Guía del grafo de conocimiento de producto

Un grafo de conocimiento de productos es la red estructurada de entidades, atributos y relaciones de productos que los agentes de compra con IA como ChatGPT, Gemini y Claude consultan al decidir qué recomendar. No eres propietario de este grafo por completo — está distribuido entre fichas de minoristas, feeds, reseñas y metadatos — pero puedes influir en él de forma decisiva haciendo que tus datos sean legibles por máquina y coherentes en todos los lugares donde aparecen.

Tres acciones hacen que una ficha sea recomendable hoy:

1. Implementa JSON-LD válido de Product + Offer en cada página de detalle de producto (PDP), incluido un GTIN o MPN canónico, un objeto Brand anidado y un AggregateRating preciso.
2. Normaliza el precio y la disponibilidad para que el valor en tu feed, tu PDP y cualquier ficha de marketplace coincidan exactamente.
3. Rellena los atributos tipados por los que filtran los compradores: talla, material, compatibilidad, peso y valoración.

Consejo profesional: Antes de escalar a todo tu catálogo, prueba una SKU principal mediante una simulación de agente de principio a fin. Una sola prueba de SKU revela los modos de fallo que se repetirán en cientos de productos.

Puntos clave

Un grafo de conocimiento de productos para agentes de compra con IA es una red distribuida y estructurada de entidades y atributos de producto que los agentes consultan para decidir qué recomendar — y los comerciantes que mantienen datos completos, coherentes y legibles por máquina en su feed, su PDP y sus marketplaces son quienes consiguen ser citados.

¿Qué señales utiliza realmente un agente de compra con IA?

Los agentes no leen tu página de producto como lo hace una persona. Ejecutan un proceso de recuperar-clasificar-verificar: extraen productos candidatos, los puntúan frente a la consulta y luego comprueban si los datos son lo bastante fiables como para citarlos. Los problemas de datos del catálogo — atributos ocultos en el texto, GTIN ausentes, precios inconsistentes, registros de proveedores duplicados — son la razón más habitual por la que un producto que encaja con una consulta nunca aparece.

Las señales de mayor valor, en un orden de prioridad aproximado:

• GTIN/MPN: el identificador principal que los agentes usan para resolver una entidad de producto entre distintas fuentes
• Precio + moneda: debe coincidir entre el feed, la PDP y los marketplaces; las discrepancias reducen la verificabilidad
• Disponibilidad: InStock, OutOfStock o PreOrder en el schema, actualizado casi en tiempo real
• AggregateRating + reviewCount: los agentes dan mucho peso a la prueba social; una valoración sin reviewCount se considera no verificable
• Atributos tipados: material, peso, dimensiones, compatibilidad, ingredientes — estos se corresponden directamente con los filtros del comprador
• Imágenes con metadatos: los campos alt y name ayudan a los agentes a relacionar el contexto visual con las consultas
• Datos de la oferta: priceCurrency, priceValidUntil, seller — todos los campos que los agentes usan para verificar que la oferta está vigente

Un atributo tipado en blanco no es neutral. Los agentes evalúan las páginas en tres capas — completitud estructural, densidad semántica y señales de confianza — y un campo ausente en la capa estructural puede eliminar un producto del conjunto de consideración antes incluso de que empiece la clasificación. Los valores contradictorios (por ejemplo, $49 en tu PDP y $52 en tu feed de Google Merchant Center) reducen la verificabilidad y hacen que el producto baje posiciones.

Consejo profesional: Asocia directamente los filtros de compra de tu categoría con los campos de atributos del schema. Si los compradores filtran por «material» en tu categoría, ese campo debe estar en tu JSON-LD, no solo en una viñeta de la descripción.

La investigación de simulación ACES confirma que las señales estructuradas — posición en la cuadrícula, precio, valoración, respaldos y redacción de la descripción — impulsan la selección del agente, y que las reescrituras de descripciones en simulaciones controladas produjeron cambios medibles de cuota en múltiples modelos de agentes.

Cómo implementar grafos de conocimiento de producto en Shopify y WooCommerce

Shopify

Guarda tu GTIN en el campo Barcode (nativo) o en un metacampo custom.gtin. Para atributos tipados adicionales — material, compatibilidad, peso — usa metacampos bajo un espacio de nombres product con valores tipados (single_line_text_field o number_decimal). La plantilla product.json de tu tema debe generar un bloque <script type="application/ld+json"> que extraiga estos valores de metacampos en un objeto de esquema Product válido.

Una estructura JSON-LD mínima pero completa tiene este aspecto:

{
  "@context": "https://schema.org/",
  "@type": "Product",
  "name": "Merino Wool Crew Neck Sweater",
  "sku": "MW-CREW-M-NAVY",
  "gtin13": "0123456789012",
  "brand": { "@type": "Brand", "name": "YourBrand" },

  "offers": {
    "@type": "Offer",
    "price": "89.00",
    "priceCurrency": "USD",
    "availability": "https://schema.org/InStock",
    "priceValidUntil": "2026-12-31"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "reviewCount": "312"
  }
}

Implementar esta estructura en cada PDP es la acción de mayor impacto para la elegibilidad en ChatGPT Shopping. Para las variantes, mantén una entidad Product canónica y anida las variantes como objetos hasVariant en lugar de publicar bloques de esquema separados que dupliquen el principal — el esquema duplicado es uno de los principales errores que se tratan más abajo.

WooCommerce

Usa el panel integrado de Product Attributes de WooCommerce para valores tipados (material, talla, compatibilidad). Para GTIN/MPN, añade un campo personalizado mediante un plugin como Yoast SEO Premium o un metabox personalizado ligero. Para la salida JSON-LD, configura un plugin de schema (Rank Math o Schema Pro son compatibles con Product + Offer) o inserta un bloque manual <script> en tu plantilla single-product.php.

Notas sobre feeds y rastreadores

• Envía tu feed de productos a Google Merchant Center y actualízalo cada hora para categorías competitivas. Shopping Graph de Google apunta a tasas de cumplimentación de atributos del 95%+ para los campos obligatorios y procesa miles de millones de actualizaciones por hora — los comerciantes que quedan por debajo de ese umbral de cumplimentación pierden visibilidad.
• Añade un archivo llms.txt en la raíz de tu dominio que liste la URL de tu feed y tu sitemap para que los rastreadores de agentes puedan descubrir tus endpoints de datos estructurados.
• Comprueba robots.txt para confirmar que no has bloqueado accidentalmente GPTBot, Googlebot-Shopping u otros rastreadores de agentes.

Consejo profesional: *Coloca primero los atributos relevantes para el comprador en los primeros 200 caracteres de la descripción de tu producto.

¿Cómo pruebas si los agentes de IA recomendarán tus productos?

Probar antes de escalar es lo que separa a los comerciantes que ven resultados en semanas de aquellos que pasan meses haciendo suposiciones. Tres métodos funcionan en la práctica:

1. Prompts controlados para agentes: escribe 5–10 consultas que coincidan con tus SKU principales («mejor jersey de lana merina por menos de $100 para clima frío») y ejecútalas en ChatGPT, Gemini y Perplexity. Registra qué productos aparecen y si el tuyo está entre ellos.
2. Simulación de agentes mediante Ecentic: el UCP Playground de Ecentic ejecuta simulaciones estructuradas sobre tu tienda, puntuando cada SKU según la integridad de atributos, la validez del schema y la verificabilidad, y señala exactamente qué campos están causando la supresión.
3. Reescrituras A/B de descripciones: reescribe la descripción de un SKU para que empiece con atributos tipados y vuelve a ejecutar la simulación. La investigación de ACES muestra que los cambios en la descripción producen cambios medibles en la selección, aunque la magnitud del efecto varía según el modelo de agente.

Haz un seguimiento semanal de estos KPI:

Para la atribución, etiqueta el tráfico de referencia de agentes con parámetros UTM (utm_source=chatgpt, utm_medium=ai_agent) y utiliza el seguimiento del tráfico de agentes de Ecentic para separar las sesiones impulsadas por IA de las orgánicas. Valida tu JSON-LD con Rich Results Test de Google y el validador de Schema.org antes y después de cualquier cambio en el schema.

¿Qué deberías corregir primero? Una hoja de ruta de 30/90 días

Prioriza por impacto multiplicado por esfuerzo: corrige primero los problemas que bloquean los SKU que más ingresos generan, y empieza por los cambios que no requieren código.

Días 1–30 (correcciones urgentes):

• Corrige todos los errores del feed en Google Merchant Center (discordancias de precio, GTIN ausentes, conflictos de disponibilidad)
• Añade GTIN/MPN a tus 20 SKU principales por ingresos
• Valida el JSON-LD en esos mismos SKU usando Rich Results Test
• Confirma que los rastreadores de agentes no estén bloqueados en robots.txt
• Ejecuta una simulación piloto en tu SKU con el margen más alto

Días 31–90 (en todo el catálogo):

• Amplía la cobertura de atributos tipados a todo el catálogo (material, peso, compatibilidad)
• Implementa la estructura hasVariant para eliminar schema duplicado en las PDP de variantes
• Configura una actualización horaria del feed para productos competitivos en stock.
• Añade el schema FAQPage a las 10 PDP principales. Los pares de schema FAQ están entre los formatos más citables para respuestas de agentes.
• Ejecuta el escaneo completo del catálogo de Ecentic y aplica la lista priorizada de correcciones

Cómo gobernar y automatizar los datos de tus productos

La gobernanza es lo que mantiene el grafo preciso después del lanzamiento. Sin ella, una actualización de precio en tu ERP que no se propaga a tu feed crea un fallo de verificabilidad en cuestión de horas.

1. Designa una única fuente de verdad para cada atributo — normalmente tu PIM o ERP — y documenta qué sistema es propietario del precio, la disponibilidad y cada atributo tipado.
2. Crea una canalización de validación del feed que compruebe la ausencia de GTIN, discrepancias de precio y campos obligatorios vacíos antes de cada envío del feed.
3. Configura vigilantes del esquema (un rastreo programado sencillo de tus principales PDP) para alertar cuando el JSON-LD desaparezca tras una actualización del tema.
4. Realiza reescaneos periódicos — la función de auto-optimización de Ecentic hace esto de forma continua — y alerta sobre cualquier SKU cuya tasa de completitud de atributos baje del 95%.
5. Para los datos enriquecidos por proveedores (ingredientes, certificaciones, listas de compatibilidad), añade una marca temporal de frescura y un identificador de fuente a cada atributo para que los agentes puedan verificar la procedencia.

Consejo profesional: Al extraer datos de feeds de proveedores, nunca sobrescribas tu GTIN canónico ni tu nombre de marca con una variante del proveedor. Conserva tus valores canónicos y trata los datos del proveedor únicamente como enriquecimiento.

Errores habituales que hacen que los agentes de IA ignoren tus productos

Falta de GTIN/MPN. Sin un identificador canónico, los agentes no pueden resolver la entidad de tu producto entre distintas fuentes. Solución: añade el GTIN al campo Barcode en Shopify o a un campo personalizado en WooCommerce, y después verifica que aparezca en tu campo gtin13 del JSON-LD.

Explosión de variantes con esquema duplicado. Publicar un bloque de esquema Product independiente para cada variante (color, talla) crea decenas de entidades casi idénticas que los agentes tratan como ruido. Solución: un Product canónico con elementos hijos hasVariant.

Disponibilidad obsoleta o discrepancias de precio. Un producto que muestra InStock en el esquema pero “Out of Stock” en la página, o $89 en JSON-LD y $94 en el feed, activa el fallo de la capa de verificación. Solución: sincroniza la disponibilidad y el precio desde una única fuente en tiempo real y valida con un rastreo programado.

AggregateRating sin reviewCount. Un ratingValue por sí solo no se puede verificar. Solución: incluye siempre reviewCount como entero tipado junto con ratingValue.

Rastreadores de agentes bloqueados. Un Disallow: / para GPTBot o Googlebot-Shopping en robots.txt hace que toda tu tienda sea invisible para esos agentes. Solución: audita robots.txt y autoriza explícitamente los rastreadores de agentes.

Atributos tipados vacíos. Un producto sin campo material, weight o compatibility no puede coincidir con búsquedas basadas en filtros. Solución: completa al menos los atributos por los que filtran los compradores de tu categoría, empezando por tus SKU de nivel 1.

Después de cada corrección, vuelve a ejecutar tus prompts controlados para agentes y la simulación de Ecentic para confirmar que el SKU ha pasado de suprimido a citable.

¿Qué resultados pueden esperar realmente los comerciantes?

Los resultados piloto —un único SKU o una pequeña cohorte— suelen mostrar cambios medibles en las tasas de selección por parte de los agentes en un plazo de 2–6 semanas tras implementar un schema válido y corregir los errores del feed.

KPI de negocio que conviene vigilar:

• Sesiones impulsadas por agentes como proporción del tráfico total (hacer seguimiento semanal una vez que el etiquetado esté activo)
• Tasa de conversión en las páginas donde aterrizan las referencias de agentes (estos visitantes suelen llegar con una mayor intención de compra)
• Valor medio del pedido en los pedidos atribuidos a agentes
• Descenso de la tasa de errores del feed en Google Merchant Center (un indicador indirecto de la calidad general de los datos)

Los comerciantes que implementan schema y las mejores prácticas del feed junto con integraciones UCP informan de aumentos medibles en los ingresos atribuidos a agentes en las primeras cohortes de adopción. La salvedad: las ponderaciones del modelo de los agentes cambian con cada ciclo de actualización, por lo que un producto que se posiciona bien en una instantánea puede necesitar una nueva optimización tras un lanzamiento importante del modelo. La supervisión continua —no una corrección puntual— es lo que mantiene las mejoras.

Privacidad de los datos y cumplimiento normativo al estructurar datos de producto para agentes de IA

Estructurar datos de producto para agentes de IA implica principalmente atributos de producto disponibles públicamente —precio, disponibilidad, materiales, valoraciones—, por lo que la exposición en materia de privacidad es menor que en contextos de datos de consumidores. Dicho esto, se aplican algunas consideraciones de cumplimiento.

Si las descripciones o reseñas de tus productos incluyen cualquier información de identificación personal (el nombre completo de un reseñador vinculado a una condición de salud, por ejemplo), elimina esos datos antes de que entren en tu feed estructurado o en JSON-LD. En virtud del RGPD en la UE y de marcos similares en otros lugares, la PII en datos estructurados públicamente rastreables sigue estando sujeta a los derechos de los interesados.

En el caso de los comerciantes que venden en categorías reguladas —alimentos, suplementos, dispositivos médicos, cosméticos—, los datos de ingredientes y declaraciones de tu grafo de conocimiento deben cumplir las normativas de etiquetado de cada mercado en el que vendas. Un ingrediente indicado en tu schema que contradiga tu etiqueta física genera tanto un riesgo de cumplimiento como un fallo de verificabilidad para los agentes. Mantén las afirmaciones del schema alineadas con el texto aprobado de tu producto.

Por último, si utilizas servicios de enriquecimiento de datos de terceros para completar atributos, confirma que los acuerdos de intercambio de datos de esos proveedores permiten el uso posterior en datos estructurados de cara al público. Esta es una laguna habitual cuando se extrae información de bases de datos de proveedores.

Cómo gestionar listados de productos multilingües y en varias divisas

Los agentes de IA son cada vez más multilingües, y un producto listado solo en inglés con precios en USD rendirá peor en consultas de compradores franceses, alemanes o japoneses incluso cuando el producto se envíe a nivel global.

El enfoque más limpio: mantener una entidad Product independiente por configuración regional, con name, description y atributos tipados específicos del idioma, y un bloque Offer específico de la configuración regional que contenga el priceCurrency y el price correctos. En Shopify, Markets gestiona de forma nativa los precios específicos por configuración regional; combínalo con metafields específicos por configuración regional para valores de atributos traducidos. En WooCommerce, plugins como WPML o Polylang gestionan el contenido traducido, y WooCommerce Multilingual gestiona los precios específicos por divisa.

Para tu feed, envía feeds complementarios específicos por configuración regional a Google Merchant Center en lugar de depender de la traducción automática. Los valores de atributos traducidos automáticamente a menudo no superan las comprobaciones de verificabilidad de los agentes porque el texto traducido no coincide con el contenido en la página de esa configuración regional.

Una regla práctica: nunca mezcles divisas dentro de un solo bloque Offer. Si un producto está disponible tanto en USD como en EUR, publica dos objetos Offer independientes con campos eligibleRegion explícitos, o utiliza priceCurrency limitado al mercado correcto.

Benchmarks de ecommerce para la visibilidad en agentes de compra con IA

Los benchmarks concretos en este espacio aún están surgiendo, pero conviene conocer algunas señales orientativas. El marco de simulación ACES —que probó señales estructuradas en múltiples modelos de agentes en 2025— descubrió que la sensibilidad al precio y la sensibilidad a la valoración produjeron ambas efectos estadísticamente direccionales en la selección por parte del agente, y que las reescrituras de descripciones movieron cuota en experimentos controlados. El tamaño del efecto varió según el modelo y la instantánea, por lo que la simulación continua importa más que una única prueba.

En el lado de la calidad de los datos, Shopping Graph de Google procesa más de 2 billion actualizaciones por hora en más de 50+ billion listados.

Para los comerciantes que han ejecutado la optimización basada en simulación de Ecentic, el patrón observado es consistente: corregir primero los errores de schema y las lagunas de atributos en los SKU principales, y después escalar al catálogo completo, produce la mejora medible más rápida en las tasas de selección por parte del agente. La alineación del SEO de ecommerce que surge de este trabajo también tiende a elevar las clasificaciones de búsqueda tradicionales como efecto secundario, ya que los mismos datos estructurados en los que se apoyan los agentes también alimentan los resultados enriquecidos de Google.

Alinear tus pasos de SEO para ecommerce con los datos estructurados orientados a agentes es cada vez más el mismo trabajo: las señales que hacen que un producto sea citable por un agente de IA se solapan en gran medida con lo que obtiene un resultado enriquecido en la búsqueda tradicional.

Tendencias futuras que están dando forma a la optimización del grafo de conocimiento de productos

Hay tres cambios para los que merece la pena planificar desde ahora.

Bucles de compra agénticos. El modo de compras de ChatGPT y AI Overviews de Google son versiones tempranas de un recorrido más largo: agentes que no solo recomiendan, sino que completan compras de forma autónoma. El Universal Commerce Protocol (UCP) es el estándar emergente para exponer datos de productos, precios y endpoints de pago directamente a los agentes. Los comerciantes que creen ahora endpoints compatibles con UCP tendrán una ventaja estructural a medida que la compra agéntica escale.

Comprensión multimodal del producto. Los agentes evalúan cada vez más imágenes, vídeos y activos 3D de productos junto con los atributos de texto. El texto alt de las imágenes y el schema estructurado ImageObject ya son señales; cabe esperar que la extracción de atributos visuales (color, forma, textura a partir de imágenes) se convierta en un factor de clasificación a medida que mejoren los modelos de visión.

Actualizaciones del grafo en tiempo real. A medida que los índices de agentes se actualizan con más frecuencia, aumenta la penalización por los datos desactualizados. Los comerciantes que ejecutan actualizaciones por lotes de feeds una vez al día perderán terreno cada vez más frente a quienes cuentan con sincronización en tiempo real o casi en tiempo real. Los patrones de automatización de gobernanza descritos antes —canalizaciones de validación de feeds, vigilantes de schema, write-backs del PIM— son la infraestructura para competir en ese entorno.

AI Overviews de Google ya muestra cómo interactúan la huella editorial y los datos estructurados: los productos con datos coherentes y verificables en múltiples fuentes aparecen con más frecuencia en paneles generados por IA. Ese patrón se intensificará a medida que maduren los índices de agentes.

Por qué conviene simular antes de optimizar

La mayoría de los comercios aborda los datos de producto de la forma equivocada: primero optimizan el copy y comprueban después si los agentes responden, si es que lo hacen. Esa secuencia desperdicia esfuerzo porque los cambios en el copy tienen un efecto menor y menos predecible en la selección por parte de los agentes que las correcciones estructurales.

El enfoque más sólido es simular primero. Ejecuta tu SKU principal mediante una consulta de agente antes de tocar una sola palabra del copy. Si el producto no aparece, el problema casi siempre es estructural: falta un GTIN, hay un rastreador bloqueado, existe una discrepancia de precio o hay un atributo tipado vacío. Corrige eso, vuelve a simular y solo entonces plantéate si la descripción necesita trabajo.

Esto importa porque los comercios que informan de los resultados más rápidos no son los que tienen a los mejores redactores. Son los que trataron sus datos de producto como infraestructura y arreglaron la capa legible por máquinas antes de preocuparse por la persuasión. La simulación es lo que hace que esa secuencia sea visible y medible en lugar de una suposición.

La otra cosa que la mayoría de las guías minimiza: los agentes no solo recompensan la integridad, recompensan la coherencia. Un producto con una valoración de 4,7 estrellas en el schema y una valoración de 4,2 estrellas en la página no solo está mal, sino que es un fallo de señal de confianza que puede suprimir el producto por completo. Cada discrepancia entre tu schema, tu feed y tu contenido en página es un motivo para que un agente te omita en favor de un competidor cuyos datos son coherentes entre sí.

Ecentic diagnostica y corrige tu visibilidad en compras con IA

La mayoría de los comercios descubre sus problemas de datos de producto solo después de que un agente los ignore. Ecentic invierte esa secuencia: conecta tu tienda Shopify o WooCommerce, y el motor de simulación de Ecentic ejecuta tus SKU principales frente a ChatGPT, Gemini, Claude y Perplexity antes de que pierdas una sola venta.

La plataforma ofrece diagnósticos en lenguaje claro: exactamente qué atributos faltan, qué campos de schema no son válidos y qué competidores están ganando las consultas que deberías dominar. A partir de ahí, Ecentic genera sugerencias de reescritura y publica correcciones directamente en tu escaparate con un solo clic. Después, los análisis de atribución de agentes realizan un seguimiento de si esas correcciones se traducen en sesiones y en ingresos medibles impulsados por agentes. Empieza con un escaneo gratuito de tus SKU principales en la página de optimización de fichas de producto de Ecentic, o explora la suite completa de herramientas de ecommerce con IA para ver qué está suprimiendo tu visibilidad ahora mismo.

Fuentes

• Cómo funcionan los agentes de compra con IA: recuperar, clasificar y verificar · Claro
• Grafos de conocimiento de producto: el nuevo cerebro del comercio con IA
• Cómo descubren productos los agentes de compra con IA: la guía técnica para la optimización de datos de producto | Blog de Hexagon
• Cómo optimizar páginas de producto para agentes de IA (guía de 2026)

Preguntas frecuentes

¿Qué es un grafo de conocimiento de producto para agentes de compra con IA?

Es la red estructurada de entidades, atributos y relaciones de producto que los agentes de IA como ChatGPT y Gemini consultan al generar recomendaciones de compra. Las marcas influyen en ella publicando datos coherentes y legibles por máquinas en su PDP, su feed y sus fichas en marketplaces.

¿Qué campos de schema importan más para la elegibilidad de los agentes de IA?

Un JSON-LD válido de Product + Offer con un GTIN o MPN, un objeto Brand anidado, priceCurrency, availability y AggregateRating con un reviewCount tipado son los campos de mayor impacto para entrar en los conjuntos de consideración de los agentes.

¿Con qué frecuencia debo actualizar mi feed de productos?

Procura hacer actualizaciones cada hora en categorías competitivas. Shopping Graph de Google procesa miles de millones de actualizaciones por hora, y los comercios con actualizaciones diarias por lotes pierden terreno frente a aquellos con sincronización casi en tiempo real.

¿Cómo sé si un agente de IA está ignorando mis productos?

Ejecuta prompts de agente controlados usando consultas que coincidan con tus SKU principales y, después, comprueba si aparecen tus productos. Las herramientas de simulación de Ecentic automatizan este proceso y señalan exactamente qué atributos o campos de schema están provocando la supresión.

¿Cuánto tardaré en ver resultados al corregir los datos de mis productos?

Las mejoras en los SKU piloto suelen mostrar cambios medibles en las tasas de selección por parte de los agentes en un plazo de 2–6 semanas.