Tasa de selección en IA: cuándo elige tu producto

Tanto si la gente busca en google, va a Amazon o pregunta a un chatbot, ahora la IA les da una respuesta con un producto incluido, y la mayoría de las marcas de comercio electrónico no tienen ni idea de cómo convertirse en ese producto. La tasa de selección por IA es el número que te dice con qué frecuencia lo eres. Cuentas los escenarios de compra en los que un agente de IA eligió tu producto como opción final, lo divides entre todos los escenarios que probaste y lo multiplicas por 100.

Creo que este es el número más honesto de toda la conversación sobre compras con agentes, sobre todo porque es difícil de falsear. Una mención sale barata. Se puede nombrar un producto en todas las respuestas y aun así perder la venta en el último paso, un poco como estar invitado a todas las bodas y no ser nunca quien se casa. La selección es el momento en que el agente deja de enumerar y empieza a elegir.

Resumen

• La tasa de selección por IA es el porcentaje de escenarios de compra probados en los que un agente de IA elige tu producto como opción final.
• Decide qué cuenta como una selección antes de medir: mejor elección, ganador de la lista corta, añadido al carrito, inicio del pago o pedido completado.
• Infórmala por modelo y con fechas. Una sola puntuación combinada oculta el hecho de que los asistentes discrepan entre sí.
• Los pequeños movimientos de una semana a otra suelen ser ruido. Repite los mismos prompts muchas veces antes de creer que ha habido un cambio.
• La palanca más rápida son los datos que lee el agente: feed de producto, catálogo y datos estructurados en las páginas de producto.

Qué mide la tasa de selección de IA

Un agente de compra con IA no navega por tu página de inicio. Lee tu feed de productos, tu catálogo y los datos estructurados de tus páginas de producto, compara lo que encuentra con otros vendedores y responde con un producto, o con una lista breve con un favorito. La tasa de selección cuenta con qué frecuencia ese favorito es el tuyo.

La fórmula es sencilla:

tasa de selección = escenarios en los que se seleccionó tu producto / total de escenarios analizados × 100

Un escenario es una solicitud de compra, como «un sérum de vitamina C para piel sensible por menos de $40» o «dos botellas de un single malt específico, con entrega en Texas». Redactas un conjunto de estas para tus productos, las ejecutas y registras el resultado.

Aquí tienes un ejemplo inventado, solo para mostrar la aritmética. Pruebas un producto frente a 40 escenarios. El agente lo elige en 8. Tu tasa de selección para ese producto es del 20%. Si tu competidor más cercano es elegido en 18, su tasa es del 45%, y los escenarios restantes fueron a otros vendedores o a nadie. Esa diferencia es en lo que debes trabajar.

Fíjate en lo que este número no es. No es tráfico y no es un pedido. Es la decisión del agente, que es el paso que va justo antes de cualquiera de esas dos cosas.

Decide qué cuenta como una selección

Aquí es donde la mayoría de los equipos se descuidan, y es donde el número deja de significar algo. «Seleccionado» puede significar al menos cinco cosas distintas:

• El agente nombra tu producto como la mejor opción.
• El agente elige tu producto de una lista corta de ofertas.
• El agente añade tu producto a un carrito.
• El agente inicia el proceso de pago.
• El agente completa una compra para el comprador.

Estas son etapas del mismo embudo, y dan tasas muy diferentes. La primera es generosa. La última es estricta y, hoy en día, solo es posible en unos pocos lugares. La compra dentro de la respuesta de IA ya está activa en Google AI Mode y Gemini en EE. UU. mediante UCP, el estándar abierto de Google para el pago por agente. ChatGPT envía al comprador al proceso de pago propio de la tienda, así que para ChatGPT el evento final realista es que el agente elija tu producto y que el comprador haga clic para continuar.

Mi consejo es que elijas una definición, la pongas por escrito y no la cambies nunca a mitad de trimestre. Si informas de «mejor opción nombrada» este mes y de «añadido al carrito» el mes siguiente, celebrarás una caída como si fuera una ganancia o al revés.

Cómo calcularlo y hacer su seguimiento

No necesitas un equipo de ciencia de datos. Necesitas disciplina. Estos son los pasos que yo seguiría.

1. Elige tus productos. Empieza con los diez que más importan, por margen o volumen.
2. Redacta los escenarios. Para cada producto, redacta solicitudes de compra realistas del modo en que tus compradores las formularían. Incluye límites de precio, casos de uso, lugares de entrega y variantes. Fija la lista antes de ejecutarla, para que no puedas eliminar discretamente los prompts que salieron mal.
3. Nombra al rival. Los agentes eligen entre opciones, así que cada escenario necesita un producto competidor en la mezcla. Usa aquellos que tus clientes realmente comparan entre sí.
4. Ejecuta cada escenario muchas veces, en cada modelo. Una sola ejecución no demuestra nada, porque el mismo prompt puede producir una respuesta distinta en el siguiente intento.
5. Registra el modelo, la versión del modelo y la fecha junto a cada resultado. Las actualizaciones del modelo pueden reorganizar los resultados de la noche a la mañana.
6. Calcula la tasa por modelo y por producto. Después, si quieres, añade encima una vista de cartera.
7. Corrige los datos y luego vuelve a ejecutar los mismos escenarios. Compara cosas equivalentes.

Hacer esto a mano funciona para un puñado de productos. Cansa rápido. En ecentic, la ejecución equivalente está automatizada: 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 concreto, y muestra por qué tu producto pierde. Una advertencia justa: esos son compradores simulados, no reales, así que una tasa mejor en una simulación es una evidencia de cómo los agentes leen tus datos, no una previsión de pedidos.

Tasa de selección frente a menciones, referencias y conversiones

Los equipos confunden esto constantemente, así que aquí va la diferencia, una al lado de la otra.

Un producto puede aparecer en muchas respuestas y aun así perder en el paso final. Las razones habituales son aburridas: un precio más alto, una entrega más lenta, una variante ausente, condiciones de devolución peores, reseñas más escasas o datos de producto incompletos o desactualizados. Las marcas pueden posicionarse bien en la búsqueda clásica y aun así quedar fuera de la decisión de la IA, que es la brecha que los ejemplos de IA en ecommerce señalan cuando describen cómo ahora se solapan la búsqueda y las respuestas de IA.

Una distinción más. Una selección simulada no es una venta. Las visitas de referencia son reales, la selección simulada es una prueba, y los ingresos tienen su propia medición. Mantenlos en columnas separadas. Si quieres el argumento más amplio sobre cómo medir el tráfico de agentes, lo expliqué en nuestra guía de analítica de IA para ecommerce.

Por qué necesitas una tasa por modelo, no una sola puntuación

Los asistentes no están de acuerdo entre sí, y no están de acuerdo consigo mismos entre versiones. Un estudio académico de 2025, What Is Your AI Agent Buying?, hizo pasar a los agentes por el mismo surtido de productos. En la categoría de relojes fitness, Claude Sonnet 4 eligió un modelo de Fitbit el 45% de las veces, mientras que GPT-4.1 y Gemini 2.5 Flash lo eligieron aproximadamente el 25% de las veces. Luego la cuota subió al 77% con Claude Opus 4.5 y cayó al 6% con GPT-5.1.

Léelo dos veces. Mismos productos, misma estantería, ganadores radicalmente distintos, según qué modelo reciba la pregunta. Un promedio combinado de esos números no describiría a ningún comprador real.

Nuestras propias simulaciones muestran la misma división. En octubre de 2026 ya habíamos realizado 36.797 compras simuladas. En el mismo catálogo, ChatGPT eligió el producto aproximadamente 3x más a menudo que Claude o Gemini, 51,6% frente a aproximadamente 18,5%. No voy a fingir que sé por qué en todos los casos. Creo que parte de ello se debe a que cada modelo pondera de forma distinta el precio, los nombres de marca y la integridad de los datos. El punto práctico es simple: informa de cada asistente en su propia línea, con una fecha.

Eso también cambia lo que haces después. Si pierdes en un modelo y ganas en otro, tienes un diagnóstico concreto en lugar de una vaga sensación de que «a la IA no le gustamos».

Qué mueve la tasa

El agente solo conoce lo que tus datos le dicen. Así que los mayores factores son los menos glamurosos.

Fallos en los datos del producto. Un título que dice «Serum 30ml» no le da a un agente nada que relacionar con una solicitud sobre piel sensible. Una descripción escrita para un cartel, y no para una decisión, tiene el mismo problema. En una auditoría anónima, un marketplace de bebidas espirituosas que mueve unos 70M € 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 tenía en stock, apareció 0 veces de 20. Gran catálogo, estantería invisible.

Datos estructurados. Esta es la capa legible por máquina de una página de producto: precio, disponibilidad, marca, identificadores y detalles de envío y devolución. Los agentes se apoyan en ella porque es inequívoca. Es fácil perder por campos ausentes o contradictorios.

Comparación con la competencia. Los agentes rara vez juzgan tu producto por sí solo. Lo ponen al lado de otro. Si la ficha del competidor indica un caso de uso, un material y una política de devoluciones, y la tuya no, gana el competidor. Por eso hacemos que los modelos comparen cada producto con un rival identificado por nombre y expliquen el resultado en un inglés sencillo.

Posición y orden. La investigación sobre la selección por parte de agentes ha descubierto que los modelos pueden estar sesgados por la posición que ocupa un producto en la lista. Si haces pruebas, aleatoriza el orden de las opciones, o medirás el diseño y no el producto.

El propio checkout. La selección no termina en la elección. En otra auditoría anónima, 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. Un agente no puede inventárselo, así que el pedido murió. Si tu objetivo es vender y no solo ser elegido, el recorrido de checkout forma parte de los datos del producto.

Para la mecánica que hay detrás de estos agentes, cómo los agentes de compra con IA recomiendan productos explica qué leen y en qué orden. Para la parte de fichas, consulta optimización de fichas de producto para IA.

Cómo interpretar un cambio en la tasa

Tu tasa pasó del 20% al 25%. ¿Enhorabuena o ruido? Normalmente ruido, hasta que se demuestre lo contrario.

Tres hábitos ayudan. Primero, usa una muestra suficiente: si cada escenario se ejecutó una vez, una oscilación de unos pocos puntos es como lanzar una moneda al aire. Ejecuta muchas pruebas independientes por modelo. Segundo, fíjate en el tamaño del cambio y en cuánto podría fluctuar, no solo en si es “significativo”. Un cambio minúsculo con un margen amplio no te dice nada. Tercero, vincula cada comparación a una versión del modelo. Si un proveedor actualizó su modelo entre tus dos ejecuciones, puede que estés comparando a dos compradores distintos.

Cuando sí cambiaste algo, por ejemplo si reescribiste 20 títulos, vuelve a ejecutar los mismos escenarios fijos en los mismos modelos y compara solo esos productos. Si los productos que tocaste cambiaron y los que no tocaste no lo hicieron, tienes una señal real. Eso es lo más parecido a un experimento controlado que va a conseguir el propietario de una tienda.

Nuestra perspectiva

Creo que la tasa de selección se convertirá en una línea estándar en los informes de comercio electrónico dentro de un par de años, y creo que la mayoría de las marcas se encontrarán con ella por primera vez de la forma desagradable: descubriendo que su puntuación está cerca de cero.

Construimos ecentic en torno a una idea. El agente nunca ve tu página de inicio. Lee el feed de productos, el catálogo y los datos estructurados, y en Google AI Mode y Gemini en EE. UU. incluso puede completar la compra por el comprador mediante UCP. Así que el trabajo corresponde a la propia tienda, no a un panel que informa de un problema y lo deja ahí.

Por eso nuestro flujo termina con acción. Hacemos que ChatGPT, Claude y Gemini comparen cada producto con el de un competidor identificado, mostramos por qué el tuyo pierde y, cuando haces clic en Apply, ecentic reescribe el título, la descripción y los datos estructurados y los publica en tu tienda. En Shopify, enviamos las correcciones a Google Merchant Center y hacemos seguimiento de las visitas desde asistentes de IA. En WooCommerce, el plugin gratuito de ecentic permite a los agentes buscar, llenar un carrito y completar la compra mediante UCP. Completar la compra es la parte que las herramientas de feed convencionales no hacen.

Seré claro sobre las limitaciones. Estamos en una fase temprana, estamos llevando a cabo pilotos, y el primero, DUA Flavours, vio subir las visitas desde asistentes de IA y el tráfico directo un 12% de abril a julio de 2026. Esa es una cifra de visitas, no una cifra de ventas, y prefiero decirlo así antes que dejar que interpretes más de lo que hay.

OpenAI tiene ACP, Google tiene UCP, Amazon tiene un muro. Sea cual sea la forma en que eso se resuelva, la tienda con datos de producto limpios y completos será aquella en la que un agente realmente pueda comprar.

Xhurian Shaba

Encuentra tu propia cifra

La forma más rápida de ver dónde estás es ejecutarlo. ecentic ayuda a las tiendas online a vender cuando los agentes de IA hacen las compras: optimiza su feed de productos y su catálogo para que los agentes de compra con IA elijan sus productos y realmente puedan comprarlos. Consigue la venta cuando la IA hace la compra.

El escaneo gratuito cubre tus 10 productos principales y no necesita tarjeta. Si quieres corregir lo que encuentra, los planes están publicados en la página de precios de ecentic: 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, y Dominate cuesta $149 al mes y añade sincronización con Google Merchant Center y configuración del checkout de agentes. También hay una opción de pago por uso del 3% de los pedidos atribuidos a IA, con un tope de $500 al mes.

Si quieres ver cómo funciona el proceso antes de registrarte, cómo funciona ecentic explica simulate, diagnose y optimize paso a paso.

Preguntas frecuentes

¿Qué es una buena tasa de selección de IA?

No existe un referente universal creíble, porque la tasa depende de tu categoría, tus competidores, los escenarios que escribiste y el modelo que pruebas. Un objetivo más útil es superar al competidor identificado contra el que más a menudo pierdes, en cada asistente, y ver que tu propia cifra sube después de corregir los datos. Trata cualquier único “promedio del sector” con desconfianza.

¿En qué se diferencia la tasa de selección por IA de la visibilidad en IA?

La visibilidad normalmente significa que se te menciona o se te incluye en una lista. La selección significa que el agente eligió tu producto por encima de las otras opciones. Una marca puede ser nombrada a menudo y aun así perder la elección final, por lo que la selección está mucho más cerca de la decisión de compra.

¿Con qué frecuencia debería comprobar mi tasa de selección por IA?

Compruébala después de cambiar algo y mantén los escenarios idénticos entre ejecuciones. Los modelos se actualizan, así que pon fecha a cada resultado y anota la versión del modelo. La oscilación de una semana a otra sin un cambio por tu parte es, en su mayor parte, ruido.

¿Una tasa de selección más alta significa más ventas?

No automáticamente. Una selección simulada es una prueba de cómo los agentes leen tus datos, no una venta. Es un indicador adelantado sólido, pero los pedidos también dependen del precio, la entrega, el checkout y de si el comprador completa la compra. Mide por separado las visitas de referencia y los pedidos.

Fuentes

• ¿Qué está comprando tu agente de IA? Evaluación, sesgos, elección de modelo (arXiv, 2025)