Qué preguntan los compradores antes de comprar: guía basada en investigación para reducir la fricción con IA

Índice

1. Por qué dudan los compradores en las fichas de producto
2. Definiciones y alcance

• ¿Qué es la IA aplicada a las ventas en ecommerce?
• ¿Qué es un módulo de preguntas y respuestas de producto?
• Qué cuenta como «fricción» y cómo medirla

3. Las preguntas previas a la compra más frecuentes, por categoría
4. Generar respuestas que convierten (anclaje, tono, transparencia, recomendaciones, añadir al carrito)
5. Una UX de ficha de producto que convierte: guía basada en investigación
6. Lo que viene (multimodal, personalización, voz, pago agéntico)
7. Sobre Yuma Sales AI: un módulo de preguntas y respuestas de producto (por qué lo construimos; detalles al final)
8. FAQ

1) Por qué dudan los compradores en las fichas de producto

La mayoría de los abandonos no son dramáticos. Vienen de pequeñas incertidumbres que se acumulan hasta que comprar deja de parecer una buena decisión. Décadas de investigación en ecommerce señalan siempre a los mismos culpables: información incompleta o enterrada, imágenes pobres, opciones confusas y políticas que solo aparecen cuando el comprador ya ha invertido tiempo y atención. Los grandes estudios de Baymard sobre fichas de producto muestran una y otra vez que la claridad en lo básico marca la diferencia entre el interés y el abandono. (Baymard Institute)

Los compradores buscan unas pocas señales clave antes de añadir al carrito: un nombre de producto claro, imágenes que puedan inspeccionar, un precio que incluya cargos adicionales, disponibilidad visible, opciones fáciles de elegir y un camino inequívoco para añadir al carrito con respuesta inmediata. Cuando falta alguno o cuesta encontrarlo, la duda crece. NN/g los plantea como los elementos mínimos de una ficha de producto fiable. (Nielsen Norman Group)

El contexto de la categoría importa: quien compra ropa busca guías de talla y ajuste concretas, no genéricas. Quien compra electrónica revisa compatibilidad y especificaciones que encajen con su uso. En hogar y belleza se piden materiales, ingredientes, cuidado y normas de devolución en lenguaje claro. La investigación de Baymard sobre fichas y sitios DTC apunta a que esos detalles deben estar donde surge la pregunta, no escondidos en contenido de ayuda lejano. (Baymard Institute)

El momento importa tanto como el contenido: si una política solo se ve al pagar, o si la guía de tallas se esconde tras un scroll largo, es como si no existiera. Tanto NN/g como Baymard subrayan la localizabilidad y la proximidad. La página debe responder la pregunta en el momento en que aparece, lo que mantiene el impulso y reduce el coste mental de seguir. (Nielsen Norman Group)

La última fuente de fricción es la confianza. Los compradores no necesitan persuasión florida. Necesitan pruebas: especificaciones coherentes entre variantes, imágenes que coincidan con las opciones, señales de stock fiables y un lenguaje que reconozca la incertidumbre cuando la hay. La investigación favorece respuestas honestas y concretas frente a generalidades seguras. Cuando la página se gana la confianza, decidir resulta más fácil. (Baymard Institute)

2) IA para ventas en ecommerce, preguntas de producto y «fricción»

IA aplicada a las ventas en ecommerce

Aquí, IA significa el uso práctico de machine learning y modelos generativos para ayudar a decidir y comprar: responder preguntas, guiar elecciones y quitar incertidumbre. Incluye sistemas anclados en recuperación de información capaces de consultar tu propio catálogo y tus políticas, y también analítica que ayuda a ver qué mejorar. La adopción y el valor declarado crecen, sobre todo en ventas y marketing, pero los resultados dependen de la ejecución. Trátalo como un conjunto de herramientas, no como una varita mágica. (McKinsey & Company)

El módulo de preguntas y respuestas de producto

Es un módulo pequeño en la ficha que permite al comprador preguntar, obtener una respuesta basada en tus datos, repreguntar rápido y seguir sin salir de la página. Por dentro, las versiones más fiables usan generación aumentada por recuperación. (arXiv)

El sistema extrae fragmentos relevantes de un corpus revisado (especificaciones, guías de talla, documentos de política) y genera una respuesta fiel a esas fuentes. No se trata de sonar listo, sino de ser correcto y rápido.

La fricción

La fricción es cualquier hueco que hace que comprar parezca arriesgado o confuso en el momento de decidir. En las fichas, la investigación la atribuye siempre a lo básico ausente o difícil de encontrar: nombre claro, imágenes inspeccionables, precio y cargos transparentes, disponibilidad visible, opciones seleccionables y un camino inequívoco al carrito con confirmación. Cuando eso está incompleto o enterrado, la duda crece y la conversión cae. (Nielsen Norman Group)

Cómo medirla

Usa experimentos controlados. Define la exposición en la ficha, registra las interacciones con el módulo y atribuye los añadidos al carrito y las compras posteriores. Los tests A/B o A/B/n siguen siendo la forma más clara de separar la mejora real del ruido, siempre que la asignación sea aleatoria, las métricas se declaren antes y haya controles estadísticos. (Stanford)

3) Las preguntas previas a la compra más frecuentes, por categoría

Las preguntas giran en torno al riesgo. Quieren saber si el artículo encaja con su cuerpo o su uso, qué pasa si no encaja y cuánto tardará en llegar. Los datos de devoluciones y los estudios de consumo vinculan sistemáticamente la duda con la talla, las especificaciones y la claridad de las políticas, sobre todo online, donde las devoluciones superan a las de tienda. (National Retail Federation)

Moda

Casi toda la incertidumbre está en la talla y el ajuste. En moda, una encuesta de McKinsey atribuyó alrededor del 70 % de las devoluciones a un mal ajuste o a un estilo equivocado, lo que muestra hasta qué punto importan las guías de talla concretas en el momento de decidir. Eso implica tablas ligadas a medidas corporales, fotos que coincidan con las variantes y normas de cuidado y devolución en lenguaje claro, allí donde se decide. El trabajo del sector sobre devoluciones repite la idea: mejor detalle de producto y mejores herramientas de talla reducen residuos y decepciones. (McKinsey & Company)

• ¿Cómo se compara la talla M con el tallaje de la marca X? ¿Qué pecho y cintura en cm?
• ¿Cuál es el tiro y el largo de pierna en una 32/34?
• ¿El tejido es opaco al estirarlo y cómo se lava?

Belleza

En belleza se busca claridad de ingredientes, seguridad y expectativas de tono o resultado. La investigación reciente destaca una demanda creciente de transparencia en las fórmulas y de pruebas de eficacia, sobre todo entre compradores jóvenes que quieren entender qué lleva un producto y por qué funciona. Un etiquetado claro, enlaces a fuentes solventes y expectativas honestas reducen las dudas. (McKinsey & Company)

• ¿Es apto para piel sensible o durante el embarazo? ¿Tiene irritantes conocidos?
• ¿Qué porcentaje de activo lleva esta fórmula?
• ¿Qué tono equivale al tono Z de la marca Y?

Tecnología y electrónica

Quien compra electrónica revisa compatibilidad, soporte y garantía antes de decidirse. La literatura académica muestra que la garantía funciona como reductor de riesgo cuando no se puede verificar el rendimiento por adelantado, y que las expectativas de entrega influyen tanto en la conversión como en las devoluciones. Pon a la vista listas de compatibilidad, normas requeridas y cobertura de garantía. (ScienceDirect)

• ¿Es compatible con el dispositivo A o la norma B? ¿Qué protocolos admite?
• ¿Cuál es la cobertura de garantía y cómo se reclama?
• ¿Qué plazo de entrega hay a mi código postal y las devoluciones son gratuitas?

Hogar y mobiliario

En hogar, las preguntas se concentran en dimensiones, materiales, fidelidad del acabado y montaje. La literatura sobre compra de muebles online señala el encaje en el espacio, el realismo de las imágenes y el esfuerzo percibido de montaje como factores decisivos. Da las medidas en varias unidades, muestra escala y holguras, y deja claros los pasos de montaje y las herramientas necesarias antes de comprar. (BioResources)

• ¿Pasa por una puerta de 76 cm y por las medidas de mi ascensor?
• ¿Cuáles son las medidas y holguras exactas en cm?
• ¿Cuánto se tarda en montarlo y qué herramientas hacen falta?

En todas las categorías se repite un patrón: la gente quiere respuestas rápidas y concretas en contexto, no un desvío a páginas de ayuda largas. La investigación de Google sobre micromomentos recoge justo esa expectativa de ayuda inmediata en el punto de necesidad, que es donde un módulo de preguntas anclado en tus datos aporta algo real. (business.google.com)

4) Generar respuestas que convierten (anclaje, tono, transparencia, recomendaciones, añadir al carrito)

Una buena respuesta reduce la incertidumbre sin añadir esfuerzo. El objetivo es fácil de decir y difícil de lograr: dar una respuesta correcta y concreta en contexto, y dejar actuar. La investigación en usabilidad lo llama reducir el coste de interacción. Como lo formula Nielsen Norman Group, el coste de interacción es «la suma de esfuerzos, mentales y físicos, que los usuarios deben desplegar» para alcanzar su objetivo, así que nuestro trabajo es mantenerlo bajo: menos clics extra, menos cambios de contexto y menos carga cognitiva. Al construir Sales AI de Yuma aplicamos esos mismos principios para que el comprador se quede en la ficha, obtenga respuestas con fundamento y dé el siguiente paso sin fricción.

Anclaje: responder desde tus propias fuentes

Los sistemas más fiables tiran de un corpus revisado (especificaciones, guías de talla, políticas de la tienda) y componen una respuesta fiel a esas fuentes. La generación aumentada por recuperación se ha impuesto porque «refuerza el anclaje factual, la precisión y la relevancia contextual», según una revisión sistemática de 2025 que traza cómo la fase de recuperación reduce las afirmaciones sin respaldo (arXiv).

Tono: escribe como un compañero útil, no como un folleto

Las guías de escritura UX coinciden en tres cosas: claridad, concreción y encaje con el contexto. Nielsen Norman Group plantea el microcopy como información que atiende la necesidad del momento y advierte contra el relleno que suena amable pero no dice nada (Nielsen Norman Group). Si preguntan por la opacidad de un tejido o una compatibilidad, responde en una o dos frases y ofrece después un pequeño paso siguiente que puedan aceptar o ignorar. La claridad también sirve a la accesibilidad: las etiquetas explícitas ayudan a quien usa lector de pantalla y reducen la ambigüedad para todos. (W3C WAI)

Transparencia: enseña lo justo

La gente decide más rápido cuando las políticas y las pruebas están visibles donde surge la duda. Los manuales de UX retail de Google recomiendan dejar claros los detalles de entrega y devolución en los puntos de decisión y «ayudar a los usuarios a pagar rápido y sin complicaciones», lo que implica eliminar desvíos que rompen la intención (services.google.com).

Recomendaciones: gánate el derecho a sugerir

Si la respuesta revela un desajuste, una alternativa relevante puede salvar la sesión. Los estudios de personalización asocian sugerencias bien dirigidas con mejores resultados de ingresos. McKinsey señala que las empresas con personalización eficaz «elevan los ingresos entre un 5 y un 15 %», aunque los resultados varían y la palanca es la calidad de ejecución. McKinsey & Company sirve aquí como hipótesis a probar, no como promesa. Limita las sugerencias a una o dos opciones claramente distintas y explica por qué encajan. Recomendar de más añade ruido y sube el riesgo de abandono, un patrón que Accenture relaciona con compradores saturados que se marchan cuando decidir cuesta demasiado. (Accenture)

Añadir al carrito desde la conversación

Resuelta la pregunta, el impulso importa. Deja que el comprador añada la variante al carrito sin salir de la página, confírmalo de forma visible y mantén su posición. El beneficio no es mágico: son menos pasos. Al eliminar un cambio de contexto reduces el coste de interacción y la posibilidad de que buscar una respuesta acabe en un laberinto de pestañas. La definición de coste de interacción de Nielsen Norman Group explica por qué este pequeño detalle suele notarse tanto.

Controles que protegen la confianza

Un asistente creíble prefiere la precisión a la persuasión. Cita las fuentes cuando proceda, mantén los datos de variantes sincronizados con la página y evita generalidades seguras cuando los datos son escasos. Las recomendaciones de Google sobre contenido centrado en las personas van en la misma línea: premian páginas que explican con claridad beneficios y límites y ponen la información útil donde se necesita. (services.google.com)

Generar respuestas va menos de sonar inteligente y más de hacer que decidir sea seguro. Ancla las respuestas, escribe para el momento, muestra pruebas suficientes para generar confianza, ofrece un siguiente paso pertinente y mantén al comprador en flujo.

Para una visión más amplia de cómo la IA generativa transforma toda la experiencia posventa, consulta la guía completa de atención al cliente con IA generativa.

Intención previa a la compra → plantillas de respuesta

5) Una UX de ficha de producto que convierte: guía basada en investigación

Las buenas respuestas de IA rinden más sobre una buena página. Los cimientos se conocen: información completa, opciones localizables, precio claro, disponibilidad visible y un camino de compra inequívoco. Nielsen Norman Group los enumera como elementos mínimos de una ficha fiable: imágenes ampliables, selección de opciones, disponibilidad y añadir al carrito con respuesta visible (Nielsen Norman Group). Según los grandes estudios de Baymard, muchos sitios siguen fallando en lo básico, como la claridad de políticas o la completitud de las especificaciones, y eso alimenta la duda (Baymard Institute).

Usa esta lista breve para evaluar tus fichas.

• Lo básico sin hacer scroll: nombre descriptivo, imágenes con zoom, precio con los cargos incluidos, disponibilidad visible y un botón de añadir al carrito destacado con confirmación inmediata. NN/g demuestra que un aviso explícito de «añadido» reduce la incertidumbre. (Nielsen Norman Group)
• Opciones que evitan errores: talla, color y demás variantes con estados claros y sin valores por defecto ocultos; apóyate en especificaciones concretas y guías de talla en vez de un lenguaje de ajuste vago. Baymard documenta fallos frecuentes aquí. (Baymard Institute)
• Políticas visibles en contexto: plazo y coste de envío, devoluciones y garantía cerca del precio y del botón, no solo en la ayuda; mantén frescas las fechas de actualización, como recomienda el manual retail de Google. (services.google.com)
• Móvil y rendimiento: la página debe sentirse instantánea y estable. Busca buenos Core Web Vitals en carga, interactividad y estabilidad visual para reducir la fricción de espera. (Google for Developers)

Estas mejoras valen por sí solas. Un módulo de preguntas de producto como Yuma Sales AI encaja en esta estructura sin sustituirla: responder con precisión desde tus datos, mantener al comprador en la página y dejarle actuar sin pasos extra.

Lista de esenciales de una ficha de producto

6) Lo que viene: multimodal, personalización, voz, pago agéntico

Comprar es cada vez más conversacional y más visual. La búsqueda avanza hacia entradas mixtas donde se escribe, se habla y se apunta con la cámara. El blog de Search de Google señala que el modo IA aporta «razonamiento más avanzado y multimodalidad», y su despliegue sale de Labs en 2025 (blog.google).

La prueba virtual pasa de curiosidad a utilidad. El equipo de shopping de Google describe una nueva función que funciona con tus propias fotos, con un modelo que entiende cómo caen los tejidos en distintos cuerpos. (blog.google)

Los retailers despliegan asistentes de compra conversacionales a gran escala. Amazon puso Rufus a disposición de todos sus clientes en EE. UU., en la app y en escritorio, para responder preguntas de producto y ayudar a decidir (About Amazon).

La personalización se parecerá menos a un bloque de recomendaciones y más a un hilo que se adapta a la intención. La investigación de McKinsey sigue vinculando la personalización eficaz con más ingresos, recordando que el resultado depende de la calidad de los datos y del diseño. (McKinsey & Company)

Un cambio notable es el «pago agéntico». Las guías de marketing de Google describen un flujo donde el comprador sigue el precio de un producto, fija opciones y luego aprueba una acción de «cómpralo por mí» que completa la compra con un pago guardado. El agente hace un trabajo que antes exigía varias visitas, mientras la persona mantiene el control de la confirmación final. (Google Blog)

Qué significa esto en la práctica:

• Diseña para entradas mixtas. Haz que especificaciones, políticas y variantes sean legibles por personas y máquinas, para que las respuestas sigan siendo fieles llegue la pregunta por texto, voz o cámara.
• Muestra la procedencia. Si una respuesta se basa en una guía de tallas o un PDF de garantía, dilo. Importará todavía más conforme los asistentes intermedien en la compra.
• Mantén el consentimiento en primer plano. Patrones agénticos como el seguimiento de precios o el pago automático necesitan permisos claros y reversión sencilla.
• Instrumenta todo. Si adoptas estas funciones, mide exposición, interacciones, añadidos al carrito y compras con tests controlados para separar la mejora real del ruido.

Esta hoja de ruta coincide con la evolución de Yuma Sales AI. Empezamos con respuestas ancladas en la ficha de producto. Después vendrán experimentos más ricos con pasos agénticos que respeten el consentimiento y mantengan al comprador al mando.

7) Sobre Yuma Sales AI: por qué construimos un módulo de preguntas de producto

Veíamos el mismo patrón una y otra vez en el soporte de ecommerce: una parte sorprendente de los mensajes de «soporte» eran en realidad preguntas previas a la compra que deberían haberse resuelto en la ficha. El comprador estaba a un paso de añadir al carrito y dudaba sobre el ajuste, los materiales, el envío, las devoluciones o la disponibilidad. Nuestra pregunta fue sencilla: ¿podíamos responder ahí mismo, en la página, sin mandar a nadie a un centro de ayuda o a un hilo de correo, y podíamos medir si servía?

Qué es

Sales AI es un módulo de preguntas de producto que vive en tus fichas, sugiere preguntas probables, responde desde tus propias fuentes, admite repreguntas rápidas y recomendaciones, y permite añadir al carrito sin perder el contexto.

Principios de diseño

• Anclado, no genérico. Las respuestas salen de tus datos de producto, tus políticas y tu contenido de ayuda, no de conjeturas.
• Confianza honesta. Si no estamos seguros, lo decimos y remitimos a la fuente de referencia (tabla de tallas, política o ayuda humana) en lugar de fingir.
• Mantener el flujo. Que el comprador se quede en la página, sin desvíos a colas lentas ni FAQ sin salida.
• Medible por defecto. Instrumentamos interacción → añadir al carrito → compra para que puedas hacer A/B con tu propio marco. Trata la mejora como una hipótesis a probar, no como una promesa.
• Consciente del rendimiento. Script ligero, respetuoso con los presupuestos de velocidad y con la UX móvil.
• Privacidad primero. Usar solo lo necesario para responder, con límites claros de retención de datos.

Qué no es

• No es un chatbot emergente genérico que ignora las particularidades del producto.
• No es una caja negra: puedes inspeccionar las conversaciones y las fuentes usadas.
• No está atado a una sola plataforma: funciona con Shopify.
• No es un proyecto de migración: se apoya sobre tu stack y tus herramientas de A/B actuales.

Dónde encaja en tu forma de trabajar

Lo instalas, lo apuntas a las fuentes adecuadas (detalles de producto, políticas, macros existentes) y eliges dónde aparece. A partir de ahí, observas qué pregunta la gente de verdad, corriges textos o políticas e iteras sobre el estilo y la profundidad de las respuestas.

Si quieres ver qué incluye, consulta los planes de Yuma antes de reservar una llamada.

8) FAQ

¿Qué es un módulo de preguntas de producto y en qué se diferencia de un chatbot?

Un módulo de preguntas de producto vive en la ficha, responde desde tu catálogo y tus políticas, admite repreguntas rápidas y permite actuar allí mismo. Un chatbot genérico vive en una ventana flotante, suele carecer de anclaje en el producto y remite a páginas de ayuda o al correo. El módulo está hecho para decisiones de compra, no para soporte general.

¿Dónde deben aparecer las respuestas en la ficha para reducir el abandono?

Coloca el punto de entrada junto a los controles de decisión, normalmente cerca de los selectores de talla u opción y del precio, y muestra las respuestas en línea para que el contexto siga visible. Enseña los detalles de envío y devolución donde surge la duda, no solo en la ayuda. Coincide con la investigación: proximidad y localizabilidad reducen el abandono.

¿Qué fuentes deben alimentar las respuestas y cómo se mantienen al día?

Usa especificaciones y datos de variantes, guías de talla o ajuste, fichas de ingredientes o materiales, matrices de compatibilidad, políticas de envío y devolución, condiciones de garantía e inventario. Sincroniza desde tu CMS de comercio, añade marcas de tiempo y versiones, y asigna responsable y periodicidad de revisión para que las actualizaciones se propaguen sin copiar y pegar. Una procedencia clara ayuda a la confianza y al mantenimiento.

¿Cómo mantiene un LLM la precisión en una ficha de producto?

Un LLM recupera los fragmentos más relevantes de un corpus revisado y genera una respuesta concisa limitada por esas fuentes, lo que reduce las afirmaciones sin respaldo. Muestra la etiqueta de fuente y la fecha de actualización cuando sea útil, y fija un umbral de confianza para que el sistema solo responda cuando la recuperación sea sólida.

¿Qué debe hacer la IA cuando no está segura o faltan datos?

Abstenerse con elegancia, mostrar el fragmento de referencia más cercano y ofrecer un paso sencillo: abrir la guía de tallas, ver la página de devoluciones o contactar con soporte. Registra el hueco para que tu equipo añada o corrija el dato. Eso protege la confianza y convierte la incertidumbre en una cola de mejoras de contenido.

¿Qué métricas seguir además de la tasa de conversión?

Vigila la tasa de interacción con el asistente, la de añadir al carrito por sesión expuesta, la de compra por sesión expuesta y el tiempo hasta la primera acción decisiva. Si muestras recomendaciones, mide el ingreso asistido y la variación del ticket medio. Dan una imagen más completa que un solo número de conversión.

¿Ralentizará mi web un módulo de preguntas con IA y cómo lo compruebo?

Debe ser ligero y cargarse de forma asíncrona. Usa PageSpeed Insights o las DevTools de Chrome para comparar antes y después, y comprueba que no bloquea el renderizado ni desplaza el diseño. Si las métricas empeoran, aplaza recursos no críticos, carga en diferido los medios pesados y mantén una huella de DOM pequeña. Consulta la documentación de Core Web Vitals de Google.

¿Cómo gestionar la accesibilidad y las respuestas multiidioma en las fichas?

Cumple lo básico de WCAG 2.2: contraste suficiente, controles etiquetados, acceso por teclado y estados de foco claros. Anuncia las actualizaciones de respuesta a los lectores de pantalla con una región activa discreta y usa lenguaje sencillo. En tiendas multiidioma, detecta el idioma de la página, prioriza tus propias traducciones de las fuentes y recurre a alternativas con prudencia. Deja cambiar de idioma y muestra la procedencia para que se sepa de dónde sale la respuesta.

¿Pueden las recomendaciones subir el ticket medio y cómo acotarlas?

Ayudan cuando siguen la intención. Usa el contexto de la respuesta para sugerir uno o dos artículos claramente relevantes, explica por qué encajan y evita productos agotados o casi idénticos. Mide el valor medio del pedido por sesión expuesta con un grupo de control y mantén las sugerencias contenidas, para que ayuden a decidir en lugar de añadir ruido.

¿Cómo evitar alucinaciones o errores sobre variantes y disponibilidad?

Ancla las respuestas con recuperación desde fuentes versionadas, fija umbrales de confianza y abstente cuando la recuperación sea débil. Mantén datos de variantes e inventario sincronizados con la página, muestra procedencia y fecha de actualización, y deriva los casos límite a una vía humana. Revisa muestras con regularidad y trata las respuestas fallidas como un backlog de contenido.