Simulación de listados con IA para tus productos

Tanto si la gente busca en Google, va a Amazon o pregunta a un chatbot, la IA ahora les da una respuesta con un producto dentro, y la mayoría de las marcas de comercio electrónico no tienen ni idea de cómo ser ese producto. La simulación de fichas con IA es la solución a ese punto ciego. Pones un modelo de IA frente a tu producto y al de un competidor concreto, le pides que elija, y lees por qué eligió lo que eligió.

Funciona con los datos que un agente realmente lee: tu feed de producto, tu catálogo y los datos estructurados de tus páginas de producto. No funciona con tu página de inicio, que el agente nunca ve.

Creo que esta es la prueba más infravalorada del comercio electrónico ahora mismo. Las tiendas pasan semanas discutiendo sobre banners hero mientras que lo que decide la venta es un campo de título que dice “Blue Bottle 2”. Un humano se iría. Un agente simplemente elige a otro y nunca te lo dice.

TL;DR

• La simulación de fichas con IA consiste en pedir a modelos de IA que elijan entre tu producto y el de un competidor, y luego leer las razones que dan.
• Las entradas son tu feed de producto, catálogo y datos estructurados. Los títulos, descripciones, GTIN, precio, disponibilidad, envío y devoluciones son lo que más importa.
• Trata los resultados como evidencia orientativa. Incluso un simulador académico sólido coincidió con cambios reales de añadir al carrito en el 77% de los casos, no en todos.
• Corrige los datos, vuelve a ejecutar la misma comparación y luego observa las visitas de asistentes de IA para ver si algo se movió.
• El análisis gratuito de ecentic cubre tus 10 productos principales sin tarjeta, lo cual es suficiente para ver el patrón.

Qué significa la simulación de listings con IA para una tienda online

La expresión se confunde con herramientas inmobiliarias y generadores de descripciones, así que voy a ser específico. Para una tienda, un listing es una ficha de producto: título, descripción, imágenes, atributos, precio, stock y condiciones de envío y devolución. Simulación significa ejecutar una solicitud de compra a través de un modelo de IA y observar qué ficha selecciona.

Una simulación útil tiene tres partes:

1. Una solicitud de comprador, como «el mejor regalo por menos de $60 para alguien a quien le gusta el chocolate negro».
2. Un conjunto de productos candidatos, los tuyos y al menos los de un competidor identificado por nombre.
3. Un motivo, en inglés claro, de la elección.

El motivo es la parte valiosa. Una puntuación sin causa es un horóscopo. Cuando el agente dice que prefirió el otro producto porque ese listing indicaba el material, el tamaño y el plazo de devolución, ya tienes una lista de tareas.

Esto también es diferente del clásico test A/B. Un test A/B necesita tráfico y semanas. Una simulación necesita un catálogo y unos minutos. El equipo de ingeniería de Shopify ha escrito sobre la misma idea para su propio trabajo con agentes: sus entornos aislados ShopGym permiten a los desarrolladores reproducir fallos de agentes en condiciones controladas y consistentes, que es precisamente lo que no puedes obtener de compradores reales. Si quieres el argumento más amplio a favor de probar antes de lanzar cambios, lo tratamos en simulation-first A/B testing for AI agents.

Cómo un agente de IA lee tu tienda

El agente nunca ve tu página de inicio. Lee datos legibles por máquina, y las fuentes varían según la plataforma.

En Shopify, los datos del catálogo están estandarizados para que las aplicaciones y los agentes puedan buscarlos y mostrarlos. La versión Summer '25 de Shopify describió Shopify Catalog como un sistema que estandariza precios, opciones y disponibilidad para aplicaciones y agentes de IA. En la práctica, eso significa que un registro de producto escaso o inconsistente te acompaña a todas partes.

Los asistentes de compra también combinan conocimiento estático del producto con el comportamiento en tiempo real del comprador. Gorgias documenta que su Shopping Assistant combina información del catálogo, contenido de la página de producto y detalles personalizados del producto con la actividad del comprador, como los productos vistos y el contenido del carrito, para decidir qué recomendar. La mitad estática es la parte que controlas: descripciones, materiales, información sobre la garantía.

Luego está el checkout. UCP de Google, el Universal Commerce Protocol, es un estándar abierto para el checkout de agentes. El propio material para desarrolladores de Google dice que UCP permite el descubrimiento de comercios, la búsqueda en el catálogo y el checkout a través de un perfil en /.well-known/ucp. Se combina con AP2, un protocolo de pagos en el que un checkout firmado por el comercio se verifica frente a lo que autorizó el comprador, de modo que un agente no pueda cambiar el precio discretamente. Comprar dentro de la respuesta de la IA ya es una realidad hoy en Google AI Mode y Gemini en EE. UU. ChatGPT, en cambio, envía a los compradores al checkout propio de la tienda.

OpenAI tiene su propio protocolo, Google tiene UCP y Amazon tiene un muro. Tu catálogo tiene que hablar con todos ellos, o al menos no romperse delante de ellos.

Si quieres ver cómo se construyen estos agentes por dentro, una guía en cómo construir un agente de IA facilita imaginar el ciclo de recuperar, razonar y actuar. También explica por qué un campo ausente es invisible para el modelo: lo que no está en los datos no existe para él.

Qué comprobar en una simulación

Antes de ejecutar nada, debes saber en qué campos puede apoyarse el agente. La documentación de Merchant Center de Google enumera los atributos compatibles, y los que deciden la mayoría de las comparaciones son el título, la descripción, la imagen, la marca, el SKU, el GTIN, el precio, la moneda del precio, la disponibilidad y los detalles estructurados de envío y devoluciones. Puedes leer la lista completa en la referencia de atributos de datos estructurados de Google.

Aquí tienes cómo leería yo cada uno cuando el agente elige a un rival:

Los fallos aburridos son los que ganan. En nuestras propias auditorías, un marketplace de bebidas espirituosas que facturaba alrededor de 70 M€ al año tenía un fallo en los datos que los agentes leían en el 88% de sus 9.699 productos. Cuando se preguntó a los agentes dónde comprar dos botellas que tiene en stock, apareció 0 veces de 20. Nadie en ese equipo había decidido ser invisible. El feed simplemente decía eso.

La parte del checkout también falla en silencio. Los checkouts con agentes de una marca sueca de cuidado de la piel llegaron al pago en 0 de 6 países porque una configuración de envío pedía un número de teléfono. Los agentes no tienen el número de teléfono de tu cliente, lo cual es razonable que no tengan. Aquí no se nombra a ninguna de las dos tiendas, y seguiré manteniéndolo así.

Cómo ejecutar una simulación en tu propio catálogo

Puedes hacer una versión aproximada a mano, y deberías hacerlo si nunca lo has hecho. Elige un producto y un competidor real, y luego sigue estos pasos.

• Escribe la solicitud del comprador tal como una persona la teclearía en un chat, con un presupuesto, un uso y una restricción.
• Pega tu ficha de producto y la del competidor en el mismo prompt, eliminando la marca cuando puedas, y pide al modelo que elija y lo explique.
• Repite con al menos dos modelos diferentes. Discrepan más de lo que esperarías.
• Guarda los motivos indicados y agrúpalos: atributo ausente, propuesta más débil, precio, envío, confianza.
• Cambia una cosa de tu ficha, ejecuta de nuevo el mismo prompt y anota si la elección cambia.

Ese último paso es la clave. Cambia una sola cosa cada vez, o no aprenderás nada.

Hacer esto a mano para un producto lleva una tarde. Hacerlo para 800 productos es un cambio de carrera. Por eso construimos ecentic en torno a ello: se conecta a Shopify, WooCommerce o a un feed de productos, hace que ChatGPT, Claude y Gemini comparen cada producto con el de un competidor identificado, y muestra por qué pierde. Si quieres una guía sobre esta categoría de herramientas, nuestro análisis de simuladores de agentes de IA para probar la visibilidad de páginas de producto compara los enfoques, y puedes probar el UCP Playground para probar agentes directamente contra una tienda.

Si sois un equipo con mentalidad de desarrollo, también podéis probar la parte del pipeline. Stripe documenta un sandbox donde las plataformas suben datos del catálogo de productos y validan el análisis, las asignaciones de campos y la calidad de los datos antes de activar las actualizaciones en vivo. La idea se traslada: valida los datos antes de que los agentes vean la versión en vivo.

Leer los resultados sin engañarte

Una simulación es un modelo de un modelo. Puede equivocarse de dos maneras: el comprador simulado no es un comprador real, y la IA que pruebas no es la IA que tu cliente usará el mes que viene. Entonces, ¿cuánto deberías confiar en ella?

Aquí hay evidencia académica útil. El artículo de SimGym simula pruebas A/B en escaparates de comercio electrónico con agentes de visión-lenguaje en un navegador en vivo, y informó de un 77% de alineación direccional con los cambios observados en añadir al carrito. Los autores comparan los cambios simulados y observados usando alineación direccional y correlación de Pearson. Lee esa cifra de la manera honesta: la simulación suele señalar la dirección correcta, y a veces no lo hace. Es un buen filtro para decidir qué probar primero, y un mal sustituto de un resultado en vivo.

Aquí tienes cómo separo los hallazgos de las conjeturas:

• Razones que se repiten. Si tres modelos citan el mismo atributo que falta, arréglalo. Eso es un hallazgo.
• Diferencias entre modelos. En nuestras simulaciones, ChatGPT eligió el producto unas 3x veces más que Claude o Gemini en el mismo catálogo (51,6% frente a alrededor de 18,5%), a lo largo de las 36.797 compras simuladas que habíamos ejecutado hasta octubre de 2026. Mismos productos, hábitos muy distintos. Así que no promedies los modelos en una sola puntuación. Lee cada uno por separado.
• Elecciones únicas extrañas. Una ejecución que favorece a un rival por una razón extraña es ruido hasta que se repite.
• Predicciones sobre ingresos. La simulación no te dice lo que vas a vender. Cualquiera que diga que sí lo hace está vendiendo algo, y yo también estoy vendiendo algo, así que te lo digo ahora.

Advertencia justa: la simulación no puede sustituir los datos de tráfico real. Te dice qué corregir primero y por qué. Solo tus propias visitas, carritos y pedidos te dirán si funcionó.

Convertir hallazgos en mejoras que puedas medir

La mayoría de las mejoras son aburridas y específicas. Añade el GTIN que falta. Pon el tipo de producto, la talla y el material en el título. Sustituye una descripción tipo mood-board por otra que indique qué es el producto, para quién encaja y cuál es el plazo de devolución. Haz que los datos estructurados coincidan con la página visible. Rellena los campos de envío y devoluciones para que una compra pueda completarse.

Después, mídelo en dos capas.

Primero, vuelve a ejecutar la misma comparación. Si el agente ahora te elige y cita el atributo que añadiste, la mejora funcionó. Esto es barato y rápido, y es donde la simulación demuestra su valor.

Segundo, observa el comportamiento real. Las visitas desde asistentes de IA son la señal más temprana que puedes ver en analítica. Nuestro primer piloto, DUA Flavours, vio que las visitas desde asistentes de IA y el tráfico directo subieron un 12% de abril a julio de 2026. Ese es un número de visitas, no de ventas, y un piloto es solo un piloto. Pero es el tipo de movimiento que realmente puedes vigilar, y nuestro manual de tráfico de agentes de IA muestra cómo configurar el seguimiento. Para el trabajo de fichas en sí, consulta nuestra guía de optimización de fichas de producto para selecciones de IA.

En Shopify, ecentic envía las mejoras a Google Merchant Center y rastrea las visitas desde asistentes de IA. En WooCommerce, el plugin gratuito de ecentic permite que los agentes busquen, llenen un carrito y finalicen la compra mediante UCP. La parte del checkout es lo que las herramientas de feed convencionales se saltan, y es donde nuestro ejemplo sueco perdió todas las ventas.

Una nota sobre los competidores, ya que compararás herramientas. Muchos productos de gestión de feeds son buenos en lo que hacen: limpiar, mapear y distribuir un catálogo a muchos canales. Si tu principal problema es llevar un feed a veinte marketplaces, encajan bien contigo. Por lo general se detienen en el feed. Nuestra comparativa, las mejores herramientas de optimización para agentes de compra con IA, expone quién encaja con quién.

Nuestra perspectiva

Creo que la mayoría de las marcas tratan las compras con IA como un problema de ranking, y se parece más a una entrevista. El agente le hace a tu ficha de producto una serie de preguntas, y una ficha que no puede responder pierde frente a otra que sí puede. El que pierde rara vez llega a enterarse.

Por eso simulamos comparaciones cara a cara. Una puntuación solo para tu tienda es halagadora e inútil. El producto de un competidor concreto al lado del tuyo, con el agente explicando su elección, es incómodo y útil. Hemos realizado 36.797 compras simuladas con ese principio, y los motivos casi nunca son exóticos. Son campos que faltan, títulos vagos y ajustes de checkout que nadie probó.

También creemos que encontrar el problema es solo la mitad del trabajo. Así que cuando haces clic en Apply, ecentic reescribe el título, la descripción y los datos estructurados y los publica en la tienda. En la parte de compra, queremos que el agente termine el pedido, no que solo admire el producto. Prefiero ayudar a una tienda a vender un pedido más a través de un agente que escribirle otro informe.

Hacia dónde va esto no me deja del todo optimista. Los compradores delegarán más, y el agente elegirá entre los datos que sean más fáciles de leer. Las tiendas que no ordenen esos datos competirán contra las tiendas que sí lo hicieron, sin llegar nunca a encontrarse con el comprador. Es una frase sombría, y también una que se puede corregir.

Xhurian Shaba

Empieza con el escaneo gratuito

Nuestro lema es sencillo: consigue la venta cuando la IA hace la compra. La forma más rápida de ver qué significa eso para tu tienda es el escaneo gratuito. Cubre tus 10 productos principales, no necesita tarjeta y te muestra qué producto de la competencia prefieren los agentes y por qué.

Si el patrón es real, los planes de pago aparecen en nuestra página de precios. Compete cuesta $14,90 al mes para hasta 100 productos. Scale cuesta $44,90 al mes para hasta 1.000 productos con correcciones en un clic. Dominate cuesta $149 al mes y añade la sincronización con Google Merchant Center y la configuración del checkout para agentes. También hay pago por uso al 3% de los pedidos atribuidos a IA, con un límite de $500 al mes. Enterprise tiene límites personalizados, acceso a API y MCP y un DPA, sin precio publicado.

Los comerciantes de Shopify pueden empezar en la página de IA para tiendas Shopify, y la página de optimización de fichas de producto para IA muestra lo que los cambios de Apply registran.

Preguntas frecuentes

¿Qué es la simulación de fichas de producto con IA en comercio electrónico?

Es una prueba en la que se pide a modelos de IA que elijan entre tu producto y el de un competidor identificado, utilizando los datos que los agentes realmente leen. Obtienes una elección y un motivo declarado. Los motivos te indican qué campos, afirmaciones o ajustes del checkout debes corregir.

¿Qué campos importan más en una simulación?

Título, descripción, imagen, marca, SKU, GTIN, precio, moneda, disponibilidad y detalles estructurados de envío y devoluciones. Google los enumera entre sus atributos de producto compatibles. Empieza con el título y la descripción, porque proporcionan los motivos que un agente puede repetir.

¿Qué precisión tienen los resultados de la simulación?

Trátalos como orientativos. En un estudio académico, las pruebas simuladas de escaparate coincidieron con la dirección de los cambios observados en añadir al carrito el 77% de las veces. Eso hace que la simulación sea una buena forma de elegir qué probar primero y una forma débil de prever ventas.

¿Funciona tanto para Shopify como para WooCommerce?

Sí. ecentic se conecta a Shopify, WooCommerce o a un feed de productos simple. En Shopify, las correcciones también se envían a Google Merchant Center. En WooCommerce, el plugin gratuito permite a los agentes buscar, llenar un carrito y finalizar la compra a través de UCP.

¿Puedo probar esto sin pagar?

Sí. El escaneo gratuito cubre tus 10 productos principales y no necesita tarjeta. Es suficiente para ver si los agentes prefieren a un competidor y qué motivos dan.

Fuentes

• Atributos y valores de datos estructurados compatibles, Google Merchant Center
• SimGym: Un marco para la simulación de pruebas A/B en comercio electrónico
• Comercio seguro con agentes mediante AP2 y UCP, Google Codelabs
• ShopGym: entornos aislados realistas y reproducibles para agentes de compra, Shopify Engineering
• Vender a través de agentes como plataforma SaaS, Stripe Docs
• Cómo Shopping Assistant recomienda productos, Gorgias Docs
• Lanzamiento de Shopify Summer '25 Edition, DEVOPSdigest