La IA está reescribiendo fundamentalmente la forma en que opera la publicidad en retail, cambiando la industria de la búsqueda basada en palabras clave y las ubicaciones patrocinadas tradicionales hacia el descubrimiento basado en la intención impulsado por agentes de compras autónomos e interfaces conversacionales. Esta transformación representa algo más que una actualización incremental de los modelos publicitarios existentes: indica una completa re-imaginación de la forma en que los minoristas monetizan el descubrimiento, cómo las marcas llegan a los consumidores y cómo la información de los productos debe estructurarse para seguir siendo visible y competitiva en un mercado mediado por la IA.[1][2]
El cambio ya está en marcha. A medida que los consumidores delegan cada vez más las decisiones de compra a los agentes de IA y a las plataformas de comercio conversacional, la mecánica de la publicidad en retail se está viendo fundamentalmente alterada. Donde los listados de productos patrocinados una vez dominaron la publicidad del comercio electrónico, los minoristas se están preparando ahora para un futuro en el que la visibilidad dentro de los flujos de recomendación de la IA se convierta en el principal campo de batalla para la atención de la marca. Esto significa que la dinámica de las subastas de la publicidad en retail —los sistemas de pujas, las jerarquías de ubicación y los modelos de precios que han definido el espacio durante la última década— se están recalibrando para una era en la que el contexto, la intención y la relevancia conversacional importan más que la coincidencia de palabras clave o las tasas históricas de clics.[1]
El colapso del descubrimiento centrado en las palabras clave
La publicidad tradicional en retail se ha basado en una proposición relativamente sencilla: las marcas pujan por palabras clave, compiten por aparecer por encima o junto a los resultados de búsqueda y pagan cuando sus anuncios generan clics o conversiones. Este modelo ha generado un enorme valor para los minoristas: se prevé que el gasto en publicidad en retail en EE. UU. alcance los 60.000 millones de dólares en 2025 y supere los 100.000 millones de dólares en 2028, con un crecimiento cinco veces más rápido que el gasto total en publicidad digital.[2] Sin embargo, la hipótesis subyacente —que los consumidores buscan activamente productos utilizando términos específicos— está siendo cuestionada por el auge del comercio agencial.
Cuando un consumidor delega una decisión de compra a un agente de IA, ya no escribe palabras clave. En cambio, está expresando su intención a través de consultas en lenguaje natural, historiales de comportamiento y señales contextuales. Un agente de compras autónomo podría recibir una instrucción como «encuéntrame un portátil profesional adecuado para la edición de vídeo», procesar datos sobre el presupuesto del consumidor, los requisitos técnicos y las compras anteriores, y luego navegar de forma autónoma por los catálogos de los minoristas para identificar las opciones adecuadas. En este escenario, las pujas de palabras clave tradicionales se vuelven irrelevantes. Lo que importa en cambio es si los datos subyacentes de un producto —sus especificaciones, atributos, características de rendimiento— están estructurados de forma suficientemente rica para que la IA comprenda su relevancia para la intención del comprador.
Esto representa un profundo cambio en la forma en que la información del producto debe organizarse y mantenerse. Los minoristas y las marcas ya no pueden depender de listados de productos escasos con mínimos atributos. Los agentes de IA que hacen recomendaciones de compra en nombre de los consumidores necesitan datos de productos completos, precisos y contextualmente ricos para funcionar eficazmente. Esto significa que los feeds de productos, las estructuras de catálogos y los estándares de contenido se están convirtiendo en una infraestructura crítica no sólo para las operaciones de comercio electrónico, sino para la propia viabilidad de la publicidad en retail.
Publicidad en retail en la era agencial
El modelo de monetización de la publicidad en retail en un mercado agencial probablemente reflejará los patrones ya establecidos en otros entornos mediados por la IA. Así como las marcas pujan por la visibilidad dentro de los feeds de Google Shopping o las clasificaciones de los resultados de búsqueda, los minoristas finalmente permitirán a las marcas pujar por la prominencia dentro de los flujos de recomendación de los agentes de IA. Sin embargo, la naturaleza de estas ubicaciones diferirá significativamente de los modelos actuales de productos patrocinados.
En el panorama actual de la publicidad en retail, la visibilidad de una marca a menudo se correlaciona con el precio de la puja y las métricas de rendimiento histórico, como las tasas de clics y las tasas de conversión. En una era agencial, la visibilidad dependerá cada vez más de las señales de relevancia que los sistemas de IA pueden interpretar: la adecuación del producto al mercado para segmentos de clientes específicos, la precisión de los atributos del producto, las métricas de satisfacción del cliente, la disponibilidad de inventario y la alineación con las necesidades expresadas o inferidas del cliente.
Este cambio tiene profundas implicaciones en la forma en que los minoristas estructuran sus redes de medios y en la forma en que las marcas abordan la comercialización de productos. Una marca ya no puede simplemente superar a la competencia en la puja y garantizar la visibilidad. En cambio, debe asegurarse de que los datos de sus productos sean completos, precisos y estén optimizados para la interpretación de la IA. Esto introduce nuevas dimensiones de competencia en la publicidad en retail, no sólo una carrera por pujar más alto, sino una carrera por proporcionar la información del producto más fiable y ricamente atribuida.
El imperativo del contenido del producto
La base de una publicidad en retail eficaz en un mercado impulsado por la IA es la calidad y la integridad de los datos del producto. Los agentes de compras autónomos que hacen recomendaciones en nombre de los consumidores necesitan distinguir entre los productos basándose en cientos de atributos, especificaciones y señales contextuales. La generación del procesador de un portátil, la configuración de la RAM, la resolución de la pantalla, el peso, la duración de la batería, los términos de la garantía y la compatibilidad con software específicos son importantes cuando un agente está emparejando productos con la intención del cliente. También lo es la información sobre la sostenibilidad, la fabricación, la transparencia de la cadena de suministro y la reputación de la marca.
Esto crea una demanda sin precedentes de catálogos de productos ricos. Los minoristas y las marcas que históricamente han minimizado la inversión en contenido de productos —confiando en cambio en las opiniones de los consumidores, el contenido generado por los usuarios o las mínimas especificaciones del fabricante—, ahora se enfrentan a la presión de ampliar drásticamente la amplitud y la profundidad de su infraestructura de información de productos.
Las implicaciones se extienden a la gestión del catálogo y al mantenimiento del feed de productos. Donde los minoristas podrían haber tolerado en su día inconsistencias ocasionales de datos, atributos faltantes o actualizaciones retrasadas de la información del producto, un mercado mediado por la IA exige una precisión y una integridad casi perfectas. Un agente de compras autónomo que recomienda un producto con especificaciones inexactas o información crítica faltante daña no sólo esa transacción específica, sino que erosiona la confianza del consumidor en el propio agente, lo que conlleva consecuencias más amplias para el negocio de publicidad del minorista.
Del mismo modo, la velocidad a la que los minoristas pueden lanzar nuevos productos al mercado es cada vez más importante. En los modelos actuales de publicidad en retail, un nuevo producto puede lanzarse con una información mínima y ganar visibilidad a través de promociones de pago. En un mercado agencial, un nuevo feed de productos con datos incompletos o mal estructurados puede ser invisible para los sistemas de recomendación de la IA hasta que la información de su catálogo esté completamente madura. Esto crea presión para desarrollar procesos de incorporación de productos más rápidos y eficientes que carguen la calidad del contenido por adelantado en lugar de tratarla como una consideración posterior al lanzamiento.
Herramientas no-code y de IA en la infraestructura de contenido
La complejidad de la gestión de catálogos de productos ricos a escala ha impulsado la adopción de herramientas no-code y asistidas por IA en la gestión de contenidos de productos. Los minoristas y las marcas dependen cada vez más de la automatización para generar descripciones de productos, extraer y estandarizar atributos, traducir contenidos a múltiples idiomas y mantener la calidad de los datos en diversas categorías de productos y mercados globales.
La IA se está volviendo esencial para esta infraestructura de varias maneras. Las herramientas de IA generativa pueden acelerar la creación de descripciones de productos, especificaciones técnicas y textos de marketing adaptados a diferentes canales y audiencias. Los modelos de aprendizaje automático pueden identificar datos faltantes o inconsistentes en los feeds de productos, marcar posibles errores y sugerir correcciones. El procesamiento del lenguaje natural puede extraer atributos estructurados de contenido no estructurado, convirtiendo la información del producto en formatos estandarizados compatibles con varias plataformas de venta al por menor y publicidad.
El movimiento no-code ha democratizado el acceso a estas herramientas, lo que permite a los minoristas y marcas más pequeños gestionar catálogos de productos complejos sin construir una infraestructura de ingeniería de software personalizada. Esto es importante porque la barrera para la participación en un mercado de publicidad en retail agencial no debería ser la capacidad de invertir en tecnología personalizada. Las herramientas que abstraen la complejidad técnica —permitiendo a los equipos de merchandising y marketing gestionar los datos de los productos a través de interfaces visuales en lugar de código— hacen que sea factible que diversos minoristas y marcas cumplan los estándares de calidad de datos que exigen los agentes de IA.
Estandarización e interoperabilidad de datos
El cambio hacia el comercio agencial está creando una renovada presión para la estandarización de los datos de los productos. Cuando los agentes de IA operan en múltiples minoristas y plataformas, necesitan formas consistentes y predecibles de interpretar la información del producto. La resolución de la pantalla de un portátil necesita significar lo mismo, tanto si los datos proceden del sistema de catálogo propio de un minorista, de la plataforma de gestión de la información de productos de una marca o de un agregador de datos de terceros.
Esto está impulsando una renovada atención a los estándares de datos y a los marcos de esquema que han existido durante mucho tiempo en el comercio electrónico, pero que a menudo se han implementado de forma inconsistente. Estándares como el Número mundial de artículo comercial (GTIN), ICECAT y el marcado de datos estructurados (Schema.org) son cada vez menos opcionales y más esenciales. Los minoristas y las marcas que pueden estructurar de forma fiable los datos de sus productos de acuerdo con estándares ampliamente reconocidos obtienen ventajas en visibilidad dentro de los sistemas de IA, porque esos datos son más fáciles de interpretar y de confiar para los agentes de IA.
La implicación es que la participación en la publicidad en retail agencial probablemente requerirá la adhesión a estándares de datos más rigurosos de los que muchos minoristas y marcas mantienen actualmente. Esto representa una forma de presión de estandarización que opera de forma diferente a los requisitos reglamentarios: surge de la necesidad técnica en lugar de la obligación legal, pero probablemente resultará igual de trascendente.
El desafío operativo a corto plazo
Para los minoristas que gestionan esta transición, el desafío inmediato consiste en gestionar dos modelos de publicidad en retail simultáneamente. El modelo de colocación patrocinada basado en palabras clave y en búsquedas sigue siendo dominante y altamente rentable. Las redes de publicidad en retail construidas sobre productos patrocinados, marcas patrocinadas y publicidad display están generando importantes ingresos incrementales para los principales minoristas. Al mismo tiempo, los minoristas deben invertir en la infraestructura de datos de productos, la estandarización de catálogos y las interfaces agenciales que impulsarán la próxima generación de publicidad en retail.
Este doble modelo operativo crea desafíos de asignación de recursos. ¿Debe un minorista priorizar la optimización de su negocio de publicidad en retail existente, que actualmente genera miles de millones en ingresos, o invertir mucho en la infraestructura para un futuro agencial que sigue siendo parcialmente incierto? La respuesta, cada vez más, es ambas. Los minoristas no pueden permitirse descuidar el rendimiento actual de la publicidad en retail, pero tampoco pueden retrasar la inversión en los datos de los productos y la infraestructura de catálogos que requerirá el comercio agencial.
El calendario de esta transición es importante. Si el comercio agencial representa una parte material de las transacciones de comercio electrónico en un plazo de tres a cinco años —un escenario plausible dadas las tendencias actuales en la adopción por parte de los consumidores de las compras asistidas por IA—, entonces los minoristas que retrasen la inversión en la calidad de los catálogos y la estandarización de los datos se enfrentarán a una grave desventaja competitiva. Las marcas que empiecen ahora a invertir en datos de productos más ricos, atributos estandarizados e infraestructura de contenido compatible con la IA poseerán ventajas significativas a medida que evolucione la publicidad en retail.
Conclusión: Preparación y urgencia
La conversación del podcast que destaca esta transformación subraya un punto crítico para la industria del retail y el comercio electrónico: el cambio hacia el comercio agencial no es un escenario futuro lejano, sino una realidad emergente que exige una respuesta estratégica inmediata. Los minoristas deben empezar ahora a evaluar su infraestructura de datos de productos, a evaluar el cumplimiento de las normas de datos emergentes y a invertir en las herramientas y procesos que les permitirán competir en un panorama de publicidad en retail mediado por agentes de IA en lugar de búsquedas de palabras clave.
Esto no es simplemente una actualización tecnológica; es una remodelación fundamental de la relación entre los minoristas, las marcas y los consumidores en el comercio. Los minoristas y las marcas que se adapten rápidamente —que inviertan en contenido de productos, estandaricen sus datos y preparen su infraestructura para un mercado mediado por la IA— se situarán para prosperar. Los que se demoren corren el riesgo de verse marginados por competidores más ágiles a medida que el comercio agencial se generalice.
A medida que la industria pivota hacia el descubrimiento de productos impulsado por la IA, la calidad y la accesibilidad de los datos de los productos serán primordiales. En NotPIM, reconocemos este cambio y proporcionamos una solución no-code que simplifica la gestión de datos de productos. Nuestra plataforma permite a las empresas enriquecer, estandarizar y optimizar la información de los productos, garantizando que cumplan con las exigencias de los agentes de IA y sigan siendo competitivas en el panorama del comercio electrónico en evolución. Vemos una fuerte demanda de herramientas que ayuden a estructurar los datos de los productos, y NotPIM está diseñado para ofrecer precisamente eso.