La investigación de palabras clave para el comercio agéntico consiste en optimizar los datos de producto para cumplir restricciones, en lugar de coincidir con términos de búsqueda. Cuando un agente de IA recibe una consulta como "encuentra una bolsa de piel vegana de menos de $100 que se envíe a Canadá en dos días", evalúa los atributos estructurados del producto contra cada condición al mismo tiempo. Posicionarte para esta consulta no tiene nada que ver con la densidad de palabras clave y todo que ver con si tu esquema de datos responde las cuatro restricciones en un formato legible por máquinas.
Por qué la investigación de palabras clave tal como la conoces es obsoleta para los agentes de IA
La investigación de palabras clave tradicional asume que una persona escribe una frase en una barra de búsqueda, revisa una página de resultados y hace clic en un enlace. Ese flujo formó toda una disciplina en torno a hacer coincidir el contenido de la página con la redacción de la búsqueda. Las directrices de contenido útil de Google, el agrupamiento semántico y la puntuación TF-IDF sirven a ese modelo.
Los agentes de compra con IA funcionan de otra manera. El usuario delega toda la decisión de compra: "Cómprame un escritorio de pie de menos de $400 que quepa en un espacio de esquina de 48 pulgadas y llegue antes del viernes". El agente nunca le muestra al usuario una lista de URLs para explorar. Consulta bases de datos de productos, evalúa datos estructurados, revisa las APIs de inventario y envío, y presenta uno o dos candidatos. El título de la página y la meta descripción son irrelevantes. Los atributos del feed de producto lo son todo.
Esto es búsqueda basada en restricciones: el trabajo del agente es eliminar las opciones que fallan en cualquier restricción, y luego clasificar a las que sobreviven según criterios secundarios como precio, calificación o preferencia de marca. Un producto que cumple cuatro de cinco restricciones obtiene cero, no 80%. Cada restricción es un filtro obligatorio.
Cómo traducir el lenguaje del consumidor a restricciones legibles por máquinas
La primera tarea práctica en la investigación de palabras clave para el comercio agéntico es traducir las consultas largas y conversacionales que tus clientes delegarán a los agentes en campos de datos estructurados y concretos. Esto requiere una mirada analítica distinta a la del agrupamiento tradicional de palabras clave.
Empieza por reunir las transcripciones de servicio al cliente, el texto de las reseñas y las búsquedas dentro de tu sitio. Busca solicitudes compuestas: "impermeable, bueno para pie ancho, de menos de $80". Cada adjetivo o calificativo de una solicitud compuesta corresponde a un atributo de datos que el agente consultará. "Impermeable" corresponde a un campo booleano o a una clasificación IP. "Pie ancho" corresponde a un atributo de ancho (2E, 4E o un valor con nombre como "ancho"). "De menos de $80" es un tope de precio, que solo se puede consultar si tu feed transmite precios en tiempo real.
El error en el que cae la mayoría de los minoristas: tienen descripciones en prosa muy completas, pero pocos atributos estructurados. Un agente puede interpretar la prosa, pero eso introduce ambigüedad y riesgo de alucinación. Los agentes prefieren consultar campos estructurados porque la respuesta es determinista. "waterproof: true" gana a un párrafo que menciona una "construcción resistente al agua" escondida en la quinta oración.
Acción concreta: audita tu feed de producto contra tus 50 principales consultas compuestas de clientes. Para cada calificativo de esas consultas, confirma que exista un campo estructurado correspondiente en tu feed de Google Merchant Center, en tu marcado schema.org de Product y en tu base de datos interna. Cualquier hueco en alguna de esas capas es una coincidencia de restricción perdida.
Las cinco categorías de restricciones que todo feed de producto necesita
Las consultas de los agentes de IA se agrupan en cinco tipos de restricciones. Tu arquitectura de datos debe tratar cada una como un campo de primera clase, no como algo secundario dentro de un bloque de descripción.
| Categoría de restricción | Ejemplo de condición en la consulta del agente | Campo de datos requerido | Hueco común |
|---|---|---|---|
| Tope de precio | "de menos de $100" | sale_price en tiempo real con marca de tiempo | Las actualizaciones del feed tardan más de 24 horas; el agente ve un precio desactualizado |
| Material / ingrediente | "piel vegana", "sin gluten" | campos material, ingredients, certifications | Atributos que solo aparecen dentro de la descripción en prosa |
| Logística / envío | "se envía a Canadá en 2 días" | destino de envío + estimated_delivery_date por región | Una sola estimación de envío fija, sin desglose por región |
| Ajuste físico | "cabe en un espacio de esquina de 48 pulgadas" | product_length, product_width, product_height en cm/pulgadas | Dimensiones en el texto de la descripción, no en campos del feed |
| Señal social / ética | "certificación B Corp", "hecho en EE. UU." | campos certification, country_of_origin | Certificación indicada en la página de la marca, no por producto |
Fíjate en que tres de los cinco huecos comunes tienen que ver con información que existe en algún lugar de tu sitio, pero no en un campo que una máquina pueda consultar. Ese es el problema central de la optimización para el comercio agéntico: los datos existen, pero están en el lugar equivocado.
Ponderación de restricciones y señales de clasificación secundarias
Una vez que un producto pasa todas las restricciones obligatorias, los agentes aplican una lógica de clasificación secundaria. Aquí es donde las señales tradicionales de SEO reaparecen de otra forma. Las calificaciones de las reseñas, la cantidad de reseñas, la tasa de devoluciones y la reputación del vendedor funcionan como criterios de desempate entre los productos que cumplen las restricciones.
Un marco práctico de priorización:
- Primero, maximiza la superficie de restricciones. Agrega todos los atributos estructurados que admite tu categoría de producto antes de optimizar cualquier señal secundaria. Una calificación de 4.8 estrellas en un producto sin atributos de material pierde frente a un producto de 4.2 estrellas con datos completos.
- Mantén los datos de logística siempre actualizados. La velocidad de envío es volátil. Un producto que ayer podía cumplir la restricción de "entrega en 2 días" falla hoy si tu inventario se movió a un centro de distribución más lento. Los agentes consultan las estimaciones de envío en tiempo real o casi en tiempo real. Los feeds estáticos fallan aquí una y otra vez.
- Construye los datos de certificación a nivel de SKU, no a nivel de marca. Un agente al que le piden "ropa de cama con certificación OEKO-TEX" consulta el registro del producto, no tu página de Acerca de. Las certificaciones deben estar en el feed, vinculadas al SKU específico que tiene la certificación, no atribuidas de forma general a tu marca.
- Usa las señales negativas como herramientas de posicionamiento. Si tu producto está explícitamente libre de un alérgeno común o de un químico dañino, muéstralo como un campo estructurado ("contains_gluten: false", "free_from: BPA"). Los agentes que evalúan restricciones de exclusión ("sin colorantes artificiales") necesitan señales negativas explícitas, no la ausencia de una mención.
Schema.org y el marcado del feed: dónde poner los datos
Los datos estructurados viven en tres lugares a los que los agentes de IA acceden por distintas vías. Necesitas cobertura en los tres.
Tu marcado schema.org de Product integrado en la página de producto lo interpretan los agentes que rastrean la web y los LLM que recuperan páginas en vivo. Incluye todas las propiedades que el tipo Product de schema.org admite para tu categoría: material, color, size, brand, offers (con price, priceCurrency, availability y shippingDetails) y aggregateRating. La propiedad shippingDetails admite específicamente la segmentación por DefinedRegion, que es como expresas "se envía a Canadá en 2 días" en un formato legible por máquinas.
Tu feed de productos de Google Merchant Center llega a los agentes que consultan el Shopping Graph de Google, que impulsa una parte cada vez mayor de las recomendaciones de compra con IA a principios de 2026. El feed admite atributos personalizados además de los campos estándar. Úsalos. Si tu producto tiene una "waterproof_rating" que no corresponde a ningún campo estándar de Merchant Center, agrégala como etiqueta personalizada o atributo personalizado. Los agentes que consultan el Shopping Graph pueden usar los atributos personalizados en su razonamiento.
Tu API directa o feed de datos importa para plataformas como Shop AI de Shopify, Rufus de Amazon y los nuevos frameworks de agentes que extraen datos de las APIs de los minoristas en lugar de rastrear sitios. Mantén el esquema de tu base de datos interna de productos tan explícito como tus feeds públicos. El desorden interno se propaga hacia afuera cuando terceros consultan la API de tu catálogo.
Cómo medir el rendimiento en la búsqueda agéntica
Los reportes tradicionales de posicionamiento de palabras clave no son el instrumento de medición adecuado aquí. En su lugar, mide tres métricas:
Tasa de coincidencia de restricciones: de las sesiones originadas por agentes que llegan a tus páginas de producto (identificables mediante las cadenas de user-agent de agentes de IA conocidos y los datos de referencia de plataformas como Perplexity Shopping o Google AI Mode), ¿qué porcentaje agrega al carrito y qué porcentaje rebota de inmediato? Una tasa de rebote alta en el tráfico de agentes indica que tu producto no cumplió una restricción que el agente creía que cumplías, creando una discrepancia que el usuario notó al llegar.
Puntuación de completitud de atributos del feed: usa los diagnósticos de Google Merchant Center y cualquier herramienta de gestión de feeds (DataFeedWatch, Feedonomics y plataformas similares lo permiten) para cuantificar qué porcentaje de tus SKUs tiene completos todos los atributos relevantes. Apunta primero a más del 95% en el 20% de tus SKUs que más ingresos generan.
Brecha de precisión logística: compara las ventanas de entrega que prometes en tus feeds de producto con el rendimiento real de entrega por región. Cada día que tu feed dice "envío en 2 días a Ontario" y tus entregas reales promedian 3.4 días es un día en que ganas consultas de agentes y pierdes la confianza de tus clientes.
Preguntas frecuentes sobre la investigación de palabras clave para el comercio agéntico
¿La investigación de palabras clave tradicional tiene algún papel en el comercio agéntico?
Sí, pero uno más limitado. La investigación de palabras clave todavía te ayuda a decidir qué categorías de producto y qué combinaciones de atributos priorizar al construir tus datos estructurados. Si los datos de palabras clave muestran un alto volumen de búsqueda para "bolsas de piel vegana de menos de $100", eso te dice que el atributo de material de piel vegana y el campo de precio son campos estructurados de alta prioridad que debes completar para esa categoría. Usa la intención de las palabras clave como una señal de qué restricciones importan más, no como contenido para meter en los textos de la página.
¿Con qué frecuencia debo actualizar los datos del feed de producto para la búsqueda agéntica?
Datos de precios e inventario: cada 2–4 horas como mínimo, idealmente mediante una API en tiempo real. Estimaciones de velocidad de envío por región: la base es una actualización diaria; en tiempo real es mejor para productos con cumplimiento variable. Atributos estáticos como material, dimensiones y certificaciones: actualízalos de inmediato cuando cambie la especificación del producto, no según un calendario.
¿Qué agentes de IA están haciendo consultas de productos basadas en restricciones ahora mismo?
En 2026, AI Mode de Google con integración del Shopping Graph, Rufus de Amazon, Perplexity Shopping y las funciones de compra de OpenAI en ChatGPT evalúan datos de producto estructurados frente a consultas con múltiples restricciones. Siri de Apple se está expandiendo hacia flujos de compra agénticos. La arquitectura específica de las consultas varía según la plataforma, pero todas privilegian los datos estructurados del feed por encima del contenido no estructurado de la página para hacer coincidir atributos.
¿Cuál es el error más grande que cometen los minoristas al prepararse para la búsqueda basada en restricciones?
Tratar la optimización para la búsqueda agéntica como un proyecto de contenido SEO y no como un proyecto de ingeniería de datos. Escribir descripciones de producto más largas con más variantes de palabras clave no hace nada por un agente que evalúa una consulta estructurada. El trabajo de mayor impacto está en el esquema de tu feed, los campos de atributos de tu base de datos y tu flujo de datos de logística.
¿Pueden competir en el comercio agéntico los minoristas pequeños con pocos recursos de desarrollo?
Sí, con una priorización enfocada. Empieza con tus 50 SKUs principales por ingresos. Haz una auditoría de restricciones contra tus cinco o diez consultas compuestas de clientes más comunes. Usa las herramientas de datos estructurados integradas en tu plataforma de comercio electrónico actual (la salida schema.org integrada de Shopify, los plugins de datos estructurados de WooCommerce) para llenar los huecos de atributos sin desarrollo a la medida. Un feed bien estructurado que cubra 50 productos de altos ingresos le gana a un feed parcialmente completo de 5,000 SKUs para lograr un impacto inicial en la búsqueda agéntica.