Rufus: de la visibilidad en las palabras clave a la relevancia en IA

Rufus es el asistente de compras IA de Amazon. Entre sus funcionalidades están responder preguntas de compra directamente en la app, comparar productos y brindar una breve selección de recomendados. En el 2025, más de 300 millones de compradores  utilizaron Rufus, y las interacciones con esta herramienta crecieron más del 210% en comparación al año anterior. Para las marcas en Amazon, esto cambia el significado de la visibilidad: ya no se trata solamente de tu posición en el ranking, sino de  si Rufus recomienda activamente tu producto.

Este tema está ganando relevancia rápidamente. Recientemente, Amazon EE. UU. fusionó Rufus con Alexa+, convirtiéndose así en Alexa for Shopping; mientras que  en Europa sigue funcionando como Rufus. En paralelo, Amazon está introduciendo la nueva función “Cuéntanos sobre ti”, que arroja  resultados distintos para una misma consulta dependiendo de la persona. Además, el marketplace acaba de anunciar una reducción del largo de los títulos de listados a solo 75 caracteres. En este artículo explicaremos exactamente cómo funciona Rufus, qué implica para el contenido y la visibilidad, y cómo puedes usar esta herramienta a tu favor.

Rufus no arroja una larga lista de resultados a una pregunta. En promedio, muestra  solo alrededor de cinco productos. Una marca que no esté entre estos es virtualmente invisible para esos compradores. Tras esto, hay  tres partes trabajando en conjunto. Primero, Rufus decide qué productos son suficientemente relevantes para una consulta como para siquiera ser incluidos en la respuesta, y extrae la información correspondiente del listado. COSMO, el grafo semántico de Amazon sobre conocimiento cotidiano y de compras, interpreta su significado y lo relaciona con la intención de la consulta. Después, A9 clasifica los productos restantes según las señales de rendimiento habituales, como la velocidad de ventas y el Best Seller Rank. Técnicamente, esto funciona gracias a  una arquitectura RAG: el asistente extrae información de listados, reseñas y preguntas, y un modelo de lenguaje construye la respuesta a partir de ahí.

El cambio decisivo está en el orden: la relevancia se evalúa antes que el ranking. Un producto tiene que ser lo suficientemente relevante para entrar primero en la respuesta; si no supera ese filtro, su posición en el ranking es irrelevante. Por eso Rufus selecciona de forma mucho más estricta que la búsqueda clásica. En nuestro trabajo diario con grandes marcas lo vemos con regularidad: no todos los productos que rankean en la primera página  llegan a la recomendación. Un buen ranking no garantiza una mención de Rufus.

El asistente ya no evalúa si un término de búsqueda como "crema facial SPF 50" aparece en el título, sino si un listado responde a una pregunta completa, como "¿qué crema SPF 50 le va bien a la piel grasa y aguanta bajo el maquillaje?". Para la redacción, eso significa que el contenido tiene que aportar algo que valga la pena recuperar, no solo palabras clave que encajen de casualidad.

La indexación semántica de Amazon funciona con modelos de tipo BERT. Estos capturan la similitud semántica entre una consulta y un producto, conectando formulaciones relacionadas incluso sin coincidencia exacta de palabras. "Luz LED para el salón" y "luz exterior para el jardín" terminan uno al lado del otro  como significados relacionados. Eso solo funciona, sin embargo, cuando el contenido está estructurado y es legible por máquina. Atributos completos, campos claramente separados, ningún texto oculto en un formato que no se pueda analizar. Un listado sólido en cuanto a contenido pero mal estructurado es simplemente ignorado por Rufus.

En la práctica, esto significa alinear títulos y viñetas con escenarios y beneficios. Un título como "Mochila impermeable, le cabe portátil de 16 pulgadas, para andar y actividades al aire libre" transmite un uso concreto, y el límite de caracteres obliga a priorizar. Por esto, usar  los 75 caracteres del título cuidadosamente resulta beneficioso aquí. Lo que importa es relacionar cada propiedad a  su función: "niacinamida para mayor luminosidad" es más claro para el asistente que "niacinamida", y "LED para eficiencia energética" es más claro que "tecnología LED".

Amazon does not disclose the exact relevance of individual listing elements. Even so, there is a handful of fields whose effect is well documented in practice and that a brand controls directly. Some of them, vendor teams lose without noticing.

The first field is the plain-text backend description. It is still indexed by A9, even when A+ Content covers it for shoppers. This is exactly where the quiet loss sets in: teams that stop maintaining this field after the A+ launch give up rankings without anything lighting up in the reporting. It belongs maintained and updated whenever the keyword strategy shifts.

For images, an AI image recognition takes over the evaluation: it reads product attributes directly from the image. In practice that means optimizing the image itself, with clear motifs, legible attributes, and a benefit hierarchy that shows the most important argument in a few seconds. According to reports, Amazon is increasingly replacing self-written alt text with AI-generated descriptions, supposedly already largely in Europe, though this is not confirmed. Working on the image itself remains important regardless.

A+ Content itself is the less clear case: whether its body copy feeds into A9 is open, and for classic keyword ranking it moves practically nothing. As a conversion engine, A+ stays strong nonetheless; by Amazon’s own figures, Basic lifts conversion by up to 8 percent and Premium by up to 20 percent. On top of that, Q&A modules are a fourth, often overlooked lever: they act like structured data the assistant can read out, and alongside the backend description they are the surface on which a brand still holds the intent-near writing in its own hands after the alt-text shift. Both belong kept alive and aligned with each other.

Con estos cambios, las reseñas no pasan a un segundo plano. Al contrario, están entre los factores más importantes al determinar si el asistente recomienda un producto o no. Una calificación alta y un buen Best Seller Rank son la base aquí: por sí solos no tienen gran influencia, pero sin ellos un producto apenas supera la preselección.

El verdadero diferencial se encuentra más allá, en el contenido de las reseñas. La IA genera un resumen, extrae temas recurrentes y considera el sentimiento general en su recomendación.  Las reseñas detalladas y específicas sobre beneficios pesan más que un número elevado de estrellas. Esto conlleva algo crucial: lo que la marca promete en su contenido, lo que afirma en sus claims y lo que finalmente dicen las reseñas de clientes tienen que estar alineados. 

A eso se le suma el contenido fuera de Amazon. Rufus  incorpora señales externas en su evaluación, como reseñas de expertos, menciones en medios informáticos, UGC, certificaciones, etc. Estos indicadores repercuten en la visibilidad dentro de Amazon, por lo que deben considerarse un factor importante para el desempeño en la misma plataforma.   

Amazon está desplegando una funcionalidad llamada "Cuéntanos sobre ti". En esta, los compradores describen con sus propias palabras su estilo, intereses y para quién compran. Rufus, Alexa y Amazon en general recuerdan estos datos para futuras compras. 

Para las marcas, las consecuencias de esto son directas. Una misma búsqueda arrojará resultados diferentes según el perfil del comprador. Por eso cada ASIN necesita una respuesta clara a una sola pregunta: ¿para quién en particular es este producto y por qué el asistente debería emparejarlo justo con esta persona? Un listado que no lleve esa respuesta concreta será difícil de localizar por Rufus, por muy claros que sean los demás elementos.

Las métricas clásicas giran en torno al ranking y al tráfico, es decir, a cuán visible es un producto en la página de resultados. Con la IA, eso ya no aplica. Un producto no solo se clasifica, se selecciona, se resume y se recomienda dentro de una respuesta generada. La visibilidad aquí significa simplemente si el asistente nombra tu producto o no.

Se está formando una nueva métrica para esto: la cuota de recomendaciones de IA, a menudo llamada AI Share of Voice. Mide con qué frecuencia aparece una marca en las respuestas del asistente a lo largo de las consultas relevantes. No es una métrica oficial de Amazon, sino una cifra que se está formando desde la práctica, y difiere estructuralmente de la visibilidad clásica: en una lista de resultados, la visibilidad es una cuota gradual; en la respuesta de un asistente se acerca más a lo binario, la marca es nombrada o no lo es.

Dos observaciones enmarcan esta medición. La palanca más fuerte a largo plazo sigue siendo la combinación de Best Seller Rank y conversión. El trabajo de contenido opera dentro de ese techo; no lo reemplaza. Y el PPC eleva principalmente el ranking clásico de A9 a través de la velocidad de ventas, menos la visibilidad en IA de forma directa. En la práctica, los productos orgánicamente fuertes aparecen en las recomendaciones con más frecuencia que los posicionamientos pagados. Quien quiera influir en esta capa necesita, por tanto, una medición que muestre si la marca aparece en las respuestas, cómo evoluciona con el tiempo y dónde se nombra a la competencia mientras tú faltas. Cómo se conecta esto con un Share of Voice ya existente lo hemos descrito en otro lugar.

De todo esto se desprende un plan de acción claro para los equipos que trabajan con Amazon:

• Mantén los atributos completos y consistentes. Si falta un atributo o está incompleto, el producto queda fuera del conjunto de resultados antes de que se llegue a leer la viñeta bien redactada.
• Escribe textos orientados a escenarios y beneficios. Vincula títulos, viñetas y descripción a usos y situaciones concretas, no a una lista de palabras clave.
• Alinea  propiedad con función. Conecta explícitamente cada ingrediente y característica con su beneficio.
• Construye una capa de preguntas y respuestas. Responde sistemáticamente preguntas de tu propio listado, de reseñas de 3 estrellas y del servicio al cliente.
• Mantén viva la descripción de backend. Consérvala incluso después del lanzamiento del A+, de lo contrario se pierde ranking silenciosamente.
• Fomenta la profundidad de las reseñas. Trabaja para conseguir reseñas sustanciales y específicas sobre beneficios, y mantén el contenido, los claims y el lenguaje de las reseñas libres de contradicciones.
• Construye autoridad externa. Veredictos de expertos, menciones y certificaciones repercuten de vuelta en la visibilidad dentro de Amazon.
• Mide las menciones de IA. Empieza pronto a registrar si tu propia marca aparece en las respuestas del asistente.

Buena parte de esto se puede gestionar internamente. El volumen de contenido que debe ser optimizado es el obstáculo: textos estructurados, orientados a escenarios y beneficios, para cientos de ASINs. Para facilitar este proceso, muchas marcas usan dos módulos de Remdash, nuestra plataforma de crecimiento impulsada por IA para Amazon. Content AI genera los textos en el tono de voz de la marca a través de muchos ASINs, en lugar de redactar cada listado por separado. Customer Signals, un módulo lanzado recientemente, muestra qué tan preparado está un listado para Rufus y dónde se puede estar perdiendo visibilidad. 

Hay cuatro dimensiones a considerar cuando se optimiza contenido para Rufus: si el contenido responde a casos de uso e intención de compra, si las reseñas y Q&A aportan confianza, la rapidez con la que una marca responde a las preguntas de los clientes, y si los beneficios clave del producto en sus imágenes son legibles para una IA. Un resultado poco favorable en cualquiera de estas dimensiones a menudo explica por qué Rufus omite un producto. El punto de partida sigue siendo el mismo:  identificar dónde la marca aún no está lista para Rufus, luego optimizar estos campos. Este cambio también favorece a las marcas en cuanto a visibilidad en el contexto de agentic commerce.