Un cliente fotografía una silla que ha visto en una cafetería y quiere comprarla. Un visitante hace una foto de unas zapatillas vistas por la calle. Este comportamiento existe desde hace años en Google Lens y en las apps de los grandes marketplaces, y no deja de aparecer en los debates sobre el futuro de la búsqueda en e-commerce.
La pregunta que se hacen de verdad la mayoría de los responsables de e-commerce no es "¿esto existe?" sino "¿tengo que ocuparme de ello ahora, y a qué coste?". Este artículo hace balance de lo que abarca realmente la búsqueda visual, de lo que funciona hoy, de lo que hace falta para montarla y de las direcciones que se están perfilando.
Tres cosas distintas detrás de una palabra
"Búsqueda visual" designa al menos tres funciones distintas, con niveles de madurez y costes de integración muy diferentes.
Búsqueda por imagen en tu propio sitio
El visitante sube una foto, desde su galería o su cámara, y el motor devuelve los productos visualmente más cercanos del catálogo. Es el caso de uso más conocido. Se basa en comparar representaciones numéricas de imágenes, el mismo mecanismo descrito en nuestro artículo sobre la búsqueda vectorial, aplicado a los píxeles en lugar del texto.
Detección de objetos dentro de una imagen
A menudo llamado "shop the look". A partir de una foto de ambiente que contiene varios artículos (un sofá, una alfombra, una lámpara), el sistema aísla cada objeto y sugiere productos para cada uno. Es más complejo que la simple búsqueda por imagen, porque hay que segmentar la imagen antes de poder comparar nada.
Tráfico entrante desde un motor visual externo
Aquí no construyes nada. Alguien usa Google Lens o la herramienta visual de una plataforma, y uno de tus productos aparece en los resultados. Este canal depende de la calidad de tu feed de productos y de tus imágenes, no de un componente instalado en tu sitio. Es el único de los tres que te afecta aunque no hagas nada.
En qué punto está la tecnología
El lado de los modelos ha avanzado mucho. Los embeddings multimodales, las representaciones que sitúan imágenes y texto en el mismo espacio, están disponibles a través de APIs estándar, en particular en Google Cloud con los multimodal embeddings de Vertex AI. Sobre el papel, indexar las imágenes de un catálogo y consultar ese índice por similitud ya no es un proyecto de investigación.
En la práctica, la calidad de los resultados depende mucho del tipo de producto.
Lo que funciona bien
Las categorías donde el aspecto pesa la mayor parte de la decisión de compra: moda, decoración, mobiliario, iluminación, joyería, papelería. En un vestido estampado o un sillón, la similitud visual encaja bastante bien con lo que el cliente tiene en mente. Son también las categorías con el vocabulario más pobre: describir un estampado o una forma con palabras es difícil, hacer una foto no.
Lo que funciona mal
Los productos técnicos, donde dos referencias de aspecto casi idéntico tienen especificaciones decisivas: compatibilidad, potencia, dimensiones precisas. Una foto de un taladro no dice nada del voltaje de la batería. Los casos en que la intención es ambigua: una foto de una cocina podría significar "quiero ese robot de cocina", "quiero esa encimera" o "quiero esa lámpara colgante". Y cualquier catálogo donde las imágenes son inconsistentes, con fondos, encuadres y resoluciones que varían de una ficha a otra.
Lo que cuesta montarla
Un proyecto de búsqueda por imagen en tu sitio añade cuatro partidas de coste que la búsqueda de texto no tiene, o no en la misma medida.
Generar los embeddings de las imágenes. Cada imagen del catálogo pasa por un modelo una vez, y de nuevo cada vez que un visual cambia. En un catálogo de decenas de miles de referencias con varias imágenes por producto, el volumen no es trivial, y se repite en cada resincronización.
Almacenar y consultar el índice vectorial de imágenes. Es un índice además del de texto, con su propio coste de infraestructura proporcional al número de imágenes.
Normalizar el catálogo de imágenes. A menudo la partida más pesada, porque es manual: reelaborar miles de visuales para que fondos y encuadres sean coherentes. Es un proyecto de catálogo, no técnico.
Integración en el front-end. Un botón de acceso a la cámara, la gestión de la subida de archivos, el caso móvil donde el comportamiento es más natural. Nada insalvable, pero es desarrollo dedicado en la tienda.
Frente a esos costes, una referencia útil: en casi todas las tiendas, la inmensa mayoría de las búsquedas son y seguirán siendo textuales. La búsqueda visual es un complemento para un segmento de visitantes, no un sustituto del campo de búsqueda.
Qué viene
Se perfilan tres direcciones, en distintas fases de madurez.
Búsqueda multimodal. Combinar una imagen y texto en la misma consulta: partir de una foto de un sofá y añadir "pero en terciopelo verde" o "en versión de dos plazas". Los modelos pueden hacerlo técnicamente; el reto es la interfaz que hace el gesto natural para un comprador. Es la dirección más concreta a corto plazo.
Búsqueda conversacional con una imagen. Un intercambio en el que el visitante envía una foto y luego afina mediante diálogo, en la lógica de los asistentes de compra. Los componentes existen, los despliegues para el consumidor siguen siendo limitados, y la ventaja real en conversión aún no está establecida.
Sugerencia visual a partir de la navegación. Inferir la intención de los productos ya vistos para proponer artículos visualmente coherentes, sin que el visitante fotografíe nada. Prometedor, pero todavía más cerca de la recomendación clásica que de la búsqueda.
¿Merece la pena ocuparse ahora?
La respuesta depende primero del sector.
Moda, decoración, mobiliario, joyería: sí, el tema merece probarse, al menos como piloto sobre una parte del catálogo, empezando por revisar el estado de tus imágenes. Es donde la relación valor/coste puede aguantar.
Cualquier otro sector: vigílalo, sin invertir. Solo asegúrate de que tu feed de productos está limpio y de que tus imágenes son utilizables por un motor externo, lo que en cualquier caso es útil para Google Shopping.
En ambos casos, una regla se mantiene: la búsqueda visual amplifica una capa que funciona, no arregla una rota. Si tu búsqueda de texto sigue devolviendo páginas de cero resultados evitables, si tus sinónimos no están en su sitio, si tu autocompletado no sugiere productos, esas tareas van primero. Afectan al 100% de las búsquedas, a un coste mucho menor.
Primero, una búsqueda de texto que convierta
Vectail se centra en la búsqueda por palabras clave y en lenguaje natural: tolerancia a erratas, sinónimos, autocompletado, merchandising. Una línea de código para instalar, con la tecnología de Google Vertex AI.
Empieza gratis - 14 días, sin tarjetaNuestra posición
Vectail no ofrece búsqueda por imagen hoy. Nuestra prioridad es la búsqueda de texto y en lenguaje natural, la capa que gestiona la mayor parte del volumen y donde el margen de mejora es más amplio en la mayoría de las tiendas. Vigilamos de cerca la búsqueda multimodal, porque es la evolución que, con el tiempo, se conectará de forma más natural a un motor ya construido sobre embeddings.
La búsqueda visual no es una moda pasajera: el comportamiento es real y ha venido para quedarse. Pero para la mayoría de los minoristas online, no es el próximo proyecto. El próximo proyecto, casi siempre, es dejar impecable la búsqueda que ya usa el 100% de los visitantes.