Cómo eligen realmente qué mostrar los motores de recomendación de productos con IA
Por Zakaria Reziki
CEO — Growli · 1 de octubre de 2026 · 6 min de lectura
Redactado con ayuda de IA siguiendo los estándares editoriales de Zakaria Reziki, y publicado tras controles automáticos de fuentes y calidad.
El widget de «los clientes también compraron» o «recomendado para ti» en una página de producto funciona según uno de dos enfoques fundamentalmente distintos, o alguna mezcla de ambos — y entender cuál está haciendo el trabajo cambia lo que deberías esperar de él. Este artículo explica el filtrado colaborativo y las recomendaciones basadas en contenido en lenguaje sencillo, y las ventajas y desventajas reales que un pequeño propietario de tienda que evalúa una app de motor de recomendación debería realmente sopesar.
Esto trata específicamente sobre los widgets de recomendación en el sitio, no sobre asistentes de IA como ChatGPT decidiendo si recomendar tu tienda a alguien que navega en otro lugar — eso es un sistema aparte, cubierto en un artículo complementario en este sitio.
Recomendaciones basadas en contenido: comparar qué es un producto
Un sistema basado en contenido recomienda productos comparando sus características reales — categoría, materiales, rango de precio, etiquetas descriptivas — con lo que un comprador específico ya ha mostrado interés. Si alguien ve un par de botas de senderismo impermeables, un sistema basado en contenido busca otros productos que compartan atributos relevantes: otro calzado impermeable, otro equipo de senderismo, artículos en un rango de precio similar.
Este enfoque típicamente depende de la propia información de un solo comprador en lugar de basarse en lo que ha hecho la comunidad más amplia de clientes, lo que lo hace más predecible pero también más limitado — tiende a recomendar cosas similares a lo que alguien ya ha visto, lo que puede significar menos variedad para un comprador que está explorando.
Dos enfoques
Basado en contenido vs. filtrado colaborativo
Basado en contenido: compara características del producto
Categoría, materiales, precio, etiquetas — funciona a partir de la propia actividad de un solo comprador.
Filtrado colaborativo: compara patrones de comportamiento
Lo que compraron juntos clientes similares, aprendido de datos comunitarios.
La mayoría de las apps mezclan ambos
Recurriendo a las características del producto cuando los datos de comportamiento son demasiado escasos.
Filtrado colaborativo: comparar qué hizo la gente
El filtrado colaborativo funciona de forma distinta. La documentación de Google sobre el enfoque lo describe como el uso de similitudes entre usuarios y artículos simultáneamente, aprendidas de patrones en el comportamiento comunitario en lugar de las características de un producto individual. En la práctica: si los clientes que compraron las mismas botas de senderismo que tu comprador actual también compraron frecuentemente un mapa de senderos particular o calcetines de senderismo, el sistema recomienda esos artículos — no porque compartan características obvias con las botas, sino porque personas con patrones de compra similares compraron ambos.
Esto puede producir el tipo de recomendación agradablemente inesperada que un sistema basado en contenido rara vez produciría, ya que no está limitado a artículos que comparten características superficiales. La contrapartida es que necesita datos de comportamiento reales para funcionar en primer lugar. Los principales proveedores de nube reflejan esta misma división en cómo construyen sus herramientas de recomendación: la propia documentación de Amazon para su servicio Personalize describe el soporte de algoritmos colaborativos y basados en contenido lado a lado, en lugar de tratar uno como un reemplazo universal del otro.
El problema de arranque en frío que las tiendas pequeñas deberían prever
La debilidad central del filtrado colaborativo es lo que se conoce como el problema de arranque en frío: no puede recomendar de forma significativa un producto sin historial de compra o interacción todavía, y tiene poco con qué trabajar para un visitante completamente nuevo cuyo comportamiento no está registrado. Para una tienda pequeña o más nueva con un catálogo limitado y tráfico modesto, esto no es un caso límite hipotético — es la situación normal para una parte significativa de productos y visitantes.
Aquí es exactamente donde un enfoque basado en contenido, o un sistema mixto que recurre a las características del producto cuando los datos de comportamiento son escasos, tiende a funcionar de forma más fiable para catálogos más pequeños. Un motor de recomendación de filtrado colaborativo puro ajustado para un minorista de alto tráfico puede simplemente tener muy pocos datos con los que trabajar en una tienda más pequeña — la misma limitación de arranque en frío que las comparaciones académicas de ambos enfoques describen como una de las debilidades más consistentemente documentadas del filtrado colaborativo.
El problema de arranque en frío
Por qué el filtrado colaborativo lucha con tiendas nuevas
1. Producto nuevo o visitante nuevo
Aún no existe historial de compra o interacción.
2. El filtrado colaborativo no tiene nada que comparar
Aprende del comportamiento comunitario, que aún no existe para este caso.
3. Un respaldo basado en contenido todavía funciona
Las características del producto no requieren historial de comportamiento para comparar.
Lo que realmente hay que sopesar al evaluar una app de recomendación
Pregunta qué enfoque usa realmente la app, ya que los proveedores no siempre destacan este detalle, y el ajuste correcto depende genuinamente del tamaño del catálogo y el tráfico. Una tienda más grande con un volumen de transacciones significativo por producto puede beneficiarse de la capacidad del filtrado colaborativo para sacar a la luz conexiones no obvias. Una tienda más pequeña o más nueva a menudo está mejor servida por un enfoque basado en contenido o mixto que no depende de datos de comportamiento que la tienda aún no tiene.
También vale la pena recordar lo que este sistema no puede hacer: solo opera sobre visitantes que ya están en tu sitio. No tiene ninguna relación con si un asistente de IA recomienda tu tienda a alguien que aún no te ha encontrado — ese es un problema aparte que requiere soluciones aparte, cubierto en nuestra guía sobre personalización con IA frente a visibilidad en IA.
Mira qué dice la IA de tu negocio
Growli mide tu cuota de respuestas IA en ChatGPT, Gemini, Claude y Perplexity — y convierte cada brecha en acciones priorizadas.
ComenzarFAQ
Basado en contenido compara qué es un producto — sus características y categoría. El filtrado colaborativo compara qué hizo la gente — patrones de compra entre muchos clientes — independientemente de si los productos comparten características obvias.
Si la app depende del filtrado colaborativo, probablemente aún no tiene suficiente historial de compra para tu catálogo — este es el problema de arranque en frío, y es común en tiendas nuevas o más pequeñas.
No normalmente. Muchas mezclan ambos, usando la lógica basada en contenido como respaldo cuando los datos de comportamiento para un producto o visitante son demasiado escasos para que funcione el filtrado colaborativo.
No — este sistema solo opera sobre visitantes que ya están en tu sitio. Si un asistente de IA recomienda tu tienda a alguien que no ha visitado es un problema aparte con requisitos aparte.
No necesariamente. Un sistema sofisticado de filtrado colaborativo construido para minoristas de alto tráfico puede rendir peor que un enfoque más simple basado en contenido en un catálogo más pequeño, ya que necesita datos de comportamiento que la tienda tal vez aún no tenga.