Hace unos meses ayudé a mi pareja a elegir una aspiradora robot. No abrimos ni un comparador ni una tienda online hasta el último paso: se lo preguntamos todo directamente a Chat-GPT, que nos dio 3 opciones, con sus pros y contras, en menos de un minuto. Solo entramos a una web cuando ya teníamos toda la información sobre el modelo queríamos comprar.
Esto resume, mejor que cualquier informe, lo que llevo un año viendo en los datos de las tiendas online que gestionamos: las fases de descubrimiento y consideración, que durante veinte años generó la mayoría del tráfico de un ecommerce, se está resolviendo cada vez con más frecuencia fuera de cualquier web.
En este artículo explico, cómo está afectando la IA al tráfico orgánico del comercio electrónico, qué ha cambiado exactamente en la conducta de búsqueda de quien compra un producto, y qué estamos haciendo para que las tiendas que gestionamos sigan siendo elegidas aunque el recorrido sea más corto y ya no pase por su propia web.
El robot que compramos sin abrir una sola web
Vuelvo a esa anécdota porque me parece el ejemplo más honesto que tengo. Necesitábamos una aspiradora robot, no teníamos ni idea de marcas ni de características técnicas, y hace tres años el recorrido habría sido previsible: buscar en Google, abrir cuatro o cinco fichas de producto, comparar precios en dos o tres tiendas, leer reseñas en una web de comparativas, y finalmente comprar en la que ofreciera mejor precio o envío. Ese recorrido, multiplicado por millones de compradores, es el que ha sostenido durante dos décadas el tráfico de cualquier ecommerce.
Esta vez no hizo falta nada de eso. Formulamos la pregunta al asistente tal como se la haríamos a un amigo que entendiera del tema: qué aspiradora robot nos recomendaba para un piso de X metros, parquet en el suelo y un presupuesto medio. La respuesta llegó con tres modelos, una comparación breve de sus puntos fuertes y débiles, y una recomendación final razonada. Adicionalmente, nos presentó un modelo superior que estaba a un precio excepcional como no, en Amazon.
Entramos a la web solo para confirmar el precio, leer algunas reseñas más y comprar. Ninguna de las tiendas que habríamos visitado en el recorrido tradicional recibió ni una sola visita por nuestra parte.
Lo que más me sorprendió, pensándolo después con la cabeza puesta en mi trabajo, no fue la comodidad del proceso —eso era esperable—, sino lo poco que eché de menos el recorrido anterior.
No sentí que me faltara información ni que la decisión fuera peor por haber saltado directamente a la comparación ya hecha. Y si a mí, que llevo años analizando precisamente estos comportamientos de forma profesional, me pareció una experiencia completa y satisfactoria, entendí que no había ninguna razón para pensar que la mayoría de compradores fuera a echar de menos ese recorrido tradicional tampoco.
Cuento esto no como una anécdota curiosa, sino porque llevo meses viendo el mismo patrón, multiplicado y contrastado, en las cuentas de ecommerce que gestionamos desde la agencia. Y creo que merece un artículo distinto al que ya escribimos sobre el impacto general de la IA en el tráfico de cualquier tipo de web, porque el comercio electrónico tiene una relación con el tráfico de búsqueda distinta a la de cualquier otro sector: buena parte de su modelo de negocio depende, todavía hoy, de captar tráfico en esa fase de comparación.
¿Cómo ha cambiado la conducta de búsqueda de quien va a comprar un producto?
Durante años, el comportamiento de búsqueda relacionado con la compra de un producto seguía un patrón bastante estable, que cualquier persona que haya trabajado en ecommerce reconocerá: una primera búsqueda amplia y exploratoria («mejores aspiradoras robot»), varias búsquedas de comparación más específicas («aspiradora robot X vs Y»), y finalmente una búsqueda transaccional muy concreta, casi siempre incluyendo el nombre exacto del modelo, cuando ya se ha decidido qué comprar.
La fase exploratoria y de comparación se está resolviendo dentro de la conversación
Lo que estamos observando es que las dos primeras fases de ese patrón —la exploratoria y la de comparación— se resuelven, con una frecuencia creciente, directamente dentro de una conversación con un asistente de IA, sin que el usuario necesite visitar ninguna web para completarlas. El usuario ya no busca «mejores aspiradoras robot» en un buscador para después abrir varios resultados; pregunta directamente y recibe ya la comparación hecha.
La fase transaccional se mantiene, pero cada vez llega más tarde en el proceso
La buena noticia, si se puede llamar así, es que la fase final —la búsqueda transaccional, cuando el usuario ya sabe qué quiere comprar y busca dónde hacerlo al mejor precio— se mantiene relativamente estable. La mala noticia es que una tienda que solo aparecía en las búsquedas de comparación pierde ahora una oportunidad de influencia que antes sí tenía.
Las reseñas y comparativas siguen importando, pero cambia quién las consume primero
Un matiz que me parece importante: las reseñas y comparativas de producto no han perdido valor, todo lo contrario. Lo que ha cambiado es que, con frecuencia, el primer «lector» de esas reseñas y comparativas ya no es la persona que va a comprar, sino el propio sistema de IA que sintetiza la respuesta a partir de ellas.
¿Qué está pasando con el tráfico orgánico del comercio electrónico?
A partir del seguimiento que hacemos en varias cuentas de ecommerce de distintos sectores —moda, electrónica de consumo, hogar, deporte—, el patrón que se repite con más consistencia no es una caída generalizada del tráfico, sino una erosión concentrada en un tipo concreto de página.
Las páginas de categoría amplia y de comparativas son las más afectadas
Las páginas que peor están evolucionando son las de contenido comparativo genérico —«mejores auriculares inalámbricos», «guía de compra de zapatillas de running»— y las páginas de categoría muy amplia, precisamente porque son el tipo de contenido que un sistema de IA generativa puede sintetizar y responder directamente sin que el usuario necesite visitarlas.
Las fichas de producto específicas resisten mejor
Las páginas de producto individual, sobre todo cuando el usuario ya busca un modelo concreto por su nombre, mantienen un comportamiento más estable. Esto tiene sentido: una vez que el usuario sabe exactamente qué quiere, necesita visitar una tienda real para comprobar precio, disponibilidad y condiciones de compra, algo que ningún asistente de IA resuelve todavía de forma autónoma en la mayoría de sectores.
El tráfico de marca se mantiene o incluso crece
Un hallazgo que no esperábamos, y que hemos confirmado en más de una cuenta, es que el tráfico de búsquedas que incluyen el nombre de la tienda o la marca se mantiene estable o incluso crece ligeramente en paralelo a la caída del tráfico de comparación genérica.
La explicación, aunque no puedo demostrarla de forma concluyente, es que parte de ese tráfico de marca proviene precisamente de usuarios que han sido dirigidos hacia esa tienda concreta por la recomendación de un asistente de IA, y que llegan a la web ya con el nombre de la marca en mente, buscándolo directamente en lugar de hacer clic en un enlace dentro de la respuesta.
El caso que mejor ilustra este cambio: la tienda de electrónica que perdía en comparativas pero ganaba clientes
Hay un cliente, una tienda especializada en electrónica de consumo de tamaño mediano, cuyo caso resume bien todo lo anterior. Durante el último año, su tráfico procedente de búsquedas de comparación —del tipo «mejor tablet para estudiantes»— cayó de forma sostenida, mes a mes, en una proporción que preocupó bastante al equipo la primera vez que lo vimos en el informe trimestral.
Al mismo tiempo, las búsquedas que incluían directamente el nombre de la tienda crecieron de forma notable, y las conversiones que llegaban buscando un modelo concreto de producto, sin haber pasado por ninguna página de compativas de la propia web, aumentaron en una proporción similar.
Al entrevistar a una muestra de clientes recientes, varios mencionaron espontáneamente haber consultado antes a un asistente de IA para decidir qué modelo comprar, y haber elegido esa tienda concreta porque el asistente la mencionó como una opción con buena reputación de servicio.
La lectura que hicimos juntos, y que sigo defendiendo con la prudencia de tratarse de un solo caso, fue que la tienda no estaba perdiendo clientes: estaba perdiendo en la fase de comparación como oportunidad de captar tráfico, mientras mantenía, o incluso mejoraba, su capacidad real de ser elegida en el momento de la decisión.
Es una distinción incómoda de explicar en un informe de marketing tradicional, porque los indicadores clásicos —sesiones de comparación, páginas vistas de categoría— mostraban un deterioro que no se correspondía con el comportamiento real del negocio.
Las nuevas fases del recorrido de compra con IA
A partir de esta y otras experiencias similares, hemos empezado a describir el recorrido de compra actual con un esquema distinto al embudo clásico de descubrimiento, consideración y conversión, que sigue siendo válido conceptualmente pero que necesita una capa adicional para explicar dónde ocurre cada fase.
Fase 1: la pregunta abierta al asistente
El recorrido empieza, cada vez con más frecuencia, con una pregunta conversacional a un asistente de IA, formulada de forma parecida a como se le preguntaría a un amigo o a un dependiente de confianza, en lugar de con las palabras clave sueltas típicas de un buscador tradicional.
Fase 2: la comparación sintetizada
El asistente devuelve una comparación ya elaborada, con un número reducido de opciones —en nuestra experiencia, casi siempre entre dos y cuatro—, apoyándose en fuentes que ha aprendido a considerar fiables para esa categoría de producto.
Fase 3: la verificación
El usuario, con la decisión de compra ya prácticamente tomada, visita una o dos webs para verificar precio, disponibilidad, opiniones recientes o condiciones de envío, pero ya no compara desde cero entre decenas de opciones.
Fase 4: la compra
La compra se produce, en la inmensa mayoría de los casos que hemos observado hasta ahora, en un canal controlado directamente por el usuario —su tienda de confianza habitual, un marketplace conocido—, aunque cabe esperar que esto cambie con la llegada de agentes capaces de ejecutar la compra de forma más autónoma, un terreno todavía incipiente que conviene seguir de cerca sin sacar conclusiones prematuras sobre su ritmo real de adopción.
Errores que veo repetirse en tiendas online frente a este cambio
- Seguir midiendo el éxito solo por tráfico de categoría o marca, ignorando que ese tráfico puede caer mientras el negocio real se mantiene o mejora, como en el caso de la tienda de electrónica que describía antes.
- Descuidar la estructura de datos del catálogo por considerarla una tarea puramente técnica sin relación directa con las ventas, cuando en realidad condiciona si un sistema de IA puede comparar correctamente el producto.
- Dejar reseñas antiguas o insuficientes sin ningún plan activo para generar nuevas, asumiendo que el volumen acumulado histórico sigue siendo suficiente.
- Diferencias de precio o disponibilidad entre canales por simple falta de sincronización, sin valorar el coste reputacional que esto tiene ahora frente a sistemas automatizados de comparación.
- Abandonar la inversión en contenido de comparación asumiendo que ya no sirve para nada, cuando en realidad sigue siendo la fuente que alimenta las respuestas de los sistemas de IA, aunque el destinatario inmediato de ese contenido haya cambiado.
¿Cómo se nota esto según la categoría de producto?
El patrón general que describo se repite en todos los sectores de ecommerce que gestionamos, pero con una intensidad muy distinta según el tipo de producto, y merece la pena matizarlo.
Electrónica de consumo: máxima exposición a la comparación por IA
Es, en nuestra experiencia, el sector donde el cambio se nota con más intensidad. Los productos electrónicos se prestan especialmente bien a una comparación de atributos técnicos objetivos —potencia, autonomía, especificaciones—, exactamente el tipo de información que un sistema de IA generativa puede sintetizar con más facilidad y precisión.
Moda: la comparación importa menos, la reputación de marca importa más
En moda, donde la decisión depende mucho de gusto personal y de la relación con una marca o estilo concreto, hemos visto un impacto menor en el tráfico de comparación pura, pero un peso creciente de las reseñas sobre tallaje, calidad de tejido y experiencia de compra, que sí alimentan las respuestas de los asistentes cuando el usuario pregunta por marcas fiables dentro de un estilo o nicho concreto.
Alimentación y gran consumo: impacto todavía limitado
En productos de compra recurrente y bajo compromiso de decisión, como alimentación o droguería, el impacto que hemos observado hasta ahora es más limitado: buena parte de estas compras siguen basándose en hábito y conveniencia más que en un proceso de comparación activa, aunque esto podría cambiar a medida que los asistentes de compra recurrente y las listas gestionadas por IA ganen adopción.
Productos de alta consideración: la conversación con IA se produce, pero se alarga en el tiempo
En categorías de compra poco frecuente y alto valor —muebles, electrodomésticos grandes, tecnología de gama alta—, observamos que la conversación con el asistente de IA ocurre igualmente, pero suele repetirse en varias sesiones a lo largo de días o semanas, con el usuario refinando su pregunta a medida que acota presupuesto y prioridades, antes de llegar a la fase de verificación final en una tienda concreta.
El ecommerce no está perdiendo clientes, está perdiendo trazabilidad
Vuelvo para cerrar, a la aspiradora robot con la que abría este artículo. Ese pequeño gesto de compra doméstica se repite hoy, multiplicado por millones, en categorías de producto de todo tipo: la decisión se toma cada vez más dentro de una conversación con un asistente de IA, y la tienda solo entra en escena para confirmar precio y completar la compra.
Esto no significa que el comercio electrónico esté perdiendo demanda; significa que una parte creciente de esa demanda se resuelve en un lugar donde la analítica tradicional no puede verla. Las tiendas que entiendan esta distinción —y que trabajen su estructura del catálogo, su reputación verificable y su consistencia de datos con la misma disciplina con la que durante años trabajaron su posicionamiento en buscadores— van a seguir siendo elegidas en las conversaciones que hoy deciden buena parte de las compras. Las que sigan midiendo el éxito solo por el tráfico de siempre corren el riesgo de diagnosticar mal un problema que, en realidad, es una oportunidad todavía sin resolver.
Preguntas frecuentes
¿Está cayendo el tráfico de todas las tiendas online por culpa de la IA?
No de forma generalizada. En nuestra experiencia, la caída se concentra en páginas de comparación genérica y de categoría amplia, mientras que las páginas de producto específico y el tráfico de marca se mantienen más estables, e incluso crecen en algunos casos.
¿Por qué mi tienda pierde tráfico de comparación pero no pierde ventas?
Porque la fase de comparación se está resolviendo, cada vez con más frecuencia, dentro de una conversación con un asistente de IA, sin que el usuario visite ninguna web para completarla. El usuario puede seguir comprando en tu tienda, pero sin generar el tráfico de comparación que antes sí registrabas.
¿Qué puede hacer una tienda online para seguir siendo recomendada por asistentes de IA?
Los factores más determinantes que hemos observado son: datos estructurados claros en el catálogo, reseñas verificables y actualizadas, consistencia de precio y disponibilidad entre canales, y contenido de comparación honesto y bien estructurado, aunque su destinatario inmediato ya no sea siempre una persona sino, con frecuencia, un sistema de IA.
¿Favorece este cambio a los grandes marketplaces frente a las tiendas propias?
Existe cierta ventaja estructural para los marketplaces grandes, por su mayor volumen de reseñas y consistencia de datos, pero no es una ventaja insalvable. Una tienda propia que trabaje bien la estructura de su catálogo y su reputación verificable puede seguir compitiendo en este terreno.
¿Debería reducir la inversión en publicidad de producto ante este cambio?
No lo recomendamos. La publicidad de producto sigue siendo eficaz en la fase transaccional final. La recomendación es complementarla con trabajo de estructura y reputación para ganar presencia en la fase de comparación, que la publicidad tradicional cubre cada vez peor.
¿Van a comprar los agentes de IA de forma autónoma en nombre de los usuarios?
Es un terreno todavía incipiente, y su ritmo real de adopción varía según el sector y el mercado. Conviene preparar la estructura de datos y las políticas comerciales del catálogo pensando en ello, sin asumir plazos concretos que todavía no están confirmados.
¿Afecta este cambio por igual a todas las categorías de producto?
No. En nuestra experiencia, el impacto es más intenso en electrónica de consumo, donde la comparación de atributos técnicos objetivos se presta muy bien a la síntesis por IA, y más limitado en categorías de compra recurrente y bajo compromiso, como alimentación o droguería.
¿Qué pesa más para que un sistema de IA recomiende un producto: la estructura técnica del catálogo o las reseñas?
En nuestra experiencia, ambas importan, pero las reseñas recientes y verificables han mostrado un impacto más consistente que la estructura técnica por sí sola. Lo ideal es trabajar ambos frentes en paralelo, sin asumir que uno compensa la ausencia del otro.
