En 1999, cuando empezábamos a construir el ecosistema de comercio electrónico en la región, hablábamos de tres paradigmas nuevos: el comercio electrónico, el teletrabajo y la educación por internet. Hoy el agentic commerce vuelve a plantear la misma pregunta de fondo, quién decide la compra, pero con un actor nuevo en el medio: el agente de inteligencia artificial que investiga, compara y, cada vez más, ejecuta la transacción en nombre del consumidor.
Qué es el agentic commerce y cómo cambian las compras con IA
El agentic commerce describe el modelo en el que un agente de inteligencia artificial asume parte o la totalidad del recorrido de compra por cuenta del usuario. No es un chatbot que responde preguntas y deja la decisión final en manos de la persona. Es un sistema que busca, compara, filtra por precio y disponibilidad, recomienda y, en un número creciente de casos, paga, todo dentro de una misma conversación. Statista lo describe en su informe Consumer Trends 2026 como una de las transformaciones más disruptivas para marcas y retailers de este año, porque desplaza el punto de decisión desde el sitio del comercio hacia la interfaz conversacional (Merca 2.0).
La velocidad de adopción confirma que no se trata de una moda pasajera. Según datos de Adobe Analytics, el tráfico proveniente de IA hacia sitios de retail en Estados Unidos creció 393% interanual en el primer trimestre de 2026, y ese tráfico convirtió 42% mejor que el tráfico tradicional, una inversión completa respecto de marzo de 2025, cuando convertía peor (Elogic Commerce). McKinsey proyecta que el comercio agéntico podría orquestar entre 3 y 5 billones de dólares en ventas minoristas globales hacia 2030, y J.P. Morgan estima que hasta un cuarto de las ventas online en Estados Unidos podría estar mediado por agentes hacia esa misma fecha, concentrado sobre todo en categorías recurrentes como alimentos y suscripciones (Commercetools).
Lo que cambia no es solo el canal. Cambia el kernel de decisión. Durante años optimizamos para el ojo humano: diseño, jerarquía visual, copy persuasivo. Ahora conviven dos lectores del mismo catálogo, la persona y el agente que actúa en su nombre, y cada uno necesita una capa de información distinta para confiar en lo que ve.
Cómo los asistentes de IA eligen y recomiendan productos
Un agente de IA no navega como navega una persona. No hace scroll, no mira una imagen hero ni lee la historia de la marca en el home. Consulta fuentes de datos estructuradas, evalúa catálogos legibles por máquina y devuelve el producto cuyos atributos mejor calzan con la restricción que pidió el usuario, ya sea precio, talle, material o tiempo de entrega (Rewarx). En enero de 2026 se lanzó de forma operativa el Universal Commerce Protocol de Google, con Shopify, Wayfair, Target, Etsy y Walmart entre sus socios fundadores, y el Agentic Commerce Protocol de OpenAI, integrado con Stripe, ya potencia el checkout instantáneo dentro de ChatGPT (UCP Hub). ChatGPT por sí solo procesa unas 50 millones de consultas de compra por día (Paz.ai).
El impacto en la elección de producto ya es medible. McKinsey encontró que las recomendaciones generadas por IA logran una tasa de conversión 4,4 veces superior a la de la búsqueda tradicional (MetaRouter). Y McKinsey también reporta que el 34% de los compradores online en Estados Unidos ya usó un agente de IA para asistir una decisión de compra, frente al 9% en 2024 (UCP Hub). La confianza total en la compra autónoma todavía es baja, apenas el 14% de los consumidores globales dice confiar en el zero click buying, aunque más del 70% ya interactúa con IA en algún tramo del proceso (Addonmall). Ese es el Tony Stark que sigue estando en el loop, el humano que valida la decisión final aunque el agente haya hecho todo el trabajo previo.
Esto tiene una consecuencia estratégica directa. El producto que gana no es necesariamente el más publicitado. Es el que el agente puede entender con certeza suficiente como para citarlo con confianza.
Datos de producto y estructura que la IA necesita para citarte
Acá está el corazón operativo del problema, y también donde veo el mayor cuello de botella cultural del ecosistema regional. Un agente de IA reduce la ambigüedad antes de recomendar. Si tu ficha de producto tiene el material, la talla, el uso recomendado y la política de devolución escritos como atributos discretos, el agente los toma. Si esa misma información está enterrada en un párrafo de marketing de dos mil palabras, el agente simplemente no la usa (Paz.ai).
El marcado Schema.org en formato JSON-LD es hoy la base de ese lenguaje común. No reemplaza la autoridad ni la experiencia de marca, pero reduce las alucinaciones porque le da al modelo un hecho verificable en lugar de una probabilidad estadística (Digidop). Y ese marcado también tiene un componente de vigencia. Un feed de producto que no se actualizó en noventa días envía la misma señal de baja calidad que una página desactualizada, algo que aprendimos hace años con el SEO tradicional y que ahora se repite, con otras reglas, en el terreno de la IA (Influencers Time).
Pienso en esto como el nuevo petrodato del comercio. Durante veinte años insistimos en que el dato transaccional era el activo estratégico de cualquier operación digital. Hoy ese dato, cuando está bien estructurado, se convierte además en la moneda con la que un agente decide si tu producto existe o no en su respuesta.
Cómo optimizar tu catálogo para búsquedas y agentes de IA
La optimización para agentes de IA no es una capa de marketing adicional. Es infraestructura, en el mismo sentido en que hace una década insistíamos en que el ecommerce dejaba de ser un proyecto aislado para convertirse en un Commerce OS, un sistema operativo del negocio donde cada módulo se integra en una arquitectura mayor.
El marco práctico que veo repetirse en la literatura técnica reciente ordena el trabajo en capas. Primero, los atributos centrales del producto (nombre, categoría, precio, disponibilidad, identificadores) deben estar completos al cien por ciento, sin campos vacíos ni valores heredados de exportaciones CSV antiguas (UCP Hub). Segundo, los atributos de enriquecimiento, los que responden preguntas reales que la gente le hace al agente (si es apto para lavavajillas, si calza chico, si es apto para clima frío) deben estar en campos estructurados y no en la descripción narrativa. Un estudio académico de Princeton, Georgia Tech y Allen AI (SIGKDD 2024) probó nueve estrategias de optimización sobre diez mil consultas y encontró que agregar estadísticas, citas de expertos y fuentes verificables aumenta entre 30% y 40% la visibilidad del contenido en respuestas de motores generativos (Paz.ai). Tercero, el marcado Schema.org convierte esos atributos en un formato que el agente puede parsear sin ambigüedad. Y cuarto, la elección del formato de feed importa, el JSON-LD supera de manera consistente a microdata y RDFa en precisión de parseo cuando se alimenta a plugins de ChatGPT, integraciones de compras de Gemini o agentes de terceros construidos sobre acceso API (Influencers Time).
Esto no es un ejercicio técnico aislado. Es, otra vez, el mismo aprendizaje colectivo que atravesó cada etapa del ecosistema digital regional: los estándares abiertos avanzan más rápido cuando plataformas, retailers y proveedores tecnológicos los construyen juntos. El Agentic Commerce Protocol nació de la colaboración entre Stripe y OpenAI, y el Universal Commerce Protocol reunió a Google con Shopify, Walmart y Target desde el día uno. Los dedos de una mano hacen más fuerte el puño que impulsa al ecosistema, y en la carrera por los protocolos de comercio agéntico esa lógica se repite con actores distintos y el mismo principio.
Qué medir para saber si la IA te está recomendando
El desafío de medición es real y todavía está en construcción. Gran parte del descubrimiento asistido por IA no pasa parámetros UTM limpios ni señales de atribución a través de los stacks de analítica tradicionales, lo que obliga a las marcas a repensar cómo miden el impacto de este canal (Influencers Time). Aun así, hay indicadores que ya se pueden observar. El volumen y la calidad del tráfico referido desde dominios de IA (ChatGPT, Perplexity, Gemini) en la analítica del sitio es el primero. La tasa de conversión de ese tráfico específico frente al tráfico orgánico tradicional es el segundo, y hoy en mercados maduros ya está superando a la búsqueda clásica. El tercero es más cualitativo pero decisivo: hacerle a los propios asistentes de IA las preguntas que haría un comprador real sobre tu categoría, y verificar si tu marca aparece, con qué atributos y con qué precisión. El cuarto es la validación técnica del feed y del marcado estructurado con herramientas como Rich Results Test, porque un error de implementación no falla en silencio, le señala al sistema que tus datos son de baja calidad y te saca de la conversación (Influencers Time).
| Dimensión | Qué medir | Fuente de dato | Frecuencia recomendada |
| Visibilidad | Presencia de la marca en respuestas de ChatGPT, Gemini y Perplexity ante consultas de categoría | Auditoría manual de prompts representativos | Mensual |
| Tráfico | Sesiones referidas desde dominios de IA | Google Analytics 4, segmentación por referrer | Semanal |
| Conversión | Tasa de conversión del tráfico de IA vs. tráfico orgánico | Analítica del sitio | Mensual |
| Calidad del feed | Errores de Schema.org, campos vacíos, antigüedad del feed | Rich Results Test, auditoría interna del catálogo | Semanal |
Llevamos más de veinticinco años de desarrollo digital en la región y más de veinte construyendo un ecosistema de comercio electrónico que empezó con catálogos estáticos, siguió con motores de búsqueda que aprendimos a entender palmo a palmo, y hoy llega a un punto donde el lector principal de nuestro catálogo puede no ser humano. No es una ruptura con lo que hicimos antes, es una capa nueva sobre los mismos fundamentos: datos limpios, estructura clara, actualización constante y colaboración entre actores del ecosistema para construir reglas comunes. Las empresas que en su momento entendieron que el SEO no era un truco sino una disciplina de datos son las que hoy están mejor preparadas para este nuevo salto. El agentic commerce no cambia la pregunta de fondo que nos hacemos desde 1999, cómo hacer que la tecnología amplíe el alcance de un negocio real. Cambia quién hace la primera pregunta de compra, y por eso la respuesta ya no puede vivir solo en el diseño de una página, tiene que vivir en la estructura del dato.
Preguntas frecuentes
¿El agentic commerce reemplaza al ecommerce tradicional? No lo reemplaza, se monta sobre él. El sitio y el checkout siguen existiendo, pero el punto de descubrimiento y comparación se traslada cada vez más a la conversación con un agente de IA antes de que el usuario llegue al sitio.
¿Qué es el Agentic Commerce Protocol (ACP)? Es un protocolo de checkout de código abierto desarrollado por Stripe y OpenAI que permite a los agentes de IA completar compras en nombre del consumidor dentro de la propia conversación.
¿Necesito una tienda distinta para vender a través de agentes de IA? No, necesitás que tu catálogo actual tenga datos completos, estructurados y actualizados, con marcado Schema.org en JSON-LD, para que cualquier agente pueda leerlo y citarlo con confianza.
¿Cómo sé si un agente de IA está recomendando mis productos? Auditando manualmente qué responden ChatGPT, Gemini y Perplexity ante preguntas típicas de tu categoría, y cruzando ese resultado con el tráfico referido desde dominios de IA en tu analítica.
¿Vale la pena invertir en esto si la adopción todavía es baja en la región? Sí, porque la infraestructura de datos estructurados no es exclusiva del agentic commerce, mejora al mismo tiempo el SEO tradicional, la precisión de los feeds de marketplaces y la calidad general del catálogo.
