Cómo eligen productos ChatGPT y Google AI Mode

Haz la misma pregunta de compra a ChatGPT y a Google AI Mode y muchas veces obtendrás dos respuestas distintas. Lo sabemos porque hicimos a los dos motores las mismas 100 preguntas de compra reales y solo nombraron exactamente el mismo producto principal el 38% de las veces. Con la misma frecuencia, eligieron una marca completamente distinta.

Después abrimos cada producto que recomendó cualquiera de los dos, 138 en total, y auditamos cada página campo por campo. Este informe recoge lo que encontramos: en qué se basa realmente la elección y lo que le cuesta a una marca que sus propios datos sean el motivo de que una respuesta salga mal.

Por qué lo analizamos ahora

En julio de 2026, Google lanzó sus primeros informes de visibilidad en AI Overviews y AI Mode. El detalle que nos llamó la atención fue dónde están: dentro de Google Merchant Center, el feed de productos, y no en Search Console. Las consultas se agrupan en tres etapas:

Que la elección sea ya lo bastante real como para que Google cree informes sobre ella, y que esos informes estén en el feed y no en Search, es el contexto de este estudio. Quisimos ver cómo funcionan de verdad las elecciones desde el lado del comprador: los dos motores, en las interfaces públicas que usan los compradores reales, con los 138 productos recomendados abiertos y auditados página por página.

El estudio, en seis cifras

Todo lo que contiene este informe parte de estas seis cifras. Las secciones siguientes muestran el trabajo que hay detrás de cada una.

Una nota sobre el método: los dos motores, en las interfaces públicas que usan de verdad los compradores, no llamadas a una API con versión fija. El método completo está en el apéndice, al final.

Que te recomienden no es un embudo. Son capas.

Es tentador dibujar las compras con IA como un tubo recto: entrar en la lista corta, ser leído, ser recomendado al comprador. No funciona así. Que aparezcas o no lo deciden tres capas de influencia, cada una con su propio ritmo; y que lo que se dice de ti sea cierto es otra cuestión distinta que está por debajo de las tres.

Dos de ellas son rápidas y totalmente tuyas: tu feed y tu página. La tercera, la presencia de marca, es una carrera de fondo, y es la razón honesta por la que un aspirante no superará de la noche a la mañana a la marca de referencia de su categoría. Nada de esto está fuera de tu alcance; simplemente va a ritmos distintos. Y la mayoría de las marcas ni siquiera han aprovechado las dos rápidas.

Los cuatro hallazgos siguientes miden los dos ejes: lo estable que es la elección y la frecuencia con la que la historia que se cuenta sobre el producto elegido está rota.

Hallazgo 1: haz la misma pregunta a dos IA y será como lanzar una moneda

Hicimos las mismas 100 preguntas a los dos motores. Solo nombraron exactamente el mismo producto principal el 38% de las veces. Con la misma frecuencia, acabaron en una marca completamente distinta.

¿Cómo se ve ese reparto en preguntas reales?

Una categoría con un buque insignia evidente lleva a los dos motores a la misma elección; una categoría saturada los separa, e incluso una marca compartida suele acabar en dos modelos distintos. La elección tampoco es necesariamente estable dentro de un mismo motor: en una comprobación repetida más pequeña, la misma pregunta a veces devolvía otra respuesta principal. Así que el 38% es una foto fija, no una cifra que una marca pueda intentar escalar, y por eso importa más saber dónde apareces realmente que perseguir una única puntuación de coincidencia.

Hallazgo 2: 17 productos fueron elegidos sin nada que una máquina pudiera leer

Revisamos los 138 productos recomendados en busca de datos de producto legibles por máquinas y después puntuamos cada página que pudimos descargar y analizar con una rúbrica de 15 puntos: precio, disponibilidad, GTIN, marca, valoraciones, reseñas, envío, devoluciones y más.

Primero comprobamos la explicación alternativa más obvia: que nuestra propia herramienta simplemente no viera los datos renderizados con JavaScript. Cada página bloqueada o sospechosa se volvió a revisar en un navegador real antes de contarla como cero. Los anuncios de un minorista parecían no tener schema en dos productos, pero un tercer producto de otra categoría del mismo minorista resultó estar completo, así que corregimos el dato en lugar de redondearlo: esto depende de la plantilla, no de toda la empresa.

Algo que no era la página metió a estos 17 productos en la carrera. Lo comprobamos: los 17 estaban en Google Shopping, la capa de feed de la que se sabe que tiran estos motores, 15 de ellos a través de la tienda propia de la marca. La página era invisible para las máquinas; el feed no. Los datos estructurados en la página no son la puerta para que te elijan; la presencia en el feed es una señal mucho más fuerte. La completitud de campos en las páginas con schema fue de media del 60%, más cerca del 50% si cuentas las páginas sin datos como cero.

Así que tu feed te mete en la lista corta. Los motivos habituales por los que un producto cae del feed, y cómo arreglar cada uno, están en la guía sobre productos rechazados en Merchant Center. Con qué frecuencia las tiendas dejan huecos en esos datos, de los títulos a las imágenes, está en mi informe de estadísticas de tiendas Shopify. Decir la verdad cuando alguien mira es otra tarea distinta. Los dos hallazgos siguientes muestran lo que pasa cuando nadie la hace.

Hallazgo 3: tres precios no coincidían con ningún anuncio real

Aparte de los datos que faltaban, algunos productos tenían datos que se contradecían. El schema de una silla gaming decía $1,099 y agotada, mientras que la página real la vendía a $579 y en stock. Una página tenía dos bloques para el mismo SKU, uno en stock y otro agotado. Los datos de una marca afirmaban que sus anuncios seguían siendo válidos hasta el año 3025. Lo que necesita un schema de producto limpio, y qué campos dejan fuera las tiendas, está en esta guía sobre el schema markup de producto.

Un patrón más extraño apareció dentro del propio panel de comparación de precios de la IA: cifras que no coincidían con ningún anuncio que pudiéramos encontrar, contrastadas con la página oficial y el schema de cada producto. El error no era del comerciante, y se daba en las dos direcciones.

Abrimos el propio panel de precios de la IA en 11 productos y nos hicimos una pregunta más sencilla: ¿el vendedor que destacaba era siquiera la opción más barata de su propia lista? En los 9 que tenían una comparación real entre varios vendedores, no lo era en 6 de ellos, con diferencias de hasta el 31%. La lectura honesta: un comprador que lee la respuesta de la IA y otro que lee tu propia página pueden recibir dos mensajes distintos de tus propios sistemas al mismo tiempo.

Hallazgo 4: la IA seguía vendiendo productos que nadie podía comprar

También encontramos recomendaciones muy seguras de productos que un comprador no podía comprar en realidad. La capa de recomendación va más rápido que la verdad que tiene debajo.

• Una recomendación principal con cero reseñas, sin precio publicado y sin ninguna forma operativa de comprarla.
• Un robot cortacésped recomendado como primera opción, descatalogado por su propio fabricante meses antes.
• Un cargador recomendado a compradores de EE. UU. que ya no se vende en EE. UU. en absoluto.
• Una tienda recomendada con un bloqueo geográfico tan estricto que la página de producto ni siquiera se abría desde la región del comprador.

¿Por qué pasa esto? Las señales de disponibilidad y de ciclo de vida son los campos más débiles de toda la capa de datos. Cuando se quedan desactualizadas, el callejón sin salida del comprador recae sobre tu marca, no sobre la IA.

Los dos motores no solo discrepan: se comportan de forma distinta

Por el camino, quedó claro que los dos motores compran de maneras visiblemente diferentes.

¿De dónde salían las recomendaciones? Registramos en qué se apoyaba cada respuesta:

La autoridad ganada hace que te citen; tu propia página se cita a su lado en la mayoría de las respuestas. Pero aquí está la trampa de medir todo esto por citas: la marca que se recomienda y la fuente que se cita normalmente no son la misma. Pide unas zapatillas de running para entrenar a diario y la respuesta es la ASICS Novablast 5, mientras que los chips de cita apuntan a RunRepeat, una web de reseñas, no a ASICS. Si midieras la visibilidad por citas concluirías que ASICS no aparece por ningún lado, lo cual es absurdo: es exactamente el producto que se le está mandando comprar al usuario. En casi todas las consultas se repitió el patrón: las citas se inclinaban hacia los medios, no hacia la página de la marca recomendada. Las citas son la sombra tardía de la presencia ganada, no su marcador.

Dónde encaja este estudio

Los trabajos independientes más sólidos sobre compras con IA apuntan en la misma dirección. Así se relaciona este estudio con ellos.

• Semrush y Peec AI rastrearon el carrusel de ChatGPT hasta Google Shopping: el producto elegido estaba entre los primeros resultados de Google Shopping aproximadamente entre el 75 y el 83% de las veces. Nosotros medimos la capa que ellos no midieron: lo que contienen las propias páginas recomendadas.
• Profound, en una muestra de ofertas de producto tomada durante un mes, encuentra la otra mitad de la misma historia: cerca del 88% de lo que ChatGPT cita realmente se sigue leyendo de la página de producto, no del feed. Por eso este informe trata el feed y la página como dos tareas distintas.
• Ahrefs siguió 1885 páginas que añadieron schema y no encontró ninguna mejora medible en las citas de IA después. Nuestros 17 productos sin schema, recomendados de todos modos, llevan a la misma conclusión desde la dirección contraria.

Lo nuevo de este estudio: una auditoría a nivel de campo de los productos exactos que recomendaron dos motores de IA, la tasa de coincidencia entre ambos ante la misma pregunta, casos verificados de precios citados por la IA que no corresponden a ningún anuncio real y un catálogo de productos recomendados que no se pueden comprar.

Para el lado del contenido de esta misma cuestión, es decir, por qué las páginas escritas con IA suelen jugar en contra en las búsquedas en lugar de construir la autoridad que hace que te citen, lee nuestro artículo complementario sobre por qué no deberías publicar artículos de blog escritos con IA.

Qué significa esto para tu marca y qué hacer al respecto

Ningún truco hace que un motor te elija, y las elecciones más importantes dependen de una presencia de marca construida durante años, no de una etiqueta de schema publicada esta semana. Ese es el ritmo lento, y es trabajo de verdad. Pero en el ritmo rápido las victorias son concretas y totalmente tuyas: tu feed decide si eres siquiera elegible, y tu página de producto decide lo que la IA lee, repite y vende en tu nombre. Ahora mismo, la mayoría de las páginas cuentan a las máquinas una historia rota, a medias o contradictoria.

Lo útil: cada fallo de este informe es un problema de datos que se puede arreglar.

• Sin datos legibles por máquinas (Hallazgo 2): hace falta publicar un schema de producto completo en la página.
• Markup contradictorio o duplicado (Hallazgo 3): hay que reducirlo a una única fuente fiable.
• Precios y monedas incorrectos (Hallazgo 3): hay que alinearlos con lo que la página vende de verdad.
• Productos agotados y descatalogados (Hallazgo 4): Google Shopping los rechaza y la IA los omite, así que hay que vigilar que se puedan comprar.
• GTIN que faltan: son la forma en que Google Shopping y la IA emparejan tus productos, es decir, la propia capa de la lista corta.

Estos son los que se pueden arreglar, y son exactamente lo que BrandyBee está diseñado para resolver. Apúntalo a tu tienda y la analiza en busca de estas carencias, puntúa lo preparada que está para la IA y las corrige: publica un schema de producto completo y sin contradicciones, reescribe las descripciones de producto escasas para convertirlas en textos que los motores de IA leen de verdad y diagnostica la salud de tu feed de Google Merchant Center. No se trata de hacer trampas para que te elijan, sino de que la IA entienda bien tus productos, para que lo que estos motores dicen de ti sea la verdad.

Descubre lo que le falta a tu tienda →

Apéndice: cómo se hizo el estudio

• Interfaces. La interfaz web pública de chatgpt.com y Google AI Mode, en Chrome de escritorio. Los modelos tal como se sirven a los compradores reales, no versiones fijas de la API.
• Sesiones. Todas las capturas se hicieron sin iniciar sesión, en sesiones anónimas: sin cuenta, sin historial, sin personalización. Las reproducciones clave, incluidos los casos de precios erróneos, se volvieron a confirmar en otra sesión nueva.
• Preguntas. 100 preguntas naturales del tipo "mejor [producto] para [necesidad]" en decenas de categorías.
• Auditoría. Una rúbrica de 15 campos sobre los datos estructurados de cada página de producto recomendada, con cada página accesible puntuada campo por campo. Primero descargas simples; las páginas bloqueadas o renderizadas con JavaScript se volvieron a verificar en un navegador real.
• Comprobación del feed. Cada uno de los 17 productos sin schema se buscó en Google Shopping para confirmar su presencia en el feed, una vista pública de la capa de feeds de los comerciantes, comprobada de forma independiente del sistema de recomendación.
• Estabilidad. Ejecuciones emparejadas de un motor frente al otro en las 100 preguntas. Un conjunto más pequeño de preguntas idénticas se repitió para medir cuánto cambia la elección principal entre una consulta y otra; aún queda pendiente una ronda de repeticiones más completa.