GEO para e-commerce: cómo hacer que ChatGPT, Gemini y otras IAs recomienden tus productos

El comportamiento de compra en internet está cambiando a una velocidad que muchos e-commerce todavía no han asimilado.

Hasta hace poco, el viaje del usuario comenzaba invariablemente en la caja de búsqueda de Google. Alguien escribía «zapatillas trail running pronador», abría siete pestañas en su navegador, comparaba precios manualmente y navegaba por categorías repletas de filtros.

Hoy ese mismo usuario abre ChatGPT, Claude o Gemini y escribe algo mucho más complejo:

«Peso 84 kilos, tengo pisada pronadora, entreno tres días por semana en terrenos pedregosos y busco unas zapatillas con amortiguación media por menos de 140 euros. ¿Cuáles me recomiendas y dónde comprarlas?»

En cuestión de tres segundos, el modelo de inteligencia artificial no le entrega diez enlaces azules. Le presenta tres opciones concretas, razona los motivos de la elección, destaca pros y contras y enlaza a las tiendas donde adquirirlas.

Si tu catálogo no aparece en esa respuesta, para ese comprador simplemente no existes.

Aquí es donde entra en juego el GEO (Generative Engine Optimization) aplicado a tiendas online: la disciplina de estructurar tu catálogo, tus datos técnicos y la reputación de tu marca para convertirte en la fuente de verdad que los modelos de lenguaje citan y recomiendan cuando un usuario tiene intención transaccional.

Cómo razona una IA antes de recomendar un producto

Para lograr que un asistente generativo recomiende tus referencias, primero necesitas entender qué ocurre entre bambalinas cuando un usuario lanza una consulta de compra.

Los modelos como ChatGPT Search, Gemini o Claude no se limitan a buscar coincidencias exactas de palabras clave. Aplican un proceso denominado Query Fan-Out y descomposición de restricciones.

El modelo toma el prompt del usuario y lo fragmenta en múltiples variables operativas:

1. Restricciones excluyentes: Rango de precio máximo, tipo de pisada o compatibilidad técnica.
2. Atributos deseables: Nivel de amortiguación o durabilidad en terrenos técnicos.
3. Búsqueda y extracción RAG (Retrieval-Augmented Generation): Consulta índices web en tiempo real para localizar productos que satisfagan exactamente esa matriz de condiciones.
4. Validación de consenso y confianza: Cruza especificaciones de la ficha con opiniones de terceros para asegurarse de que no está recomendando un producto fraudulento o descatalogado.

Si tu ficha de producto se limita a una descripción poética redactada por el fabricante sin datos técnicos concretos, el sistema RAG la ignorará.

La IA necesita datos duros y verificables para justificar su recomendación al usuario.

La anatomía de una ficha de producto optimizada para GEO

El SEO tradicional nos acostumbró a rellenar las fichas con textos largos pensados para arañas de rastreo convencionales. En GEO, la densidad de texto vacío no solo no ayuda, sino que diluye la información crítica que busca el extractor de contexto del modelo.

Para que un LLM entienda tu producto a la primera, la estructura de la ficha debe organizarse en capas de datos directas.

Especificaciones técnicas estructuradas y sin ambigüedades

Los motores generativos procesan el código buscando patrones limpios de información. Las tablas HTML semánticas (<table>, <th>, <td>) funcionan francamente bien para los extractores RAG, pero no es obligatorio que utilices una tabla clásica.

Lo verdaderamente determinante no es la etiqueta HTML en sí (pueden ser listas de características, pares clave-valor o bloques técnicos), sino contar con un volumen sólido de datos específicos sobre el producto.

Atributo clave	Valor específico	Impacto en el filtrado por IA
Material principal	Ripstop impermeable 20k	Responde prompts de «resistente a lluvia intensa»
Peso exacto	290 gramos (talla 42)	Filtra búsquedas con restricción de peso
Tipo de uso	Trail técnico / media distancia	Permite al modelo segmentar por nivel de usuario
Compatibilidad	Fijaciones estándar ISO 5355	Vital para componentes y repuestos técnicos

Cuanto más granular y detallado esté cada atributo en tu ficha, mayor será la facilidad con la que el modelo de IA podrá emparejar tu producto con las restricciones que el usuario escribe en su prompt.

Casos de uso explícitos: para quién es y para quién NO es

Una de las tácticas más efectivas que aplico en auditorías de e-commerce es incluir bloques explícitos de idoneidad.

Los modelos de lenguaje tienen una obsesión algorítmica: evitar alucinaciones y recomendaciones erróneas que enfurezcan al usuario. Si tu ficha indica con total transparencia:

• Ideal para: Corredores de más de 80 kg que buscan estabilidad en tiradas largas por pista forestal.
• No recomendado para: Carreras rápidas de asfalto o competiciones de corta distancia.

Le estás dando al modelo el argumento perfecto para citarte con absoluta certeza cuando el perfil del comprador encaje con tu producto.

El marcado Schema como protocolo de confianza algorítmica

El marcado de datos estructurados con JSON-LD es el lenguaje nativo con el que dialogan los bots de IA (como GPTBot, ClaudeBot o Google-Extended).

Mientras que un visitante humano interpreta la interfaz visual, el bot de IA prioriza el bloque de datos estructurados para confirmar precio, moneda, disponibilidad en stock y políticas de envío.

Un esquema mínimo para GEO en e-commerce debe implementar el tipo Product con sus extensiones operativas:

{
  "@context": "https://schema.org/",
  "@type": "Product",
  "name": "Zapatilla Trail Running X-Trek Pro",
  "image": "https://tutienda.com/img/zapatilla-x-trek.webp",
  "description": "Zapatilla de trail running para corredores pesados con pisada pronadora.",
  "sku": "XTREK-PRO-01",
  "gtin13": "8470007514626",
  "brand": {
    "@type": "Brand",
    "name": "MarcaDeportiva"
  },
  "offers": {
    "@type": "Offer",
    "url": "https://tutienda.com/productos/zapatilla-x-trek",
    "priceCurrency": "EUR",
    "price": "129.95",
    "availability": "https://schema.org/InStock",
    "itemCondition": "https://schema.org/NewCondition",
    "hasMerchantReturnPolicy": {
      "@type": "MerchantReturnPolicy",
      "applicableCountry": "ES",
      "returnPolicyCategory": "https://schema.org/MerchantReturnFiniteReturnWindow",
      "merchantReturnDays": 30
    }
  }
}

La inclusión de identificadores globales normalizados como gtin13 o sku es obligatoria. Permite a los modelos unificar la entidad de tu producto con el conocimiento que ya tienen recopilado en sus bases de datos sobre ese mismo artículo en otros portales.

Caso real: la trampa de los widgets externos y las señales contradictorias

Mucho cuidado con las herramientas de terceros que integras en tu tienda. Este es un error grave que me encuentro con frecuencia en consultorías y que puede arruinar por completo tu visibilidad en IA.

Hace poco tiempo, auditando la tienda online de un cliente montada en PrestaShop, detectamos que sus fichas de producto habían dejado de aparecer en las respuestas generativas de compra, a pesar de tener un catálogo muy competitivo.

Al inspeccionar el código fuente y pasar el validador de Schema, descubrimos el culpable: la integración automática de un widget de reseñas externo (en este caso Trustpilot).

El widget estaba inyectando en la página un segundo bloque @type: Product completamente independiente del generado por el propio PrestaShop.

Y lo que es peor: los datos entre ambos bloques no coincidían en absoluto.

Fíjate en la contradicción técnica que recibía cualquier rastreador de IA:

1. Bloque 1 (generado por un módulo): Declaraba el código gtin13: 8470007514626 y un precio de oferta de 6,84 €, pero carecía de SKU y de marca vinculada.
2. Bloque 2 (inyectado por el widget externo): Declaraba un sku: 751462, la marca Boiron, pero fijaba un precio de 6,71 €, omitiendo por completo el identificador GTIN13.

Ponte por un instante en el lugar del algoritmo de ChatGPT o Gemini:

Te encuentras con una misma URL que afirma simultáneamente que el producto cuesta 6,84 € y 6,71 €, con identificadores de catálogo desconectados.

¿Qué hace el modelo ante esa discrepancia? Descartar la recomendación.

Los modelos de lenguaje penalizan severamente la inconsistencia de datos. Si una IA no puede garantizarle al usuario cuál es el precio verídico o si el stock corresponde a la referencia correcta, preferirá recomendar al competidor antes que arriesgarse a dar una cifra equivocada.

La solución en este caso fue contundente: desactivar la generación automática de Schema dentro del widget de reseñas y unificar todas las valoraciones (aggregateRating y review) anidadas dentro del único nodo canónico Product gestionado por el CMS.

Una entidad por página, con un solo precio y una única fuente de verdad.

Categorías transaccionales vs. Guías comparativas de compra

En el e-commerce tradicional, las páginas de categoría de nivel superior (/zapatillas-trail/) acumulaban la mayor parte del tráfico orgánico mediante una simple cuadrícula con 40 fotos de producto y paginación.

Para los modelos de lenguaje, una categoría compuesta únicamente por nombres y precios es un desierto semántico.

El usuario actual recurre a los asistentes de IA para resolver dilemas de elección: «¿Qué diferencia hay entre la suela Vibram Megagrip y la Contagrip en terreno húmedo?».

Si tu tienda solo tiene la rejilla de productos, la IA citará el blog de un portal especializado que sí explique la diferencia.

Para contrarrestar esto y ganar presencia en consultas informativas con alta intención de compra posterior:

1. Transforma tus categorías en hubs de decisión: Añade tablas comparativas directas entre las 3 o 4 familias de producto más populares de esa categoría.
2. Publica guías de compra desinteresadas: Artículos con estructura «Mejor X para Y» donde analices con honestidad técnica qué modelo resuelve cada necesidad concreta de usuario.
3. Enlaza internamente con anclas semánticas: Cuando menciones un modelo en una comparativa, acompáñalo de sus atributos clave en el texto circundante. La IA utiliza ese contexto para asociar el producto a su caso de uso óptimo.

Feeds de producto y el peso del consenso externo

Ganar visibilidad en los motores de inteligencia artificial exige mirar más allá del perímetro de tu propia web.

Por un lado, los motores generativos con capacidades de compra directa (como ChatGPT Search o Google AI Mode) se nutren masivamente de los feeds comerciales estructurados. Mantener sincronizados y sin errores tus catálogos en Google Merchant Center y Bing Merchant Center es el puente directo para que la IA disponga de tu stock y precio en tiempo real.

Pero hay un factor todavía más determinante: el consenso externo de marca.

Cuando un modelo de IA valora si citar tu tienda frente a un gigante del sector, realiza una comprobación de reputación cruzada:

• Plataformas de opiniones independientes: Qué valoración media y volumen de reseñas acumulas en portales de terceros (Trustpilot, Google Customer Reviews, foros especializados de tu nicho).
• Menciones de marca en medios sectoriales: Si revistas o blogs de referencia citan tu tienda como distribuidor oficial o recomiendan tu servicio de atención al cliente.
• Debates reales en comunidades: Las experiencias compartidas por usuarios en foros y Reddit sobre tus tiempos de entrega, políticas de devolución y embalaje.

Un e-commerce con un marcado técnico impecable pero con valoraciones externas pésimas sobre roturas de stock no será recomendado por la IA. El algoritmo busca proteger la experiencia del usuario final.

Cómo auditar hoy la presencia de tu e-commerce en modelos de IA

Para saber exactamente en qué punto se encuentra tu tienda frente a la búsqueda generativa, te recomiendo realizar un ejercicio de comprobación periódica en ChatGPT, Claude y Gemini utilizando tres niveles de consulta:

1. Prompt de problema técnico sin marca:
   «Tengo un presupuesto de [X] € para comprar [categoría de producto] pensada para [problema o uso específico]. ¿Qué modelos y qué tiendas online en España me recomiendas para adquirirlos?»
   Objetivo: Comprobar si el modelo conoce tus referencias y te lista como comercio sugerido.

2. Prompt de comparativa directa:
   «Compara el producto [Tu Modelo Estrella] con [Modelo Competidor]. ¿Cuáles son sus especificaciones clave y ventajas de cada uno?»
   Objetivo: Validar si la IA extrae con fidelidad tus datos técnicos o si comete alucinaciones con los precios o medidas.

3. Prompt de reputación y fiabilidad:
   «¿Qué tal es la tienda online [Nombre de tu marca] para comprar [categoría]? ¿Es fiable su política de devoluciones y soporte?»
   Objetivo: Identificar el sentimiento de marca que proyecta el modelo y corregir posibles vacíos de información o reseñas negativas no atendidas en la web abierta.

El GEO no sustituye al SEO tradicional: lo eleva.

Las tiendas online que traten su catálogo como una base de conocimiento rigurosa, limpia de contradicciones y orientada a resolver problemas reales serán las que acaparen las recomendaciones de compra en la era de los asistentes inteligentes.