Esta semana se publicó un estudio que le pone número a algo que muchos sospechábamos: cuando un modelo de IA sale a buscar información para responder una pregunta de compra, busca marcas que ya conoce 3,2 veces más que marcas que no conoce. O sea, antes de que exista una sola búsqueda, antes de que tu contenido tenga siquiera la oportunidad de competir, el modelo ya decidió a quién va a ir a mirar primero.
El estudio es de geoSurge, una empresa que se dedica a medir visibilidad de marca en IA, y aunque tiene el sesgo esperable de alguien que vende justamente eso, la metodología es seria y los datos son lo bastante contundentes como para tomarlos en cuenta. Te cuento qué midieron, por qué pasa esto y, la parte que más me interesa, qué puede hacer una marca que no es Coca-Cola para meterse igual en la conversación.
¿Qué midió exactamente el estudio?
Los investigadores tomaron 66 prompts de compra típicos de un consumidor estadounidense, del estilo "qué zapatillas de running me recomiendas para maratón", y corrieron cada uno 60 veces entre fines de mayo y principios de junio. Eso les dio 3.960 respuestas para analizar.
La parte interesante no son las respuestas en sí, sino lo que pasa detrás. Cuando le haces una pregunta de este tipo a un modelo con búsqueda integrada, el modelo no lanza una búsqueda: lanza varias en paralelo, reformulando tu pregunta en distintos ángulos. Son las llamadas búsquedas fan-out, de las que ya escribí cuando analicé por qué ChatGPT cambia al inglés aunque le hables en español. El estudio capturó 13.281 de esas búsquedas internas y las cruzó con 1.416 observaciones a nivel de marca.
Es decir, midieron algo que normalmente queda oculto: las búsquedas que el modelo redacta por su cuenta, con sus propias palabras, antes de armar la respuesta que tú ves.
¿Qué encontraron?
Varios números, y todos apuntan en la misma dirección.
Las marcas que el modelo ya conocía bien concentraron el 55,7% de las búsquedas con marca, mientras que las marcas fuera del top 10 de familiaridad se repartieron apenas un 17,4%. Y cuando el modelo decidía buscar una marca específica, el 63% de las veces esa búsqueda era sobre una de sus cinco marcas más familiares.
El patrón se repite en todas las industrias que midieron, con rangos que van del 41% al 82% de preferencia por marcas conocidas, contra un 9% a 23% para las desconocidas. En ninguna categoría el resultado se invierte.
Hay un dato más, y para mí es el más útil de todo el estudio: solo el 31% de las búsquedas amplias (las de categoría, sin marca específica) incluía el nombre de alguna empresa. Guárdate ese número, porque ahí está la puerta de entrada. Vuelvo a él más abajo.
¿Por qué los modelos hacen esto?
Porque funcionan igual que nosotros. Si le pides a un amigo que te recomiende un restaurante de sushi, no va a hacer un catastro exhaustivo de todos los restaurantes de tu ciudad: va a nombrar los tres que conoce, quizás googlee uno para confirmar que sigue abierto, y te va a responder con eso. Su "búsqueda" hereda el sesgo de su memoria.
Los modelos de IA operan parecido. Aprendieron sobre marcas durante su entrenamiento, leyendo básicamente todo el internet público, y esa familiaridad previa define qué nombres les salen naturalmente cuando arman sus búsquedas. La búsqueda en vivo llega después, como una capa que complementa esa memoria y muchas veces la confirma. Si el modelo ya te conoce, te busca para verificar datos y te cita. Y si no te conoce, es difícil que te descubra por iniciativa propia, porque sus propias búsquedas están redactadas en torno a lo que ya conoce.
Esto conecta con algo que vengo repitiendo hace tiempo: Google y las IAs ya no evalúan solo tu página, arman un perfil de tu empresa con todo lo que pillan. Este estudio agrega una capa a esa idea, porque ese perfil define no solo si te recomiendan, sino también si el modelo se toma la molestia de ir a mirarte.
¿Por qué importa ahora y no en un año más?
Porque la porción de decisiones que pasa por respuestas de IA dejó de ser marginal. Mediciones publicadas esta misma semana sitúan los AI Overviews de Google entre el 43% y el 48% de todas las búsquedas, según si miras los datos de Similarweb o de Semrush. Casi la mitad de las consultas en Google ya muestran una respuesta generada, y eso sin contar a la gente que directamente pregunta en ChatGPT, Gemini o Perplexity.
Si los modelos favorecen a las marcas que conocen, y los modelos intermedian una fracción creciente de las decisiones de compra, entonces la familiaridad de tu marca se convirtió en una variable de distribución que se puede medir, con la misma lógica con que mides cobertura en canales físicos.
¿Qué puedes hacer si tu marca no es de las conocidas?
Acá va la receta completa, en orden de esfuerzo.
Primero, apunta a las búsquedas de categoría. Este es el uso práctico del dato que te pedí guardar: si el 31% de las búsquedas amplias lleva nombre de marca, el 69% restante no lo lleva. Son búsquedas del tipo "mejor crema para piel sensible" o "software de facturación para pymes", y ahí lo que pesa es la relevancia y la calidad del contenido más que la fama de la marca. El propio estudio lo dice: el contenido fuerte sigue permitiendo que marcas nuevas aparezcan. Tu prioridad es rankear en las búsquedas que los modelos lanzan cuando todavía no tienen una marca en mente.
Segundo, trabaja las menciones en sitios de terceros. Los modelos aprenden qué marcas existen leyendo prensa, comparativas, directorios, foros y reseñas. Una mención en un medio de tu industria o en un ranking de proveedores hace doble trabajo: te expone a lectores humanos hoy y te inscribe en la memoria del próximo entrenamiento del modelo. En mi experiencia con clientes, las comparativas de terceros ("los mejores X de Chile") son de las fuentes que más aparecen citadas en respuestas de IA.
Tercero, ordena tu entidad. Nombre consistente en todas partes, datos estructurados bien implementados, perfil de empresa completo en los lugares donde los modelos verifican información. Ya escribí una guía entera sobre por qué los datos estructurados son críticos para visibilidad de marca en AI, así que no me repito: el punto es que cuando el modelo finalmente te busque, lo que encuentre tiene que confirmar quién eres, qué haces y para quién.
Cuarto, formatea tu contenido para que sea citable. Respuestas directas arriba, datos con fuente, estructura clara. Es la base de lo que conté en la guía de Generative Engine Optimization.
Y quinto, mide. Pregunta por tu categoría en los principales modelos de forma sistemática y registra quién aparece. Si estás reportando solo sesiones orgánicas, esta parte de la película no la estás viendo: en las métricas para medir orgánico en 2026 expliqué cómo armar ese tablero.
Para cerrar
El ejercicio para mañana toma media hora y no cuesta nada: escribe las cinco preguntas de compra más importantes de tu categoría, hazlas en ChatGPT y en Gemini, y anota qué marcas aparecen y qué fuentes citan. Si tu marca no aparece, revisa las fuentes citadas: esa lista de sitios donde deberías estar mencionado es, literalmente, tu plan de trabajo de visibilidad para los próximos meses. El estudio confirma que la cancha está inclinada a favor de los conocidos, pero también muestra por dónde se entra: la mayoría de las búsquedas que hacen los modelos todavía no tiene dueño.