Cómo la IA decide qué productos ven los consumidores

Durante la mayor parte de la era de internet, las compras en línea comenzaban con un producto en mente. El comprador tenía una idea de lo que quería, escribía palabras clave, abría decenas de pestañas y comparaba especificaciones y precios mientras avanzaba lentamente hacia una decisión. La inteligencia artificial (IA) está cambiando esto, no solo acelerando la búsqueda, sino también creando un nuevo comportamiento del consumidor.

Eso se debe a que no solemos pensar en términos de productos. Pensamos en problemas, objetivos y limitaciones: “Necesito verme bien para mi reunión de las 9 de la mañana después de mi vuelo nocturno”. “Necesito ideas para que mi hijo pequeño coma verduras”.

Transformación de la IA en el comercio

Con herramientas de GenAI como ChatGPT, Claude y Gemini, los compradores ya no tienen que traducir estas necesidades en búsquedas de productos. La madre del niño pequeño escribe su consulta y la IA hace preguntas de seguimiento sobre los alimentos favoritos del niño, sus preferencias de textura y sus restricciones dietéticas para crear una solución que incluya recomendaciones de productos relevantes.

Esa condensación de la investigación en la conversación transforma el comercio, pasando de un sistema que capta la demanda basándose en búsquedas de productos a uno que la crea recomendando productos que los compradores quizás ni siquiera sepan que necesitan. Con casi la mitad (45%) de los consumidores a nivel mundial comprando ahora con IA, el proceso de descubrimiento se está adelantando. Sin embargo, la mayoría de las marcas no han seguido este camino y necesitan asegurarse rápidamente de cumplir con los requisitos para aparecer en las recomendaciones de IA.

Muchos asumen que los modelos de IA simplemente toman palabras clave de la solicitud del usuario y generan una lista de productos cuyas descripciones hacen referencia a esas palabras clave. Pero las compras con IA no se basan en la clasificación por palabras clave; son un sistema de recomendación fundamentado en la semántica, las restricciones y la autoridad. Para ser recomendado, un producto debe superar dos obstáculos, y si no se supera el primero, el segundo resulta irrelevante.

Etapas para las recomendaciones

• La primera fase consiste en entrar en el conjunto de opciones a considerar: Antes de realizar cualquier clasificación, un modelo de IA determina qué productos son relevantes. Si un comprador busca el mejor shampoo para cuero cabelludo sensible dentro de un rango de precio determinado, el modelo no empieza por todas las marcas y las clasifica. Identifica la categoría pertinente, aplica las restricciones del comprador y filtra según los atributos. Por lo tanto, si una marca de shampoo no ha posicionado claramente sus productos en la categoría de cuidado del cuero cabelludo o no ha estructurado sus datos para abordar la sensibilidad, los ingredientes y el rango de precios, se descartará antes de que se evalúe su autoridad de marca.
• La etapa 2 consiste en ascender en el ranking: En esta etapa, el modelo decide qué productos del conjunto considerado merecen llegar a la cima. Esto es importante porque la IA generalmente solo recomienda los tres u ocho productos mejor clasificados. En la etapa 2, el modelo evalúa indicadores de confiabilidad como pruebas y certificaciones de terceros, datos de producto consistentes en sitios web de marcas, feeds de minoristas, marketplaces, reseñas creíbles y menciones en los medios. Un estudio revisado por pares reveló que el contenido estructurado y preparado para IA puede lograr un 40% más de visibilidad en las respuestas de GenAI. Por lo tanto, las señales de confianza son fundamentales, pero solo para los productos que ya han superado la etapa 1.

Cómo la IA investiga los productos

Las grandes marcas pueden encontrarse en desventaja en este caso. Su presencia es amplia y difusa, abarcando muchos tipos y categorías de productos, pero los modelos de IA no buscan un halo. Buscan el SKU correcto con los atributos adecuados y claramente documentados.

Cuando un comprador introduce una solicitud, el modelo la divide en varias consultas más pequeñas mediante un proceso de ramificación, y luego las ejecuta en la web y en fuentes de datos estructurados. La IA sintetiza la información encontrada, identifica deficiencias y, a menudo, realiza otra ronda de consultas para validar las afirmaciones. Es probable que las consultas ramificadas no se parezcan a la solicitud original, ya que el modelo traduce la intención del usuario en las señales de atributos y las comprobaciones de credibilidad necesarias para evaluar los productos.

Por eso, centrarse únicamente en la optimización de la respuesta inmediata no funciona. Un comprador puede expresar una necesidad de docenas de maneras (“chamarra calientita” o “abrigo térmico para ir al trabajo”), pero todas se reducen a la misma intención. Por lo tanto, intentar anticipar la forma en que cada comprador formula su pregunta es ineficaz. En cambio, las marcas deberían estructurar de forma coherente los datos de los productos y las señales de confianza en toda la web, de manera que las consultas de la IA puedan encontrarlas y verificarlas. Los datos de producto incompletos, inconsistentes o no verificables generan una falta de confianza en los modelos de IA.

Cómo las marcas deben optimizarse para las compras con IA

La antigua pregunta de SEO “¿Aparecí en esta convocatoria?” ya no es la adecuada con la IA. La pregunta correcta es “¿Por qué fui excluido y qué me haría elegible?”.

Las marcas deben proporcionar información clara sobre qué es un producto, a quién va dirigido y qué necesidades satisface. Además, deben ofrecer evidencia estructurada para cada aspecto, como ingredientes, certificaciones y casos de uso que las búsquedas en buscadores puedan encontrar y verificar. Para una marca que busca ser recomendada para un viaje de campamento, describir un producto como una “estufa de 20,000 BTU” no es suficiente. Los datos deben demostrar que funciona para acampar en coche, sirve para dos a cuatro personas y hierve agua rápidamente. Lo mismo se aplica a belleza, alimentación, hogar, bienestar y cualquier otra categoría de productos.

Una mejor infraestructura de datos

Por eso, una presencia digital coherente es tan importante. Los modelos de IA van más allá de las páginas de productos propias, analizando sitios de venta minorista, reseñas, medios de comunicación, foros y otras fuentes externas para validar si un producto merece una recomendación y si sus afirmaciones se confirman en otros contextos. Reddit es uno de los ejemplos más claros. En el análisis de Novi, fue la fuente más citada por ChatGPT para la investigación sobre recomendaciones de productos, pero no porque la IA simplemente recompense los votos positivos. Busca evidencia clara y útil sobre casos de uso, comparaciones y terminología específica de cada categoría.

El comercio electrónico impulsado por IA obliga a las marcas a desarrollar una mejor infraestructura de datos. Un modelo no puede ubicar un producto con precisión en la categoría adecuada si no puede relacionarlo con las preferencias del comprador ni encontrar evidencia estructurada que respalde sus afirmaciones. Y por muy prestigioso que sea un producto y por muy grande que sea su presupuesto de marketing, si la IA lo descarta, no se recomendará. A medida que la IA interviene cada vez más en las decisiones de los consumidores, las marcas que construyan datos limpios, verificados y bien estructurados tendrán una ventaja.