommerce ya está preparada?
No por default. Estas plataformas generan HTML para humanos. Necesitás agregar structured data manualmente o con plugins especializados, y verificar que el markup sea válido con la herramienta de schema.org.
¿Qué dato es el que más conversión genera en agentes de compra?
Disponibilidad en tiempo real con cantidad exacta. Un agente que necesita 500 unidades descarta automáticamente cualquier producto que no declare inventoryLevel numérico. Es el filtro más determinante después del precio.
Última actualización: 30 de junio de 2026
