En marzo de 2026 OpenAI reposicionó ChatGPT como capa de descubrimiento y recomendación, no como simple Instant Checkout. Shopify lanzó Agentic Plan y Google presentó UCP. La señal es que la IA está reconstruyendo la cadena comercial.
El cuello de botella no es solo técnico. Los usuarios no quieren delegar completamente el gasto, la responsabilidad por errores no está clara y los comerciantes quieren mantener su sitio como centro de marca y datos.
Una compra pasa por descubrimiento, recomendación, intención, delegación, políticas, carrito, pago y fulfillment. La IA avanza sobre todo en las primeras fases. Shopify reportó pedidos por búsqueda con IA cerca de 13x y conversión de catálogo con IA cerca de 2x mejor.
La primera competencia es ser entendido y recomendado por IA. GEO es el punto de partida, pero necesita Schema.org, llms.txt, Product Feed y UCP Manifest. Sin datos verificables, la IA no recomienda con confianza.
UCP cubre descubrimiento, ACP ejecución de checkout y AP2 autorización. Lo que queda abierto es qué recomendó la IA, cómo reaccionó el usuario y qué ocurrió en el sitio.
El mercado está entre L1 y L2. La IA recomienda y humanos compran; los agentes empiezan a construir carritos. Las marcas deben ganar L1 antes de hablar de L5.
En la práctica, la madurez de Agentic Commerce y la competencia antes del checkout no debe tratarse como una iniciativa aislada de contenido. Datos de producto, respuestas de IA, requests de agentes, visitas, comportamiento y pedidos deben leerse como una sola cadena de evidencia. Solo así un equipo puede decidir si el siguiente cuello de botella está en datos, contenido, integración o presupuesto.
También hace falta disciplina metodológica. La búsqueda con IA y Agentic Commerce ya se pueden observar, pero no están tan estabilizados como paid media. Prompt sampling, referrers, logs de servidor y pedidos de Shopify tienen puntos ciegos. La medición útil separa evidencia fuerte, señal asistida y simple correlación.
Ampliación: convertir la cadena previa al checkout en un modelo operativo
La pregunta práctica no es si la IA pagará sola. La pregunta es en qué puntos antes del checkout la IA lee evidencia, compara opciones y construye una recomendación. Para una marca en Estados Unidos, México, España o Latinoamérica, precio, stock, promesa de entrega, política de devolución y reseñas son señales de confianza. Si esas señales no son legibles por máquina, la recomendación se debilita antes de que el usuario llegue al sitio.
Etapa | Qué significa | Cómo entra la IA |
|---|---|---|
1. Descubrimiento | El usuario encuentra candidatos | Búsqueda con IA, respuestas y preguntas comparativas |
2. Recomendación | La IA menciona marcas o productos concretos | ChatGPT Shopping, Perplexity, Gemini y experiencias similares |
3. Intención | El usuario reduce criterios | Compara precio, uso, reseñas, entrega y riesgo |
4. Delegación | El usuario encarga una tarea acotada | Presupuesto, talla, compatibilidad o fecha límite |
5. Políticas | Se verifican precio, inventario, envío y devolución | Schema, feed, FAQ y páginas de políticas |
6. Carrito | Se combinan productos y cantidades | El agente propone y la persona confirma |
7. Pago | Se completa el pago | Hoy casi siempre lo hace el humano |
8. Fulfillment | Entrega, cambios y soporte | La IA ayuda con seguimiento y atención |
El mercado está entre L1 y L2. Por eso el trabajo inmediato no es imaginar L5, sino ganar la recomendación. Un feed con precio viejo, stock incorrecto, variantes incompletas o devoluciones no estructuradas hace que la IA pierda confianza. No es un problema de copy; es un problema de evidencia comercial.
Nivel | Estado real | Trabajo prioritario |
|---|---|---|
L1 | La IA recomienda y el humano compra | Mejorar respuestas IA, Schema, Product Feed y reseñas verificables |
L2 | La IA arma carrito y el humano aprueba | Ordenar variantes, inventario, envío y devolución en datos legibles |
L3 | El agente ejecuta una tarea con límites | Declarar precio, uso, compatibilidad y exclusiones |
L4 | El agente gestiona reposición o suscripción | Definir autorización, frecuencia, cancelación y excepciones |
L5 | El agente predice demanda y ejecuta solo | Tratarlo como arquitectura futura, no KPI inmediato |
La medición debe separar capas. La IA puede crear intención y terminar atribuida a Organic o Direct cuando el usuario vuelve por búsqueda de marca. Por eso Answer, Request, Visit, Commerce y Attribution deben verse por separado. Solo así el equipo sabe si el cuello de botella está en visibilidad, datos, comportamiento en sitio o atribución.
Ampliación: tratar la madurez de Agentic Commerce como decisión operativa
En la práctica, la madurez de Agentic Commerce no debe tratarse como un tema editorial aislado. Es una decisión operativa: quién es dueño de descubrimiento, recomendación, intención y delegación antes del checkout, qué datos sostienen la promesa y con qué frecuencia se actualizan. Sin esa disciplina se publica más contenido, pero la evidencia que lee la IA no se vuelve más confiable.
El primer paso es separar lo que entiende una persona en la página de lo que puede verificar un agente. Un buen diseño no compensa Schema débil, feed viejo, políticas poco legibles o reseñas sin estructura. En cambio, una marca puede seguir en la comparación si datos de producto, evidencia de respuesta y comportamiento posterior a la visita está ordenado y actualizado.
La medición debe respetar la misma separación. Cada semana conviene revisar exposición, requests de agentes, visitas desde IA, comportamiento commerce y conexión con pedidos. Cada mes solo se debe llamar crecimiento a lo que es comparable bajo la misma definición. Un salto tras instalar una nueva señal puede ser cobertura, no demanda.
El orden de mejora también importa: reducir errores de interpretación, aumentar datos legibles por máquina, mejorar la experiencia después de la llegada y después reforzar la conexión con ingresos. Así el equipo no confunde contenido, datos y atribución.
En mercados hispanohablantes, además, precio, entrega, devolución, inventario y reseñas suelen variar por país o región. La localización útil no es traducir frases, sino asegurar que la evidencia comercial corresponda al mercado donde el comprador está comparando.
FAQ
Q1: ¿Diferencia con e-commerce tradicional?
A: Se añade una capa B2A de datos para agentes de IA.
Q2: ¿Por qué no domina Instant Checkout?
A: Por confianza, responsabilidad e incentivos de comerciantes.
Q3: ¿Qué debe hacer una marca primero?
A: Auditar Schema, Product Feed, llms.txt y medir IA por capas AIAA.
Q4: ¿En qué etapa está el mercado?
A: Entre L1 y L2.