← Volver al blog
Founder ColumnGEOAI VisibilityAnalyticsAgentic CommerceAI Commerce
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.
B2A no es una checklist técnica. Es la capa de evidencia que permite a la IA decidir si puede recomendar con confianza. Lo que un humano entiende por diseño, fotos o contexto debe estar disponible para el agente como dato estructurado y verificable.
Falla común | Efecto en IA | Corrección |
|---|---|---|
Schema Product con solo nombre y precio | No puede evaluar confianza, envío, devolución ni reseñas | Conectar Brand, Offer, Rating, ShippingDetails y ReturnPolicy |
Feed y sitio muestran precio o stock distinto | La recomendación genera fricción y pérdida de confianza | Monitorear sincronización y frecuencia de actualización |
llms.txt copia el sitemap | La IA no distingue prioridades | Curar 20-50 páginas clave con descripciones |
Los cuatro pilares deben operarse juntos. Schema describe hechos en la página, llms.txt define rutas de lectura, Product Feed mantiene hechos de producto actualizados y UCP Manifest declara capacidades transaccionales. La calidad B2A debe revisarse como operación de commerce, no solo como proyecto SEO.
Pilar | Uso por IA | Control necesario |
|---|---|---|
Schema.org | La IA lee la página de producto | Precio, stock, envío, devolución y rating coinciden con la realidad |
llms.txt | La IA decide qué leer primero | Los enlaces están curados y descritos con precisión |
Product Feed | La IA compara en índices de producto | Precio, stock, imágenes, variantes e IDs están actualizados |
B2A se deteriora con cada promoción, cambio de precio, producto nuevo o política logística. Por eso debe tener dueño operativo y alertas. Sin esa disciplina, la marca puede aparecer correcta para humanos y débil para agentes.
En la práctica, la infraestructura de datos B2A no debe tratarse como un tema editorial aislado. Es una decisión operativa: quién es dueño de Schema, llms.txt, Product Feed y UCP Manifest en operación, 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 frescura de datos, políticas, reseñas y condiciones de entrega 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.
A: B2C optimiza la experiencia para humanos. B2A optimiza datos para agentes de IA: estructura, hechos verificables y precisión en tiempo real.
A: Precio, disponibilidad, rating, envío y política de devolución. Muchas marcas carecen de las últimas tres.
A: De forma limitada. Google usa principalmente Schema y Merchant Center. llms.txt sirve más para ChatGPT, Perplexity y Claude.
A: Solo en parte. Genera Schema y feed básicos, pero envío, devoluciones y llms.txt requieren trabajo adicional.
A: Mayor probabilidad de recomendación por IA, mejores resultados enriquecidos, mejor feed y preparación para UCP/ACP.
Este artículo es un activo de evidencia. AI Evidence Index conecta artículos, FAQ, productos, tecnología, casos, archivos llms y /ai/*.md.
Get a free AI search audit report to understand your brand's visibility in AI search.
Free AI Search AuditPolítica de devolución en imagen o PDF | No se puede verificar como dato | Publicar condiciones en HTML y Schema |
Reseñas sin estructura | Falta prueba comparativa | Ordenar AggregateRating y resumen de reviews |
UCP Manifest |
El agente descubre capacidades |
Catálogo, carrito, descuentos y checkout tienen límites declarados |