Durante años, el CRO ha partido de una premisa que casi nadie cuestionaba: quien visita una web es una persona. Sobre esa premisa se calculan las tasas de conversión, se reparte el tráfico de un test A/B y se decide qué versión gana.
Esa premisa ya no se sostiene del todo. Según el informe anual de Imperva sobre tráfico automatizado, en 2024 el tráfico generado por bots superó por primera vez en una década al tráfico humano, con un 53% del total. Y a los bots de siempre (rastreadores, scrapers, herramientas de monitorización) se ha sumado en los últimos dos años una categoría nueva: agentes de IA que navegan, comparan y llegan a comprar en nombre de un usuario.
Para un equipo de CRO eso abre dos preguntas. La primera es técnica: ¿cuánto de lo que mido son personas? La segunda es estratégica: si una parte de mis visitantes no son personas, ¿para quién estoy optimizando?
Los bots no son nuevos. Lo nuevo es su comportamiento. Un rastreador clásico entraba, leía el HTML y se iba: no hacía clic, no ejecutaba la mayoría de scripts y era fácil de identificar. Las herramientas de analítica aprendieron a filtrarlo hace tiempo. GA4, por ejemplo, excluye automáticamente el tráfico de bots conocidos.
Los agentes de IA funcionan de otra manera. Desde 2025, asistentes como ChatGPT, a través de su modo agente, y navegadores con IA como Comet, de Perplexity, pueden abrir una web en un navegador real, hacer scroll, rellenar formularios, comparar productos y añadir al carrito. Para tu herramienta de analítica, esa sesión puede parecerse mucho a la de una persona con prisa: entra, navega con un objetivo claro y se va.
Hay agentes que se identifican, y hay otros que no. Y aunque el volumen de compras completadas por agentes todavía sea pequeño, el volumen de visitas que hacen para investigar, comparar precios o resumir productos crece mucho más rápido.
Un test A/B funciona bajo una sencilla premisa: el tráfico se reparte al azar entre versiones y las dos reciben el mismo tipo de visitante. Si una parte de ese tráfico es automática, ese supuesto puede romperse de tres maneras.
Si un 10% de las sesiones de un test son bots que nunca compran, la tasa de conversión de ambas versiones baja. Eso no cambia necesariamente qué versión gana, pero sí hace que las diferencias sean más pequeñas y que el test necesite más tiempo para llegar a una conclusión.
Un bot que siempre entra sin cookies puede recibir una versión distinta en cada visita. Uno que reutiliza la misma sesión puede quedarse siempre en la misma. Si una versión acaba con más tráfico automático que la otra, la comparación deja de ser justa.
Es un problema conocido en experimentación como sample ratio mismatch: el reparto real de usuarios entre versiones no coincide con el previsto. Las principales herramientas de testing, Mida entre ellas, ofrecen calculadoras para detectarlo.
No le influye el color de un botón ni una foto mejor. Si navega igual en las dos versiones, añade ruido. Si interactúa de forma distinta con una de ellas, por ejemplo porque un cambio de estructura le facilita encontrar el precio, puede inclinar el resultado hacia una versión por razones que no tienen nada que ver con las personas.
No hay un filtro perfecto, pero sí prácticas que reducen mucho el riesgo.
Comprueba el reparto del tráfico en cada test. Si una versión recibe sensiblemente más o menos usuarios de lo que debería, algo está interfiriendo. Antes de interpretar el resultado, hay que entender por qué.
Contrasta la herramienta de testing con la analítica. En los proyectos de Boost es una práctica habitual: el resultado de la herramienta de testing se valida con GA4 antes de tomar una decisión. Cuando dos fuentes que filtran el tráfico de forma distinta coinciden, la conclusión es más sólida. Cuando no coinciden, la diferencia suele decir algo.
Busca patrones que no son humanos. Sesiones de duración casi nula con muchas páginas vistas, visitas desde centros de datos en lugar de redes domésticas, picos de tráfico a horas sin sentido para tu mercado o recorridos idénticos repetidos cientos de veces. Ningún indicador es concluyente por sí solo, pero juntos permiten construir segmentos de tráfico sospechoso y excluirlos del análisis.
Elige métricas que un bot no pueda completar. Un clic lo puede hacer cualquiera. Un pago aprobado, no. Cuanto más cerca de la venta real esté la métrica principal del test, menos le afecta el tráfico automático.
Aquí la pregunta deja de ser técnica. Si una parte creciente de las compras empieza en un asistente de IA, tu web tiene dos públicos con necesidades muy distintas.
A una persona le convencen las fotos, el tono de la marca, las reseñas y la sensación de confianza. Un agente, en cambio, lee la página de forma literal. Necesita encontrar sin ambigüedades el precio final, la disponibilidad, los plazos de entrega, los gastos de envío y las condiciones de devolución.
Si esa información está repartida en desplegables, metida en imágenes o expresada con frases ambiguas, el agente puede no encontrarla, interpretarla mal o descartar tu producto frente a otro más fácil de leer.
Eso tiene consecuencias prácticas para cualquier ecommerce.
El marcado de producto y oferta (precio, stock, valoraciones) que hasta ahora servía para aparecer mejor en Google es también lo que permite a un agente entender tu catálogo sin interpretar el diseño.
Un mensaje como "envío rápido" convence a una persona. Un agente necesita "entrega en 24-48 horas laborables". Lo segundo también funciona mejor con personas, como han demostrado muchos tests, pero con agentes deja de ser opcional.
Los catálogos que ya alimentan Google Shopping o los marketplaces son la base de los programas de compra con agentes que están lanzando los grandes asistentes. Un feed incompleto o desactualizado es un producto invisible.
Sería fácil convertir esto en una lista de predicciones. No lo vamos a hacer. Hoy no sabemos qué parte de las compras acabará pasando por agentes, ni a qué velocidad, ni si los usuarios confiarán en ellos para compras de importe alto. Tampoco hay todavía metodologías asentadas para testear "para agentes".
Lo que sí sabemos es lo que cualquier programa de CRO puede hacer ya: asegurarse de que los datos que usa para decidir reflejan a personas reales, y revisar si la información clave de su web se entiende sin necesidad de interpretar el diseño.
Lo primero protege las decisiones que tomas hoy. Lo segundo te prepara para un canal que todavía es pequeño, pero que puede crecer muy rápido.
Revisa los últimos tests que hayas dado por ganadores. Comprueba si el reparto de usuarios entre versiones fue el esperado y si el resultado coincide con lo que dice tu analítica.
Después, elige tu ficha de producto más vendida y pregúntate si alguien que solo leyera el texto, sin ver imágenes ni diseño, podría saber cuánto cuesta, cuándo llega y cómo se devuelve.
Si quieres que revisemos la calidad de los datos de tus tests o cómo se lee tu web, empieza con una auditoría de analítica digital o con un diagnóstico gratuito de Scan&Boost.
AB Tasty es una plataforma europea de experimentación y personalización que combina A/B testing, feature flags y recomendaciones con IA. Descubre cómo...
BigCommerce es una plataforma eCommerce SaaS con capacidades avanzadas de headless commerce, B2B y multi-storefront. Descubre cómo se compara con Shopify,...
Bloomreach es una plataforma enterprise de experiencia digital para comercio con búsqueda impulsada por IA, merchandising, personalización y marketing...
