Infraestructura B2A: cómo hacer que los agentes de IA lean tus productos correctamente
Publicado 11 de junio de 20263 min readGlobal Gravity
El artículo anterior planteó que el primer campo de batalla de Agentic Commerce no es el pago, sino el descubrimiento y la recomendación. Para competir ahí, una marca necesita infraestructura B2A: Business-to-Agent. No basta con una página atractiva para humanos; hace falta una capa de datos verificable por máquinas.
El primer pilar es Schema.org. Un Product con name y price es demasiado básico. Un agente necesita Brand, Offer, Availability, AggregateRating, ShippingDetails y ReturnPolicy. Sin esos datos no puede saber si el precio, el stock, el envío y la devolución son confiables.
El segundo pilar es llms.txt. No es una copia del sitemap, sino una guía curada de 20 a 50 páginas clave para que la IA entienda la marca, productos, políticas y pruebas de confianza. Cada enlace debe tener una descripción útil.
El tercer pilar es Product Feed. Google Merchant Center, Shopify Agentic Storefronts y las interfaces de datos de producto dependen de feeds precisos. Precios viejos, stock desactualizado, variantes incompletas o imágenes pobres reducen la probabilidad de recomendación.
El cuarto pilar es UCP Manifest. Declara qué capacidades soporta un comerciante: consulta de catálogo, carrito, descuentos, checkout o postventa. Aún es temprano, pero las marcas grandes deberían prepararse.
Ser legible para la IA no equivale a ser recomendado. B2A es condición necesaria, no suficiente. También influyen los datos de competidores, la historia de la marca en el conocimiento de los modelos, el contexto del usuario y las reglas de cada plataforma. Sin B2A, sin embargo, la marca ni siquiera entra bien en la evaluación.
El diagnóstico de búsqueda con IA de Gravity revisa profundidad de Schema, calidad de llms.txt, frescura del feed, patrones reales de crawling de agentes y representación de marca en respuestas de IA. La pregunta no es “qué nota tengo”, sino qué ve la IA y qué no puede verificar.
En la práctica, la infraestructura de datos B2A 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: ¿Cuál es la diferencia entre B2A y B2C?
A: B2C optimiza la experiencia para humanos. B2A optimiza datos para agentes de IA: estructura, hechos verificables y precisión en tiempo real.
Q2: ¿Qué propiedades de Schema importan más?
A: Precio, disponibilidad, rating, envío y política de devolución. Muchas marcas carecen de las últimas tres.
Q3: ¿llms.txt sirve para Google AI Overview?
A: De forma limitada. Google usa principalmente Schema y Merchant Center. llms.txt sirve más para ChatGPT, Perplexity y Claude.
Q4: ¿Shopify lo resuelve automáticamente?
A: Solo en parte. Genera Schema y feed básicos, pero envío, devoluciones y llms.txt requieren trabajo adicional.
Q5: ¿Cuál es el ROI de B2A?
A: Mayor probabilidad de recomendación por IA, mejores resultados enriquecidos, mejor feed y preparación para UCP/ACP.
