Foto: Pedro Dias
Hay un principio básico de management financiero que todo CFO conoce: no podés gestionar lo que no medís. Pero existe una variante más peligrosa del problema que ese principio no contempla — cuando la pérdida está diseñada, estructuralmente, para no aparecer en ningún reporte que tu empresa produce hoy.
Eso es exactamente lo que está pasando con la búsqueda generativa.
Los LLMs están interceptando demanda real de tu categoría — compradores que buscan lo que vos vendés, que hacen preguntas que tu empresa debería responder — y resolviéndola sin que esa demanda llegue a tu sitio, sin que genere una sesión en GA4, sin que aparezca como una oportunidad perdida en tu CRM, y sin que dispare ninguna alerta en ningún dashboard que tu equipo esté mirando hoy.
No es tráfico que perdiste. Es tráfico que nunca existió para tu sistema de medición. Y esa es la diferencia que lo hace difícil de ver y fácil de ignorar.
Por qué tus métricas actuales tienen un punto ciego estructural
Google Analytics 4 mide sesiones. Una sesión requiere que alguien llegue a tu sitio. Si el usuario hizo una pregunta en ChatGPT, recibió una respuesta que satisfizo su necesidad, y nunca hizo clic en ningún link, GA4 no registra nada. No hay sesión, no hay rebote, no hay señal de ningún tipo. El sistema de medición no falló — simplemente no fue diseñado para capturar ese tipo de pérdida porque no existía cuando fue diseñado.
Google Search Console mide impresiones y clics en la SERP. Pero las respuestas generativas de AI Overviews que interceptan una query antes de que el usuario haga clic no siempre aparecen como impresiones perdidas — aparecen como impresiones sin clic, exactamente igual a cualquier resultado orgánico que no fue clickeado por preferencia del usuario. La señal es indistinguible del ruido.
Tu P&L muestra revenue generado. No muestra el revenue que existió como intención de compra y se resolvió en otra parte. Las ventas que no ocurrieron porque el comprador recibió su respuesta de un LLM y siguió adelante con otro proveedor (o simplemente con la respuesta del LLM) no dejan rastro contable.
El resultado es un punto ciego estructural: una categoría completa de riesgo de negocio que ninguno de tus sistemas actuales está midiendo ni reportando.
Cómo se ve este riesgo en lenguaje de negocio
La forma correcta de pensar este problema no es como una métrica de marketing. Es como una categoría de riesgo de mercado — comparable a cuando un canal de distribución clave empieza a perder relevancia, o cuando un cambio regulatorio restringe tu acceso a un segmento de clientes.
La diferencia es que esos riesgos eventualmente aparecen en los números. Este, por diseño, no.
Para dimensionarlo en términos concretos: cuando un AI Overview aparece en una búsqueda relevante para tu categoría, el CTR orgánico de las posiciones 1 a 3 cae entre el 40% y el 61% según el tipo de query (Fuel Online, 2026). Solo el 1% de los usuarios clickea los links dentro de las respuestas generativas (Pew Research, 2025). El 62% de las marcas B2B son directamente invisibles para los modelos de IA más usados (Fuel Online, 2026).
Traducido a una empresa B2B con 20,000 sesiones orgánicas mensuales, tasa de conversión del 2% y ticket promedio de $1,500 USD, el riesgo anualizado conservador está entre $200,000 y $400,000 USD en revenue potencial que no se está capturando — y que no figura en ninguna línea del P&L actual.
No como deuda. No como pérdida registrada. Como oportunidad que se fue sin dejar registro.
El problema de escalar esto internamente
El riesgo invisible tiene una consecuencia organizacional concreta: no escala.
Si el Director de Marketing de tu empresa no tiene un número que mostrar, no tiene un argumento para llevar al C-level. Si no tiene argumento, no hay presupuesto. Si no hay presupuesto, el problema sigue creciendo sin respuesta.
Y el problema sí está creciendo. El tráfico referenciado por IA creció un 527% interanual en 2025 (Previsible, 2025). El 31% de la población de Estados Unidos ya usa búsqueda generativa como canal principal (EMARKETER, 2026) — y LATAM sigue esa curva con entre 6 y 12 meses de retraso.
El momento en que esos números se vuelvan visibles en el P&L es el momento en que ya es tarde para construir la respuesta con ventaja de tiempo.
Las tres preguntas que un CEO debería hacerle a su equipo de marketing esta semana
No para presionar, sino porque son las preguntas correctas en este momento:
1. ¿Sabemos cuántas veces nos citan los LLMs principales para las queries de nuestra categoría?
Si la respuesta es “no lo medimos sistemáticamente”, el punto ciego existe. Un equipo de marketing que no está monitoreando su citación en ChatGPT, Perplexity y Google AI Overviews está gestionando la mitad del canal de descubrimiento de clientes con los ojos cerrados.
2. ¿Tenemos un número — aunque sea estimado — del revenue que esta dinámica está poniendo en riesgo?
No tiene que ser exacto. Tiene que existir. Si el equipo no puede producir ese número, es la primera tarea que debería asignarse antes de cualquier otra discusión de presupuesto de marketing.
3. ¿Qué estamos haciendo activamente para que los LLMs nos incluyan en sus respuestas sobre nuestra categoría?
Esta no es una pregunta de contenido. Es una pregunta de infraestructura. La estructura técnica de tu sitio — cómo está marcado semánticamente, qué información le entregás explícitamente a los crawlers de IA, cómo está definida tu entidad como negocio en los formatos que los modelos leen — determina si te citan o no. El contenido de marketing es necesario pero no suficiente.
Por qué esto es un problema estratégico y no un problema de marketing
La distinción importa porque determina a qué nivel de la organización le pertenece el problema y con qué urgencia se trata.
Un problema de marketing es optimizar el presupuesto de paid, mejorar el copy de la landing, aumentar la tasa de apertura de emails. Esos problemas tienen ciclos de iteración cortos, impacto reversible, y generalmente se resuelven con ajustes tácticos.
Este problema tiene características diferentes. La autoridad semántica en los LLMs se construye en el tiempo y es difícil de replicar en el corto plazo — exactamente como la autoridad de dominio en SEO. Una empresa que empieza a construirla hoy tiene una ventaja estructural sobre una que empiece en 12 meses. Y al revés: una empresa que espera 12 meses mientras sus competidores actúan va a tener que invertir significativamente más para recuperar el terreno perdido.
Eso lo convierte en una decisión de asignación estratégica de recursos, no en un ítem de optimización de campañas.
Lo que sí podés medir hoy
El riesgo invisible no significa que sea inmensurable. Significa que requiere un framework de medición diferente al que tus herramientas actuales ofrecen por defecto.
El punto de partida es construir una línea de base: auditar sistemáticamente tu citación en los LLMs principales para las 20-30 queries más relevantes de tu categoría, cruzar esa información con tu tráfico orgánico real y tu modelo de conversión, y producir un número de revenue en riesgo que sea defendible en una conversación de board.
Ese número es el que transforma el problema de invisible a gestionable.
No porque el número en sí resuelva el problema — sino porque pone el problema en el idioma en que las organizaciones toman decisiones.
Si querés saber cuánto revenue tiene tu empresa en riesgo por la búsqueda generativa, Lotus genera ese análisis usando tus datos reales de Google Search Console — con un número auditado en USD, no en porcentajes de visibilidad. Podés solicitarlo en lotus.clicon.app.
Martín Endara es fundador de Clicon y creador de Lotus, el primer AI Revenue Protection Engine para empresas B2B en LATAM. Antes de construir Lotus, pasó más de 25 años trabajando con equipos de marketing y tecnología en la región.
¿Querés recibir insights sobre GEO, LLMs y el futuro del marketing B2B? Suscribite al blog de Clicon.