Las compras con IA no se mueven tan rápido como creen las marcas

La IA se ha convertido rápidamente en parte del proceso de investigación de productos por parte de los consumidores. Adobe Analytics descubrió que el tráfico procedente de herramientas de IA generativa hacia sitios minoristas de EE. UU. creció un 693,4 % durante la temporada navideña de 2025 en comparación con el año anterior. Un año antes, Adobe constató que el 39 % de los consumidores estadounidenses encuestados ya había utilizado IA generativa para compras en línea, siendo la investigación de productos y las recomendaciones de los usos más frecuentes.

Las empresas tecnológicas detrás de estos sistemas han respondido incorporando la compra directamente en sus productos de IA. OpenAI ha desarrollado investigación de compras en ChatGPT para ayudar a los consumidores a comparar productos según sus necesidades, preferencias y presupuestos. Google utiliza IA para generar recomendaciones de productos e información de compra, mientras que Amazon ha ampliado su asistente de compras con IA para ayudar a los consumidores a investigar y seleccionar productos.

A medida que la IA asume un papel más amplio en el descubrimiento de productos, las marcas han comenzado a observar su presencia en estas recomendaciones con la intensidad que antes reservaban a los rankings de Google. Los mercadólogos hacen preguntas idénticas a los modelos de IA de forma repetida, registran qué marcas aparecen y siguen cómo cambian esos resultados.

Ese enfoque puede ofrecer a los mercadólogos una visión distorsionada de la rapidez con que realmente se mueve la compra mediante IA.

Si se le formula la misma pregunta a un modelo de IA diez veces, se pueden obtener diez combinaciones diferentes de productos. Una marca puede aparecer en primer lugar en una respuesta, en cuarto en la siguiente y desaparecer en otra. Si los mercadólogos interpretan cada respuesta como un ranking, esos resultados sugieren que su posición cambia constantemente.

Sin embargo, los modelos generativos introducen variación en sus respuestas, y los mercadólogos deben tener en cuenta esa variabilidad antes de concluir que una marca ha ganado o perdido terreno. La señal más útil proviene de los patrones que persisten a lo largo de un gran número de conversaciones de compra relevantes.

Los datos que recopilamos en aproximadamente 3.300 tendencias de recomendaciones de compra con IA, que involucraron 186 combinaciones de marcas, prompts y modelos de IA, ilustran la diferencia. Las respuestas individuales cambiaron con frecuencia, mientras que la distribución más amplia de recomendaciones se mantuvo mucho más constante.

Para los mercadólogos, la unidad de medida es tan importante como los propios datos.

Más consultas pueden hacer que la compra con IA parezca más volátil

Los rankings de búsqueda ofrecían a los mercadólogos una forma familiar de medir la visibilidad digital. Un resultado ocupaba una posición en un momento determinado, y los mercadólogos podían seguir esa posición frente a la de sus competidores.

Las recomendaciones de IA requieren un enfoque de medición diferente porque los sistemas generan respuestas en torno a la consulta y el contexto del consumidor. OpenAI, por ejemplo, explica que los resultados de compra de ChatGPT pueden tener en cuenta la consulta del usuario y la información contextual. Google, de manera similar, indica que sus resultados de compra pueden reflejar relevancia, términos de búsqueda, actividad previa y preferencias de compra.

Como resultado, un mercadólogo puede formular la misma pregunta general varias veces y ver aparecer diferentes productos.

Imagine una marca de zapatillas para correr que aparece en primer lugar en una respuesta, en cuarto en otra y no aparece en una tercera. Esas tres observaciones hacen que el desempeño de la marca parezca inestable. Sin embargo, a lo largo de cientos de conversaciones relevantes, la misma marca podría captar aproximadamente el mismo porcentaje de recomendaciones cada semana.

La distinción se vuelve importante a medida que los mercadólogos aumentan la frecuencia de su monitoreo. Ejecutar más consultas produce más observaciones, y más observaciones generan más oportunidades de observar la variación normal. Un panel de control puede, por tanto, parecer cada vez más activo aun cuando la distribución más amplia de recomendaciones cambie muy poco.

Los mercadólogos necesitan suficientes observaciones para determinar si ese movimiento persiste. Sin una muestra representativa, el monitoreo diario puede llevarlos a buscar explicaciones que tienen poco que ver con cambios en sus productos, marketing o posición competitiva.

Las consecuencias van más allá de los informes. La medición impulsa decisiones sobre dónde los mercadólogos invierten tiempo y dinero. Una empresa que interpreta cada fluctuación diaria como significativa puede cambiar repetidamente el contenido del producto, investigar a los competidores o redirigir recursos de marketing antes de contar con evidencia suficiente para justificar esas decisiones.

Los mercadólogos deben definir qué se considera significativo

La medición de la compra con IA necesita un umbral que indique a los mercadólogos cuándo un cambio merece investigación.

Una marca que desaparece de tres respuestas aporta poca evidencia sobre su desempeño general. Si la misma marca pierde cuota de recomendación en cientos de conversaciones de compra relevantes y esa disminución continúa durante varias semanas, los mercadólogos tienen una razón más sólida para investigar.

El tamaño de la muestra importa porque las respuestas individuales de IA contienen variabilidad. El tiempo importa porque los patrones persistentes brindan más información que los cambios aislados. Los mercadólogos deben determinar ambos antes de usar los datos de recomendación para tomar decisiones.

El modelo también importa.

Una marca puede ganar cuota de recomendación en ChatGPT mientras su desempeño en Gemini se mantiene estable. Los mercadólogos que combinan esas observaciones en una única puntuación de visibilidad de IA pueden perder información útil sobre dónde ocurrió el cambio.

Diferentes sistemas de compra con IA se basan en información distinta y operan a través de experiencias de producto diferentes. OpenAI afirma que su investigación de compra puede usar datos de productos de comerciantes, información de productos disponible públicamente y otras fuentes minoristas. Google dice que sus recomendaciones de productos impulsadas por IA se basan en datos de Shopping agregados de marcas, tiendas y otros proveedores de contenido.

Esas diferencias dan a los mercadólogos una razón para examinar los patrones de recomendación por modelo, en lugar de asumir que todos los sistemas de IA se moverán en la misma dirección al mismo tiempo.

Una línea base construida durante varias semanas puede proporcionar el punto de referencia. Los mercadólogos pueden entonces comparar nuevas observaciones con esa línea base e investigar los cambios que persisten en una muestra significativa.

La cuota de recomendación dice más a las marcas que el ranking

La cuota de recomendación ofrece una forma práctica de medir estos patrones. En lugar de registrar dónde apareció un producto en una respuesta, los mercadólogos pueden medir con qué frecuencia una marca obtiene una recomendación a lo largo de un conjunto representativo de preguntas relevantes de los consumidores.

Considere a un fabricante de zapatillas para correr. Sus productos pueden aparecer con frecuencia cuando los consumidores solicitan zapatos para entrenamiento de maratón y rara vez cuando preguntan por running de montaña. Esa diferencia indica a los mercadólogos algo útil sobre las necesidades que los sistemas de IA asocian con la marca.

Un ranking de una respuesta individual brinda mucho menos contexto. La diferencia entre aparecer en segundo y en quinto lugar puede desaparecer la próxima vez que alguien formule la pregunta. Una diferencia constante en la cuota de recomendación a lo largo de cientos de conversaciones brinda a los mercadólogos un patrón que pueden estudiar.

La cuota de recomendación también puede ayudar a los mercadólogos a identificar movimientos competitivos. Si una marca suele capturar el 30 % de las recomendaciones relevantes y comienza a capturar el 40 % durante varias semanas, los mercadólogos pueden rastrear de dónde provino ese aumento.

Pueden identificar qué preguntas de los consumidores contribuyeron más al aumento y qué modelos de IA lo produjeron. A partir de ahí, pueden analizar los cambios en la información disponible para esos sistemas.

Un producto nuevo puede coincidir más estrechamente con una necesidad específica del consumidor. Los minoristas pueden haber añadido información de producto más completa. Las reseñas de clientes o la cobertura independiente pueden proporcionar a los sistemas de IA evidencia adicional sobre cuándo un producto se ajusta a un caso de uso particular.

El objetivo de la medición debe ser alcanzar ese nivel de análisis. Los mercadólogos necesitan métricas que les ayuden a identificar cambios que puedan investigar, en lugar de métricas que simplemente produzcan más movimiento en un panel de control.

La compra con IA facilita confundir anécdotas con tendencias

La compra con IA fomenta la medición anecdótica porque las respuestas individuales constituyen evidencia persuasiva.

Una captura de pantalla que muestra un producto en la parte superior de una recomendación de ChatGPT puede circular por una empresa en minutos. Lo mismo ocurre con una captura que muestra a un competidor importante donde el propio producto de la empresa no aparece. Ambos ejemplos se perciben como concretos porque los empleados pueden ver la recomendación por sí mismos.

Una respuesta sigue representando una observación.

Este problema crecerá a medida que los consumidores dependan más de la IA durante la investigación de productos. Adobe descubrió que los consumidores que llegan a sitios minoristas desde fuentes de IA generativa navegaban más páginas y tenían tasas de rebote más bajas que los visitantes de otras fuentes de tráfico. McKinsey también ha documentado cómo los asistentes de IA generativa pueden involucrar a los consumidores antes en el recorrido de compra, antes de que hayan decidido qué adquirir.

Esa creciente influencia brinda a las marcas una razón sólida para comprender su posición en las recomendaciones de IA. También eleva el costo de extraer conclusiones a partir de evidencia débil.

Las marcas necesitan suficientes observaciones para establecer con qué frecuencia los sistemas de IA recomiendan sus productos, qué preguntas de los consumidores generan esas recomendaciones y cómo esos patrones se desarrollan con el tiempo. Una línea base brinda a los mercadólogos el contexto necesario para reconocer un movimiento sostenido.

Cuando los mercadólogos identifican ese movimiento, pueden investigar la información que los sistemas de IA utilizan para comprender sus productos. Pueden examinar la exactitud y completitud de las descripciones de productos, la información del minorista, reseñas y fuentes independientes, y luego determinar si esas fuentes proporcionan a los sistemas de IA evidencia suficiente para vincular un producto con las necesidades que expresan los consumidores.

El papel cada vez mayor de la IA en la compra hace que esta medición sea cada vez más importante. Los consumidores ya pueden usar IA para investigar productos, comparar opciones y reducir una decisión de compra antes de visitar siquiera el sitio web de un minorista.

Las marcas necesitan entender qué ocurre dentro de esas conversaciones, pero un mayor monitoreo no producirá automáticamente mejor información. El valor proviene de recopilar suficientes observaciones para separar la variación ordinaria de los patrones que persisten.

Las respuestas individuales de IA seguirán cambiando. Los mercadólogos deben esperar eso. Su atención debe centrarse en los patrones de recomendación que persisten el tiempo suficiente y en un número suficiente de conversaciones relevantes para justificar la acción.