Durante quince años hemos medido el éxito de Black Friday con las mismas métricas: tráfico, CTR, ROAS, tasa de conversión. En 2026, todas ellas siguen importando, pero aparece una nueva variable en el recorrido de compra: una parte de los consumidores empieza a descubrir, comparar y seleccionar productos directamente desde asistentes de IA como ChatGPT, Gemini, Claude o Perplexity.
Esto no significa que el tráfico hacia la web vaya a desaparecer. Significa que se incorpora una nueva puerta de entrada a la decisión de compra. Antes de llegar a una tienda online, un consumidor puede haber preguntado a un modelo cuál es el mejor portátil por menos de 1.000 euros, qué zapatillas elegir para empezar a correr o qué regalo comprar a alguien que viaja mucho.
Y ahí aparece una pregunta nueva para las marcas: cuando una IA participa en esa recomendación, ¿entiende suficientemente bien nuestros productos como para considerarlos?
No es ciencia ficción ni una tendencia para «dentro de dos años». Adobe ya ha documentado que las referencias de tráfico generadas por IA generativa hacia retailers estadounidenses crecieron cerca de un 700% durante la campaña de vacaciones de 2025 respecto al año anterior. Y Salesforce estima que en 2026 hasta el 20% del tráfico ecommerce navideño se originará en interacciones con IA conversacional.
Para Black Friday, esto añade una nueva capa a la estrategia habitual. Ya no basta con trabajar visibilidad, inversión y conversión: también importa cómo de accesible, estructurada y comprensible resulta nuestra información de producto para los sistemas que empiezan a mediar en la decisión.
Un LLM no navega como un usuario, razona
La diferencia de fondo con el SEO tradicional es esta: un buscador clásico rastrea páginas y las indexa. Un LLM no visita nuestra web para responder, genera la respuesta a partir de lo que ha aprendido y de los datos estructurados que se le entregan en el momento (feeds, catálogos, fichas de producto). Si nuestra información de producto es pobre, genérica o inconsistente, el modelo simplemente no tiene material con el que construir una recomendación sólida, y recomienda a quien sí lo tiene.
Y las plataformas ya están adaptando su infraestructura a este cambio. Google ha empezado a incorporar en Merchant Center nuevos atributos pensados para enriquecer la información que reciben sus sistemas de IA, como preguntas y respuestas sobre producto, relaciones entre productos o variantes más detalladas. Ya no se trata solo de decir qué vendemos, sino de dar suficiente contexto para que una IA pueda interpretarlo y compararlo mejor.
El cambio parece pequeño, pero es significativo. Durante años hemos utilizado el feed para explicar qué vendemos: producto, precio, categoría, talla, color o disponibilidad. Ahora empezamos también a aportar contexto para responder preguntas sobre lo que vendemos: cómo es una variante, qué diferencia un producto de otro o qué productos están relacionados.
A esto se suma la aparición de nuevos estándares para el comercio agéntico, como el Universal Commerce Protocol de Google o el Agentic Commerce Protocol de OpenAI. El dato de catálogo empieza a convertirse, en definitiva, en uno de los lenguajes con los que las marcas hablan directamente a estos sistemas.
Fashion tiene una particularidad que casi nadie está resolviendo
Trabajando con marcas de moda (una parte importante de la cartera de clientes que acompañamos desde Adsmurai) hay un matiz que muchos análisis genéricos sobre IA y retail pasan por alto: recomendar moda no consiste únicamente en conocer el precio, la categoría o el color.
Talla, fit, corte, composición o variantes pueden ser determinantes para elegir un producto. De hecho, True Fit ha observado que hasta el 70% de las preguntas realizadas en experiencias conversacionales de moda están relacionadas con talla y ajuste.
Aquí los nuevos campos de Merchant Center cobran especial relevancia. Algunos de los atributos permiten describir mejor qué diferencia una variante de otra, algo especialmente útil en categorías donde talla, ancho, corte o material condicionan la decisión.
Un catálogo que explique con precisión estos atributos deja de ser únicamente una cuestión operativa: ofrece más información para que estos sistemas puedan interpretar y comparar correctamente el producto cuando alguien pregunta, por ejemplo, «qué abrigo de lana me recomiendas en talla M que no encoja al lavar».
Durante años, optimizar un feed ha significado principalmente prepararlo para Google Shopping, Meta, TikTok o marketplaces. Ahora aparecen nuevos destinos.
OpenAI permite a los merchants enviar contenido de producto mediante feeds conforme a su Product Feed Spec. Esto abre una nueva cuestión para los ecommerce:
cómo mantener un catálogo consistente, actualizado y suficientemente enriquecido para distintos ecosistemas de IA.
También difumina una frontera que hasta ahora parecía bastante clara. SEO, feed management y visibilidad en IA empiezan a compartir una misma materia prima: la calidad del dato de producto.
Qué significa esto para Black Friday, en la práctica
La recomendación no es abandonar lo que funciona. Performance Max, Advantage+, TikTok o las campañas dinámicas de catálogo seguirán siendo piezas fundamentales esta campaña. La novedad es que ahora hay otra superficie que conviene preparar en paralelo.
Primero, auditar el catálogo con la misma exigencia con la que se audita hoy un feed de Google Shopping, pero pensando también en qué necesitaría interpretar un modelo para recomendar correctamente el producto: atributos de talla y ajuste, variantes, stock actualizado, materiales, relaciones entre productos o respuestas a preguntas habituales.
Segundo, revisar hasta qué punto estamos aprovechando los nuevos atributos disponibles en Merchant Center. El feed ya no tiene por qué limitarse a título, descripción, precio y categoría. Con la herramienta gratuita de Adsmurai puedes comprobar en pocos segundos hasta qué punto tu feed está preparado tanto para Google Shopping como para los nuevos entornos de IA. Solo tienes que introducir la URL de tu feed y seleccionar el mercado que quieres analizar.
Y tercero, empezar a observar cómo aparece la marca en experiencias de IA: qué productos se muestran, con qué precisión se describen y qué información falta cuando un usuario formula una pregunta concreta.
Esto no es un proyecto de IT aislado. La calidad del dato de producto empieza a convertirse en un activo comercial que afecta a campañas, Shopping, búsqueda y, progresivamente, a cómo los asistentes de IA entienden y presentan una marca.
Black Friday 2026 seguirá pareciéndose, en la superficie, a los anteriores: descuentos, urgencia y avalancha de tráfico. Pero por debajo está cambiando parte de la infraestructura que conecta una pregunta con un producto.
La pregunta que las marcas deberían hacerse las próximas semanas no es solo «¿está lista nuestra campaña?», sino también «¿está listo nuestro catálogo para que Google, ChatGPT y los nuevos agentes entiendan realmente lo que vendemos?«
Por Alba Millán, Head of Customer Success en Adsmurai.
