Identifique las oportunidades de crecimiento que merecen ser priorizadas en función de la demanda del mercado, el panorama competitivo, las propuestas de valor de la marca y las fuentes de citación.
Los Insights de rendimiento de IA de Google Merchant Center revelan la cuota de voz de la IA, las etapas de compra, los términos de los productos y las brechas de atributos. Esto es lo que las marcas deben hacer a continuación.
Explora más de 12,000 nichos de mercado sin necesidad de registrarte.
Actualizado por
Actualizado el Jul 22, 2026
Google Merchant Center ha comenzado a poner a disposición de los comercios los AI Performance Insights (Perspectivas de rendimiento de IA). Por primera vez, las marcas pueden utilizar un panel oficial de Google para visualizar qué necesidades de los consumidores cubren sus productos en los entornos de AI Mode, AI Overviews y Gemini, en qué etapa del proceso de compra se encuentran esas necesidades y cuánta exposición reciben frente a marcas similares.
Sin embargo, tras analizar el informe, me convencí aún más de una cosa:
El dato más valioso en la siguiente fase de la optimización para motores generativos (GEO, por sus siglas en inglés) no será cuántas veces la IA menciona a una marca. Será dónde se concentra la demanda del cliente y si la marca puede satisfacer realmente dicha demanda.
No hace mucho, escribí sobre cómo Google Search Console y Bing Webmaster Tools comenzaron a proporcionar datos relacionados con la búsqueda por IA.
Mi conclusión en ese momento fue que la GEO estaba pasando de ser un concepto nuevo, construido en gran medida sobre monitoreo de terceros y juicios de la industria, a una etapa en la que los datos oficiales de las plataformas podían validarlo.
Microsoft comenzó a reportar citas, mientras que Google Search Console empezó a reportar impresiones de IA. Como mínimo, esto demostró algo: la visibilidad de la marca y las citas dentro de respuestas generadas por IA se habían convertido en métricas que las plataformas de búsqueda estaban dispuestas a rastrear formalmente.
Esa serie de actualizaciones abordó principalmente la capa del sitio web y del contenido:
Ahora, Google ha dado un paso más.
Esta vez, los datos han llegado al Merchant Center, lo que significa que el enfoque se ha trasladado a la capa de producto y comercio electrónico.
Los AI Performance Insights de Google comienzan a mostrar a los comercios cómo descubren los consumidores sus productos a través de AI Mode, AI Overviews y Gemini, qué cuota de voz (Share of Voice) mantienen sus marcas frente a productos comparables, y qué términos y atributos de producto interesan más a los usuarios.
Esto no es simplemente otro informe más.
Representa el intento de Google de responder a una pregunta mucho más importante que si un producto recibió exposición o no:
¿Qué es lo que realmente les importa a los consumidores cuando compran a través de la IA?
Basándonos en las interfaces y explicaciones oficiales disponibles actualmente, los AI Performance Insights contienen cuatro categorías principales de datos.
La primera métrica es la cuota de voz de una marca dentro de las experiencias de compra de IA de Google.
En términos sencillos, estima cuánta exposición reciben una marca y sus productos para necesidades de compra relevantes, comparando luego esa exposición con marcas similares identificadas automáticamente por Google.
Figura 1: Ejemplo de AI Performance Insights en Google Merchant Center, que muestra la cuota de voz en IA de una marca y el promedio de marcas similares.
Esta métrica puede sonar similar al "Visibility Score" (puntuación de visibilidad) utilizado por muchas herramientas de GEO, pero existe una diferencia importante.
Las herramientas de GEO de terceros generalmente:
Definen un conjunto de prompts, consultan múltiples modelos de manera recurrente y calculan la frecuencia con la que aparece una marca.
Los datos de Google provienen de sus propios entornos de compra con IA, incluidos AI Mode, AI Overviews y Gemini. Por lo tanto, se acercan más a la exposición real dentro del ecosistema de Google, aunque no pueden medir el rendimiento fuera de dicho ecosistema.
Su valor no reside en reemplazar a todas las herramientas de monitoreo de terceros, sino en proporcionar a las marcas una línea base oficial.
Las marcas de comercio electrónico ahora pueden determinar con mayor confianza:
Mis productos no están apareciendo solo en un puñado de prompts de prueba. Han entrado genuinamente en el panorama de demanda de compras mediante IA de Google.
Sin embargo, la cuota de voz no debe interpretarse como cuota de mercado.
Google elige automáticamente las marcas de comparación y los comercios no pueden controlar totalmente el conjunto competitivo. El tamaño de la muestra, la categorización del producto y el alcance del reconocimiento de entidades de Google también pueden afectar el porcentaje.
Una cuota de voz del 100% no significa necesariamente que una marca haya monopolizado su categoría; una puntuación del 0% tampoco significa necesariamente que no tenga exposición alguna.
Esta métrica es más útil para identificar tendencias que como medida aislada del rendimiento empresarial.
Google también clasifica las consultas de compra por IA de acuerdo con el embudo de conversión (funnel):
Por ejemplo:
Figura 2: AI Performance Insights divide la demanda de compra en las etapas de Descubrimiento (Discovery), Evaluación (Evaluation) y Compra (Purchase).
Considero que esto es más valioso que medir únicamente la exposición de la IA.
En el pasado, muchos programas de monitoreo de GEO (Generative Engine Optimization) simplemente contabilizaban si una marca aparecía o no.
Sin embargo, aparecer en la respuesta a "¿Qué es un purificador de aire?" tiene un valor comercial muy distinto a aparecer en "¿Cuáles son los mejores purificadores de aire para hogares con mascotas?".
La primera consulta puede ser de carácter educativo. La segunda ya está cerca de una decisión de compra.
Sin distinguir la intención y la etapa de decisión, 100 menciones de marca pueden ser menos valiosas que 10 recomendaciones vinculadas a consultas con alta intención de compra.
Al colocar estos datos directamente dentro de Merchant Center, Google le está diciendo efectivamente a los comerciantes:
El Shopping basado en IA no debe juzgarse únicamente por la exposición total. Necesitas saber en qué parte del viaje de compra (purchase journey) ocurre esa exposición.
Google también proporciona Términos de Producto (Product Terms), los cuales son conceptos y expresiones que los consumidores utilizan frecuentemente durante las compras asistidas por IA.
Esto requiere una interpretación cuidadosa.
Google no está proporcionando una lista completa de prompts en bruto. Está ofreciendo términos de producto y tipos de consulta agregados.
Esta estructura se ajusta a la naturaleza de la búsqueda mediante IA.
En la búsqueda tradicional, una palabra clave (keyword) puede ser muy corta:
zapatillas de runningUn usuario de IA, en su lugar, puede preguntar:
Corro cuatro veces por semana, soy más pesado que el promedio y mis rodillas suelen sentirse incómodas. ¿Existen zapatillas de running con mejor amortiguación para carreras de larga distancia y ritmo suave?
Esa única pregunta contiene múltiples dimensiones:
Si esta consulta se desglosara utilizando un informe de palabras clave tradicional, los datos quedarían fragmentados.
Sin embargo, desde la perspectiva de la intención del consumidor, la demanda central es clara:
Zapatillas de running de larga distancia con buena amortiguación para corredores más pesados con molestias en las rodillas.
En lugar de entregar a los comerciantes cada prompt largo individualmente, Google agrega estas consultas en temas de demanda, términos de producto y etapas de compra más manejables.
El análisis de la industria sobre este informe ha llegado a una conclusión similar: hay más datos disponibles, pero los comerciantes aún no pueden ver el viaje completo de consulta, clic y conversión en bruto.
Esta es una señal importante para la industria de GEO.
La unidad de análisis más valiosa en el futuro puede no ser un prompt aislado. Podría ser:
Un clúster de consultas redactadas de forma diferente impulsadas por la misma intención subyacente del cliente.
La cuarta categoría cubre los atributos del producto que interesan a los usuarios y si esos atributos faltan en los datos de producto de una marca.
Los usuarios pueden preguntar frecuentemente sobre:
Supongamos que los consumidores preguntan repetidamente si un producto es adecuado para uso en exteriores, pero el feed de productos, los datos estructurados y la página del producto nunca describen su entorno de uso. Google tendrá dificultades para determinar si el producto debe ser recomendado.
Google Merchant Center siempre ha dependido de los datos de producto enviados por los comerciantes para emparejar productos con consultas relevantes. Google también ha enfatizado constantemente que una información de producto precisa y completa afecta directamente si los productos pueden mostrarse correctamente.
En el pasado, los comerciantes optimizaban los feeds principalmente para Shopping Ads y listados de producto gratuitos.
Ahora, esos mismos campos también están empezando a influir en el descubrimiento de productos en el Modo IA, AI Overviews (Resúmenes de IA) y Gemini.
El rol del feed de productos está cambiando:
Ya no es solo una fuente de datos para publicidad. Se está convirtiendo en el lenguaje fundamental que utiliza la IA para entender un producto.
La parte más subestimada de esta actualización no es que Google haya introducido el Share of Voice (Cuota de voz). Es cómo Google ha decidido organizar los datos.
Google no simplemente ha entregado a los comerciantes una lista de palabras clave para IA.
En su lugar, el informe de AI Shopping está organizado en torno a:
¿Por qué?
Porque los usuarios de IA no utilizan de forma consistente un conjunto pequeño y fijo de palabras clave.
La misma necesidad puede expresarse de docenas de maneras.
Por ejemplo, un usuario que busca comprar un purificador de aire para una casa pequeña podría preguntar:
Estas preguntas parecen completamente diferentes a nivel de oración.
Sin embargo, desde una perspectiva de demanda comercial, pueden pertenecer a unos pocos grupos de intención estables:
Lo que realmente influye en las recomendaciones de IA no es si una marca cubre por casualidad un prompt exacto, sino si:
La información del producto y los activos de contenido de la marca cubren de manera integral las estructuras de demanda recurrentes que los clientes utilizan al tomar decisiones.
Es por esto que he creído durante mucho tiempo que medir la GEO con solo unas pocas docenas de prompts predefinidos crea una falsa sensación de certeza.
Una empresa puede seleccionar cuidadosamente 100 preguntas e informar que la visibilidad de la marca aumentó un 20%.
Pero si esas preguntas no representan lo que realmente les importa a los clientes, o si omiten escenarios de compra de alto valor, el aumento del 20% significa muy poco.
Google también se está alejando de las consultas aisladas para dirigirse hacia la demanda y la intención agregadas.
Observando la evolución de los datos oficiales de la plataforma, Google está comenzando a completar tres capas.
La primera capa es Search Console, que informa de las impresiones del contenido del sitio web en las funciones de búsqueda por IA.
La segunda capa es Merchant Center, que informa sobre la cuota de voz (Share of Voice) del producto, las etapas de compra, los términos de producto y la demanda de atributos en los escenarios de Google Shopping con IA.
La tercera capa son Google Ads y Merchant Center, que continúan conectando feeds de productos, publicidad y datos de transacciones.
Aun así, las brechas más importantes persisten.
Actualmente, los comerciantes ven términos agregados y tipos de consulta, no un registro completo prompt por prompt.
Una marca puede saber que un producto recibió exposición mediante IA, pero es posible que no sepa cuántos clics generó una clase específica de consultas de IA.
Todavía no existe una cadena de atribución completa a nivel de consulta que conecte:
El informe puede mostrar el resultado, pero puede no explicar completamente si:
El informe responde principalmente a:
¿Ha entrado la marca en una categoría particular de demanda dentro de Google AI Shopping?
Pero aún no responde completamente a:
¿Por qué apareció la marca, por qué estuvo ausente y cómo se puede mejorar sistemáticamente la probabilidad de aparecer?
La cobertura de la industria ha resumido la actualización con precisión: los datos de búsqueda de IA de Google se están expandiendo, pero siguen existiendo brechas importantes en cuanto a clics, consultas exactas, conjuntos competitivos y atribución de conversiones.
Tener más informes oficiales no elimina automáticamente el valor de las herramientas de terceros.
Sin embargo, los productos que dependen únicamente de un proceso de "definir prompts, preguntar repetidamente, calcular la tasa de mención" se verán cada vez más limitados.
Google ya puede decir a los comerciantes:
Si un producto de terceros todavía informa solo:
Su marca apareció en 13 de 50 prompts.
Eso claramente no es suficiente.
Los productos de GEO de terceros necesitarán ofrecer al menos tres cosas que los datos oficiales de la plataforma aún no pueden proporcionar.
Google solo puede explicar el ecosistema de Google.
Las marcas aún necesitan comprender su rendimiento en ChatGPT, Perplexity, Copilot, Claude y otros puntos de entrada de IA.
Cada plataforma tiene diferentes fuentes de datos, mecanismos de citación, catálogos de productos y lógica de recomendación.
Las plataformas oficiales solo muestran los datos que recopilan y agregan.
Las marcas aún necesitan una estructura completa de la demanda de la industria, que incluya:
El valor real del negocio no proviene de decirle a una marca: "No apareciste".
Proviene de explicar:
A medida que los datos oficiales maduran, las herramientas de terceros deben evolucionar de sistemas de monitoreo a sistemas de análisis y toma de decisiones.
No recomiendo responder a esta actualización persiguiendo de inmediato otro número de "Cuota de Voz" (Share of Voice) en IA.
Un enfoque más práctico es revisar cuatro áreas primero.
Muchas marcas de comercio electrónico independientes proporcionan solo la información más básica en sus feeds de Merchant Center:
Pero las preguntas que los consumidores hacen a través de la IA son mucho más complejas.
Preguntan:
Si esta información solo existe en el conocimiento del equipo de atención al cliente, o está dispersa en imágenes sin aparecer en el feed, en los datos estructurados o en páginas de producto rastreables, a la IA le costará comprender el producto con precisión.
Muchas páginas de producto de marca se ven atractivas, pero su contenido consiste principalmente en:
Este tipo de página puede funcionar para alguien que ya ha decidido comprar, pero es poco adecuada para ayudar a la IA a responder preguntas complejas.
Una página de producto que sea más fácil de entender y recomendar para la IA debería explicar claramente:
Las marcas están acostumbradas a crear contenido sobre nombres de productos:
Los usuarios de AI Shopping expresan sus necesidades con mayor frecuencia a través de escenarios:
La estructura de contenido del futuro necesita expandirse desde un catálogo de productos hacia un catálogo de decisiones del cliente.
Los "AI Performance Insights" no pueden probar el crecimiento de los ingresos por sí solos.
Un enfoque más razonable es combinar:
Solo entonces puede una marca evaluar:
La mayoría de los primeros productos de GEO (Generative Engine Optimization) comenzaron con el monitoreo de prompts.
Un cliente ingresaba una serie de preguntas, la herramienta consultaba los modelos de IA de forma programada y el sistema registraba si la marca aparecía, en qué posición se clasificaba y qué fuentes eran citadas.
Eso fue valioso en la etapa inicial de la industria, porque las marcas primero necesitaban saber si aparecían o no en las respuestas generadas por IA.
Sin embargo, las limitaciones se han vuelto cada vez más obvias:
Dageno está pasando de un monitoreo limitado de prompts hacia una cobertura integral de la intención de la industria.
Estamos menos interesados en:
¿Cuántas veces apareció la marca en estas 100 preguntas predefinidas?
Estamos más interesados en:
En toda la industria, ¿en qué escenarios plantean preguntas los usuarios? ¿A qué etapas de compra pertenecen esas necesidades? ¿Qué demandas ya han sido captadas por la competencia? ¿En qué clústeres de intención está la marca totalmente ausente? ¿Esa ausencia se debe a la información del producto, la estructura del contenido, las fuentes de confianza o el reconocimiento de marca?
El informe de Google también organiza los datos de IA en torno a las etapas de compra, los términos de productos, los tipos de consultas y los atributos de los productos.
Esto se alinea con nuestra visión sobre hacia dónde se dirige la industria:
La unidad fundamental de la búsqueda mediante IA no seguirá siendo un prompt individual. Se convertirá gradualmente en una intención de usuario agregada y en un escenario de toma de decisiones.
Google puede proporcionar datos de su propio ecosistema.
Dageno necesita añadir cobertura multiplataforma, inteligencia de demanda a nivel industrial y explicaciones causales.
El objetivo no es ofrecer a los clientes otra captura de pantalla que muestre que "la visibilidad de la IA aumentó un 10 %".
El objetivo es ayudar a las marcas a construir un nuevo mapa de demanda del mercado que responda a:
El lanzamiento de AI Performance Insights en Google Merchant Center es una actualización importante.
Por primera vez, las marcas de comercio electrónico pueden utilizar un panel oficial para ver la cuota de exposición de sus productos en Google AI Shopping, las etapas de compra asociadas a esa exposición, los términos de productos que interesan a los usuarios y las brechas en los atributos de los productos.
Pero el significado más importante de esta actualización no es que Google haya añadido otra métrica de visibilidad de IA.
Es que Google reconoce públicamente:
La competencia en AI Shopping no trata simplemente de si un producto ha sido indexado. Se trata de si el producto puede coincidir con la demanda real oculta detrás del lenguaje natural del usuario.
En el pasado, los comerciantes optimizaban los títulos y los feeds en torno a palabras clave.
A continuación, las marcas deberán reorganizar todo su sistema de información de productos en torno a audiencias, escenarios, atributos, problemas y etapas de compra.
Esto también significa que la GEO (Generative Engine Optimization) se parecerá cada vez más a una disciplina de crecimiento formal, en lugar de a un concepto nuevo que demuestra su valor a través de prompts manuales.
El ciclo de datos aún está incompleto.
Persisten brechas importantes en torno a los prompts exactos, los clics, la lógica de recomendación y la atribución de pedidos.
Pero el número de paneles de control está creciendo.
La siguiente etapa no la ganará la primera marca que compre una herramienta de visibilidad de IA. La ganará la marca que conecte primero la demanda de la industria, los datos de productos, los activos de contenido y las métricas de rendimiento oficiales.
Los usuarios ya están tomando decisiones de compra a través de la IA.
Por lo que las marcas necesitan competir no es simplemente por una impresión más.
Es por el derecho a ser incluidas en la respuesta final del usuario.
Actualizado por
Tim
Tim is the co-founder of Dageno and a serial AI SaaS entrepreneur, focused on data-driven growth systems. He has led multiple AI SaaS products from early concept to production, with hands-on experience across product strategy, data pipelines, and AI-powered search optimization. At Dageno, Tim works on building practical GEO and AI visibility solutions that help brands understand how generative models retrieve, rank, and cite information across modern search and discovery platforms.
