Hice un experimento simple y el resultado fue más revelador de lo que esperaba.
Tomé una decisión de compra cotidiana, comprar café de especialidad en grano en Buenos Aires, y le hice exactamente la misma pregunta a tres modelos de IA: ChatGPT, Gemini y Claude. El mismo prompt, palabra por palabra, en los tres. La pregunta que haría cualquier persona antes de gastar plata:
Quiero comprar café de especialidad en grano en Buenos Aires. ¿Qué tostadores o cafeterías me recomendás y por qué?
Esperaba tres listas parecidas con algún reordenamiento. Lo que obtuve fueron tres universos casi distintos. Entre los tres modelos se mencionaron alrededor de quince tostadores diferentes. ¿Cuántos aparecieron en las tres respuestas? Uno.
Ese resultado: Quince nombres, UNA sola coincidencia, es la foto más clara que vi de un problema que casi nadie en marketing está mirando todavía. Vamos por partes, porque cada capa enseña algo.
Tres modelos, tres lógicas, tres listas
Lo primero que saltó: las respuestas no se diferenciaban en el orden, se diferenciaban en quiénes estaban.
Uno de los modelos me devolvió una lista larga, ordenada por método de preparación, y (el detalle que importa) con sitios web, números de teléfono, ubicaciones en mapa y horarios. No me recomendó desde lo que “sabía”: salió a buscar información estructurada en el momento y armó la respuesta con eso. Era, de lejos, la respuesta más útil para alguien que de verdad quiere comprar: tenía a dónde llamar y cómo llegar.
Los otros dos modelos respondieron distinto. Listas más cortas, más editoriales, apoyadas en lo que el modelo “conoce” de su entrenamiento más que en una búsqueda en vivo. Buenas recomendaciones, prosa linda, pero sin la ficha accionable del primero.
Acá ya hay una lección que vale oro y que poca gente tiene clara: no existe “lo que dice la IA”. Existe lo que dice este modelo, según cómo recupera información. Algunos motores leen la web en vivo al momento de responder (retrieval); otros tiran más de lo que aprendieron en el entrenamiento. Y esa diferencia técnica decide quién aparece recomendado y quién no. El mismo negocio puede ser invisible para un modelo y estrella para otro, no por calidad, sino por cómo cada motor arma la respuesta.
El que sobrevive a los tres
De las ~15 marcas mencionadas, una sola apareció en ChatGPT, en Gemini y en Claude: LAB Tostadores de Café.
No lo nombro por preferencia personal, lo nombro porque es el dato. Es la única entidad que los tres modelos, con sus tres lógicas distintas de recuperar información, coincidieron en reconocer y recomendar. Cuando un modelo que busca en vivo y un modelo que responde desde su entrenamiento llegan al mismo nombre, eso no es casualidad: es señal de que esa marca está declarada de una forma que cualquier sistema puede leer, no solo uno.
El resto de las marcas (y eran muchas, todas con reputación real) vivían en la respuesta de un modelo y desaparecían en la de otro. Existían para un motor y eran invisibles para los demás.
Y acá está el punto delicado para cualquiera que tenga un negocio: estar no alcanza. Tenés que estar de una forma que las tres máquinas distintas puedan entender. Si solo uno de los tres motores principales te reconoce, dependés de que tu cliente justo abra ese motor y justo formule la pregunta de esa manera. Es una lotería que no controlás.
El caso que prueba la tesis: famoso no es lo mismo que legible
El hallazgo que más me hizo pensar fue otro. Entre las marcas que aparecieron en un solo modelo había un negocio que cualquier porteño que toma café conoce: ícono cultural, ubicación emblemática, prensa, boca a boca de años. Por reputación humana, debería haber estado en las tres listas con honores.
Apareció en una sola. Para los otros dos modelos, no existía.
Esto es lo más importante de todo el experimento, así que lo digo sin vueltas: un modelo de IA no recomienda al más conocido ni al mejor. Recomienda al que puede leer. La reputación que vive en la cabeza de la gente, en el boca a boca, en las notas de prensa, en la memoria colectiva del barrio, no es la misma reputación que vive en una forma que una máquina puede extraer. Un negocio puede ser legendario para los humanos y un fantasma para el parser.
Para un humano, la fama se transmite contándola. Para un modelo, la entidad se transmite declarándola: en texto plano, estructurado, explícito. Si tu autoridad solo existe en el plano humano y nunca la volcaste a un formato legible por máquina, los modelos que deciden compras hoy no la ven.
¿Por qué pasa esto, técnicamente?
No tengo acceso a los internals de ChatGPT, Gemini ni Claude, así que no puedo afirmar con certeza por qué cada uno eligió lo que eligió. Lo honesto es presentarlo como lo que es: un patrón observable y una hipótesis bien fundada, no una verdad sobre el algoritmo de cada empresa.
Dicho eso, el patrón apunta fuerte en una dirección. Los modelos generativos acceden a la web de dos maneras: leen y procesan contenido durante su entrenamiento, y —algunos— buscan páginas en vivo al momento de responder. En los dos casos, lo que necesitan es lo mismo: poder extraer, en texto y datos estructurados, quién sos, qué hacés, dónde estás y con qué autoridad. No ven tu diseño, tu logo ni tus fotos. Procesan estructura.
El negocio que apareció con web, teléfono y mapa lo hizo porque esa información existía de forma estructurada y recuperable. El negocio famoso que no apareció probablemente tenía su autoridad atrapada en formatos que la máquina no extrae, reputación humana sin contraparte legible. Y la marca que sobrevivió a los tres modelos casi con seguridad tiene su entidad declarada de forma lo bastante explícita como para que cualquier motor, busque en vivo o no, la entienda igual.
Dos piezas técnicas concretas están detrás de esto:
- Datos estructurados (JSON-LD). Es el estándar (schema.org) que le declara a las máquinas, de forma explícita, qué organización sos, a qué te dedicás, dónde operás y cuáles son tus productos. Es la diferencia entre que el motor infiera quién sos y se equivoque, o te omita y que vos se lo declares sin ambigüedad.
- Contenido extraíble. La afirmación “esta empresa es X, hace Y, está en Z” tiene que existir en texto plano que un parser lea, no escondida en una imagen, un video o JavaScript que el crawler no ejecuta. Si un humano lo entiende pero una máquina no, para el modelo sos ambiguo.
(Si querés el detalle de cómo los modelos leen un sitio, lo desarrollamos acá: Cómo leen los LLMs tu sitio web.)
Esto es café. Ahora pensalo con tu negocio.
El experimento es entretenido porque es café y a todos nos da curiosidad. Pero cambiá el rubro por el tuyo y la sonrisa se borra.
Si vendés software, servicios profesionales, equipamiento industrial, lo que sea, tu próximo cliente está haciendo exactamente esta pregunta sobre tu categoría, en uno de estos tres modelos, ahora mismo. Y va a recibir una de tres respuestas posibles, dependiendo de qué motor abrió y cómo escribió. Si tu marca es como ese negocio famoso que apareció en un solo modelo (o peor, en ninguno) estás perdiendo deals que ni sabés que se están decidiendo.
El número detrás de esto no es chico. 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. Cada recomendación de la que estás ausente es una venta que se fue a un competidor sin pasar por tu sitio, sin aparecer en tu Analytics, sin dejar rastro en tu P&L.
Hacé tu propia versión del experimento
Lo bueno: podés correr esto mismo en diez minutos. Tomá la pregunta que haría tu cliente: “Necesito contratar [lo que vendés] para una empresa de [tu industria] en [tu país], ¿qué proveedores me recomendás?” y corréla idéntica en ChatGPT, Gemini y Perplexity. Anotá en cuántos aparecés, en cuántos no, y quién está en tu lugar.
Eso te da la foto. Una vez. A mano.
Lo que no podés hacer a mano es lo que hace Lotus: correr ese análisis de forma sistemática sobre tu dominio real, en ciclos, midiendo cómo cambia con el tiempo, traduciéndolo a revenue en riesgo en dólares con un número que tu CFO puede auditar, y generando el código ejecutable que se instala en tu sitio para que dejes de ser el negocio famoso que la máquina no puede leer. No un PDF con recomendaciones. El llms.txt, el JSON-LD y los datos estructurados, listos para deployar.
Pedí un demo y lo corremos sobre tu dominio. Te mostramos cuántos modelos te reconocen hoy, cuánto te cuesta en USD no aparecer, y los artefactos que generamos para que las tres máquinas. no una, te entiendan. 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 reconozcan y 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.