Por qué ChatGPT y Gemini no recomiendan tu tienda

ChatGPT y Gemini ignoran tu tienda por una de estas tres razones. Tus páginas de producto no tienen el marcado schema.org que un modelo necesita para extraer precio, disponibilidad e identidad con confianza. A tu feed de productos le faltan campos como GTIN, marca o estado del producto. O no tienes datos de reseñas estructurados que el agente pueda citar como prueba social. Arregla esas tres cosas y la mayoría de las tiendas empiezan a aparecer en cuestión de semanas.

Las tres razones por las que los agentes con IA ignoran tiendas que funcionan bien para las personas

Estar indexado y ser recomendado son dos cosas distintas. Google o Bing pueden rastrear tu página de producto, mostrarla en los resultados de búsqueda y aun así no entregar nada útil a un agente con IA que intenta responder a "encuéntrame una chaqueta impermeable por menos de 150 $". El agente no lee tu página como lo hace un comprador. Extrae datos estructurados y, si esos datos no están marcados con limpieza, se va a la página de un competidor.

En las auditorías que hacemos en UXFix, el patrón se repite en todas las categorías. Una tienda tiene HTML limpio, tiempos de carga rápidos, precios correctos en la página y, aun así, cero menciones cuando probamos el mismo catálogo con consultas de compra en ChatGPT y Gemini. A esas alturas, la causa casi nunca es la rastreabilidad; ese hueco lo cubrimos en Por qué los agentes de compras con IA no encuentran tus páginas de producto. La causa es que la página le da a un ojo humano suficiente contexto para comprar, pero no le ofrece a un parser nada en lo que apoyar una recomendación.

Hay tres carencias que aparecen una y otra vez. Primera: no hay marcado schema, o lo hay pero está tan roto que los validadores lo rechazan. Segunda: un feed de productos creado hace años para una campaña de anuncios de shopping que nunca se actualizó con GTIN, marca o el estado de stock actual. Tercera: reseñas que existen visualmente en la página como estrellas y texto, pero que no están envueltas en ningún marcado que un modelo pueda interpretar como valoración.

Cómo es realmente una página de producto recomendable por IA

Una página de producto recomendable por IA es aquella en la que cada dato que un agente necesita para tomar una decisión de compra, nombre, precio, moneda, disponibilidad, marca, identificador y valoración, existe de forma estructurada, no solo como texto visible. Un comprador puede deducir "en stock" a partir de una marca de verificación verde. Un modelo necesita "availability": "https://schema.org/InStock" en el marcado para afirmar lo mismo con confianza.

Usa esto como lista de comprobación antes de tocar cualquier otra cosa:

• Schema Product válido en cada página de producto, incluyendo name, image, description, sku y brand.
• Schema Offer anidado dentro con price, priceCurrency y availability sincronizados con lo que realmente hay en stock.
• Schema AggregateRating o Review si muestras reseñas en cualquier parte de la página. Las estrellas visibles sin marcado son invisibles para un agente.
• Un feed de productos (Google Merchant Center o equivalente) con GTIN, MPN o marca cumplimentados para cada SKU, no solo para los más vendidos.
• Precio coherente entre página, schema y feed. Una discrepancia es uno de los motivos más habituales para que un agente descarte por completo un listado; lo detallamos en Por qué los agentes de compras con IA leen mal tus precios.

Pasa cualquier URL de producto por la Prueba de resultados enriquecidos de Google o el Validador de marcado de Schema antes de dar por hecho que está bien. Vemos tiendas que añadieron schema hace dos años, luego rediseñaron la página y rompieron el bloque JSON-LD sin darse cuenta. Para el comprador sigue viéndose perfecto. Para un parser no devuelve nada.

Marcado schema que los agentes de compras con IA sí leen

No todo el schema pesa igual. Tanto los agentes construidos sobre el Shopping Graph de Google como la recuperación general de los LLM se apoyan sobre todo en un pequeño conjunto de tipos de schema.org; el resto está bien tenerlo, pero no es determinante.

El tipo Product de schema.org y la propia documentación de datos estructurados de Google son las dos referencias que vale la pena guardar. Ambas se actualizan a medida que cambia el comportamiento de los agentes, y con ambas puedes validar gratis sin necesidad de un desarrollador.

Un detalle que hace tropezar incluso a equipos cuidadosos: el schema inyectado dinámicamente. Si tu bloque JSON-LD lo añade un gestor de etiquetas JavaScript en el cliente después de cargar la página, algunos rastreadores lo ven y otros no. El schema renderizado en el servidor, presente en la respuesta HTML inicial, es la apuesta más segura para cualquier agente que no ejecute JavaScript antes de extraer los datos.

¿Por qué Gemini no muestra mis productos aunque Google los indexe?

Esto confunde a muchos dueños de tienda, y con razón. Las funciones de compra de Gemini y el Shopping Graph de Google se nutren principalmente de tu feed de Merchant Center, no del índice orgánico que decide si tu página posiciona en una búsqueda normal. Puedes estar perfectamente indexado y totalmente ausente de ese graph si tu feed es pobre, está desactualizado o le faltan atributos obligatorios.

Los requisitos de feed para los agentes de compras con IA son más estrictos que los que la mayoría de tiendas configuró para anuncios de shopping básicos. La disponibilidad tiene que actualizarse casi en tiempo real, no de un día para otro. El GTIN es ya prácticamente obligatorio en la mayoría de categorías, no opcional. El precio del feed tiene que coincidir con el de la página hasta el céntimo, incluyendo si lleva impuestos o envío incorporados.

Si vendes a través de una plataforma como Shopify o BigCommerce, las apps de feed nativas te llevan buena parte del camino, pero no corrigen automáticamente un GTIN ausente ni un mapeo de categorías incorrecto. Alguien tiene que revisar el archivo del feed de verdad, no dar por hecho que la integración se encarga. También vemos cómo los problemas en la fase de checkout agravan esto: un agente al que le gusta tu producto pero no puede completar la compra por bloqueos más adelante en el embudo te seguirá puntuando a la baja, algo que detallamos en Por qué los agentes de compras con IA abandonan el checkout en tu tienda.

Cómo conseguir que los agentes de compras con IA recomienden tus productos

Trátalo como una auditoría en tres partes, no como un arreglo único. Schema, feed y reseñas necesitan atención por separado, porque fallan de forma independiente y los revisan sistemas distintos.

Empieza por los 20 SKU con más tráfico y déjalos totalmente en regla primero. Así sabrás rápido si los arreglos mueven la aguja antes de aplicar los cambios a un catálogo completo de varios miles de productos. La investigación de NN/g sobre cómo la gente escanea y confía en el contenido estructurado también es una buena lente aquí: la misma claridad que ayuda a un comprador a decidir rápido es la que un modelo necesita para extraer rápido; consulta la investigación de usabilidad de NN/g para el lado humano de ese argumento.

Preguntas frecuentes

¿Qué marcado schema leen los agentes de compras con IA?

Product, Offer y AggregateRating son los tres tipos con más peso, porque responden a identidad, precio y confianza en un formato que un modelo puede interpretar sin ambigüedad. El schema Review añade detalles concretos y citables encima de eso. BreadcrumbList ayuda en consultas comparativas a nivel de categoría, pero importa menos que los tres primeros.

¿Las reseñas de producto influyen en las recomendaciones de IA?

Sí, pero solo si están estructuradas. Una página con 200 reseñas auténticas mostradas como texto plano e iconos de estrellas no le da nada que extraer a un agente, mientras que una página con 20 reseñas envueltas en schema Review y AggregateRating válido le ofrece una señal de confianza citable. La investigación de Baymard sobre usabilidad en ecommerce lleva tiempo demostrando que las reseñas influyen en las decisiones de compra humanas, y el mecanismo para los agentes con IA es la misma señal, solo que legible por máquinas.

¿En qué se diferencia un feed de productos del marcado schema?

El marcado schema vive en el HTML de tu página y se lee cuando un rastreador o agente visita esa URL concreta. Un feed de productos es un archivo aparte, normalmente XML o una conexión con Google Merchant Center, que agentes como Gemini consultan directamente sin visitar tu página. Por lo general necesitas ambos: uno cubre las visitas directas a la página y el otro, el canal del shopping graph.

¿Arreglar los problemas de schema y de feed también ayudará a mi SEO?

A menudo sí, ya que un schema Product y Review válido también consigue resultados enriquecidos en la búsqueda normal de Google, con valoraciones con estrellas y fragmentos de precio incluidos. No está garantizado, porque los resultados enriquecidos dependen de más cosas además del marcado, pero no hay inconveniente. Tanto las pautas de datos estructurados del W3C como la documentación de Google tratan hoy el marcado limpio como una expectativa básica, no como una táctica avanzada.