Las ofertas que tu tienda le grita a la IA no funcionan: auditamos 10 fichas peruanas y el 100% apuesta a la señal equivocada
Un agente de compra con IA no siente apuro. Un estudio de Bayes Business School y King's Business School publicado en Harvard Business Review (mayo de 2026) sometió a cuatro modelos de IA a miles de rondas de compra simulada: la escasez, la cuenta regresiva, los vales y el precio tachado no influyeron de forma fiable en su elección — y en varios casos la redujeron. Solo dos señales movieron al agente: la valoración en estrellas (a favor) y el precio (en contra). Con ese estándar auditamos las 10 fichas de producto activas de dos tiendas Shopify peruanas que gestionamos. Resultado: el 100% usa la señal que el agente ignora y el 0% tiene la que sí pondera.
¿Qué encontramos al auditar las 10 fichas?
La auditoría se hizo el 24 de agosto de 2026 leyendo lo que un agente lee: el catálogo vía API, no la página maquillada. Esto usa hoy una ficha peruana promedio para convencer:
| Señal en la ficha | Cuántas la usan | ¿Le importa al agente de compra? |
|---|---|---|
| Precio tachado ("antes S/ 169.90") | 10 de 10 | ❌ No influye de forma fiable; según el modelo, resta |
| Autoproclamarse "empresa #1" | 7 de 10 | ❌ Los modelos con más razonamiento descartan la autoafirmación sin sustento |
| Campaña estacional vencida (Semana Santa… en agosto) | 1 de 10 | ❌ Contradicción que resta confianza |
| Precio visible y correcto | 10 de 10 ✔ | ✅ Sí — una de las dos señales que pesan |
Valoraciones legibles por máquina (aggregateRating) | 0 de 10 | ✅ La señal que más sube la elección |
Ninguna de las dos tiendas hizo nada "mal": venden bien a humanos y sus clientas están contentas. El problema es que todo el arsenal de persuasión está calibrado para un comprador que se apura — y está entrando al mercado un comprador que no.
¿Qué demostró exactamente el estudio sobre los agentes de compra?
Los investigadores pusieron a cuatro modelos punteros de IA a elegir productos en cuatro categorías, repitiendo el experimento miles de veces con distintas tácticas de venta activadas. Tres hallazgos:
- Las tácticas de urgencia no funcionan con agentes. Escasez ("últimas unidades"), cuenta regresiva, precio tachado, vales y packs no aumentaron la probabilidad de elección de forma consistente — y en algunas combinaciones de modelo y categoría la redujeron.
- Dos señales sí movieron la aguja en todos los escenarios: la valoración en estrellas la sube; el precio alto la baja.
- Cada modelo se comporta distinto. Los autores recomiendan tratar a cada agente como un segmento de cliente aparte — igual que ya no se mide "la IA" en bloque, sino motor por motor.
⚠️ Para leerlo con honestidad: es un estudio de simulación, no de compras reales en el Perú. Lo que aporta no es una cifra de ventas: es la dirección de las señales. Y un dato complementario de EE.UU. (Locus) apunta en el mismo sentido: los compradores asistidos por IA son más del doble de propensos a probar marcas desconocidas — malo para la marca instalada, bueno para la marca nueva con la ficha bien hecha.
¿Por qué el precio tachado puede jugar en contra?
Para un humano, el tachado funciona como ancla: "estaba a 169.90, ahora a 109.90" hace ver barato el precio real. Para un modelo de IA es una afirmación no verificable — no puede comprobar que ese precio anterior existió — y los modelos con más capacidad de razonamiento tratan la presión explícita con escepticismo.
Con el "somos la empresa #1 a nivel nacional" pasa algo peor: además de no servirle al agente (autoafirmación sin fuente), en el Perú las afirmaciones de superioridad son publicidad comparativa que INDECOPI exige poder acreditar. Es decir: la frase no convence al comprador nuevo y sí crea un riesgo legal con el regulador. Doble motivo para reescribirla.
¿Qué es aggregateRating y por qué es la señal número 1?
Es la valoración de tus clientes escrita como campo de datos en el schema Product de la ficha — las estrellas que un motor puede leer, comparar y citar. En nuestra auditoría anterior medimos que una ficha peruana promedio solo es legible al 53% para una máquina, y este campo estaba vacío en las 10 fichas — no porque falten clientas contentas, sino porque las valoraciones viven en capturas de WhatsApp. Y una captura, igual que la prosa, no es un campo: para el agente que compara catálogos, esa tienda tiene cero reseñas.
¿Cómo auditar tu propia tienda en 10 minutos?
Los tres pasos, sin herramientas de pago:
- Tachados: en Shopify, exporta tus productos y mira la columna
compare_at_price. Si está llena en todo el catálogo, toda tu persuasión depende de una señal que el agente descarta. - Claims: busca "somos", "#1", "los mejores" en tus descripciones. Todo lo que no puedas acreditar con una fuente, réstalo.
- Estrellas: pasa una ficha por la Prueba de resultados enriquecidos de Google y busca
aggregateRatingen el resultado. Si no aparece, para los agentes tu tienda no tiene reseñas — tenga las que tenga en WhatsApp.
¿Qué hacer con lo que encuentres?
- Convierte reseñas reales en datos. Una app de reseñas que emita el schema en la ficha hace que cada clienta contenta trabaje para ti en cada comparación. La vía es pedirlas y sistematizarlas — jamás inventarlas: marcar valoraciones que no existen es la ruta directa a perder los resultados enriquecidos.
- Deja el precio siempre visible y competitivo. Los agentes leen el silencio como "no disponible", y el precio es la otra señal que sí procesan.
- Guarda la urgencia para el humano. El tachado y el "hoy termina" pueden seguir en la página para la visita de Instagram — pero que no contradigan los datos de la ficha, porque el agente compara ambas versiones.
- Completa la ficha. Material, envío, devolución y estado en campos de datos, no solo en prosa — es el 47% que le falta a la ficha peruana promedio.
Si vendes por catálogo y quieres saber cómo se ve tu tienda desde los ojos de un agente, eso es exactamente lo que revisamos en una auditoría, y lo que el servicio de posicionamiento GEO y la construcción de tiendas virtuales dejan resuelto de fábrica.
Preguntas frecuentes
¿Los agentes de IA ya compran en el Perú?
El pago automático dentro de los chats sigue restringido principalmente a EE.UU., pero el descubrimiento es global: los asistentes ya leen catálogos peruanos para recomendar (o descartar) productos, y el cliente cierra por el canal de siempre. La recomendación llega antes que el checkout.
¿Debo quitar los precios tachados de mi tienda?
No necesariamente: para el visitante humano siguen funcionando como ancla. El punto es no apostar el 100% de la persuasión a esa señal y sumar la que el agente sí lee: valoraciones reales marcadas como datos.
¿Puedo poner estrellas en el schema sin tener reseñas?
No. Marcar valoraciones inexistentes viola las políticas de datos estructurados de Google y es la vía rápida a perder los resultados enriquecidos de todo el sitio. Primero el sistema de reseñas, después el marcado.
¿Esto reemplaza al SEO clásico?
No: se suma. Las fichas con intención de compra siguen recibiendo el clic clásico de Google, y el mismo trabajo de datos correctos sirve para las dos audiencias — el buscador de hoy y el agente de mañana.