Entre julio y noviembre de 2026, los analistas de la agencia GUSAROV analizaron 65.827 respuestas comerciales de nueve plataformas de inteligencia artificial sobre 1.271 proyectos. Al cruzar 11.697 coincidencias directas —la misma pregunta del comprador «¿a quién recomiendas en mi ciudad?» formulada a la vez a al menos tres modelos—, salió a la luz un dato llamativo: todas las redes neuronales coincidieron en recomendar la misma empresa en apenas el 1,8% de las consultas. En el 69,8% de los casos los modelos no nombraron ninguna marca, y en el 28,4% sus listas discreparon.
A mí esta cifra me despejó de golpe. Cuando un empresario comprueba si la inteligencia artificial recomienda su negocio, suele abrir un único chatbot habitual, teclear un par de consultas y sacar conclusiones definitivas. Pero ¿por qué una red neuronal coloca una empresa en primer lugar y la vecina actúa como si no existieras, y con qué reglas eligen los algoritmos a quién recomendar?
La ilusión de una IA única: por qué una prueba puntual en ChatGPT engaña al propietario
En el mercado circula una idea cómoda según la cual la «visibilidad en IA» sería una nota única: si ChatGPT elogió tu servicio, ya tienes la búsqueda generativa en el bolsillo. Los datos de GUSAROV sobre 799 proyectos (donde al menos cuatro modelos dieron cinco o más respuestas) muestran lo contrario. Todas las plataformas consultadas nombraron a la marca a la vez en solo el 8,1% de los proyectos. En el 44,9% de las empresas solo la recomendó una parte de las redes neuronales (en casi la mitad de esos casos, apenas un modelo de cinco), y en el 46,9% de los proyectos ninguna IA nombró a la compañía. En un caso anonimizado de un taller mecánico sobre el mismo grupo de consultas, Perplexity mostró un 80% de visibilidad y DeepSeek exactamente un 0%. Al comprobar tu empresa solo en ChatGPT estás probando a ChatGPT, no a tu negocio.
Esa dispersión se explica por de dónde saca los datos cada modelo en el segundo de la pregunta. Las nueve plataformas se dividen en dos bandos:
- Modelos que responden de memoria (pesos de entrenamiento congelados). El ejemplo clásico es Claude sin búsqueda web, que nombró a la empresa en apenas el 5,0% de las respuestas comerciales, y el modelo ligero de ChatGPT con un 6,2%. Sin internet, el algoritmo solo recuerda a gigantes con años de huella en sus bases de entrenamiento.
- Sistemas con índice de búsqueda en vivo (RAG: generación aumentada por recuperación). En el instante de la consulta el algoritmo acude al índice actual, escanea páginas recientes, mapas y directorios y construye la respuesta al vuelo. En una muestra de control de diez proyectos, activar la búsqueda web en Claude disparó la mención de marcas del 6,2% al 19,6%, y la presencia de enlaces a la web de cero al 15,9%.
Líderes en citas comerciales: cómo Perplexity y Google AI Overviews eligen a sus favoritos
En el ranking de Andrey Gusarov por frecuencia de mención directa del nombre de marca en el texto de la respuesta lideran los sistemas conectados al buscador: Perplexity (20,1%) y Google AI Overviews (19,2%) nombran un negocio casi en una de cada cinco respuestas comerciales, cuatro veces más que Claude sin búsqueda (5,0%). En la zona media quedaron Búsqueda con Alisa (11,8%), Gemini (11,6%), Claude con búsqueda (10,0%), DeepSeek (9,6%) y ChatGPT con búsqueda (8,4%).
Conviene distinguir entre recomendación directa por nombre en el texto y enlace técnico en las fuentes. En Google AI Overviews el nombre de la empresa suena en el 19,2% de las respuestas, mientras que el enlace al dominio en las tarjetas inferiores aparece en el 26,1% de los casos (en Perplexity, en el 24,7%). Aparecer en el bloque de fuentes da opción de clic, pero no significa que el algoritmo haya recomendado tu empresa con palabras al cliente.
A quienes nombra ChatGPT, en el 70,1% de los casos ya los recomienda también Google AI Overviews, mientras que a la inversa solo ocurre en el 20,4% de las empresas. Según las normas de Google Search Central, para aparecer en AI Overviews no hace falta magia oculta: basta con que la página esté indexada y sea apta para mostrarse con fragmento (snippet). Ya vimos cómo una auditoría técnica de IA sobre metadatos y estructura de páginas ayuda a dejar de perder estas menciones.
También pesa el tamaño del mercado. En Rusia las redes neuronales nombran marcas 1,7 veces menos que en Bielorrusia: una media del 7,5% frente al 12,6% de las respuestas. La razón es el límite estricto de «aforo» de cada respuesta: la IA incluye de media 6,2 empresas (mediana de 5 puestos), y en el mercado ruso hay muchos más candidatos compitiendo por ese estante corto. Eso sí, cuando un modelo de chat nombra tu marca, en el 54,2% de los casos la coloca directamente en primer lugar, y la cuota de tono negativo es apenas del 0,8% frente a un 62,8% de reseñas positivas.
Ventana de oportunidad en Yandex: por qué en el 60,9% de las búsquedas comerciales Alisa aún calla
La Búsqueda con Alisa funciona de otro modo: nombra a la empresa dentro del texto de la respuesta en el 11,8% de los casos, pero sumando direcciones web y enlaces directos alcanza una visibilidad del 26,3% (con enlace en el 23,2% de las respuestas). Alisa elogia menos con palabras, pero actúa con gusto como guía y muestra enseguida la dirección de la web.
Sin embargo, el hallazgo clave para ese mercado está en la cuota de resultados sin IA. En el 60,9% de las consultas comerciales (y en los proyectos rusos, en el 66,8%), el bloque generativo de Alisa en Yandex todavía no aparece en absoluto, mientras que en Google AI Overviews solo quedan sin cabecera de IA el 19,4% de las búsquedas comerciales.
En dos tercios de las búsquedas comerciales de Yandex el comprador sigue eligiendo proveedor en los resultados orgánicos clásicos, Yandex Maps y directorios. Mientras esa ventana siga abierta, el SEO tradicional y los mapas locales trabajan a pleno rendimiento: cuando Yandex despliegue respuestas de IA sobre el resto de la demanda, Alisa recogerá sus recomendaciones de las páginas y fichas que ocupen hoy los primeros puestos.
Filtro sectorial: por qué la medicina sufre censura y en belleza los ingredientes ganan al lujo
En el desglose sectorial de GUSAROV reciben más menciones por nombre las empresas de TI (15,8%), las tiendas online (14,8%) y la construcción (14,6%), seguidas por educación (12,2%) y agencias de marketing (10,9%). El sector menos recomendado es la medicina, con apenas un 7,2% por nombre. Aquí saltan los filtros de seguridad para salud y finanzas (YMYL, Your Money or Your Life): los modelos evitan recomendar clínicas privadas concretas y responden con protocolos generales.
Donde la censura no frena, la IA rompe la vieja jerarquía de marcas. Un estudio de 5W PR sobre más de 80 consultas comerciales en cosmética demostró que las redes neuronales recomiendan primero el ingrediente activo y solo después la marca. El usuario pregunta por «retinol para principiantes» o «sérum con vitamina C», y el modelo prioriza fórmulas claras y respaldo clínico:
- Cuatro marcas con lógica transparente de «farmacia» acaparan el 22% de todas las menciones en cuidado facial, superando a jugadores con presupuestos publicitarios gigantes.
- Gigantes del lujo como Chanel, Estée Lauder y Lancôme no entraron ni una sola vez en el top 10 para consultas sobre ingredientes concretos.
- Ganan las firmas que hablan el idioma de la necesidad de la piel y están presentes en varios escaparates: Charlotte Tilbury entró en el top 5 en cuidado y maquillaje, Rare Beauty ocupó el segundo puesto en maquillaje, y estar presente en dos cadenas a la vez (Sephora y Ulta) genera 1,2 veces más menciones. Sobre cómo la huella externa protege al negocio de distorsiones en las respuestas de IA escribimos en el análisis de gestión de reputación de marca en la era de las redes neuronales.
Protocolo mensual de medición: cómo rastrear por tu cuenta la visibilidad del negocio en la IA
Conviene empezar por Google AI Overviews, Perplexity y Búsqueda con Alisa, que concentran el triple de contactos comerciales y leen el índice en vivo. Hay que seguir los datos en evolución: en el caso de una tienda online de la base de GUSAROV, la visibilidad total se mantuvo en el 28–30%, mientras que la cuota cualitativa considerando posición y enlaces (AI SOV) osciló entre el 14% y el 21%. Para controlar tu situación sin herramientas caras, implanta un protocolo mensual de medición.
Lista de verificación mensual de visibilidad en redes neuronales
- Reunir un núcleo de 20–30 preguntas comerciales sin marca («recomiéndame una empresa de… en la ciudad X»).
- Pasar la lista por los bloques de búsqueda con IA (AI Overviews, Alisa, Perplexity) y por un chatbot (ChatGPT o Claude).
- Contar por separado la mención directa del nombre en el texto y el enlace a la web en las fuentes.
- Anotar el porcentaje de consultas sin bloque de IA, donde aún puedes captar tráfico con SEO clásico y mapas.
- Apuntar 3–5 competidores que salgan en las respuestas y 5–10 plataformas fuente de las que la IA toma los datos.
- Comprobar la indexación de la web y repetir la medición cada mes, marcando 2–3 mejoras de contenido y directorios.
Al volcar esas cifras en una tabla verás al instante tu escenario: invisibilidad total, sesgo hacia un único modelo, presencia solo en notas al pie sin recomendación directa o puesto en la cola de la lista.
Viendo cómo se encogen los resultados clásicos en Google, es fácil prever hacia dónde irá el mercado en los próximos seis o doce meses. Esa ventana del 60,9% de búsquedas comerciales libres en Yandex empezará a cerrarse y los chatbots se enlazarán cada vez más con los índices de búsqueda. En esta carrera no ganarán los aficionados a los «prompts secretos», sino las empresas que ya hoy traducen sus páginas de servicios a especificaciones claras, mantienen al día sus fichas en mapas y se consolidan en rankings independientes: a ellas las recomendarán primero los algoritmos.



