Citas de IA y contenido duplicado: el problema del 2,8 %
Shero halló que las páginas de marca recibieron el 2,8 % de 1.851 citas de IA. Qué probar en Shopify con copy duplicado y descripciones estructuradas.
TL;DR: Shero Commerce registró 1.851 fuentes citadas por Google AI Mode, ChatGPT y Perplexity en 60 categorías de compra de Shopify. Los publishers aportaron 1.100 de esas fuentes, el 59,43 %. La página de la marca evaluada aportó 51, el 2,76 %.
La misma investigación encontró bastante duplicación en las descripciones de producto y descripciones estructuradas con poca información. Esos patrones crean un posible riesgo de atribución cuando varios dominios publican el mismo lenguaje de producto. El estudio no demuestra que la duplicación haya causado la brecha de citas y el copy único no puede garantizar una cita. La respuesta defendible es una prueba controlada con productos de importancia comercial.
Análisis de 6 Minutos Sobre la Propiedad de las Citas de IA
Mira por qué una recomendación de IA no garantiza una cita hacia la marca
Un recorrido basado en fuentes por el estudio de Shopify de Shero, el copy duplicado, las descripciones estructuradas y una prueba controlada de propiedad de las citas.
Una respuesta de IA puede recomendar tu producto y, al mismo tiempo, enviar la cita y el posible clic a una revista o un retailer. La marca obtiene una mención. El tercero controla el recorrido desde la respuesta y la evidencia que el comprador verá a continuación.
El estudio de Shopify que Gentian Shero publicó en julio de 2026 permite medir esa brecha de propiedad de la fuente. Shero probó preguntas reales de compra y publicó el workbook, lo que me permitió recalcular las cifras principales y revisar dónde las filas públicas difieren del artículo. La conclusión más útil es mucho más acotada que una promesa de reescribir todas las descripciones de producto. Los equipos de ecommerce deben medir las citas hacia su propio dominio por separado de las menciones y recomendaciones. Después pueden probar si la evidencia específica de cada producto mejora ese resultado.
La Brecha de Propiedad Dentro de 1.851 Fuentes
El workbook público de Shero registra 1.851 fuentes citadas. Solo 51 filas apuntan a la página de la marca evaluada, lo que equivale al 2,76 % y redondea al 2,8 % del titular del estudio. Los publishers y medios suman 1.100 filas, el 59,43 %. Los retailers aportan otras 356.
Esa distribución cambia la forma en que un equipo de ecommerce debería definir la visibilidad en IA. Una mención puede generar conocimiento de marca. Una recomendación puede incluir el producto entre las opciones del comprador. Una cita hacia el sitio propio le da al merchant la oportunidad de conseguir la visita, presentar información actualizada y acercar al comprador a una transacción. Una sola métrica de visibilidad oculta esas diferencias comerciales.
El registro por tienda usa cuatro estados: citado, recomendado, mencionado y ausente. En 620 comprobaciones de Google sobre marcas establecidas, 16 fueron citadas, 37 recomendadas, 6 mencionadas y 561 estuvieron ausentes. El estudio describe una tasa del 9,5 % para marcas citadas o recomendadas, pero el 9,52 % surge al incluir las 59 filas con cualquier estado distinto de ausente. Las citas y recomendaciones por sí solas suman 53 de 620, el 8,55 %.
Los resultados favorables también separan la presencia de la marca de la propiedad de la fuente. El workbook contiene 109 filas con estado recomendado y 50 con estado citado. La página de la marca recibió el enlace en 50 de 159 casos citados o recomendados, el 31,45 %. En cerca de un tercio de los resultados de las 60 categorías en Google, ninguna marca establecida de la muestra recibió un estado distinto de ausente.
Los publishers pueden merecer muchas de esas citas. Las consultas comparativas se benefician de pruebas independientes y evaluaciones de varios productos. El problema operativo aparece cuando una marca aporta el lenguaje original del producto, varios vendedores lo repiten y la página de la marca sigue sin convertirse en la fuente enlazada.
Qué Midió Shero y Qué No Puede Demostrar el Estudio
Shero partió de 1.000 tiendas Shopify y tomó hasta 10 productos accesibles por tienda. La tabla recopilada suma 8.573 descripciones. La parte dedicada a búsqueda con IA cubre 60 categorías de compra y 180 prompts divididos entre preguntas de descubrimiento, comparación y validación. Google AI Mode, ChatGPT y Perplexity aparecen en los registros.
Hay dos diferencias que importan. Shero informa que 883 tiendas devolvieron datos de producto. La pestaña pública Store Data contiene 894 dominios y 882 filas tienen un recuento de productos mayor que cero. Una línea posterior de la pestaña metodológica también trabaja con 882. La diferencia de una tienda no invalida ningún hallazgo, pero debe quedar visible.
La cobertura de los motores tampoco es uniforme. Google y Perplexity tienen 620 comprobaciones de marcas establecidas cada uno. ChatGPT tiene 518 y no aparece en los resúmenes de 11 de las 60 categorías. El estudio usó los tres motores, aunque el registro público no permite compararlos de forma pareja en todas las categorías.
Se trata de una instantánea transversal de julio de 2026. La composición de las respuestas puede cambiar según el prompt, la versión del modelo, la ubicación, el estado de la cuenta, el índice de recuperación y la fecha. Shero observó la duplicación, la profundidad de las descripciones estructuradas, el estado de las marcas y la propiedad de las citas dentro del mismo programa de investigación. No hubo una reescritura aleatoria de descripciones con controles equivalentes y una medición posterior del cambio en las citas.
La autoridad de los publishers, los enlaces, el contenido original, las conversaciones de usuarios y la presencia histórica podrían explicar parte de la distribución de fuentes. El estudio respalda una hipótesis de atribución que merece una prueba. No identifica la causa del resultado del 2,8 %.
El Copy de Producto Duplicado Crea Ambigüedad de Atribución
La duplicación interna es el hallazgo más fácil de reproducir. Shero comparó grupos superpuestos de ocho palabras e identificó pares de productos que superaban su umbral de similitud. El workbook marca 1.892 de las 8.573 descripciones como duplicadas dentro de la misma tienda, el 22,07 %. El patrón resulta familiar en catálogos con muchas variantes. Cuatro colores de la misma chaqueta pueden heredar cuatro descripciones casi iguales.
La duplicación externa exige una atribución más cuidadosa. Shero informa que cerca del 20 % de las descripciones aparecía casi palabra por palabra en otro dominio. Ese porcentaje no puede reproducirse con un único denominador definido en las pestañas publicadas. La hoja Syndication Receipts contiene 172 productos de origen con frases analizadas. De ellos, 51 fueron marcados como encontrados en otro sitio y 30 tuvieron al menos una coincidencia confirmada. Las dos lecturas disponibles producen un 29,65 % o un 17,44 %. La tabla Store Data completa marca solo 22 productos con duplicación entre sitios.
Las filas públicas respaldan con más claridad el patrón del canal de distribución. Entre 125 filas de dominios candidatos asociadas a una frase encontrada en otro sitio, 101 fueron clasificadas como retailers o marketplaces. El copy suele viajar a través de feeds y listados de marketplaces. No suele provenir de otro fabricante que copia el producto.
Estos resultados no establecen una penalización por contenido duplicado. La documentación de Google sobre URL duplicadas explica cómo las redirecciones, rel="canonical", los sitemaps y los enlaces internos contribuyen a la selección de una canonical. Shero no probó canonicals entre dominios ni pérdidas de rankings.
En este caso, la originalidad del copy cumple una función más específica. Una página de marca debería contener datos verificados que no estén presentes en el feed del retailer. Materiales, límites de compatibilidad, lógica de talles, cuidados, métodos de prueba, restricciones para el comprador y comparaciones originales aportan lenguaje cuya relación con la fuente es directa.
La Descripción Estructurada Es la Capa Más Débil
El campo estándar de descripción de Shopify hace que el problema del contenido escaso parezca mayor que lo visible en la página. En la muestra completa, 2.560 de 8.573 descripciones estándar tienen menos de 50 palabras, el 29,86 %. Shero obtuvo después dos páginas de producto en HTML crudo por cada tienda accesible, eliminó el contenido compartido y clasificó como escasas las páginas con menos de 50 palabras específicas del producto.
La pestaña Raw HTML Check contiene 173 clasificaciones finales limpias. Solo 27 cumplen esa definición, el 15,61 %. La accesibilidad de las tiendas y la protección contra bots determinaron qué páginas entraron en el subconjunto. Por ese motivo, el 15,61 % no estima la situación de todas las tiendas Shopify. También mide la respuesta cruda del servidor.
Google documenta un proceso de rastreo, renderizado e indexación que ejecuta JavaScript con Chromium. El HTML crudo sigue siendo útil para rastreadores con renderizado limitado, pero no describe todo lo que puede ver el pipeline renderizado de Google.
La descripción estructurada es más débil en el subconjunto limpio. Aparece un recuento positivo de palabras para 152 de 173 filas, el 87,86 %. La cifra se aproxima al 88 % de adopción de Product schema informado por Shero, aunque el campo del workbook funciona como proxy y no como auditoría independiente de presencia de schema. El contenido de esas descripciones aporta una señal más útil. 102 de 173 están vacías o tienen menos de 50 palabras, el 58,96 %.
Una descripción escasa en JSON-LD puede ofrecer a las máquinas un resumen genérico incluso cuando la página renderizada contiene más información. Ningún experimento por campo dentro de este estudio demuestra que un LLM prefiera o confíe más en la descripción de schema. Mantenerla precisa, específica del producto y coherente con el contenido visible es una buena práctica con una hipótesis de atribución que puede medirse.
También hay que usar los nombres correctos de los rastreadores. La documentación oficial de OpenAI identifica a OAI-SearchBot para la visibilidad en ChatGPT Search, a GPTBot para el posible entrenamiento de modelos y a ChatGPT-User para ciertas visitas iniciadas por usuarios. Una auditoría de robots que solo compruebe GPTBot puede omitir el rastreador relacionado con la búsqueda.
Evidencia de Producto Que un Feed de Retail No Puede Aportar
Después de más de siete años liderando SEO en Shopify, trataría este problema como un asunto de sistemas de catálogo antes de ordenar una reescritura completa. La página visible, el feed de producto, la exportación a retailers, el copy regional y la descripción JSON-LD pueden desalinearse. Un texto nuevo en un solo campo quizás nunca se convierta en la fuente más clara si las demás capas siguen publicando lenguaje genérico o contradictorio.
Empieza con evidencia que la marca pueda verificar y que un vendedor externo difícilmente produzca por su cuenta. Puede incluir especificaciones medidas, límites de compatibilidad, lógica de talles, cuidados y desgaste esperado, observaciones de pruebas, preguntas de soporte, motivos de devolución y orientación sobre el perfil de comprador. El caso de ecommerce de belleza centrado en páginas de producto ofrece un ejemplo de implementación cercano, donde las descripciones únicas y Product schema formaron parte de un programa completo para esas páginas.
Coloca los datos importantes en HTML visible y accesible. Después sincroniza la descripción estructurada con esos mismos datos. El Generador de schema de producto puede ayudar con una estructura válida. La responsabilidad editorial sigue definiendo si la descripción contiene información atribuible.
No impongas una extensión mínima universal. Shero usó 50 palabras como umbral de auditoría. El estudio no identificó una cantidad de palabras que produzca citas. Un producto técnico con restricciones de talles y compatibilidad necesita más explicación que un repuesto sencillo.
Una Prueba Controlada de Atribución para un Catálogo Shopify
Una reescritura de todo el catálogo cambia demasiados productos a la vez y elimina cualquier grupo de comparación. Una prueba pequeña puede mostrar si la evidencia específica se asocia con una mayor propiedad de la fuente en tu propio catálogo.
- Selecciona entre 50 y 100 SKU comerciales. Prioriza productos estables que ya consigan impresiones, aparezcan en retailers o formen parte de preguntas comparativas.
- Crea grupos de tratamiento y control. Empareja los productos por tipo, demanda, rango de precio, exposición en retailers y visibilidad orgánica actual.
- Registra una línea base fija. Usa los mismos motores, prompts de descubrimiento, comparación y validación, ubicación, estado de la cuenta y fechas. Guarda si la marca está ausente, mencionada, recomendada o citada, además del dominio enlazado.
- Reescribe las páginas de tratamiento. Sustituye el texto sindicado por evidencia verificada y alinea el copy visible, la respuesta del servidor, el feed y la descripción JSON-LD.
- Mantén estables las variables principales. Conserva el precio, la disponibilidad, las promociones, los enlaces internos y los cambios de plantilla siempre que sea posible. Registra las diferencias inevitables.
- Repite las comprobaciones durante al menos 30 días. Las respuestas de IA varían y una sola observación por prompt es demasiado frágil para una decisión comercial.
- Informa los resultados por separado. Mide la tasa de menciones, la tasa de recomendaciones, las citas al dominio propio, la proporción de publishers y retailers, las impresiones orgánicas, los clics, el rastreo y los cambios de indexación.
Una mejora en las citas hacia el dominio de la marca respaldaría otra prueba. Un resultado nulo también puede indicar que la intención de búsqueda, la evidencia independiente, la autoridad o la cobertura de recuperación pesan más que la originalidad del copy para esos prompts. Informa cualquiera de los dos resultados como un cambio observado dentro de una muestra controlada.
Este experimento pertenece a un programa completo de SEO para Shopify porque el copy de producto depende de feeds, plantillas, rastreo, renderizado, descubrimiento interno y operaciones de catálogo. Un ticket de redacción aislado no puede controlar todas esas capas.
Prioridades para la Auditoría de Páginas de Producto
- Mapea la sindicación antes de editar. Busca una frase distintiva entre comillas y registra las coincidencias en retailers, marketplaces, afiliados, sitios regionales y publishers.
- Compara cada capa de contenido. Revisa por separado el campo estándar de descripción, la respuesta cruda, la página renderizada, el feed, la exportación al retailer y el Product JSON-LD.
- Prioriza los productos con mayor intención. Empieza por los que los compradores comparan, los retailers sindican o los sistemas de IA ya mencionan.
- Agrega evidencia atribuible. Publica datos propios que puedan verificarse. Reformular una afirmación genérica del fabricante no crea evidencia nueva.
- Mide la propiedad de la fuente. Mantén separados los estados ausente, mencionado, recomendado y citado. Registra el dominio exacto que recibe cada enlace.
La auditoría debería terminar con un experimento que pueda asignarse. «Escribir descripciones únicas» es demasiado amplio para medirlo. «Agregar datos verificados de compatibilidad y talles a 60 productos de tratamiento, alinear el JSON-LD y comparar las citas propias para 12 prompts fijos durante 30 días» le da al equipo un punto de decisión.
El estudio de Shero ofrece algo poco habitual, un workbook público de ecommerce y una razón sólida para revisar la propiedad de las fuentes. Sus datos no convierten el copy de producto en una palanca garantizada para obtener citas de IA. Corrige las brechas de atribución que puedes controlar, conserva un grupo de comparación y deja que los resultados de tu tienda determinen hasta dónde expandir el trabajo.
Preguntas Frecuentes
¿El contenido de producto duplicado hace que la IA cite a publishers?
El estudio de Shero no puede establecer esa relación. Observó duplicación y citas dominadas por publishers dentro del mismo programa de investigación de julio de 2026, sin una reescritura aleatoria ni una prueba equivalente antes y después. Trata la duplicación como un posible riesgo de atribución que debe medirse.
¿El contenido de producto duplicado genera una penalización de Google?
El estudio no midió ninguna penalización de ranking. La documentación de Google aborda las URL duplicadas mediante la selección de canonical y la consolidación de señales. Shero no probó si las canonicals de retailers cambian las citas de IA.
¿Cuánta duplicación externa encontró el estudio?
Shero informa cerca del 20 %, pero esa tasa no puede reproducirse con un único denominador definido en el workbook público. La lectura más estricta disponible produce 30 coincidencias confirmadas entre 172 productos analizados, el 17,44 %. El 20 % debe citarse como una cifra informada por el autor.
¿Las descripciones de Product schema ayudan a conseguir citas de IA?
El estudio no probó ese campo como factor de cita. En el subconjunto limpio de 173 filas, 102 descripciones estructuradas estaban vacías o tenían menos de 50 palabras. Completar el campo con datos precisos y específicos es una implementación razonable para probar, sin prometer un resultado.
¿Las descripciones únicas harán que un sistema de IA cite mi tienda?
Esta evidencia no permite garantizarlo. Las reseñas independientes, la autoridad, los enlaces, el acceso de los rastreadores y la intención de búsqueda todavía pueden favorecer otra fuente. Usa un grupo de control y comprobaciones repetidas. Expande el trabajo solo cuando tus propios resultados lo respalden.
About the Author
