Vender vía IA, reorientar una estrategia de producto sobre pruebas y no sobre convicciones

Una solicitud legítima, cimientos sin verificar

En la primavera de 2025, el mercado envía señales convergentes: acercamiento anunciado entre Shopify y ChatGPT, programa de comerciantes de Copilot, anuncios alrededor del comercio agéntico y del Model Context Protocol. Los asistentes conversacionales dejan de ser un gadget de demostración para convertirse en un punto de entrada hacia la compra. La solicitud llega con su prioridad: demostrar la viabilidad de un recorrido de compra completo vía IA, del diálogo al pago, para que los productos de los comerciantes de PrestaShop Enterprise sean encontrables y comprables desde las interfaces de los LLM.

Esa solicitud era legítima, ambiciosa, alineada con el mercado. Tenía un defecto: nadie había verificado sobre qué descansaba. Ejecutar era invertir sobre cimientos desconocidos. Rechazar era oponerse a una prioridad declarada, sin autoridad jerárquica y sin datos para argumentar. La discovery se condujo para salir de ese dilema por la prueba.

La cartografía debilitó la hipótesis de partida

En lugar de lanzarse al prototipo, el primer ciclo cartografió el sistema: el comprador que delega su búsqueda a un asistente, la realidad del comerciante, el ecosistema de los actores que ya se estaban moviendo. Ese trabajo no era documentación, era reducción de riesgo. Cada mapa planteaba la misma pregunta desde un ángulo distinto: ¿qué tiene que ser cierto para que una compra vía IA funcione realmente?

Esa cartografía, llevada de punta a punta como lead, hizo emerger la respuesta incómoda. La hipótesis inicial, ‘un recorrido técnico de compra de punta a punta generará nuevas ventas para los comerciantes’, descansaba sobre dos pilares que nadie había verificado: la calidad del catálogo de productos y el rendimiento del sitio del comerciante.

Una prueba de unos días en lugar de un debate de opiniones

Una reunión de equipo transformó esa duda en plan de acción. La ambición se acotó colectivamente: hacer visibles los productos en interfaces LLM externas, en una lógica de adquisición. La pista de una IA embebida directamente en la tienda, que responde a otra necesidad, quedó descartada. Quedaba una hipótesis central, binaria: los productos visibles hoy en los LLM lo son porque transitan por un feed estructurado, tipo Google Merchant Center.

En lugar de debatirla, la hipótesis se sometió a una micro-experimentación puntual, llevada del lado tech. La constatación llegó en unos días: feeds de catálogo bien configurados bastan para generar visibilidad, incluso sin campañas pagas. El canal ya existía. Lo que faltaba eran los datos.

Rechazar la solicitud, construir el combustible antes que la carretera

La decisión se preparó en lugar de imponerse. Se formalizaron tres hipótesis, cada una con su problema subyacente: el recorrido de compra de punta a punta, la solicitud inicial; un preparador de catálogo con IA, para diagnosticar la calidad de los datos de producto y optimizarlos con ayuda de la IA; una landing experience optimizada, para cuidar el aterrizaje después del handover desde el asistente. Dos conceptos se prototiparon vía Figma Make, para volver las opciones discutibles antes de cualquier inversión técnica.

El dilema quedó planteado. Ejecutar la solicitud era construir una carretera sobre el vacío: el recorrido descansaba sobre los dos pilares debilitados. Optimizar la página de aterrizaje era perfeccionar un tramo de la carretera sin tocar el combustible. El razonamiento cupo en una imagen: los datos de producto son el combustible, el recorrido de compra es la carretera. Una página rápida que muestra datos pobres o ilegibles para la IA no convierte. Resolver la calidad de los datos en la fuente crea el valor más duradero y pone el cimiento que hace posibles las innovaciones siguientes.

La decisión se formalizó colectivamente al término del ciclo: rechazar la solicitud tal como había sido formulada, priorizar el preparador de catálogo con IA, abrir un segundo ciclo de discovery dedicado. Sus consecuencias superaron la elección de una pista. La calidad editorial del catálogo se convirtió en un tema de producto por derecho propio, al mismo nivel que los feeds técnicos. Y el vocabulario del equipo se desplazó del SEO centrado en palabras clave al GEO, centrado en las intenciones conversacionales: una ficha de producto pensada para la IA no dice ‘tenis rojos talla 36’, cuenta ‘unos tenis rojos para una niña de 13 años que juega al aire libre’. La situación de uso se convierte en la unidad de sentido.

Una discovery en pausa no es una discovery perdida

El segundo ciclo quedó encuadrado: mapa de empatía del comerciante centrado en el catálogo, puntos de contacto identificados, entre ellos un tablero de preparación IA, un reporte de auditoría y una ayuda de redacción asistida. Luego el tema se puso en pausa antes de las pruebas de usuario. Las hipótesis del segundo ciclo no fueron validadas, el Go/No Go no se pronunció. Ningún resultado medido puede reivindicarse aquí, y este case study no reivindica ninguno.

Lo que queda cabe en dos logros. Una reorientación formalizada: el esfuerzo ya no apunta a un recorrido espectacular sino al cimiento que lo haría posible. Y una lectura del problema que cada anuncio del mercado refuerza en lugar de volver obsoleta: cuando el tema se reabra, la pregunta ya no será si hay que vender vía IA, sino si nuestros comerciantes tienen los datos para existir en ese canal. El balance del ciclo cabe en una frase: el problema no estaba en la superficie, estaba en la fuente.