¿Por qué los LLM necesitan datos diferentes a los humanos?

Los modelos lingüísticos no "escanean" páginas como los motores de búsqueda tradicionales: entienden el significado. La IA analiza la estructura de los datos, la verificabilidad de los hechos y las relaciones semánticas antes de decidirse a recomendar un producto en sus recomendaciones. Los comerciantes que no adapten sus fichas de producto a este nuevo paradigma se volverán invisibles para el creciente grupo de clientes que compran a través de los asistentes de IA.

Datos estructurados: una capa fundamental de comprensión

Producto Schema.org - norma mínima.

Cada ficha de producto debe incluir las etiquetas Esquema.org en formato JSON-LD. Esto ya no es una opción, sino un requisito para la visibilidad en AI.

Ejemplo de estructura completa:

  "@context": "https://schema.org/",
  "@type": "Product",
  "name": "Botas de trekking impermeables GoreTex Pro",
  "description": "Botas de trekking diseñadas para personas que se enfrentan a senderos de montaña exigentes en condiciones climáticas variables. La construcción GoreTex mantiene los pies secos durante el cruce de arroyos y lluvias repentinas, y la suela agresiva proporciona tracción en rocas sueltas y caminos embarrados. Ideales para expediciones de varios días, caminatas de un día en terreno alpino y para cualquiera que se niegue a dejar que el clima dicte los términos de su aventura. Adecuadas para temperaturas de hasta -20°C.",
  "sku": "TREK-2025-GT",
  "gtin": "5901234567890",
  "mpn": "GT-PRO-45",
  "brand": {
    "@type": "Brand",
    "name": "MountainTech"
  },
  "inLanguage": "es",
  "image": [
    "https://example.com/buty-trek-1x1.jpg",
    "https://example.com/buty-trek-4x3.jpg",
    "https://example.com/buty-trek-16x9.jpg"
  ],
  "offers": {
    "@type": "Offer",
    "url": "https://example.com/product/trekking-boots-goretex",
    "priceCurrency": "EUR",
    "price": "99.99",
    "priceValidUntil": "2025-12-31",
    "itemCondition": "https://schema.org/NewCondition",
    "availability": "https://schema.org/InStock",
    "shippingDetails": {
      "@type": "OfferShippingDetails",
      "shippingRate": {
        "@type": "MonetaryAmount",
        "value": "0",
        "currency": "EUR"
      },
      "deliveryTime": {
        "@type": "ShippingDeliveryTime",
        "handlingTime": {
          "@type": "QuantitativeValue",
          "minValue": 1,
          "maxValue": 2,
          "unitCode": "d"
        },
        "transitTime": {
          "@type": "QuantitativeValue",
          "minValue": 2,
          "maxValue": 3,
          "unitCode": "d"
        }
      }
    }
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "reviewCount": "347"
  },
  "additionalProperty": [
    {
      "@type": "PropertyValue",
      "name": "Material exterior",
      "value": "GoreTex Pro"
    },
    {
      "@type": "PropertyValue",
      "name": "Tipo de terreno",
      "value": "Montañas, senderos de gran altitud"
    },
    {
      "@type": "PropertyValue",
      "name": "Altura de la caña",
      "value": "Media (sobre el tobillo)"
    },
    {
      "@type": "PropertyValue",
      "name": "Aislamiento",
      "value": "Thinsulate 200g"
    }
  ]
}

Campos clave requeridos por ChatGPT Shopping

OpenAI define una especificación precisa de alimentación de productos con más de 100 atributos. Lo más importante para las tiendas polacas:

Campos obligatorios:

• id - un identificador único del producto (estable en el tiempo, máx. 100 caracteres);
• título - un máximo de 150 caracteres, sin mayúsculas;
• descripción - hasta 5.000 caracteres de texto sin formato (sin HTML);
• enlace - URL de la ficha de producto (preferiblemente HTTPS);
• precio - precio actual;
• disponibilidad - disponibilidad de existencias;
• activar_buscar - que controla la visibilidad en los resultados de ChatGPT;
• enable_checkout - permitir la compra directamente en ChatGPT

Campos recomendados para obtener ventajas:

• gtin o mpn - identificadores del fabricante (los GTIN tienen de 8 a 14 dígitos sin guiones);
• enlace_imagen - un mínimo de 3 variantes de imagen (1x1, 4x3, 16x9);
• tipo_producto - categoría jerárquica (por ejemplo, "Ropa > Mujer > Deportes > Pantalones de trekking");
• puntuación_popularidad - evaluar la popularidad del producto;
• tasa_de_retorno - tasa de retorno (recomendaciones de aumentos bajos);

ChatGPT acepta actualizaciones de feeds cada 15 minutos, lo que significa que los datos de precios o acciones desactualizados no tienen excusa.

Descripciones de productos: de las palabras clave al contexto semántico

Transformación de la descripción, antes y después.

Descripción tradicional (ineficaz para la IA):

Descripción optimizada para LLM:

Diferencias clave:

• Medidas concretas en lugar de generalidades.
• Grupo destinatario definido ("viajeros", "personas activas").
• Hechos verificables (aislamiento 24 horas, certificados).
• Casos de uso (bicicleta, mochila, trabajo).
• No hay superlativos de marketing sin datos.
  

Formulación del contexto: ¿quién?, ¿por qué?, ¿cuándo?

Las mejores descripciones responden a tres preguntas sobre IA

1. ¿A quién va dirigido este producto? - "Para padres de niños que no disponen de mucho tiempo a diario"
2. ¿Qué problema resuelve? - "mantiene el pie seco durante los cruces de arroyos y las lluvias repentinas"
3. ¿En qué condiciones funciona? - "expediciones de montaña de varios días, a temperaturas de hasta -20°C"

Añadir una sola frase que empiece por "Ideal para..." o "Creado con..." puede aumentar drásticamente la relevancia de las recomendaciones de la IA.

Características adicionales - atributos que determinan una ventaja

¿Por qué los campos opcionales no son opcionales?

La IA prefiere los productos con el máximo de datos completos. Mientras que la mayoría de los minoristas solo rellenan los campos obligatorios, los productos mejor clasificados incluyen todos los atributos adicionales posibles.

Ejemplo: Portátil para juegos

"additionalProperty": 
[
  {
    "@type": "PropertyValue",
    "name": "Sistema operativo",
    "value": "Windows 11 Pro"
  },
  {
    "@type": "PropertyValue",
    "name": "Procesador",
    "value": "Intel Core i9-13900K"
  },
  {
    "@type": "PropertyValue",
    "name": "Memoria RAM",
    "value": "32GB DDR5"
  },
  {
    "@type": "PropertyValue",
    "name": "Almacenamiento",
    "value": "2TB NVMe SSD"
  },
  {
    "@type": "PropertyValue",
    "name": "Tarjeta gráfica",
    "value": "NVIDIA RTX 4080 12GB"
  },
  {
    "@type": "PropertyValue",
    "name": "Autonomía",
    "value": "8 horas (uso de oficina)"
  },
  {
    "@type": "PropertyValue",
    "name": "Tasa de refresco",
    "value": "240Hz"
  },
  {
    "@type": "PropertyValue",
    "name": "Peso",
    "value": "2.4 kg"
  }
]

Cuando un cliente pregunta a AI "portátil con procesamiento de vídeo 4K y renderizado rápido", el sistema busca estas propiedades para hacer coincidir la consulta con el producto.

Categorías granulares en lugar de categorías generales.

Mal: "Ropa > Pantalones"

Bien: "Ropa > Mujer > Ropa deportiva > Pantalones de trekking > Con membrana impermeable"

La categorización granular reduce la ambigüedad y permite a la IA agrupar productos con equivalentes reales, no artículos vagamente relacionados. Esto también mejora las recomendaciones en las secciones de "productos similares" de plataformas de terceros.

Reseñas y valoraciones: señales de confianza para la IA

Estructura de AggregateRating + Review.

Los LLM se basan en gran medida en las reseñas para crear recomendaciones de compra. No basta con mostrar estrellas, hay que añadir etiquetas estructurales

{
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "reviewCount": "892",
    "bestRating": "5",
    "worstRating": "1"
  },
  "review": [
    {
      "@type": "Review",
      "reviewRating": {
        "@type": "Rating",
        "ratingValue": "5",
        "bestRating": "5"
      },
      "author": {
        "@type": "Person",
        "name": "Anna Kowalska"
      },
      "reviewBody": "Ideales para hacer trekking en los Tatras, mantuvieron el agua fría todo el día, incluso con clima caluroso. La construcción es sólida, sin fugas.",
      "datePublished": "2025-10-15"
    }
  ]
}

Buenas prácticas para las revisiones:

• Fomentar comentarios detallados de los clientes mencionando casos de uso.
• Utilice las etiquetas de "compra verificada".
• Evite duplicar el contenido de las reseñas entre plataformas (la IA detecta la redundancia).
• Prefiero las reseñas con lenguaje emocional y contexto: "Perfecto para senderismo - agua fría durante 8 horas".

Relaciones semánticas entre productos

Construir un gráfico de conocimiento del producto.

La IA no ve tu tienda como páginas aisladas, sino como una red de entidades relacionadas. Utiliza las propiedades de Schema.org para enlazar productos:

{
  "@type": "Product",
  "name": "Filtro de repuesto para la botella EcoSmart",
  "isAccessoryOrSparePartFor": {
    "@type": "Product",
    "name": "Botella térmica EcoSmart 750ml",
    "url": "https://example.com/butelka-ecosmart"
  }
}

Otras relaciones útiles:

• isRelatedTo - productos relacionados;
• isSimilarA - alternativas;
• isConsumablePara - consumibles;

Los enlaces internos contextuales refuerzan estas relaciones:

• "Encaja..."
• "Compatible con..."
• "Los clientes también compraron..."

Esto ayuda a la IA a construir una comprensión relacional entre los artículos del catálogo, aumentando la inclusión de "alternativas recomendadas" en los resúmenes

FAQ Schema: preparación para las consultas conversacionales

Estructuración de las preguntas más frecuentes.

Los LLM suelen generar recomendaciones basadas en intención expresada en lenguaje natural. Añadir esquema FAQPage para preguntas clave:

{
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "¿Es la botella apta para lavavajillas?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Sí, la botella EcoSmart es totalmente segura para lavar en el lavavajillas en la rejilla superior. Recomendamos quitar la junta antes de lavar para una mejor higiene."
      }
    },
    {
      "@type": "Question",
      "name": "¿Cuánto tiempo mantiene la temperatura?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "El aislamiento al vacío de doble pared mantiene las bebidas frías durante 24 horas o calientes durante 12 horas, confirmado por pruebas a 21°C de temperatura ambiente."
      }
    },
    {
      "@type": "Question",
      "name": "¿Cuál es la garantía?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "El producto está cubierto por una garantía del fabricante de por vida contra defectos de material y producción. El desgaste normal y los daños mecánicos no están cubiertos."
      }
    }
  ]
}

Preguntas a incluir:

• ¿Tiene certificaciones, es ecológico, etc.?
• ¿Cuánto tiempo lleva en funcionamiento?
• ¿Cuáles son las condiciones de la garantía?
• ¿A quién va dirigido?

Estas respuestas preparan el contenido para resúmenes por LLMmejorando la visibilidad en la búsqueda conversacional y por voz.

Datos transaccionales y logísticos

Plazos de entrega y condiciones de devolución.

Las consultas sobre IA suelen incluir contexto de compra: "envío rápido", "devoluciones gratuitas", "disponible en stock".

{
  "offers": {
    "@type": "Offer",
    "shippingDetails": {
      "@type": "OfferShippingDetails",
      "shippingRate": {
        "@type": "MonetaryAmount",
        "value": "0",
        "currency": "EUR"
      },
      "deliveryTime": {
        "@type": "ShippingDeliveryTime",
        "handlingTime": {
          "@type": "QuantitativeValue",
          "minValue": 1,
          "maxValue": 2,
          "unitCode": "d"
        },
        "transitTime": {
          "@type": "QuantitativeValue",
          "minValue": 2,
          "maxValue": 3,
          "unitCode": "d"
        }
      },
      "shippingDestination": {
        "@type": "DefinedRegion",
        "addressCountry": "ES"
      }
    },
    "hasMerchantReturnPolicy": {
      "@type": "MerchantReturnPolicy",
      "applicableCountry": "ES",
      "returnPolicyCategory": "https://schema.org/MerchantReturnFiniteReturnWindow",
      "merchantReturnDays": 30,
      "returnMethod": "https://schema.org/ReturnByMail",
      "returnFees": "https://schema.org/FreeReturn"
    }
  }
}

Campos clave:

• disponibilidad - disponibilidad (en stock, agotado, pedido anticipado);

• precioValidoHasta - validez del precio;

• shippingDetails - plazo de entrega;

• hasMerchantReturnPolicy - detalles de la devolución;

La desactualización de los datos sobre existencias y disponibilidad reduce la confianza de la IA y el potencial de las recomendaciones

Verificación y coherencia de los datos externos

Coherencia de entidades: la clave de la confianza en la IA.

La confianza en la inteligencia artificial se basa en la coherencia de los datos sobre quién o qué eres. Si la IA siempre reconoce tu marca, producto o empresa como la misma, añade enlaces "sameAs" a los perfiles oficiales:

{
  "@type": "Brand",
  "name": "EcoSmart",
  "sameAs": [
    "https://www.facebook.com/ecosmart.polska",
    "https://www.instagram.com/ecosmart_pl",
    "https://pl.linkedin.com/company/ecosmart"
  ]
}

Señales externas de confianza:

• Página web del fabricante.
• Perfiles sociales.
• Menciones en la prensa.
• Socios y contenidos de vídeo, por ejemplo, reseñas en Youtube.

Asegúrese de que los nombres de marca, los códigos SKU y las descripciones de los productos sean coherentes en todas las plataformas. Esto ayuda a la IA a entender sus productos como entidades validadas en el ecosistema del comercio electrónico en general.

La IA entiende el contexto de las conversaciones en línea

Automatización del contexto a escala: Reddit, Quora, Facebook.

En la era de la IA generativa, las marcas ya no necesitan adaptar manualmente sus contenidos a cada canal o comunidad. Automatización del contexto significa que la inteligencia artificial puede reconocer el tema de la conversación, el tono del debate y las intenciones de los usuarios, y ajustar automáticamente el mensaje de la marca para que encaje con naturalidad en la conversación.

En plataformas como Reddit, Quora o Facebook, donde se producen millones de hilos cada día, la IA analiza el contexto en tiempo real y ayuda a las marcas a aparecer allí donde su presencia tiene sentido. Esto garantiza que el contenido no sea aleatorio, sino relevante, coherente y creíble.

No es sólo la automatización de las publicaciones, sino automatización de la comprensión - una nueva fase de la comunicación en línea en la que la inteligencia artificial combina escala y autenticidad.

Lista de control práctica

Datos estructurales:

• JSON-LD Schema.org Producto en cada página.
• Campos completados: nombre, descripción, sku, marca, imagen, ofertas.
• GTIN o MPN para la identificación del producto.
• Un mínimo de 3 variantes de imagen (diferentes relaciones de aspecto).
• Esquema de AggregateRating y Review para las reseñas.

Descripción de los productos:

• Descripción de 200-500 palabras con casos de uso específicos.
• Grupo destinatario definido ("para quién").
• Especificaciones verificables (dimensiones, materiales, certificados).
• Escenarios de uso ("cuándo", "dónde").
• Evitar generalidades sin datos ("mejor", "prima").

Atributos adicionales:

• Todos los campos opcionales de additionalProperty rellenados.
• Categorización granular (mín. 4 niveles).
• Especificaciones técnicas en PropertyValue.

Relaciones y preguntas frecuentes:

• Productos relacionados por isRelatedTo, isAccessoryOrSparePartFor.
• FAQEsquema de página con 5-10 de las preguntas más frecuentes.
• Enlaces internos a productos complementarios.

Datos de la transacción:

• Disponibilidad y precio actuales (actualizados al menos una vez al día).
• EnvíoDetalles con plazos de entrega y plazos de entrega.
• MerchantReturnPolicy para la política de devoluciones.

Coherencia externa:

• SameAs enlaza con los perfiles oficiales de la marca.

El futuro: IA multimodal y búsqueda por voz

La optimización del LLM es la preparación para búsqueda multimodal - texto, voz, imagen. Los productos con descripciones enriquecidas, textos de imagen alternativos y preguntas frecuentes estructuradas están listos para

• Búsqueda visual (Google Lens, Pinterest).
• Asistentes de voz (Alexa, Google Assistant).
• Compras dentro de ChatGPT (Instant Checkout).
• Descubrimiento basado en IA en TikTok Shop, Instagram Shopping.

Un catálogo optimizado para LLM se convierte en un un conjunto de datos en los que la IA pueda confiar y recomendar en cualquier contexto de compra

Glosario

JSON-LD - un formato para registrar datos estructurados en el código de una página, que ayuda a los motores de búsqueda y a los modelos de IA a entender lo que representa el contenido (por ejemplo, producto, precio, reseñas).

Esquema.org - un estándar común de etiquetado de datos para motores de búsqueda (Google, Bing, Yahoo). Permite descripciones normalizadas de productos, artículos, eventos, etc.

LLM (Gran Modelo Lingüístico) - un gran modelo lingüístico, como ChatGPT o Gemini, que analiza y genera texto comprendiendo el contexto de las consultas de los usuarios.

Datos estructurales - información escrita de forma que los algoritmos puedan entenderla, por ejemplo, título del producto, precio, reseñas, disponibilidad.

IA Generativa - un sistema de inteligencia artificial capaz de crear nuevos contenidos: texto, imágenes, código o recomendaciones.

Compartir:

Copiar enlace