¿Cómo funciona el GEO para el e-commerce y las tiendas online?

«Best running shoes for flat feet under $150» ya no es una consulta de búsqueda: es una conversación, y el asistente responde con tres productos con nombre en lugar de diez enlaces azules. Los prompts de recomendación de producto son la clase de pregunta más comercial que tratan los motores de IA, y esa superficie crece rápido justo en ese terreno: la cuota de consultas comerciales que disparan AI Overviews de Google subió un 71% en los seis meses hasta abril de 2026 (Semrush).

La economía del clic cambió con ello. Cuando aparece un resumen de IA en los resultados de Google, los usuarios hacen clic en un resultado clásico en el 8% de las visitas frente al 15% sin resumen, y el 26% de esas sesiones termina sin ningún clic (Pew Research, julio de 2025). Para una tienda, eso significa que el momento de la decisión — qué tres productos se nombran — ocurre cada vez más dentro de la respuesta, antes de que nadie llegue a una página de listado.

La disciplina que apunta a ese momento lleva varios nombres — GEO (Generative Engine Optimization), AEO (Answer Engine Optimization), LLM SEO — y describen el mismo trabajo: hacer que sus productos sean lo bastante recuperables, citables y corroborados para que el asistente los recomiende. Usamos los términos de forma intercambiable; lo que importa es si su tienda está en la respuesta.

Los datos de citación son lo bastante concretos para basar un plan en ellos. Un análisis de 30 millones de fuentes citadas por la búsqueda con IA sitúa a G2 y Yelp en el sexto y el séptimo puesto entre todos los dominios citados: las plataformas de reseñas figuran casi en lo más alto de lo que los motores usan para las preguntas comerciales (Peec AI). En torno a ellas, las guías de compra, las recopilaciones de medios y los artículos comparativos sostienen las consultas de recomendación: el asistente quiere una fuente independiente que ya haya ordenado las opciones.

La sorpresa de los datos es cuánto pesa el contenido de las propias marcas. Un estudio de 379.321 citas de Claude en consultas de SaaS y tecnología atribuyó en torno al 64% a sitios de marca (Otterly, junio de 2026). Los motores no solo citan a quien reseña sus productos; citan sus páginas de producto de forma directa, siempre que las características, los precios y las afirmaciones estén enunciados de forma extraíble. Una tienda que trata sus propias páginas como fuentes de citación — y no solo como páginas de conversión — cubre las dos mitades del patrón.

La implicación táctica del estudio fundacional del GEO de Princeton se aplica de lleno al contenido de producto: añadir citas, estadísticas y referencias a una página elevó su visibilidad en las respuestas generativas hasta un 40%. Una guía de compra con afirmaciones medidas — pesos, horas de batería, plazos de devolución, fuentes de prueba con nombre — es mejor candidata a la cita que la misma guía escrita como prosa de marketing.

Un asistente que compone un «best under $150» necesita el precio, la disponibilidad y la característica diferenciadora como hechos extraíbles — no como fragmentos repartidos por un widget JavaScript hidratado. Los datos estructurados de producto (schema.org/Product con offers, price, availability y valoraciones agregadas) enuncian esos hechos en el formato que los sistemas de recuperación analizan con más fiabilidad, y las mismas afirmaciones deben aparecer también como texto visible en la página, porque la extracción trabaja sobre pasajes, no solo sobre marcado.

Las reglas de pasaje de nuestra guía de citas de ChatGPT pesan aquí todavía más, porque las consultas de producto encajan restricciones: «under $150», «for flat feet», «ships to Germany». Una página de producto que enuncia «weighs 240 g, drops 8 mm, costs $139, free returns within 30 days» en un solo bloque autónomo puede cruzarse con las restricciones del comprador; una página que dice «engineered for ultimate comfort» no. Destinos de envío, plazos de devolución y estado de stock son material de respuesta: trátelos como afirmaciones a publicar, no como letra pequeña.

El renderizado en el servidor sigue siendo el filtro binario: la recuperación descarga HTML y no espera de forma fiable a que un framework de tienda se hidrate. La comprobación que no cuesta nada es cargar la página de producto con JavaScript desactivado y confirmar que el precio, las características y la disponibilidad están en el marcado.

ChatGPT tiene ya una experiencia dedicada de descubrimiento de producto — navegación visual, comparación lado a lado, precios actuales — impulsada por el Agentic Commerce Protocol (ACP), que OpenAI amplió del checkout al descubrimiento en 2026. Los comerciantes entregan feeds de producto estructurados (título, descripción, URL, imagen, precio, disponibilidad) por subida de archivo o por API; los comerciantes de Shopify quedan integrados de forma automática a través de Shopify Catalog, y el alta del feed para el resto pasa hoy por un proceso de aprobación, no por un autoservicio abierto (OpenAI).

Dos cosas del estado actual conviene saberlas antes de basar el plan en ello. Primera: OpenAI ha dado marcha atrás en su Instant Checkout autónomo a favor del checkout del propio comerciante — el eje estratégico es el descubrimiento, y la compra se cierra en lo esencial en su sitio. Segunda: el feed no es la única puerta. La propia guía de OpenAI dice que las páginas de producto públicas pueden aparecer en los resultados de shopping de ChatGPT cuando OAI-SearchBot puede rastrearlas. El feed le da un registro de producto controlado y al día; la vía de la web abierta premia la misma estructura de página que el GEO construye de todos modos.

La secuencia práctica para la mayoría de las tiendas: arreglar primero el acceso de los rastreadores y la estructura de las páginas, porque eso alimenta a todos los motores — ChatGPT, Perplexity, Gemini, AI Overviews. Después añadir la vía del feed allí donde sea elegible (los comerciantes de Shopify y Etsy ya están en gran parte dentro), para que sus precios y su stock en ChatGPT salgan de sus propios datos y no de un rastreo que puede ir con retraso.

Los prompts de la fase de decisión — «Brand X vs Brand Y», «alternatives to X» — son donde las tiendas ganan o pierden las recomendaciones con nombre, y la mayoría se niega a publicar comparativas honestas que nombren a los competidores. Esa negativa es la oportunidad: cuando no existe una fuente mejor, el asistente arma la comparación a partir de quien sí publicó una. Una tienda que publica páginas comparativas con hechos, al nivel de las características, tiende a convertirse en la fuente de los prompts de decisión de su propia categoría.

Las tiendas transfronterizas añaden una dimensión lingüística que la mayoría de los consejos de GEO ignora: los asistentes responden a los compradores alemanes desde fuentes en alemán y a los franceses desde fuentes en francés, así que un catálogo traducido a máquina — o sin traducir — es invisible en la mitad de sus mercados. Vender en la lengua del comprador es ser citable en la lengua del comprador; construimos y medimos en nueve lenguas nativas precisamente por esto.

La medición sigue el método que aplicamos a todo: una batería fija de prompts de categoría, de producto y de comparación por mercado y por lengua, ejecutada en sesiones limpias sin iniciar sesión en ChatGPT, Perplexity y Gemini, medida como cuota de voz y tasa de citación frente a una línea base del primer día. Para una tienda, la batería se lee como un recorrido de compra — «best [category] for [use case]», «[product] vs [competitor]», «is [brand] legit» — y la línea base muestra en cuáles de esas respuestas aparece hoy, antes de que nadie le prometa nada.