Dos requests aparecen en tu servidor. GPTBot/1.0 pide una página de producto. ChatGPT-User/1.0 pide la misma página. GA4 no ve ninguno porque los crawlers no ejecutan JavaScript. GSC tampoco, porque sus reportes IA se limitan a funciones de Google. Si se descartan como bot traffic, pierdes señales críticas.
GPTBot puede estar entrenando un modelo: valor de largo plazo. ChatGPT-User puede aparecer porque un usuario real pide a ChatGPT consultar tu página: señal de alta intención en tiempo real.
Cinco intenciones
Training: GPTBot, ClaudeBot, Meta-ExternalAgent, GoogleOther, Bytespider, CCBot. Recopilan datos para modelos. Acción: datos de marca correctos, robots.txt y llms.txt.
Indexing: construyen índices de búsqueda IA. Importan Schema, meta tags y Open Graph. Estar indexado es requisito para ser recomendado.
Search: OAI-SearchBot, PerplexityBot, Claude-SearchBot. Buscan páginas para responder queries de usuarios. Señal de demanda. Acción: Answer-First, FAQ y datos actualizados.
User Fetch: ChatGPT-User, Claude-User, Perplexity-User. La IA trae una página porque un usuario lo pidió en una conversación. Valor alto, cercano a una visita humana.
User Action: Google-Agent, Manus-User, NovaAct. Ejecutan tareas para usuarios. Aún temprano, pero central para Agentic Commerce.
Por qué GA4 y GSC no distinguen
GA4 no ve crawlers. GSC no clasifica terceros. Se necesitan logs server-side, librería oficial de UAs y análisis de comportamiento para casos no estándar. CitationGraph convierte estas visitas en señales clasificadas por intención.
Estrategia GEO por intención
Intent | Qué hacer | Qué dejar de sobrevalorar |
|---|---|---|
Training | Datos de marca correctos, llms.txt | Page speed solo para training |
Indexing | Schema, meta, Open Graph | Datos en tiempo real para indexación pura |
Search | Answer-First y FAQ | Frecuencia de crawler aislada |
User Fetch | Pricing, políticas, CTA actualizados | Ignorar páginas con user_fetch |
User Action | Datos estructurados, API, forms | Posponer Agentic Commerce |
La diferencia operativa es grande. Si un equipo solo mira volumen de bots, puede confundir una subida de GPTBot con demanda comercial inmediata. Pero si distingue User Fetch, puede saber qué páginas están siendo consultadas por usuarios dentro de conversaciones IA. Pricing, políticas de devolución, comparativas, FAQs y páginas de categoría dejan de ser solo contenido SEO: se convierten en activos expuestos a agentes.
Un dashboard útil debe tener tres niveles. Primero, volumen por plataforma para ver qué ecosistemas prestan atención. Segundo, mix de intención para no mezclar training con compra potencial. Tercero, análisis por página para convertir el dato en trabajo concreto: actualizar una política, mejorar una respuesta, añadir Schema o reforzar un CTA.
La calidad de clasificación también debe quedar explícita. Los User-Agents oficiales son señales fuertes, pero no todas las plataformas documentan sus crawlers con la misma transparencia. Algunas visitas requieren validar IP, headers, frecuencia, profundidad y contexto de página. Un buen sistema debe distinguir entre "confirmado", "probable" y "desconocido". De lo contrario, se reemplaza la ceguera de GA4 por una falsa seguridad en logs.
En términos de organización, esto cruza varios equipos. SEO estructura las páginas, Engineering entrega acceso a logs, Data define el modelo de intención, Legal revisa robots.txt y términos, y Growth traduce user_fetch o user_action en prioridades comerciales. Crawler Intent no es un reporte técnico secundario; es una capa operativa de AI Search.
La interpretación debe ser prudente. Un request user_fetch aislado no prueba una compra. Pero un aumento repetido en páginas de precio, comparativas, políticas de devolución y disponibilidad indica que usuarios asistidos por IA avanzan en evaluación. Por eso conviene mirar tendencias semanales, grupos de páginas y eventos competitivos, no eventos sueltos. La dirección temporal convierte el dato en señal accionable.
También cambia el contenido que se prioriza. En SEO tradicional, muchas veces se optimiza la página que rankea. En AI Search, quizá la página más importante sea la que el agente consulta para verificar confianza: shipping, warranty, return policy, reviews, certifications. Esas páginas rara vez reciben mucho tráfico humano, pero pueden decidir si la IA recomienda o descarta la marca.
El siguiente artículo muestra una arquitectura práctica de monitoreo para DTC.
FAQ
Q1: ¿Cómo identificar intent en logs?
A: Con User-Agent matching y análisis de comportamiento.
Q2: ¿Qué valor tiene Training?
A: Largo plazo: qué aprenden los modelos sobre la marca.
Q3: ¿User Fetch equivale a visita humana?
A: No en GA4, pero comercialmente es una señal cercana a una visita de alta calidad.
Q4: ¿User Action ya es común?
A: Todavía no, pero crecerá con Agentic Commerce.
Q5: ¿Y plataformas chinas?
A: Requieren combinar UA matching y comportamiento porque sus estándares son menos transparentes.