Las páginas de colección con IA necesitan dos campos

La solución más rápida para las páginas de colección en la búsqueda con IA es definir cada una con un valor de page_category (o pageCategories) y un filtro obligatorio coincidente, como categories: ANY('Home & Garden'), para que la solicitud de navegación de un agente de IA devuelva productos acotados y relevantes en lugar de una selección amplia y genérica. Combínalo con datos de feed limpios (títulos claros, GTIN completos, buenas imágenes) y compáralo con la documentación de AI Commerce de Google Cloud, la guía de Copilot Shopping de Microsoft y una herramienta de simulación antes de publicarlo.

Resumen:

• Las solicitudes de navegación usan una consulta vacía, por lo que pageCategories y el filtro de la solicitud deben coincidir exactamente, incluidas las mayúsculas y minúsculas, o los resultados pueden incluir productos no relacionados.
• Usa una implementación reutilizable con un filtro de categoría y pasa el contexto plp_category coincidente de cada página en tiempo de ejecución; enruta las páginas comodín para evitar las restricciones de categoría.
• Copilot Shopping se basa en los feeds de Microsoft Merchant Center, así que mejora la inclusión con títulos específicos, GTIN completos cuando corresponda, imágenes de alta calidad y categorías de producto mapeadas.
• Después de los cambios, prueba solicitudes de navegación reales e inspecciona is_filter_applied, products_list y total_result; las simulaciones y las comparaciones por fases ayudan a evitar escalar una solución no verificada.

En qué se diferencian las solicitudes de navegación de IA de la búsqueda de texto

La búsqueda de texto y la navegación son dos operaciones diferentes, y las páginas de colección dependen por completo de cuál de las dos crea un agente de IA que está ejecutando. Una consulta de texto envía un campo query no vacío: el comprador o el agente escribió algo específico, y el motor clasifica por relevancia con respecto a esas palabras. La navegación es diferente. Se ejecuta con una consulta vacía y depende por completo de pageCategories y de los filtros para decidir qué debe aparecer en la página, según la documentación de Google Cloud sobre la búsqueda para comercio con IA.

Esa distinción importa porque los compradores cada vez dejan más que los agentes de IA naveguen por ellos. Cuando alguien pide a un asistente que encuentre «alfombras para un salón pequeño», el agente no está escribiendo esa frase en un cuadro de búsqueda de tu sitio: está lanzando una solicitud de tipo navegación y espera que tu página de colección ya sepa qué debe incluir. La página de colección se convierte en una especie de segunda impresión, el lugar donde un agente de IA toma una muestra de una categoría para decidir si merece la pena recomendar más tu catálogo.

Cuando falta pageCategories o el filtro correspondiente, la solicitud no tiene nada con lo que delimitarse. El resultado pasa por defecto a un inventario amplio y, a menudo, irrelevante, un fallo que no tiene nada que ver con tu texto o tus imágenes y sí todo que ver con la configuración del backend.

• Una consulta de texto lleva una frase de búsqueda específica y clasifica por relevancia con respecto a esas palabras.
• Una solicitud de navegación lleva una consulta vacía y depende de los campos de categoría y de filtro para definir el alcance.
• La ausencia o falta de coincidencia de los campos de categoría hace que los resultados de navegación pasen por defecto a un inventario amplio y de baja relevancia.

Por eso, la optimización de las páginas de colección para agentes de IA empieza como una tarea de ingeniería, no de contenido.

Campos y señales del feed que hacen que las páginas de colección funcionen

Arreglar esto es, en gran medida, una cuestión de establecer los campos correctos en los lugares adecuados y mantenerlos coherentes. Este es el orden en el que conviene abordarlo.

1. Establece page_category o pageCategories en la propia página y en la carga útil de la solicitud. La documentación de búsqueda de comercio con IA de Google Cloud deja claro que los resultados de navegación siguen siendo demasiado amplios a menos que estén presentes a la vez tanto el identificador de categoría de la página como un filtro coincidente, según la misma guía.
2. Haz que el filtro haga referencia al valor idéntico, ya sea attributes.pageCategories o un campo categoryid. Una página etiquetada como “Outdoor Furniture” con un filtro que apunta a una cadena de categoría diferente no delimitará el alcance de forma silenciosa, aunque nada genere un error.
3. Usa una variable de contexto, algo como plp_category, dentro de la configuración del filtro de la plataforma y pasa esa misma variable en el contexto de la solicitud en tiempo de ejecución. Este es el mecanismo que permite que una sola implementación sirva a muchas páginas de colección sin codificar de forma fija un filtro para cada una.
4. Vuelve a comprobar la sensibilidad a mayúsculas y minúsculas. Los nombres de campo y las variables de filtro distinguen entre mayúsculas y minúsculas, y una discrepancia entre PageCategory y pageCategory en distintas partes de tu stack es una causa habitual e invisible de resultados excesivamente amplios.
5. Mapea formalmente tu taxonomía. El campo Product.category de Google ahora admite un objeto CategoryCode que asigna tus tipos de producto internos a la taxonomía oficial de Google, lo que proporciona a los agentes de compra con IA una señal de categoría coherente con la que filtrar y clasificar en lugar de tener que adivinar a partir de una cadena de categoría de texto libre.
6. Añade señales de paginación y facetas, como page, page_size y recuentos de facetas, y registra indicadores de respuesta como is_filter_applied para que puedas confirmar, a posteriori, que la delimitación del alcance realmente se produjo en lugar de asumir que ocurrió.
7. Adjunta datos estructurados o metadatos que asignen explícitamente los productos a sus páginas de colección, lo que ayuda a los modelos descendentes y al entrenamiento del catálogo a reconocer la relación en lugar de inferirla solo a partir del diseño de la página.

Consejo profesional: Audita de extremo a extremo una página de colección con mucho tráfico antes de tocar el resto del catálogo: comprueba el valor de categoría de la página, el valor de categoría del filtro y la variable de contexto de la carga útil de la solicitud en una misma revisión, ya que una discrepancia suele esconderse en el espacio entre dos de esos tres elementos.

Crear un único deployment que sirva a cada página de colección

No necesitas una configuración de búsqueda independiente para cada categoría. El patrón práctico, descrito en la guía de implementación para páginas de listado de productos, consiste en crear un deployment o experiencia reutilizable que conecte un motor de búsqueda y un filtro de categoría, y después invocar ese mismo deployment para cada página de colección mientras intercambias distinto contexto en el momento de la solicitud.

• Crea un deployment (a menudo identificado mediante un deployment_id) que empareje tu motor de búsqueda con una definición de filtro de categoría.
• Para cada solicitud de navegación, envía una consulta vacía, el deployment_id, el nombre de la colección, el número de página y un objeto de contexto que proporcione el valor de plp_category para esa página concreta.
• Asegúrate de que el propio filtro haga referencia al mismo nombre de variable utilizado en el objeto de contexto; el deployment lee la variable, no una cadena de categoría codificada de forma fija.
• Superpón el ranking híbrido o semántico sobre el filtro de categoría para que la relevancia en lenguaje natural siga influyendo en el orden de los productos dentro del conjunto delimitado, en lugar de depender solo del filtro para generar una buena página.
• Gestiona a propósito las páginas de “todos los productos” o comodín, ya sea sustituyéndolas por una configuración de filtro de omisión o encaminándolas explícitamente fuera del patrón de filtro de categoría, para que no hereden por accidente una restricción de categoría pensada para una página más específica.
• Inspecciona products_list, total_result, los recuentos de facetas y is_filter_applied en tus registros de respuestas después de cada cambio en el deployment para confirmar que el filtro se activó de la forma que pretendías.

Este patrón puede escalar de forma limpia: un minorista con muchas páginas de colección puede usar un deployment bien configurado con distintos valores de contexto, en lugar de mantener una configuración de búsqueda independiente para cada página.

Cómo simular y medir el comportamiento de los agentes de IA en tus páginas

Los cambios de configuración solo son útiles si puedes confirmar que han funcionado, y la forma de confirmarlo es probar la ruta de navegación del mismo modo en que la usaría un agente de IA.

1. Ejecuta directamente llamadas a la API en modo browse, utilizando los valores de contexto reales que enviarán tus páginas de colección, y comprueba is_filter_applied, products_list y total_result en la respuesta para confirmar que la solicitud se limitó realmente a la categoría que esperabas.
2. Usa herramientas de simulación de agentes o consultas controladas de agentes para ver qué productos se seleccionan para un determinado prompt de categoría y capturar una instantánea de los resultados antes y después de cualquier cambio, de modo que tengas una comparación concreta del antes y el después en lugar de una suposición.
3. Haz seguimiento de un pequeño conjunto de KPI: la tasa de aplicación del filtro en las solicitudes de navegación, las sesiones atribuidas a IA, la proporción de citas de agentes que hacen referencia a páginas de colección en lugar de páginas de producto individuales, y cualquier aumento resultante en la conversión.
4. Automatiza nuevos escaneos según una programación, especialmente después de actualizaciones del catálogo o cambios en la taxonomía, ya que una nueva categoría de producto o un atributo renombrado pueden romper silenciosamente un filtro que funcionaba perfectamente la semana anterior.
5. Trata los primeros resultados con cautela. Un puñado de consultas simuladas o unos pocos días de tráfico de agentes constituyen una muestra pequeña. Los despliegues por fases o comparaciones A/B sencillas te proporcionan una base más sólida para decidir si un cambio realmente marcó una diferencia antes de aplicarlo a todo el catálogo.

Un movimiento significativo en el tráfico de compras referido por IA ha coincidido con cambios más amplios en la forma en que la gente utiliza las herramientas de búsqueda con IA, como ha señalado la información sobre el cambio en el comportamiento de búsqueda, lo que recuerda que la línea base con la que estás comparando también está cambiando.

En qué se equivocan los equipos de ecommerce con este despliegue

La mayoría de los equipos tratan esto primero como un problema de contenido, reescribiendo el texto de las páginas de colección o añadiendo bloques de preguntas frecuentes, cuando el verdadero bloqueo casi siempre es un campo de categoría ausente o que no coincide en el backend. Es un problema mecánico y solucionable, pero queda enterrado bajo el trabajo de contenido porque los cambios de texto parecen progreso y las auditorías de filtros no.

El mejor orden de operaciones: prioriza primero tus categorías con más tráfico, verifica que page_category y el filtro coincidan solo en esas, y solo entonces amplíalo al resto del catálogo. Una corrección focalizada en unas pocas categorías suele sacar a la luz el patrón que está rompiendo tus filtros en todo el sitio, lo que te evita repetir la misma depuración en el resto de tus páginas una por una.

Acompaña esa corrección de ingeniería con una revisión de la calidad del feed, ya que una página de colección perfectamente delimitada pero llena de títulos vagos y GTIN ausentes tampoco le dará mucho que recomendar a un agente de IA. Demuestra que la corrección ha funcionado con una simulación antes de publicarla de forma amplia: es la diferencia entre esperar que un cambio haya ayudado y saber que lo hizo.

— Xhurian

Cómo ecentic te ayuda a corregir y demostrar la configuración de las páginas de colección

Hemos creado nuestra plataforma en torno a la brecha con la que se encuentran la mayoría de los equipos tras leer guías como esta: saber que page_category y el filtro deberían coincidir es una cosa; confirmar que lo hacen en todo tu catálogo es otra. Simulamos cómo los agentes de compra con IA como ChatGPT y Gemini evalúan tus fichas de producto, mostrándote qué productos elegiría un agente y por qué, y luego te damos diagnósticos en lenguaje claro con correcciones priorizadas.

• Realizamos un escaneo introductorio gratuito que proporciona información sobre tus fichas de producto.
• Convertimos los diagnósticos en publicación con un clic en Shopify y WooCommerce, para que una corrección no se quede en una cola de trabajo.
• Hacemos seguimiento continuo de las tasas de selección por IA con nuevos escaneos continuos, para que los cambios en tu catálogo puedan supervisarse con el tiempo.

Empieza con un escaneo gratuito para ver en qué estado se encuentran tus propias páginas de colección, o compara nuestros planes Compete, Scale y Dominate si estás listo para pasar directamente a una optimización continua. Para los equipos que validan perfiles UCP frente al comportamiento real de los agentes, nuestro UCP Playground te permite probar directamente la configuración de cualquier tienda.

Preguntas frecuentes

¿Cómo recopila la IA tus datos?

Los agentes de compra con IA recopilan datos de producto a partir de los feeds y los datos estructurados que ya publicas, como el feed de Microsoft Merchant Center que impulsa las recomendaciones de Copilot Shopping, junto con los metadatos de categoría y las señales a nivel de página de tu sitio. No existe un canal de datos separado «solo para IA»: los mismos campos de feed y taxonomía que respaldan los anuncios de shopping tradicionales también alimentan los sistemas de recomendación con IA.

¿Cuál es la regla del 30% para la IA?

Si has visto que se utiliza ese término, merece la pena comprobar el contexto original directamente en lugar de tratarlo como un estándar de referencia del sector.

¿Cuáles son las principales plataformas de compras con IA a las que hay que seguir?

En lugar de una lista fija, las plataformas que merece la pena seguir son los principales agentes de compra con IA que los compradores usan realmente para explorar y comprar, incluidos ChatGPT, Gemini, Claude y Perplexity, junto con superficies específicas del comercio minorista como Copilot Shopping de Microsoft. Cada una interpreta los feeds de productos y las señales de categoría de forma algo diferente, por lo que probar tus propios listados en cada una es más útil que basarse en una clasificación genérica.

¿Cuáles son las principales categorías de IA relevantes para las compras?

En un contexto de ecommerce, los sistemas de IA que más importan son los agentes de compra conversacionales (como ChatGPT o Gemini), los motores de búsqueda y navegación impulsados por IA integrados en plataformas de comercio, y los modelos de recomendación o clasificación que están detrás de los feeds de productos. Para un comerciante, importa menos la categoría académica de la IA y más si tus páginas de colección y tu feed cumplen los requisitos técnicos específicos que cada uno de estos sistemas comprueba, como la categoría de la página y la alineación de filtros de la que dependen las solicitudes de navegación.

¿Cómo compruebo si mis páginas de colección están configuradas correctamente para los agentes de IA?

Ejecuta una llamada a la API en modo navegación con tus valores de contexto reales y comprueba si is_filter_applied y total_result reflejan una delimitación adecuada, y luego compáralo con lo que una simulación de agente de IA selecciona realmente para la misma categoría. Si ambos no coinciden, la discrepancia suele deberse a un campo de categoría o a una variable de filtro que no coincide entre la configuración de tu página y la carga útil de tu solicitud.

Fuentes

• Documentación
• Documentación
• Soporte