El Agent Readiness Score permite evaluar si una web está preparada para que los agentes de IA puedan encontrarla, interpretar su contenido y realizar acciones sobre ella. Es un paso más allá de la Generative Engine Optimization (GEO), porque ya no se trata solo de aparecer en respuestas generadas por IA, sino de facilitar que estos sistemas puedan comparar productos, consultar condiciones o avanzar hacia una compra o reserva.
Este cambio empieza a tener impacto real en negocios. Según Adobe Analytics, el tráfico procedente de IA hacia sitios de retail de Estados Unidos creció un 393 % interanual en el primer trimestre de 2026 y, en marzo, esos visitantes convirtieron un 42 % mejor y generaron un 37 % más de ingresos por visita. La cuestión para las empresas ya no es únicamente ganar visibilidad, sino comprobar si su web está técnicamente preparada para captar esta nueva demanda. A lo largo del artículo veremos qué mide el Agent Readiness Score y qué elementos conviene revisar para mejorar esa preparación.
El comercio agéntico empieza a dejar señales medibles en el comportamiento digital. El crecimiento del tráfico procedente de IA hacia el retail estadounidense es una de ellas, pero no la única. Según un estudio de Akamai citado por Computing, a finales de 2025 los bots de IA ya representaban el 47,9 % del tráfico comercial observado en su red global. Esto significa que una parte creciente de la actividad que llega a las webs comerciales ya no procede exclusivamente de usuarios humanos.
Hay tres cambios que ayudan a entender por qué este fenómeno merece atención:
Para un responsable de marketing, el cambio relevante es este: si los agentes empiezan a participar en la decisión y la transacción, la capacidad de una web para ser entendida y utilizada por ellos puede convertirse en una nueva variable de captación y conversión. Por eso tiene sentido empezar a medir su grado de preparación antes de que el tráfico de agentes represente una parte mayor de la demanda.
El Agent Readiness Score es una puntuación de 0 a 100 que sirve para estimar hasta qué punto un dominio está preparado para interactuar con agentes de IA. Cuanto mayor es la puntuación, menos barreras encuentra un agente para descubrir la web, interpretar su contenido y avanzar hacia una acción.
La evaluación se puede entender a partir de tres grandes capacidades:
El valor del Agent Readiness Score no está solo en obtener una cifra, sino en identificar qué bloquea la interacción entre la web y los agentes. Una puntuación baja puede revelar desde problemas de acceso hasta una falta de señales técnicas o comerciales que dificulten que estos sistemas entiendan qué ofrece el negocio y cómo actuar sobre esa información.
No existe un único estándar universal que determine cuándo una web está preparada para agentes. Sin embargo, sí hay un conjunto de señales técnicas que permiten reducir fricciones y facilitar que estos sistemas descubran información, entiendan qué puede hacerse en la web y accedan a sus funciones. La preparación no depende de implementar cuantos más elementos, mejor, sino de eliminar las barreras que impiden a un agente entender y utilizar el sitio.
El primer paso es asegurarse de que los agentes puedan encontrar las páginas y recursos relevantes. Un robots.txt bien configurado permite definir qué sistemas pueden rastrear el dominio, mientras que el sitemap ayuda a descubrir su estructura y contenido.
También pueden utilizarse cabeceras Link para señalar recursos que una máquina debería poder localizar automáticamente. El objetivo es que productos, servicios, documentación o interfaces no queden escondidos detrás de rutas difíciles de descubrir.
El archivo llms.txt es una propuesta creada para ofrecer a los sistemas de inteligencia artificial una versión más clara y estructurada de la información relevante de una web. Puede funcionar como un índice que indique qué contenidos merece la pena consultar y dónde encontrarlos. A septiembre de 2026, sigue siendo una propuesta y no un requisito universal.
Otra posibilidad es ofrecer versiones en Markdown cuando un cliente automatizado las solicita. Esto reduce elementos visuales, navegación o código que un agente no necesita. Cuanto menos esfuerzo tenga que hacer el sistema para separar la información útil del resto de la página, más fácil será que interprete correctamente la oferta.
No todos los bots de IA tienen la misma función, por lo que conviene revisar qué agentes tienen permiso para acceder al dominio y con qué finalidad. ClaudeBot y PerplexityBot, por ejemplo, reconocen directivas de robots.txt, aunque sus usos son diferentes.
Por tanto, este punto no consiste simplemente en bloquear o permitir todos los rastreadores. La empresa debe decidir qué acceso quiere ofrecer en función de su estrategia de presencia y visibilidad en sistemas de IA.
Cuando una web ofrece funcionalidades a través de APIs, hacerlas fáciles de descubrir supone un paso más hacia una infraestructura preparada para agentes. El estándar RFC 9727 define /.well-known/api-catalog precisamente para facilitar el descubrimiento automatizado de APIs y de la información necesaria para utilizarlas.
A esto se suman mecanismos emergentes como las MCP Server Cards, diseñados para describir capacidades que pueden utilizar clientes compatibles con Model Context Protocol. En una web agéntica, el objetivo no es solo que la máquina lea contenido, sino que pueda identificar de forma estructurada qué acciones tiene disponibles.
La capa técnica pierde valor si el agente encuentra información comercial ambigua. Productos correctamente identificados, precios visibles, disponibilidad, condiciones y datos estructurados ayudan a reducir esa incertidumbre.
Para un ecommerce, por ejemplo, un agente que compara varias alternativas necesita distinguir con claridad qué producto está viendo, cuánto cuesta y bajo qué condiciones puede adquirirse. La información que ayuda a decidir a una persona también debe presentarse de forma suficientemente clara y consistente para que pueda interpretarla una máquina.
Más que fijarse únicamente en una puntuación, conviene comprobar qué ocurre cuando un sistema automatizado intenta recorrer el mismo camino que seguiría un usuario. Una web preparada para agentes debe facilitar tanto el acceso a la información como la comprensión de la oferta y de las acciones disponibles.
Una revisión práctica puede empezar por estas preguntas:
Si varias de estas respuestas son negativas, probablemente haya margen de mejora. El objetivo no debería ser optimizar una web para una herramienta concreta, sino reducir las fricciones que puedan impedir a distintos agentes entender la oferta y actuar sobre ella.
Esta revisión también puede incorporarse al trabajo de métricas GEO. La visibilidad en IA indica si una marca aparece en los nuevos entornos de búsqueda; la preparación agéntica añade otra pregunta: qué posibilidades tiene esa demanda de avanzar una vez que el agente llega a la web.
El Agent Readiness Score ayuda a convertir una cuestión todavía difusa —si una web está preparada para interactuar con agentes de IA— en una revisión más concreta de accesos, contenidos, infraestructura y señales comerciales. La prioridad no es perseguir una puntuación perfecta, sino detectar qué barreras pueden impedir que un agente encuentre la oferta, la entienda y avance hacia una acción.
Para las empresas, esta preparación puede convertirse en una extensión natural del trabajo de GEO. Medir la presencia de la marca con alguna o algunas de las mejores 10 herramientas para analizar tu visibilidad GEO en chats con IA permite saber si los sistemas generativos están mostrando el negocio, mientras que trabajar en cómo mejorar tu visibilidad en IA con SEO (GEO) ayuda a reforzar esa presencia. El siguiente paso es comprobar qué sucede después: si el agente puede entender la oferta, comparar opciones y avanzar hacia una acción sin encontrar fricciones.