Agentic commerce: cómo preparar el catálogo para que un agente IA encuentre y recomiende tu producto

Indice
  1. Cuando el dueño de una tienda online pregunta por los agentes IA
  2. Qué cambia cuando compra un agente
  3. Qué necesita el agente de tu catálogo
  4. Cuántos de tus productos ve de verdad el agente
  5. Checklist del catálogo listo: 10 comprobaciones
  6. Dónde falla el catálogo con más frecuencia
  7. Cómo mantener el catálogo listo cuando hay miles de productos
  8. Preguntas frecuentes (FAQ)
  9. Fuentes

El agentic commerce, o comercio agéntico, es la forma de comprar en la que un agente IA busca, compara y cada vez más a menudo también pide el producto en nombre del cliente: ChatGPT, Gemini o Perplexity. El agente no mira los banners, lee datos. Por eso recomendará tu producto solo si el catálogo es legible para un programa: marca y código de barras, características completas, precio y disponibilidad al día, un feed para la plataforma y el marcado del producto en la página.

El error más habitual es buscar cómo «salir en ChatGPT» en lugar de contar cuántos productos del catálogo puede leer el agente. Un producto sin marca no entra en el feed, uno con el peso escrito en la descripción no pasa la condición «hasta 3 kg», y el precio de ayer le da al cliente un importe distinto. A continuación: qué necesita exactamente el agente, un cálculo sobre un catálogo de ejemplo y una checklist para revisar tu tienda.

Cuando el dueño de una tienda online pregunta por los agentes IA

Normalmente todo empieza con visitas desde chatgpt.com en la analítica o con una prueba propia: el dueño pide a ChatGPT que le recomiende un producto de su categoría y su tienda no aparece en la respuesta. Después llegan las preguntas: «qué es el agentic commerce», «cómo se usa la IA en el comercio electrónico», «hace falta un feed aparte para ChatGPT», «qué es MCP y si lo necesita una tienda».

La menos útil es «cómo salgo ahí». No hay un botón que meta la tienda en la respuesta: incluso un feed conectado solo le pasa datos al agente, y él elige según esos datos. Por eso conviene calcular primero qué parte del catálogo está lista para el agente.

Qué cambia cuando compra un agente

Cambia quién lee tu ficha de producto: en lugar de una persona que mira fotos y opiniones, la analiza un programa con el encargo del cliente. El encargo suena más o menos así: «busca una aspiradora sin cable de hasta 300 €, que pese como mucho 3 kg y esté disponible ya». El agente lo divide en condiciones, busca productos en los que esas condiciones están escritas como datos y compara los que las cumplen.

La persona ve fotos, banner y opiniones; el agente IA lee los datos del producto: marca, peso, precio y disponibilidad
Persona y agente IA en la misma tienda
QuéPersonaAgente IA
Cómo encuentra el productocategorías, buscador de la web, publicidadpetición con condiciones, datos de feeds y páginas
Qué leefotos, banner, descripcióncaracterísticas, precio, disponibilidad, identificadores
Campo vacíopregunta por chat o lo pasa por altono puede comprobar la condición, así que el producto queda fuera
Precio en la web distinto al del feedlo nota al pagarya le dio al cliente el importe antiguo
Pedidoen tu weben la web o en el propio chat, si la plataforma lo permite

El pedido dentro del chat todavía es poco frecuente. Google abrió la compra en AI Mode y Gemini mediante el protocolo UCP solo para una parte de los vendedores y solo para productos en Estados Unidos. En marzo de 2026 OpenAI centró las compras en ChatGPT en la búsqueda de productos: el pedido se cierra en el checkout del vendedor, y de las tiendas OpenAI espera un feed de productos. Para una tienda en España el escenario real hoy es otro: el agente encuentra y recomienda el producto, y la compra se cierra en la web. Los datos necesarios son los mismos que para el pago en el chat, así que conviene prepararlos ya.

Qué necesita el agente de tu catálogo

El agente necesita datos comparables sin intervención humana y un canal por el que le lleguen. Cuanto más preciso esté descrito el producto, más peticiones con condiciones supera.

Datos del producto que lee el agente
DatosPara qué le sirven al agenteCómo se transmiten
Características «nombre — valor» con unidadescomprobar las condiciones: peso, tamaño, compatibilidadfeed, marcado, API
Marca, GTIN (EAN), MPNreconocer el mismo producto en distintos vendedoresfeed, marcado Product
Precio con moneda, precio rebajadocomparar ofertasfeed, marcado Offer
Disponibilidadno recomendar lo que no hayfeed, marcado Offer
Título y descripción en texto planoentender qué producto esfeed, página del producto
Foto con enlace directomostrar el producto en la respuestafeed
Envío y devolucióncalcular el precio final y las condicionesmarcado Offer, páginas de condiciones
Variantes: color, tallaelegir la variante correcta y no un producto parecidomarcado ProductGroup, feed

Los canales son tres y no se sustituyen entre sí:

  • Feed: un archivo con todos los productos para una plataforma concreta. OpenAI acepta CSV, TSV o JSONL según su propia especificación y recibe el archivo solo por SFTP. Google trabaja con el feed de Merchant Center, en el que también se apoya la compra mediante UCP.
  • Marcado en la página: un bloque Schema.org Product con la oferta Offer en el código de la página del producto (precio, moneda, disponibilidad). Lo leen los buscadores y los agentes que abren la web por su cuenta. Para que las páginas entren en la búsqueda de ChatGPT, la web no debe bloquear en robots.txt el rastreador de búsqueda de OpenAI (OAI-SearchBot).
  • Protocolos de pedido: ACP de OpenAI y Stripe y UCP de Google describen cómo el agente hace el pedido al vendedor. UCP permite conectarse por API, Agent2Agent o MCP. Es el paso siguiente al feed y por ahora no está disponible para todos.
El catálogo llega al agente IA por tres canales: feed, marcado Product en la página, API y MCP

Cuántos de tus productos ve de verdad el agente

Tantos como cumplan todas las condiciones a la vez, no cada una por separado. Por eso hay que calcular la cobertura:

Cobertura del catálogo = productos que tienen todo lo que necesita el agente ÷ productos activos × 100 %.

Ejemplo convencional para la aritmética, las cifras no son datos de mercado. Una tienda de electrodomésticos con 2 000 productos activos. Descartamos por orden: primero los productos sin marca, luego sin código de barras ni referencia del fabricante, después los que tienen características obligatorias sin rellenar y, por último, los que no tienen foto.

Cuántos productos llegan al agente (cifras convencionales)
ComprobaciónDescartadosQuedan
Productos activos2 000
Tiene marca3001 700
Tiene GTIN o MPN4001 300
Todas las características obligatorias rellenas600700
Tiene foto20680
Listos para el agente680
Embudo de un catálogo de ejemplo: de 2 000 productos llegan al agente 680, es decir, el 34 %

Cobertura = 680 ÷ 2 000 × 100 % = 34 %. El 66 % restante del catálogo, 1 320 productos, el agente o no lo recibe en el feed o no puede comprobarlo frente a las condiciones del cliente. La mayor caída aquí son las características, 600 productos, así que conviene empezar no por el feed sino por las características obligatorias en las categorías con más productos. Calcula también la cobertura por categoría: un 34 % de media puede esconder una categoría con apenas unos pocos productos listos.

La fila del código de barras cuenta solo donde ese código existe. Los productos de fabricación propia o artesanales pueden no tener GTIN; entonces lo sustituye la referencia del fabricante. El precio y la disponibilidad, en cambio, compruébalos aparte: si el feed se actualiza una vez por semana y los precios del proveedor cambian a diario, una parte de los productos «listos» muestra cada día datos caducados al agente.

Checklist del catálogo listo: 10 comprobaciones

Cada punto se comprueba con un filtro en el catálogo o con diez productos al azar.

  1. Marca en cada producto activo. El filtro «fabricante vacío» debe dar cero: sin marca, OpenAI no acepta el producto.
  2. GTIN (EAN) o MPN donde existan. Mira la proporción de productos con código de barras por categoría.
  3. Características obligatorias definidas para cada categoría y rellenas. Calcula la proporción de productos con todas las obligatorias completas.
  4. Valores escritos de forma uniforme. «Negro» y «negro», «2 kg» y «2000 g» son valores distintos para el filtro del agente. Revisa la lista de valores únicos de cada característica.
  5. Título: tipo, marca, modelo, diferencia clave. Hasta 150 caracteres, el límite de la especificación de OpenAI. Sin «TOP», «Oferta» ni emojis.
  6. Descripción en texto plano, sin relleno. Sin etiquetas HTML ni «n/a» o «null»: OpenAI prohíbe los valores de relleno; un campo desconocido se deja vacío.
  7. Foto con enlace directo. JPEG o PNG que se abra sin iniciar sesión.
  8. Precio y disponibilidad del feed iguales a los de la web. Compara diez productos al azar en el feed y en la página. Actualiza el feed al menos con la frecuencia con la que cambian los precios del proveedor.
  9. Marcado Product con Offer en la página del producto. Precio, moneda, disponibilidad. Se comprueba con la herramienta de Google «Prueba de resultados enriquecidos» (Rich Results Test).
  10. Condiciones de envío, pago y devolución en páginas propias. Plazos, costes, quién paga la devolución: el agente también lo compara.

Dónde falla el catálogo con más frecuencia

Casi nunca en el feed, casi siempre en los datos con los que se genera. Cinco errores típicos de los catálogos que se rellenan con las tarifas de los proveedores:

  • Las características están como texto en la descripción. Una persona lee «peso 2,4 kg» en un párrafo; el filtro del agente, no: necesita el campo «Peso» con su valor. El producto queda fuera de cualquier petición con condiciones.
  • Relleno en lugar de campo vacío. «—», «n/a», «consultar» en el campo de marca o color el agente lo toma como un valor. OpenAI prohíbe expresamente ese relleno.
  • El precio del feed va por detrás de la web. El feed se generó por la mañana, el proveedor subió el precio a mediodía y el agente le dio al cliente el importe antiguo. Google Merchant Center compara el precio del feed con la página y rechaza el producto si no coinciden.
  • Variantes como fichas sueltas sin relación. Seis fichas «Camiseta negra S», «Camiseta negra M» sin grupo: el agente no sabe que es un solo producto en seis tallas.
  • Un producto, dos registros. Los duplicados con precios distintos confunden la comparación y el agente puede elegir el más caro.
Cinco errores del catálogo: relleno n/a, precio antiguo, datos en el texto, escritura distinta, duplicados

Cómo mantener el catálogo listo cuando hay miles de productos

Revisar a mano diez puntos en unos cientos de productos se puede; en miles, no: el catálogo cambia cada día con las tarifas de los proveedores, y el 34 % de ayer mañana ya es otra cifra. La revisión tiene que hacerla el programa donde ya viven los productos. En Elbuz funciona así:

  • Características y grado de relleno. Para cada categoría se definen las características obligatorias y en el catálogo se ve, en cada producto, cuántas están rellenas. Las características, fotos y descripciones que faltan el programa las encuentra en webs de origen y las pasa a la ficha, y la IA comprueba que se ha encontrado justo tu producto (relleno del catálogo).
  • Feed para ChatGPT y Google. La plantilla de exportación «OpenAI (ChatGPT Ads)» genera un CSV con los 17 campos de la especificación de OpenAI (precio con moneda, disponibilidad, foto, descripción sin HTML, GTIN) y, según la programación, envía el archivo al SFTP que facilita OpenAI. Del mismo catálogo sale el feed para Google Merchant Center.
  • Marcado del producto. Si la tienda funciona con Elbuz CMS, la página del producto ya tiene el marcado Product con la oferta Offer: precio, disponibilidad, vendedor y condiciones de devolución, y los productos con variantes están agrupados. El coste de envío entra en el marcado cuando se conoce de antemano: precio fijo o envío gratis a partir de un importe de pedido.
  • Asistente IA sobre tus datos. A través del servidor MCP de Elbuz, tu Claude o ChatGPT trabaja con el catálogo con los permisos de un empleado: encuentra productos sin descripción, foto o categoría y valores de características que solo se diferencian en la escritura. Propone los cambios y tú los apruebas en «Pulso».

Lo que Elbuz no hace: no conecta la tienda al pago en ChatGPT ni en Google, porque el acceso a los feeds y a los pedidos en el chat lo dan las propias plataformas. Y el servidor MCP de Elbuz es para tu asistente, no para los agentes de los compradores: a ellos el catálogo les llega por el feed y el marcado.

Catálogo completo con ElbuzCaracterísticas, fotos y descripciones para miles de productos, 14 días gratis

Preguntas frecuentes (FAQ)

¿Qué es el agentic commerce?

Es el comercio en el que un agente IA busca y compara productos en nombre del cliente y a veces también hace el pedido. La tienda vende entonces no con el escaparate sino con los datos: el agente elige lo que es capaz de leer y comprobar.

¿Cómo se utiliza la IA en el comercio electrónico?

De dos maneras que se complementan: dentro de la tienda, para rellenar fichas, responder a clientes o revisar el catálogo; y fuera, cuando un agente IA del comprador busca y compara productos. Para la segunda, lo que cuenta son los datos del catálogo, el feed y el marcado de la página.

¿Se puede comprar directamente en ChatGPT o Google desde España?

Por ahora no. Google abrió el pago en el chat a una parte de los vendedores con productos en Estados Unidos, y desde marzo de 2026 OpenAI envía al comprador a hacer el pedido en la web del vendedor. Una tienda en España recibe del agente una recomendación y la visita a su web.

¿En qué se diferencia el feed para ChatGPT del de Google Merchant Center?

En el esquema de campos y en la entrega del archivo. OpenAI tiene su propia especificación con campos como is_eligible_search y acepta el archivo solo por SFTP; Google Merchant Center descarga el feed desde un enlace por su cuenta. Los datos de base son los mismos, así que ambos feeds se generan desde un único catálogo.

¿Qué es MCP y lo necesita una tienda online?

MCP (Model Context Protocol) es un estándar abierto con el que un asistente IA se conecta a programas y datos. A la tienda le aporta dos cosas: tu asistente trabaja con el catálogo y los pedidos, y según el protocolo UCP también el agente del comprador puede conectarse por MCP. Para lo segundo hacen falta antes el feed y datos completos.

¿Necesita una tienda el archivo llms.txt?

No es obligatorio. Es un índice breve en texto de la web para asistentes IA; la Búsqueda de Google no lo usa, y no sustituye al precio ni a la disponibilidad: esos datos el agente los toma del feed y del marcado.

Fuentes

Comprobado el 13.11.2026.

Guardar un enlace a este articulo Telegram Facebook X LinkedIn Viber WhatsApp
Descubre más sobre Elbuz con AI Haz tu pregunta: elige un chat y deja que la AI analice esta página por ti:

Discusion del tema – Agentic commerce: cómo preparar el catálogo para que un agente IA encuentre y recomiende tu producto

0 comentarios

No hay opiniones para este producto.

Escribir un comentario

Su dirección de correo electrónico no se publicará. Los campos obligatorios están marcados

Prueba Elbuz gratis