Kiwop Labs · Estudo
IA no e-commerce espanhol 2026: o que as lojas mostram à IA
Medimos 300 lojas online espanholas entre 1 e 2 de setembro de 2026 e voltámos a verificar cada dado em 5 de setembro de 2026. Não é um inquérito: é o que qualquer crawler ou agente de IA encontra ao entrar. Método, dataset e scripts, abertos.
Cinco coisas que os dados dizem
- O e-commerce espanhol não fecha a porta à IA. Só 10,7 % bloqueia algum crawler de IA no robots.txt e 5 % bloqueia o GPTBot. Quando uma loja bloqueia, bloqueia sobretudo o CCBot, o ClaudeBot, o Bytespider e o agente da Meta.
- Mas também não lhe fala. Das 216 fichas de produto que conseguimos localizar, só 27,8 % expõe o produto com schema Product. A IA entra, mas em sete de cada dez fichas não encontra um preço, um stock ou uma referência que consiga ler sem adivinhar.
- O llms.txt passou de anedota a norma em dois meses, e metade das lojas não o decidiu. No piloto de julho tinha-o 1 em 20. Hoje servem-no 26 % das 300, mas 13 % é o modelo automático que a Shopify põe em todas as suas lojas. 13 % foi escrito pela própria loja.
- A dimensão explica quase tudo, em duas direções. As grandes expõem mais produto com schema (34,4 % contra 17,7 % das pequenas) e as pequenas têm mais llms.txt (36,6 % contra 17,3 %), porque são as que estão em Shopify.
- O atendimento automatizado continua a ser minoritário: 23,2 % tem um chatbot detetável na página inicial (Oct8ne, Zendesk e Salesforce, por esta ordem) e 30,6 % um motor de busca com personalização. Nenhuma das duas coisas é IA generativa por si só.
O dado do llms.txt, com as letras pequenas
Detetámos um llms.txt em 86 lojas e voltámos a ler cada um. 78 são ficheiros de texto reais. Destes, 39 começam por «Agent Instructions» e são o modelo que a Shopify serve a todas as suas lojas sem que ninguém o peça (das 44 lojas da amostra que identificámos em Shopify, 39 têm-no). Os outros 39 foram escritos pela própria loja. O resto eram uma página normal com código 200 ou deixaram de responder, e descontam-se. Publicar «29 % já fala com a IA» sem esta distinção seria falso: o número honesto é 13 % por decisão própria e 13 % por defeito da plataforma.
Entre as que o escreveram elas próprias: MediaMarkt, SHEIN, Samsung, Casa del Libro, PlayStation, Sprinter, Tradeinn, ManoMano, LG, General Optica.
Por dimensão
Três escalões de cerca de cem lojas cada um, por tráfego estimado do quadro de amostragem. Percentagens sobre o total do escalão; schema Product, chatbot e motor de busca sobre as lojas onde foi possível medir.
| Escalão | n | Mensuráveis | Bloqueiam algum crawler de IA | Bloqueiam GPTBot | llms.txt verificado | llms.txt próprio | Schema Product (fichas) | Chatbot | Motor de busca personalizado |
|---|---|---|---|---|---|---|---|---|---|
| Grandes | 98 | 86 | 11,2 % | 8,2 % | 17,3 % | 13,3 % | 34,4 % | 22,1 % | 25,6 % |
| Médias | 101 | 89 | 8,9 % | 2 % | 23,8 % | 13,9 % | 32,9 % | 28,1 % | 39,3 % |
| Pequenas | 101 | 96 | 11,9 % | 5 % | 36,6 % | 11,9 % | 17,7 % | 19,8 % | 27,1 % |
| Total | 300 | 271 | 10,7 % | 5 % | 26 % | 13 % | 27,8 % | 23,2 % | 30,6 % |
Por setor
Dez setores. As células com menos de 25 lojas são indicativas, e dizemo-lo: servem para ver a direção, não para afirmar diferenças finas.
| Setor | n | Bloqueiam algum crawler de IA | llms.txt verificado | llms.txt próprio | Schema Product (fichas) | Chatbot |
|---|---|---|---|---|---|---|
| Generalistas e marketplaces | 62 | 12,9 % | 14,5 % | 14,5 % | 29,3 % | 16,7 % |
| Casa | 35 | 20 % | 42,9 % | 22,9 % | 30,8 % | 38,2 % |
| Moda | 33 | 6,1 % | 33,3 % | 9,1 % | 40,9 % | 25 % |
| Desporto | 28 | 14,3 % | 17,9 % | 10,7 % | 45,5 % | 30,8 % |
| Eletrónica | 28 | 10,7 % | 28,6 % | 25 % | 21,1 % | 16,7 % |
| Joalharia e luxo | 28 | 7,1 % | 53,6 % | 14,3 % | 27,8 % | 33,3 % |
| Beleza * | 24 | 0 % | 20,8 % | 0 % | 17,6 % | 35 % |
| Saúde e parafarmácia * | 24 | 16,7 % | 12,5 % | 8,3 % | 31,6 % | 8,7 % |
| Vinhos e bebidas * | 23 | 8,7 % | 26,1 % | 13 % | 10 % | 0 % |
| Alimentação * | 15 | 0 % | 6,7 % | 0 % | 8,3 % | 33,3 % |
* n < 25
Quem é bloqueado
Os crawlers de IA que mais aparecem bloqueados nos robots.txt da amostra: CCBot (20), ClaudeBot (18), Bytespider (18), meta-externalagent (18), GPTBot (15), Google-Extended (14). O GPTBot não encabeça a lista: o bloqueio concentra-se nos rastreadores de treino (CCBot, Bytespider) e nos agentes da Anthropic e da Meta.
Quem atende
Fornecedores de chatbot detetados na página inicial: Oct8ne (27), Zendesk (17), Salesforce Chat (12), Gorgias (6), Genesys (2), Tidio (2). É uma deteção por assinatura de script, por isso um chatbot que só carrega depois da primeira interação não aparece.
O que fazer com isto se tens uma loja
- Deixa entrar quem queres que te recomende. Revê o robots.txt: bloquear o GPTBot, o ClaudeBot ou o PerplexityBot tira-te das respostas de compra desses assistentes, e não te protege dos rastreadores de treino se não os nomeares.
- Explica o produto numa linguagem que a máquina leia. Schema Product com preço, disponibilidade, marca e referência em cada ficha, e um feed coerente com o que o utilizador vê. É o que separa «citaram-me» de «venderam-me».
- Verifica o que já lhe estás a dizer. Se a tua loja está em Shopify, tens um llms.txt que não escreveste: lê-o. E se não o tens, escreve um curto e verdadeiro antes de um longo e de modelo.
Método
- Amostra: 300 lojas online com operação em Espanha, escolhidas por regra pública setor × dimensão sobre o quadro do Semrush Trending Websites Espanha (junho de 2026), com triagem e resgate documentados. 53 domínios ficaram de fora por não serem mensuráveis (marketplaces globais sem ficha localizável, apps, etc.).
- Dupla passagem: um pedido HTTP identificado como KiwopResearchBot e uma sessão de Chromium headless com o user-agent do Chrome normalizado e navigator.webdriver honesto, sem evasão de fingerprinting. Junta-se por sinal: uma loja conta como acessível se respondeu a qualquer uma das duas.
- O que se mede: existência e regras do robots.txt para 14 crawlers de IA, existência de llms.txt, tipos de JSON-LD na página inicial, localização de uma ficha de produto e presença de schema Product nela, assinaturas de chatbot e de motor de busca com personalização na página inicial.
- Verificação posterior: cada llms.txt detetado foi lido de novo e classificado (próprio, modelo da plataforma, falso positivo, sem resposta). A plataforma de cada loja deteta-se por assinaturas na página inicial com um fetch identificado, e é apenas indicativa.
- Não se comprou nada, não se criou nenhuma conta e não se resolveu nenhum CAPTCHA. Um bloqueio anti-bot é um resultado, não um obstáculo a contornar.
Limites
- Mede o que a loja expõe, não o que consegue: que uma ficha tenha schema Product não garante que um assistente a cite, e não o ter não o impede.
- É uma fotografia de dois dias. Uma loja com a CDN em modo desafio nesse dia sai como não mensurável; por isso publicamos o dado de acessibilidade e não o escondemos nas percentagens.
- A deteção de chatbot e de motor de busca é por assinatura de script conhecida: subestima o que é feito à medida.
- A deteção de plataforma não responde num terço das lojas (bloqueiam o fetch identificado) e não se adivinha: publica-se como «sem resposta».
O que vem a seguir
A segunda parte é a que ninguém publicou para Espanha: pode um agente de IA com navegador chegar ao carrinho com um produto concreto? O protocolo está escrito e pré-registado antes de medir (40 lojas, tarefa idêntica, categorias de resultado fechadas, sem contornar nenhum anti-bot). Publica-se no quarto trimestre de 2026, e o nível 1 repete-se todos os trimestres para ter série.
Dataset e scripts
- Dataset desta edição (JSON, uma linha por loja com todos os sinais) ·
2026-09.json - Índice de edições (JSON)
- Scripts de medição, verificação e protocolo agêntico (GitHub)
Como citar
Kiwop Labs (2026). IA no e-commerce espanhol 2026: o que as lojas mostram à IA. https://www.kiwop.com/pt/labs/ia-ecommerce-espanha
Dados e textos sob licença CC BY 4.0: podes usá-los e citá-los, com ligação para esta página.