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.
Ampliación: descomponer la brecha de evidencia por etapa
La brecha de evidencia no es abstracta. Aparece porque una misma compra queda repartida entre sistemas que solo ven fragmentos.
Paso | Quién lo ve | Qué no ve |
|---|---|---|
El usuario pregunta a la IA | Plataforma de IA | Marca, GA4, Shopify |
La IA lee catálogo o páginas | Plataforma IA, a veces edge logs | Analytics de navegador |
La IA recomienda candidatos | Plataforma IA | Sistema de ingresos del merchant |
El usuario llega al sitio | GA4, first-party JS | Prompt y competidores comparados |
El usuario compara productos | GA4, Shopify Pixel | Razón de recomendación IA |
Agrega al carrito | Shopify, Web Pixel | Plataforma IA |
Completa pedido | Shopify, pagos | Contexto upstream de IA |
Vuelve o pide soporte | CRM, soporte | Primer contacto IA |
Esperar un log perfecto no es realista. La solución práctica es una cadena de evidencia con fuerza declarada. Answer muestra recomendación, Request muestra lectura del agente, Visit muestra llegada, Commerce muestra comportamiento y Attribution conecta con pedido.
Evidencia faltante | Papel de CitationGraph | Fuente principal |
|---|---|---|
¿La IA recomendó la marca? | Guardar Answer Evidence y SOV | Prompt sampling, snapshots de respuesta |
¿Un agente leyó el sitio? | Crear Request Visibility | Edge Lite, logs de servidor, bot signatures |
¿Llegó un usuario desde IA? | Identificar referrer IA y visita first-party | JS, UTM, referrer, landing path |
¿Qué hizo en el sitio? | Conectar comportamiento commerce | Shopify Pixel, GA4, event stream |
¿Hubo ingresos atribuibles? | Construir session-to-order join | Order, session id, campaign context |
La regla es no vender señales débiles como si fueran causalidad. Una mención en IA no prueba venta. Un referrer prueba visita, no ingresos. Un join con pedido es fuerte, pero no explica por sí solo el prompt inicial. Separar capas hace que marketing y datos puedan decidir mejor.
Ampliación: tratar la brecha de evidencia en AI Commerce como decisión operativa
En la práctica, la brecha de evidencia en AI Commerce no debe tratarse como un tema editorial aislado. Es una decisión operativa: quién es dueño de la fragmentación entre recomendación, visita, comportamiento y pedido, 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 Answer, Request, Visit, Commerce y Attribution 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: ¿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.