La infraestructura B2A permite que la IA lea productos. La pregunta más importante es qué ocurre después. Un usuario pregunta en ChatGPT, la IA consulta catálogos, recomienda tres marcas, el usuario hace clic, revisa reseñas, añade al carrito y compra en Shopify. Nadie ve toda la cadena.
ChatGPT sabe qué recomendó, pero no si hubo compra. Shopify sabe qué se compró, pero no qué recomendación de IA inició el recorrido. GA4 ve algunos referrers, pero no el contexto de la respuesta. UCP ve consultas de catálogo, pero no comportamiento en sitio.
La brecha es estructural. Los protocolos resuelven interoperabilidad, no medición. Las plataformas de IA no siguen todo el tráfico saliente. Las herramientas del comercio no entienden el upstream de IA. Por eso el aporte de IA queda subestimado.
CitationGraph cubre esa zona con AIAA: Answer, Request, Visit, Commerce y Attribution. Permite ver menciones, requests de agentes, visitas desde IA, comportamiento comercial y unión con pedidos. GEO ve el upstream; attribution ve el downstream; la brecha está en conectar ambos.
Las marcas no deben esperar a que los protocolos maduren. Deben empezar por identificar visitas con first-party JS, añadir Edge Lite para requests de agentes y luego conectar sesiones con pedidos. Esa es la forma práctica de medir IA como canal de negocio.
En la práctica, la brecha de evidencia entre recomendación de IA y pedido 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.
FAQ
Q1: ¿Qué es la brecha de evidencia?
A: El vacío entre recomendación de IA y resultado comercial medible.
Q2: ¿Los protocolos la cerrarán solos?
A: No. Los protocolos son tuberías de interoperabilidad, no sistemas completos de medición.
Q3: ¿Por dónde empezar?
A: Visit layer, Edge Lite y luego session-to-order join.
Q4: ¿Por qué importa al equipo de performance?
A: Porque la contribución de IA termina atribuida a Direct u Organic.