El catálogo estructurado es la versión del inventario que una tienda le entrega a las máquinas: el feed de Google Merchant Center, el catálogo de Meta y el dato estructurado de cada ficha.
De ese archivo dependen tres canales a la vez. Google Shopping y la grilla de productos de Search, donde las fichas gratuitas conviven con los anuncios. Meta, donde el mismo catálogo sostiene la pauta y las tiendas. Y desde este año la capa de IA, donde un modelo recomienda productos a partir de esos mismos datos.
Los dos primeros no son canales menores. El organic shopping genera entre dos y tres veces más ingreso por sesión que el orgánico tradicional, y la grilla de productos es, en muchas búsquedas de compra, lo primero y lo más grande de la pantalla.
El tercero es más nuevo y conviene describirlo sin exagerarlo. El cierre de la compra dentro de la conversación existe, pero opera acotado a pilotos, mercados y plataformas específicas: todavía no es un canal abierto a cualquier tienda. Lo que sí está ocurriendo hoy, y a escala medible, es la recomendación. El tráfico de referencia desde IA hacia sitios de retail creció un 393% interanual en el primer trimestre de 2026 y convierte alrededor de un 42% mejor que el tráfico que no viene de IA, según Adobe Analytics. Sigue siendo del orden del 0,1% de las sesiones, y esa es justamente la razón para ordenar el catálogo ahora: es un canal que todavía se puede ganar barato.
Durante 2026 auditamos más de 300.000 productos de catálogos del ecommerce chileno, cruzando los feeds de Google y de Meta contra las fichas vivas y contra el dato estructurado de cada página. Este es el resultado.
Cómo se hizo este estudio: el catálogo completo, no una muestra
La forma tradicional de revisar un feed es trabajar con una muestra: abrir el archivo, mirar unas decenas de filas y extrapolar. En catálogos de miles o decenas de miles de filas, esa muestra deja fuera casi todo.
Y no falla al azar. Los problemas de catálogo no se distribuyen parejo: se concentran en una categoría, en una familia de SKU, en los productos que cargó un proveedor específico. Una muestra puede pasar limpia mientras un tercio del catálogo está roto en un rincón que nadie miró.
Con IA aplicada al proceso auditamos el catálogo completo, producto por producto. Cada producto se cruza contra cuatro fuentes:
- La ficha de producto viva, tal como la ve un comprador.
- El feed de Google Merchant Center.
- El catálogo de Meta.
- El dato estructurado que emite esa misma página.
La consistencia entre las cuatro es lo que decide todo. Cuando coinciden, el producto es verificable. Cuando no, ese producto le está entregando señales contradictorias a la misma plataforma que tiene que decidir si lo muestra, y a un modelo que tiene que decidir si lo recomienda. Un precio distinto entre el feed y la ficha no genera una duda sobre cuál es el correcto: genera desconfianza sobre las dos fuentes.
Ese cruce producto por producto es lo que permite encontrar exactamente lo que un motor de búsqueda o un modelo de IA necesita para confiar en un producto, que es una lista más corta y más aburrida de lo que suele creerse: saber qué producto es, cuánto cuesta de verdad, si está disponible y en qué se diferencia de sus propias variantes.
Los nueve problemas más extendidos en los catálogos auditados
La tabla resume la prevalencia de cada hallazgo sobre el total de productos auditados. Las secciones que siguen desarrollan cada uno: qué provoca y cómo se corrige.
| Hallazgo | Prevalencia |
|---|---|
| Productos sin GTIN | 96,4% |
| Productos declarados en una categoría incorrecta | 64,2% |
| Descripciones que solo repiten el título y la marca | 49,1% |
| Títulos duplicados con otros productos del mismo catálogo | 43,7% |
| Descuentos aplicados sin declararse como oferta | 40,6% |
| Variantes sin agrupar o agrupadas mal | 33,8% |
| Productos presentes en una plataforma y ausentes en la otra | 22,9% |
availability fijo, que no refleja el stock real | 21,3% |
| Productos sin precio en el feed | 9,7% |
1. El 96,4% de los productos no declara GTIN
El GTIN es el identificador global del producto, el número que lo distingue de cualquier otro artículo del mundo. En el ecommerce chileno, el 96,4% de los productos no lo declara. Es el hallazgo más extendido del estudio y también el más caro.
Suena a detalle de nomenclatura. No lo es, porque el GTIN es la llave con la que Merchant Center relaciona una oferta con el producto real. Es lo que permite que Google entienda que ese televisor es el mismo televisor que venden otras cinco tiendas, agrupe las ofertas y arme la ficha comparada donde el comprador ve todos los vendedores. Sin GTIN, cada producto entra a Shopping como un objeto suelto que nadie puede cruzar con nada, y la tienda queda fuera de la comparación en la que se decide la compra.
Para un modelo de IA el efecto es más severo. Cuando un agente tiene que decidir si recomienda un producto, lo primero que necesita es verificar que existe y que es el que cree que es. El GTIN es la forma más barata de hacerlo: un identificador contrastable contra el fabricante y contra otros vendedores. Un catálogo con GTIN es un catálogo verificable. Uno sin GTIN obliga al modelo a inferir la identidad del producto desde el título, que es justamente donde estos catálogos están peor.
Cómo se soluciona. El dato casi siempre existe: está en el ERP, en la ficha del proveedor o en el código de barras impreso en la caja. El problema no es que falte, es que nadie lo mapeó al feed. Es el arreglo más barato de todo este estudio y el que más rinde.
2. La mitad de las descripciones de producto solo repite el título y la marca
En el 49,1% de los productos, la descripción del feed es el título más la marca. Nada más. "Zapatilla Running Modelo X, Marca Y" repetido en el campo que debería explicar qué es el producto, para quién sirve y en qué se diferencia.
A eso se suman los títulos duplicados: el 43,7% de los productos comparte título literal con otros productos del mismo catálogo. Dos SKU distintos, el mismo nombre, compitiendo entre sí por el mismo lugar.
Y hay una tercera capa que agrava las dos anteriores. Buena parte del copy de producto llega casi textual desde el proveedor y se repite idéntico en todos los revendedores, así que ni la plataforma ni el modelo tienen forma de saber cuál es el original. Quien entrega su texto a la cadena de distribución lo dispersa y pierde el crédito.
Los tres hallazgos son el mismo problema visto desde ángulos distintos: el catálogo no tiene forma de decir qué distingue a un producto de otro. Y como tampoco hay GTIN, el título y la descripción eran la última defensa de la identidad del producto.
Esto es lo que rompe la recomendación por IA. Un modelo que recibe cuarenta productos con títulos casi idénticos y descripciones que repiten el título no tiene ninguna base para elegir uno, así que elige el de otra marca que sí explicó su producto.
Cómo se soluciona. Reescribir descripciones no es reescribir cuarenta mil textos a mano. Es definir la estructura del título por categoría (tipo de producto, atributo diferenciador, marca, medida o talla) y generar la descripción desde los atributos que la tienda ya tiene en la ficha, incorporando el material, el uso y las especificaciones que hoy están en la PDP pero no llegan al feed. En SEO para páginas de producto desarrollamos qué debe contener una ficha para sostener ese trabajo.
3. Cuatro de cada diez productos aplican un descuento que no declaran como oferta
El 40,6% de los productos tiene un descuento aplicado que no está declarado como descuento.
Ocurre de dos maneras. La primera: el feed publica el precio ya rebajado en el campo de precio base y deja vacío el campo de oferta. Para la plataforma, ese producto no está en oferta, simplemente es más barato. La segunda: el precio de oferta y el precio base vienen con el mismo valor, lo que declara formalmente un descuento de cero.
En ambos casos la tienda pierde exactamente lo mismo, y no es poco: el precio tachado, la etiqueta de oferta, la señal de bajada de precio y la elegibilidad para las superficies de promoción. La tienda está haciendo el esfuerzo comercial de descontar y no está cobrando ninguno de sus beneficios de visibilidad.
Es además el hallazgo que peor se ve en una comparación: cuando el competidor muestra "antes $89.990, ahora $59.990" y la tienda muestra "$59.990" a secas, el descuento del competidor puede ser menor y aun así verse mejor.
Cómo se soluciona. Separar en el origen el precio de lista del precio vigente y mapearlos a los campos correctos. Si la plataforma de ecommerce solo expone un precio, hay que traer el precio de lista desde el ERP.
4. Un tercio de los productos son variantes sin agrupar o agrupadas mal
El 33,8% de los productos son variantes sin agrupar o agrupadas mal: no declaran el identificador de grupo, o lo declaran de forma que cada variante queda como grupo de una sola pieza.
El síntoma en Shopping es una grilla con el mismo producto repetido en ocho colores, ocupando ocho espacios que podrían ser ocho productos distintos, y canibalizando su propio rendimiento. El síntoma en la ficha comparada es peor: la plataforma no sabe que la talla M y la talla L son el mismo producto, así que no puede ofrecer el selector de talla y muestra dos artículos que compiten.
Para el comercio agéntico este punto es determinante. Un agente que busca "esta zapatilla en talla 42" necesita entender que la talla es una dimensión de variación del mismo producto, no un producto aparte. Si el catálogo no lo declara, el agente no puede resolver la consulta y pasa al siguiente vendedor.
Cómo se soluciona. Declarar el identificador de grupo compartido por todas las variantes de un producto y dejar en el dato estructurado del sitio el ProductGroup correspondiente, con hasVariant, variesBy y productGroupID. La regla práctica: si en la ficha el usuario elige entre opciones sin cambiar de página, todas esas opciones tienen que compartir grupo en el feed.
5. El 64,2% de los productos está declarado en una categoría que no le corresponde
Casi dos tercios de los productos auditados están mal categorizados. No es un matiz de taxonomía: son camas declaradas como ropa, zapatillas declaradas como accesorios de moda, electrodomésticos que quedaron dentro de una categoría de vestuario heredada de una migración.
El efecto rara vez se detecta desde adentro, y tiene dos capas. La primera es de contexto: la plataforma ubica el producto en un vecindario que no es el suyo, así que compite contra artículos con los que no tiene nada que ver y desaparece de las búsquedas donde sí debería estar. La segunda es de elegibilidad: cada categoría exige sus propios atributos obligatorios, y un producto declarado en la categoría equivocada arrastra los requisitos de esa categoría, no los de la suya. Un catálogo entero puede quedar fuera de las fichas gratuitas de Shopping por esta vía sin que nadie reciba una alerta clara.
La tienda ve que su rendimiento orgánico en Shopping es bajo y lo atribuye a competencia o a precio, cuando el problema es que sus productos ni siquiera son elegibles, o están compitiendo en el pasillo equivocado.
Una miscategorización masiva suele venir de un valor por defecto que alguien puso una vez, en una migración o en la configuración inicial del feed, y que nunca se revisó al crecer el catálogo.
Cómo se soluciona. Mapear la taxonomía interna de la tienda contra la taxonomía de la plataforma, categoría por categoría, y verificar que los atributos obligatorios de cada categoría estén completos antes de dar el feed por bueno. No es un trabajo de una vez: cada categoría nueva vuelve a abrir el riesgo.
6. El 21,3% declara una disponibilidad falsa y el 9,7% llega al feed sin precio
El 21,3% de los productos declara una disponibilidad fija, el mismo valor para todo el catálogo, que no refleja el stock real. Y el 9,7% llega al feed sin precio.
Un producto sin precio no compite: no entra a Shopping ni puede ser recomendado por un agente, porque falta el dato que define la decisión. Un producto con disponibilidad falsa es peor que uno ausente, porque genera desaprobaciones cuando la plataforma contrasta el feed contra la ficha, y las desaprobaciones repetidas escalan de nivel de producto a nivel de cuenta.
Este es también el punto donde el comercio agéntico sube la apuesta. Un agente que intenta completar una compra sobre un producto declarado disponible que no lo está no genera una mala experiencia, genera una transacción fallida.
Cómo se soluciona. Conectar el feed al stock real con una frecuencia de actualización que la operación pueda sostener, y no publicar productos sin precio: es preferible excluirlos que emitirlos incompletos.
7. Google y Meta ven catálogos distintos en el 22,9% de los productos
En el 22,9% de los casos, un producto está presente en una plataforma y ausente en la otra, sin que exista una razón comercial detrás.
No hablamos de exclusiones deliberadas ni de productos agotados, que se filtran legítimamente. Hablamos de productos con stock, con precio y con imagen, que existen en un feed y no en el otro porque los dos archivos se generan por procesos distintos que nadie mantiene sincronizados.
El resultado es una inversión publicitaria y un esfuerzo de contenido que cubren universos diferentes según la plataforma, y una imposibilidad práctica de comparar rendimiento entre canales: no se está midiendo lo mismo.
Cómo se soluciona. Un origen único de datos de producto que alimente ambos feeds, con las transformaciones específicas de cada plataforma aplicadas al final del proceso y no al principio.
Cuatro prácticas que casi ninguna tienda está aplicando
Más allá de los errores medibles, hubo cuatro decisiones de método que aparecieron ausentes de forma sistemática. No son hallazgos con porcentaje: son la razón por la que los hallazgos anteriores se vuelven crónicos.
Enriquecer el dato en el origen, no en el feed. La tentación cuando aparece un problema de catálogo es corregirlo en la capa de exportación, con una regla que arregla ese campo para esa plataforma. Es rápido y es la razón por la que estos problemas se vuelven crónicos: la corrección vive en un solo canal y el dato malo sigue en el origen, propagándose a todos los demás. El arreglo correcto siempre es aguas arriba.
Servir el dato estructurado desde el servidor. Los rastreadores de IA todavía no ejecutan JavaScript de forma confiable, así que un atributo de producto que solo aparece después del render del cliente no existe para ellos. El JSON-LD tiene que estar en el HTML inicial.
Separar el feed orgánico del feed pagado. Un mismo archivo alimentando las fichas gratuitas y las campañas obliga a optimizar para dos objetivos que no coinciden: el feed pagado prioriza rentabilidad y segmentación, el orgánico prioriza cobertura y completitud. Con feeds separados, cada uno se optimiza sin interferir con el otro.
Activar las fichas gratuitas. Es el listado orgánico de Merchant Center y sigue apareciendo desactivado en cuentas que llevan años invirtiendo en Shopping Ads. Es inventario de visibilidad sin costo de medios que muchas tiendas simplemente no encendieron.
El catálogo estructurado dejó de ser un asunto solo de Shopping
Durante años el argumento para arreglar un catálogo fue Shopping, y alcanzaba. Este año dejó de alcanzar.
El Shopping Graph de Google superó los 60 mil millones de listados de producto y se actualiza a más de 2 mil millones de cambios por hora. Ese mismo grafo alimenta las fichas gratuitas, Search, Images, Lens, el modo IA y las respuestas de Gemini. El catálogo bien hecho paga en varias superficies a la vez, y el mal hecho falla en todas.
Sobre eso se montó una capa nueva. Google publicó el Universal Commerce Protocol, un estándar abierto para que los agentes descubran comercios, consulten catálogos y gestionen el checkout, acompañado de AP2 para autorizar pagos con mandatos firmados criptográficamente, y del Universal Cart en Google Shopping. En paralelo, el Agentic Commerce Protocol de OpenAI y Stripe ya permite cerrar la compra dentro de ChatGPT: el Instant Checkout está operativo desde febrero de 2026, partió con vendedores de Etsy y siguió con comercios de Shopify.
Las mediciones de julio de 2026 sobre ChatGPT le ponen números a lo que está en juego, y son más duros de lo esperable: su carrusel de productos no comparte ni una sola dirección con los motores que alimentan sus resultados de búsqueda. Son dos sistemas separados. Estar bien posicionado en los enlaces no acerca ni un poco a la ficha de producto. Lo que decide ahí es el feed.
Y decide fuerte. De las citas de producto que ChatGPT tomó directamente de feeds de comercios, cerca del 99,9% apareció como la oferta principal, no como una alternativa más de la lista. El reparto de roles quedó claro: el feed determina si el producto entra en la selección y en qué lugar, la ficha determina si el comprador termina comprando. Son dos trabajos distintos y hoy casi todo el esfuerzo del ecommerce está puesto en el segundo.
Hay además un detalle que reordena las prioridades. La ficha de producto que muestra ChatGPT es un objeto cacheado durante semanas, idéntico de una cuenta a otra e incluso entre países: se genera una vez y se sirve muchas. En el SEO clásico, publicar y después iterar funciona, porque el buscador vuelve a rastrear. En las superficies de catálogo de los agentes, la primera versión es la que queda circulando. Conviene llegar con el feed limpio de entrada, no arreglarlo sobre la marcha.
Los dos estándares se apoyan en lo mismo: un catálogo estructurado, consistente y actualizado. Ninguno lee la ficha de producto como la lee una persona. Un agente decide por atributos, identificadores, precio y disponibilidad, que son exactamente los cuatro ejes donde este estudio encontró los problemas más extendidos.
Dicho de otra forma: la brecha que hoy cuesta posiciones en Shopping es la misma que mañana deja a la marca fuera de la conversación donde se cierra la compra.
Checklist para revisar un catálogo estructurado
| Revisar | Señal de problema |
|---|---|
| Identificadores | Productos sin GTIN, o con un identificador de fabricante que en realidad es el ID interno |
| Títulos | Títulos repetidos entre productos distintos, o sin el atributo que los diferencia |
| Descripciones | Descripciones iguales al título, vacías, o idénticas a las del proveedor |
| Precio | Precio de oferta ausente cuando la ficha muestra descuento, o igual al precio base |
| Variantes | Variantes sin identificador de grupo, o cada variante como grupo de una |
| Categorías | Productos en un vecindario que no es el suyo, categoría única para todo el catálogo, o atributos obligatorios de la categoría vacíos |
| Disponibilidad | Valor constante para todo el catálogo |
| Consistencia | Precio o stock distintos entre la ficha, los dos feeds y el dato estructurado |
| Renderizado | JSON-LD que solo aparece después de ejecutar JavaScript |
| Cobertura | Universos distintos entre las plataformas sin razón comercial |
| Fichas gratuitas | Listados orgánicos de Merchant Center desactivados |
Preguntas frecuentes sobre catálogos estructurados
¿Qué es un catálogo estructurado?
Es la versión del inventario que la tienda le entrega a las plataformas en un formato que las máquinas pueden leer: el feed de Google Merchant Center, el catálogo de Meta y el dato estructurado de cada ficha. Es lo que consumen Google Shopping, la grilla de productos de Search, las fichas gratuitas, la pauta de Meta y los agentes de compra con IA.
¿Por qué importa tanto el GTIN?
Porque es la llave con la que Merchant Center relaciona una oferta con el producto real, agrupa las ofertas de distintos vendedores y arma la ficha comparada. Sin GTIN el producto no se puede cruzar con nada, y un modelo de IA no tiene forma barata de verificar que el producto es el que dice ser.
¿Cada cuánto hay que auditar el catálogo?
Una revisión completa al año y una verificación cada vez que se abre una categoría nueva, se cambia de plataforma de ecommerce o se migra el feed. Los problemas de catálogo casi siempre entran en esos tres momentos y después se propagan en silencio.
¿Sirve arreglar el feed si la tienda no invierte en Shopping Ads?
Sí, y es donde más rinde. Las fichas gratuitas de Merchant Center, el modo IA de Google, Gemini y los agentes de compra consumen el mismo catálogo sin costo de medios. Un feed limpio es visibilidad orgánica en varias superficies a la vez, y el organic shopping genera entre dos y tres veces más ingreso por sesión que el orgánico tradicional.
¿Se puede auditar un catálogo grande completo?
Sí. Con IA aplicada al proceso auditamos el catálogo completo, no una muestra, cruzando cada producto contra la ficha viva, el feed de Merchant Center, el catálogo de Meta y su dato estructurado. Es la única forma de encontrar problemas que se concentran en una categoría o en una familia de productos y que una muestra no detecta.
Por qué estos errores sobreviven años sin que nadie los vea
Ninguno de los problemas de este estudio es difícil de arreglar. No hay aquí un desafío técnico mayor: hay campos sin mapear, taxonomías heredadas que nadie revisó y precios que viajan incompletos desde el ERP. Son arreglos de trabajo, no de innovación.
Lo que los vuelve caros es que son invisibles desde adentro. El equipo de ecommerce mira la tienda, no el feed, y la tienda se ve bien. El problema aparece del otro lado, en la plataforma que tiene que decidir si muestra ese producto y en el modelo que tiene que decidir si lo recomienda, y ninguno de los dos avisa.
Un catálogo que un motor puede leer, cruzar y verificar es hoy una ventaja competitiva concreta, y va a serlo más cuando la compra se cierre dentro de la conversación.
Si quieres saber en qué estado está el catálogo estructurado de tu tienda, conoce nuestro servicio SEO y cómo trabajamos la auditoría de feeds, la consistencia entre fuentes y la preparación del catálogo para búsqueda e IA.
Escríbenos y revisamos tu catálogo completo, producto por producto.
