Shopify y Vercel están reconstruyendo Hydrogen como una base abierta y agnóstica al runtime. Hydroge…
Dónde empiezan realmente los compradores en 2026: búsqueda con IA, navegación por categorías o filtro por facetas
Webflow lanzó AEO Enterprise. Storyblok se está reposicionando hacia una plataforma de marketing. Uniform mostró ayer una demo de Scout v2. Los tres movimientos de estos proveedores apuntan a la misma pregunta: ¿cómo cambia la interfaz de búsqueda y descubrimiento cuando la IA se instala en el storefront?
Lo que ninguno de estos lanzamientos responde con claridad: ¿dónde empieza realmente el comprador hoy? ¿Qué camino de entrada al storefront domina en 2026 y cómo cambia a lo largo de los próximos 12 meses?
Este artículo ofrece una respuesta empírica, basada en datos de pilotos de storefronts DACH de los últimos 90 días. Tres patrones de entrada, cuotas de tráfico, palancas de conversión y cuatro consecuencias de UX concretas para la próxima iteración del storefront.
Los tres patrones de entrada en cifras
Una nota previa: estos datos proceden de una mezcla de storefronts DACH de distintas clases de tamaño (de mid-market a enterprise) que hemos analizado en los últimos trimestres. Las cifras absolutas varían según el sector y la profundidad del surtido, pero los patrones relativos son consistentes.
Patrón A: AI-Search-First
El comprador llega al storefront y usa una superficie de búsqueda impulsada por IA como primer punto de contacto de descubrimiento, ya sea un hub de búsqueda de estilo conversacional (patrón pregunta-respuesta) o una búsqueda inteligente consciente de los filtros.
Cuota de tráfico: ~4 % de las sesiones Incremento de conversión frente a la base de referencia: +12 % en pilotos DACH Audiencias típicas: compradores primerizos en surtidos complejos (casos de uso de configurador, investigación de producto B2B), compradores multicategoría
El 4 % parece poco. Pero crece: en los pilotos que hemos seguido, la cuota se duplica aproximadamente cada seis meses, impulsada por la creciente familiaridad de los compradores con las interfaces de IA procedentes de contextos de consumo.
Patrón B: Category-Browse-First
El camino clásico: el comprador llega a la home o a una landing page de campaña, navega mediante las categorías del header o los mosaicos hero hasta una página de listado de productos (PLP) y filtra más a partir de ahí.
Cuota de tráfico: ~60 % de las sesiones Incremento de conversión frente a la base de referencia: estable, pero con su cuota cayendo ~8 % al año Audiencias típicas: compradores recurrentes con intención de categoría clara, fieles a la marca, clics desde la newsletter
Este patrón es la columna vertebral de la mayoría de los storefronts, y el mayor perdedor en la línea de tendencia a medio plazo. El declive no es dramático, pero sí constante. Quien espere en 2027 la misma mezcla de patrones que en 2025 está planificando contra la tendencia.
Patrón C: Faceted-Filter-First
El camino del usuario avanzado: el comprador llega directamente a una página de listado de productos (mediante SEO, anuncio de pago o deep link desde una newsletter) e inicia el descubrimiento principalmente a través de la barra lateral de facetas.
Cuota de tráfico: ~18 % de las sesiones Tasa de añadido al carrito: más alta que en el Patrón A o B, el comprador llega con una preselección clara y convierte más rápido Audiencias típicas: compradores orientados a la investigación, fases de comparación, compras de alto importe
El Patrón C tiende a subestimarse porque sus volúmenes de tráfico parecen pequeños al lado de la navegación por categorías. Pero la calidad de conversión es superior a la media. Más sobre el diseño de la capa de facetas en nuestro artículo de mayo sobre UX de búsqueda por facetas para storefronts composable.
Qué implican los datos, más allá de las cifras
Los tres patrones no son estáticos. Se desplazan y se solapan.
Solapamiento 1: AI-Search-First (Patrón A) y Faceted-Filter-First (Patrón C) no son opuestos. En los pilotos que hemos visto, los compradores más eficaces usan ambos en secuencia: búsqueda con IA para acotar la categoría inicial y luego filtro por facetas para la selección de detalle. Si ambas superficies no se diseñan de forma coherente (misma lógica de ordenación, estado de filtros transferible), el camino se rompe.
Solapamiento 2: Category-Browse-First (Patrón B) está sobreoptimizado en la mayoría de los storefronts en relación con su línea de tendencia. La home, los mosaicos hero, las estructuras de mega-menú del header reciben la mayor parte de los recursos de UX, incluso mientras su relevancia decae. Las superficies de descubrimiento conscientes de la búsqueda con IA a menudo reciben demasiado poco.
Línea de tendencia: la cuota de búsqueda con IA crecerá hasta el 10 al 15 % en los próximos 18 meses, impulsada por los movimientos de los proveedores (Webflow AEO, Storyblok, Uniform Scout) por un lado y la familiaridad de los compradores por el otro. Quien hoy no tenga un concepto claro de superficie de búsqueda con IA no se está perdiendo los próximos seis meses, pero tampoco está construyendo el camino para el crecimiento.
Cuatro consecuencias de UX para la próxima iteración del storefront
1. Arquitectura de la PDP: del contenedor de comparación al contenedor de respuestas
Cuando los compradores llegan mediante búsqueda con IA, suelen venir con una pregunta, no con un nombre de producto. La arquitectura de la PDP tiene que responder a esa pregunta de forma explícita en la parte superior de la página, antes de las clásicas tablas de comparación y de especificaciones. Un bloque de pregunta-respuesta (a menudo llamado featured-question block) entre el hero y la especificación de detalle es el patrón más sencillo. Esto no es solo una mejora de UX, sino también una medida de GEO/AEO. Las mismas respuestas estructuradas se indexan de forma preferente por los crawlers de IA.
2. Componente de búsqueda del header: del campo de entrada al hub de descubrimiento
La búsqueda clásica del header es un campo de entrada con autocompletado. La versión de 2026 es un hub de descubrimiento: al hacer foco, se abre un panel con tres secciones, búsquedas en tendencia (Patrón A), categorías actuales (Patrón B) y listas filtradas recientes (Patrón C), los tres patrones de entrada accesibles en una sola superficie. El esfuerzo de implementación es manejable y el incremento de conversión en nuestras pruebas es significativo.
3. Diseño del estado vacío: de la pantalla sin salida a la superficie de reenrutado
Los estados vacíos para los resultados de búsqueda están poco desarrollados en la mayoría de los storefronts. Cuando una consulta de búsqueda con IA o una configuración de filtros no devuelve ningún resultado, ese es un momento de UX valioso, no un caso límite. El estado vacío debería reenrutar de forma activa: términos de búsqueda alternativos (semánticamente similares, no solo por coincidencia aproximada), categorías relacionadas o un fallback humano (chat, reserva de consulta). La mitad de los storefronts que hemos visto muestran aquí solo "sin resultados", y eso es una pérdida de conversión innecesaria.
4. Continuidad post-clic: de la entrada al listado a un camino continuo
Cuando un comprador empieza con búsqueda con IA y pasa a una página de listado, el listado debería conservar el contexto de la búsqueda: filtros aplicados visibles, pregunta original como cabecera fija, capacidad de refinar sin pérdida de contexto. Esto es personalización post-clic que no se basa en IDs de usuario ni en perfiles de cookies, sino en la intención de la sesión. Más en nuestro artículo sobre personalización post-clic 2026.
Qué significa esto para la biblioteca de componentes
Quien planee un rediseño de storefront en los próximos 12 meses debería replantearse tres componentes: la búsqueda del header (Patrón A más el puente entre patrones), el área hero de la PDP (contenedor de pregunta-respuesta para el tráfico de entrada por IA) y el estado vacío del listado (superficie de reenrutado). Los tres componentes tienen un esfuerzo de construcción manejable e intervienen directamente en los tres patrones de entrada.
A nivel de componente, esto significa definiciones de bloque con slots claros para búsquedas en tendencia, featured-question blocks y plantillas semánticas de estado vacío. En una Frontend Management Platform, estas son configuraciones basadas en esquema, no nuevas implementaciones de frontend, la capa de editor permite a los equipos de marketing configurar y hacer tests A/B de estas superficies de forma independiente. Más sobre Laioutr UI.
El ancla de mercado
Webflow AEO Enterprise, la deriva de Storyblok hacia una plataforma de marketing, Uniform Scout v2, los tres movimientos de proveedores de las últimas semanas convergen en la capa de superficie de búsqueda con IA. Esa es la validación de la tendencia, no la tendencia en sí.
Más sobre el contexto de AEO y cómo los equipos de marketing de producto/categoría operativizan el tema en nuestro artículo sobre AEO de finales de mayo.
En resumen
El 60 % de tráfico en navegación por categorías es la realidad de hoy. El 4 % de búsqueda con IA será del 12 al 15 % en 18 meses. El 18 % de filtro por facetas es el grupo cualitativamente más fuerte y se pasa por alto en muchas roadmaps.
La iteración de UX para 2026 no es: construir búsqueda con IA en lugar de navegación por categorías. Es: dar soporte a los tres patrones con una arquitectura de descubrimiento coherente que tienda puentes entre ellos. Quien haga eso está construyendo el storefront para los próximos tres años. Quien optimice solo el patrón dominante está construyendo para 2024.