Photo: Miguel A. Adriñán
Hay un punto de contacto con tu próximo cliente que no está en tu Google Analytics, no aparece en tu CRM y no lo controla tu equipo de marketing. Es la respuesta que un modelo de IA le da cuando te busca, o cuando busca lo que vos vendés sin saber todavía que existís.
Durante veinte años el primer encuentro entre una empresa y un comprador fue una lista de links azules. Vos optimizabas para aparecer ahí, medías el clic, y sabías exactamente cuánta gente te visitó. Ese encuentro se está mudando. Hoy, cada vez más, el comprador pregunta y el modelo responde. No hay lista. No hay clic. Hay una recomendación, en prosa, con dos o tres nombres adentro. Si el tuyo no está, no perdiste un ranking: perdiste el deal, y ni te enteraste de que existía.
La buena noticia es que esto no es una abstracción que tenés que creerme. Lo podés ver vos mismo, ahora, en menos tiempo del que te llevó leer hasta acá. Te dejo el experimento.
El experimento: un prompt, tu industria, tres modelos
No necesitás ninguna herramienta. Necesitás el prompt de abajo, treinta segundos para adaptarlo, y abrir tres pestañas.
Copiá esto y reemplazá lo que está entre corchetes:
Necesito contratar [servicio/producto] para una empresa de [industria] en [país]. ¿Qué proveedores me recomendás y por qué?
Ejemplo concreto, para que se entienda el nivel de especificidad: “Necesito contratar una agencia de performance marketing para una empresa de e-commerce de indumentaria en Argentina. ¿Qué proveedores me recomendás y por qué?”
Ahora corré exactamente ese mismo prompt en tres lugares:
- ChatGPT (OpenAI)
- Perplexity
- Gemini (Google)
Y leé las respuestas con tres preguntas en la cabeza:
- ¿Aparecés? Sin que te nombren en el prompt. Si la respuesta lista competidores y vos no estás, ese es el agujero. Literalmente estás viendo una recomendación de compra de la que fuiste excluido.
- ¿Quién aparece en tu lugar? Anotá los nombres. Esa es tu competencia real en el plano que importa ahora, no la que vos creés, la que el modelo eligió mencionar.
- ¿La respuesta es la misma en los tres? Spoiler: no va a serlo. Y ahí está la segunda lección.
Por qué la respuesta cambia (y por qué eso importa)
Acá viene la parte que casi nadie tiene clara, y que cambia cómo entendés todo el problema: No existe “la respuesta de la IA”. Existe la respuesta de este modelo, a esta forma de preguntar, en este momento.
Si corriste el experimento, ya lo viste. Perplexity probablemente te citó fuentes con links visibles, lee páginas en vivo al momento de responder, por eso te muestra de dónde sacó cada cosa. ChatGPT te dio una prosa más mezclada, parte de lo que “sabe” de su entrenamiento, parte de lo que busca en el momento. Gemini, atado al índice de Google, te armó una respuesta con su propio criterio. Tres motores, tres lógicas de cómo arman la recomendación, tres listas que no coinciden del todo.
Y si cambiás el fraseo del prompt: “recomendá” en vez de “qué proveedores hay”, agregás “económico” o “premium”, pedís “para una PyME” en vez de “para una empresa”, las listas se vuelven a mover. La recomendación que recibe tu cliente depende de qué modelo abrió y cómo escribió la pregunta. Eso es un universo de variaciones que vos no controlás.
Esto tiene una consecuencia incómoda: probar una vez, a mano, te da una foto, no la película. Hoy corrés el prompt y aparecés. La semana que viene el modelo actualizó lo que sabe y desaparecés. Cambiás una palabra y el resultado es otro. Una persona no puede correr decenas de variaciones en cinco motores, cada quince días, y llevar un registro de cómo cambia. Esa es exactamente la diferencia entre hacer el test y medir el problema. Volvemos a eso al final.
¿Por qué aparece quien aparece?
La pregunta que probablemente te estás haciendo: si yo soy tan bueno como el que el modelo recomendó —o mejor— ¿por qué él está y yo no?
Porque el modelo no recomienda al mejor. Recomienda al que entiende mejor. Y entender, para un LLM, es algo muy concreto: poder extraer de la web quién sos, qué hacés, en qué categoría competís y con qué autoridad, sin tener que adivinarlo.
Cuando un humano entra a tu home, infiere todo eso del diseño, las imágenes, el tono. Un modelo no ve diseño: procesa texto y datos estructurados. Si tu sitio dice quién sos de una forma que solo un humano decodifica, escondido en un video, en una imagen, en JavaScript que el crawler no ejecuta. Para el modelo sos ambiguo o directamente invisible. Tu competidor, que tal vez tiene peor producto, declaró su entidad de forma explícita y parseable. Y por eso lo eligió.
Acá entran dos piezas técnicas que vale la pena nombrar, porque son el mecanismo real:
- El contenido tiene que ser extraíble. Un modelo necesita poder leer, en texto plano y estructurado, “esta empresa es X, hace Y, compite en Z”. Si esa afirmación no existe de forma explícita en tu sitio, el modelo la infiere, y cuando infiere, se equivoca o te omite.
- La entidad tiene que estar declarada, no sugerida. Los datos estructurados (JSON-LD, el estándar de schema.org) le dicen a la máquina explícitamente qué organización sos, a qué te dedicás, cuáles son tus productos. Es la diferencia entre que el motor adivine quién sos y que vos se lo declares. (Si querés el detalle de cómo funciona esto, lo desarrollamos en Cómo leen los LLMs tu sitio web.)
No es que el modelo te tenga manía. Es que le diste un sitio hecho para ojos humanos y le pediste que lo lea una máquina.
Lo que acabás de hacer es un entregable
Si trabajás en una agencia, leé esto con atención: el ejercicio que acabás de correr en diez minutos es el primer diagnóstico que le mostrás a un cliente.
Sentate con un prospecto, abrí ChatGPT delante de él, corré el prompt con su categoría y su país, y dejá que vea con sus propios ojos que la IA recomienda a tres competidores y a él no. No hay PowerPoint que convenza como esa pantalla. Acabás de pasar de “deberías invertir en visibilidad para IA”, que suena a humo, a “mirá, acá está el problema, en vivo, con tu nombre ausente”. Eso abre la conversación de GEO sola.
El paso siguiente —cuantificar cuánto vale esa ausencia y generar el código para cerrarla— es donde dejás de hacer el test a mano y empezás a tener un servicio. Pero el gancho es este, y es gratis.
De la foto incómoda al número que un CFO firma
Ver que no aparecés es el síntoma. La pregunta que sigue, la que hace tu director financiero, es: ¿cuánto me cuesta esto?
Y tiene fundamento para preguntarlo. El CTR orgánico cayó 61% desde la aparición de los AI Overviews (Fuel Online, 2026). Solo el 1% de los usuarios hace clic en los links dentro de una respuesta de IA (Pew Research, 2025). El 62% de las marcas es invisible para los modelos de IA (Fuel Online, 2026). Y McKinsey proyecta US$750.000 millones en ventas vía motores generativos para 2028. No es una tendencia futura: es tráfico (y revenue) que ya dejó de existir, y que tu P&L no muestra como una caída porque nunca aparece como una línea. Simplemente no está.
El problema del test a mano es que te muestra el síntoma sin el número. Ves que no estás, pero no sabés cuánto vale no estar. Y sin USD, no hay decisión de inversión: hay una preocupación vaga que se posterga.
Esa traducción —de “no aparezco” a “estás perdiendo X dólares por mes, acá está el cálculo auditable”— es el corazón de lo que hace Lotus. No medimos visibilidad en porcentajes de Share of Voice que no le dicen nada a finanzas. Cuantificamos el revenue en riesgo en dólares, con la fuente de cada número al lado, para que sea un dato que un CFO pueda auditar y no un slide de marketing. (La lógica completa está en El Bleed Rate.)
Hacé el test. Después dejanos mostrarte la película.
El experimento de arriba es real y te lo recomiendo hacer hoy. Te va a mostrar algo incómodo y verdadero: una foto, una vez, a mano, en tu categoría.
Lo que vos no podés hacer a mano es lo que hace Lotus: correr ese análisis de forma sistemática, sobre tu dominio real, en ciclos, versionando cómo cambia con el tiempo, traduciéndolo a revenue en riesgo en USD, y —esto es lo que ninguna otra herramienta hace— generando el código ejecutable que se instala en tu sitio para que dejes de ser invisible. No un PDF con recomendaciones. El llms.txt, el JSON-LD, los datos estructurados, listos para deployar.
Pedí un demo y lo corremos sobre tu dominio. Te mostramos tu bleed en dólares y los artefactos que generamos para cerrarlo, sobre tu sitio real, no sobre un caso de ejemplo. La foto la sacás solo. La película te la mostramos nosotros.
GEO (Generative Engine Optimization) es la disciplina de optimizar para que los motores generativos —ChatGPT, Perplexity, Gemini, Claude, Google AI Overviews— te citen cuando responden. Es a los LLMs lo que el SEO es a los buscadores. No lo reemplaza: lo complementa. En Clicon construimos Lotus, el motor de AI Revenue Protection para LATAM —el primero nativo en español.