Un modelo práctico para combinar Search Console, Merchant Center, analítica first-party, comprobaciones manuales y experimentos de datos de producto.
La visibilidad en AI Shopping ya es una tarea operativa para equipos ecommerce. Un producto puede aparecer en Google AI Mode, AI Overviews, Gemini, ChatGPT Search, Copilot, asistentes de marketplace o experiencias retail media. Cada superficie ofrece datos distintos: algunos informes son oficiales, otros solo dejan señales indirectas en referral, búsqueda de marca, comportamiento en PDP o encuestas posteriores a la compra.
Un modelo útil separa la evidencia fuerte de las señales direccionales. Search Console, Merchant Center, analítica first-party y comprobaciones manuales responden preguntas diferentes. Su valor aparece cuando se leen juntas y se conectan con experimentos concretos de datos de producto o contenido.
La primera capa es la elegibilidad técnica. Las páginas deben poder rastrearse, indexarse, generar snippet, recibir enlaces internos y mostrar información de producto visible. Google Search Central indica que los fundamentos SEO siguen siendo válidos para AI Overviews y AI Mode. No hace falta crear un archivo especial para IA ni un schema exclusivo para esas superficies.
La segunda capa es Search Console. En junio de 2026, Google lanzó informes Generative AI performance para una parte de las propiedades. El informe Search muestra impresiones en funcionalidades generativas de Google Search, incluidas AI Overviews y AI Mode, con dimensiones de página, país, dispositivo y fecha. Es una capa de visibilidad, no un sistema completo de atribución ecommerce.
La tercera capa es Merchant Center. El 27 de mayo de 2026, Google anunció AI performance insights para experiencias de compra con IA. El informe incluye share of voice, shopping funnel performance, product term insights y product attribute insights, con despliegue inicial en Estados Unidos, Canadá, Australia, India y Nueva Zelanda.
La cuarta capa es la analítica first-party. El merchant controla source, medium, referrer, landing page, PDP, add-to-cart, checkout start, order, currency, market, device, repeat visit y encuesta post-compra. El descubrimiento asistido por IA puede aparecer como direct, búsqueda de marca, referral genérico o visita posterior. Por eso esta capa sirve mejor para comparar cohortes y patrones de comportamiento.
La quinta capa son los controles manuales. El equipo necesita un prompt set estable para productos importantes: intención de categoría, problema, comparación, presupuesto, compatibilidad, envío y devoluciones. No es rank tracking perfecto, pero ayuda a detectar atributos faltantes, PDP débiles, lagunas de policy content y diferencias entre lo que dice la IA y lo que muestra el sitio DTC.
La sexta capa son los datos de producto estructurados. Product JSON-LD, atributos de Merchant Center, copy visible en PDP, imágenes, precio, stock, envío y devoluciones deben describir la misma oferta. La documentación de Product structured data de Google explica cómo los datos estructurados pueden hacer que los detalles de producto sean elegibles para experiencias Search más ricas. El anuncio de Merchant Center AI insights también subraya la importancia de atributos completos.
La séptima capa es el registro de experimentos. Sin registro, la revisión de visibilidad se convierte en una reunión de opiniones. Hay que anotar product scope, fecha, campos modificados, páginas modificadas, señal esperada y ventana de observación. Ejemplo: añadir material y compatibilidad a veinte productos el 12 de junio y revisar dos semanas después impresiones generativas, gaps de Merchant Center, notas de prompts manuales y engagement en PDP.
El Performance report estándar sigue siendo la base amplia de Web search. El informe Generative AI, cuando existe, permite ver por separado impresiones de funciones generativas compatibles. El primer paso es comprobar si la propiedad tiene acceso. Si no lo tiene, se documenta la ausencia y se usan tendencias Web search, landing pages y familias de queries como base más amplia.
El límite principal es que se trata sobre todo de impresiones. No entrega todos los prompts, sesiones, clics ni ingresos. Los experimentos Search Labs quedan fuera y siguen aplicando las limitaciones normales de Search Console. La pregunta semanal no es si el informe explica cada venta, sino si las páginas clave ganan o pierden visibilidad en features generativas soportadas y si el movimiento coincide con cambios de contenido o datos de producto.
Merchant Center importa porque la visibilidad de compra depende de la claridad de los hechos de producto. Product term insights puede revelar cómo pregunta el comprador. Product attribute insights puede mostrar especificaciones ausentes: color, material, estilo, talla, compatibilidad, envío o devoluciones.
La prioridad debe seguir el valor de negocio. Empieza con productos de alto revenue, categorías de margen alto, productos con demanda existente y páginas donde los atributos aumentan la confianza. Si AI insights todavía no está disponible, usa diagnostics, feed status, approval status, cobertura de atributos, calidad de title-description, configuración de shipping-return y consistencia de landing page como señales proxy.
Los informes externos rara vez explican lo que pasa después del clic. La analítica first-party debe guardar source, medium, referrer, landing page, PDP, add-to-cart, checkout start, order, currency, market, device, repeat visit y encuesta post-compra. Un descubrimiento influido por IA puede volver más tarde como direct o búsqueda de marca.
Foundax permite storefront analytics, desgloses por source, análisis de page y funnel, product analytics y sesiones analytics conectadas con order. Así se comparan visitantes de referrals cercanos a IA, búsqueda de marca, contenido, PDP y direct return. La pregunta importante es si al llegar encuentran datos de producto claros y avanzan hacia carrito y checkout.
Las comprobaciones manuales deben tratarse como investigación cualitativa. Mantén estables el prompt set, el mercado y el idioma siempre que sea posible. Registra si aparece la marca, si aparece el producto, qué atributos se mencionan, qué enlaces fuente aparecen y qué datos faltan o son incorrectos.
Un experimento sólido tiene una familia de producto, un problema del comprador, un grupo de campos y una ventana de revisión. Antes del cambio captura Search Console, Merchant Center, engagement PDP y notas manuales. Después lee las mismas capas. Varias señales en la misma dirección pesan más que un solo gráfico.
Foundax reúne entradas controlables en un mismo workflow: product records, SEO metadata, Product JSON-LD preview, sitemap, verificación Search Console, envío de sitemap, Merchant Center preflight, contenido multilingüe, Content Studio publishing y analítica first-party. La visibilidad en AI Shopping rara vez depende de un solo campo. Depende de la consistencia entre página, structured data, feed-page alignment, policy content y comportamiento posterior al clic.
El flujo práctico es elegir un product set, limpiar product facts, publicar PDP y contenido de soporte, validar structured data y Google workflows, enviar sitemap cuando corresponda y seguir Search Console, Merchant Center y first-party behavior.
Sí, cuando la propiedad tiene acceso al informe Generative AI performance. Sin acceso, el Performance report estándar sigue siendo la base Web search.
Google describe un despliegue gradual en países seleccionados. Sin acceso, diagnostics, feed health, approval status y attribute completeness siguen siendo señales útiles.
Sirve sobre todo para comparar cohortes, landing pages, comportamiento PDP, movimiento en funnel, repeat visits y encuestas.
Una revisión semanal basta para product sets activos. La revisión diaria tiene sentido durante un launch, una migration, un feed issue o un experimento grande.
Empieza por atributos que influyen en la confianza: material, talla, compatibilidad, precio, disponibilidad, envío, devoluciones, instrucciones de cuidado, casos de uso y FAQ de PDP.