En las recomendaciones de las IAs, lo relevante es aparecer a menudo, no en qué puesto
TL;DR
En las recomendaciones de IA para productos y marcas, cada respuesta varía mucho en contenido y orden. Perseguir el primer puesto es poco útil; la clave es aparecer con frecuencia, ya que la presencia repetida en estas listas indica relevancia y autoridad.
En los últimos meses, muchas marcas han empezado a preguntarse lo mismo: si cada vez más usuarios piden a ChatGPT, Gemini o Perplexity que les recomienden productos, ¿tiene sentido “posicionarse” en esas respuestas como antes se hacía en Google?
Un nuevo estudio de SparkToro y Gumshoe.ai apunta a una respuesta incómoda: las listas de recomendaciones generadas por IA son tan volátiles que perseguir rankings fijos es, sencillamente, una mala inversión.
Un experimento masivo para poner a prueba a la IA
El trabajo de SparkToro y Gumshoe parte de una pregunta muy concreta: ¿son lo bastante consistentes las IAs como para medir, con precisión, la visibilidad de una marca en sus recomendaciones? Para responderla, realizaron 12 tipos de consultas de recomendación de marca y productos a los 3 modelos de IA más populares en Estados Unidos (Chat GPT, Claude y la “vista creada con IA” del buscador de Google). Y analizaron las casi 3000 respuestas diferentes recibidas.
Las preguntas abarcaban peticiones muy amplias, como “novelas de ciencia ficción”. También incluían casos mucho más acotados, como “concesionarios Volvo en Los Ángeles” o “proveedores de cloud computing para SaaS”. Cada prompt se repitió decenas de veces en cada herramienta. Después, los resultados se normalizaron en listas ordenadas de marcas o productos. Así se pudo medir qué elementos se repetían y cuáles cambiaban de una respuesta a otra.
En la siguiente imagen, aparece una visualización de la ingente variedad de combinaciones de productos/marcas que generaron los 12 prompts diferentes, ejecutados entre 60 y 100 veces cada uno:
La conclusión estadística es contundente: menos del 1% de las respuestas repiten exactamente el mismo listado de marcas cuando se lanza la misma petición al mismo modelo. Y la probabilidad de que, además, la lista se ordene de la misma manera cae por debajo del 0,1–0,3%, incluso en categorías con pocas opciones posibles.
Tres formas de variación en cada respuesta
La volatilidad no se limita al “top 3”. Las IAs modifican tres variables a la vez casi siempre:
- El listado de marcas o productos.
- También cambia el orden en el que aparecen esas recomendaciones.
- Y cambia el número total de elementos que incluye la lista, que puede ir de 2–3 elementos a más de 10.
La amplitud del “universo de opciones” también influye. En consultas con miles de posibles respuestas, como la de las novelas de ciencia ficción, la diversidad de listas es enorme, mientras que en casos como los concesionarios Volvo en una ciudad concreta la variación se reduce, porque simplemente hay menos candidatos posibles.
Pero incluso en estos escenarios más estrechos, los datos muestran que los modelos no se comportan como un ranking clásico de buscador: el orden baila de respuesta en respuesta y la composición de la lista nunca termina de fijarse.
En palabras de Rand Fishkin, cofundador y CEO de SparkToro:
Motores probabilísticos, no rankings de búsqueda
El estudio obliga a abandonar un supuesto muy extendido: pensar en la IA como una SERP de Google con otro diseño. Los modelos generativos funcionan como motores probabilísticos de texto que, a partir de un contexto, escogen entre muchas respuestas posibles; no consultan una tabla estática de posiciones.
SparkToro lo resume de forma clara. Si se pide a una IA que recomiende marcas o productos cien veces, casi todas las respuestas serán únicas en esas tres dimensiones (lista, orden y longitud). Y esto ocurre mientras los usuarios formulan prompts muy diferentes entre sí, incluso cuando comparten la misma intención de compra, lo que multiplica aún más la diversidad del resultado. El estudio de SparkToro y Gumshoe.ai profundiza mucho más en esta parte semántica. Ahonda en las diferentes maneras que tienen las personas de expresar una misma petición hacia la IA. Si te interesa, puedes leer más sobre esta parte del artículo haciendo clic en este enlace.
La consecuencia es que conceptos como “estar siempre el primero” en las respuestas de IA tienen poco apoyo empírico. A lo sumo, una marca puede aspirar a formar parte del conjunto de candidatos que aparecen con frecuencia cuando el modelo intenta resolver una determinada necesidad: elegir un banco digital, un software de e-commerce, unos auriculares o un supermercado online.
Cuando la presencia pesa más que el puesto
Entre tanta volatilidad, el propio estudio de SparkToro identifica un dato mucho más estable: la frecuencia con la que una marca aparece en las respuestas. Es lo que varios analistas ya empiezan a llamar “visibilidad en IA”. No tanto en qué posición sales, sino en cuántas respuestas estás presente cuando se formula una familia de consultas relacionadas.
Este fenómeno se puede ilustrar con un ejemplo concreto extraído del informe. En una de las consultas analizadas, relacionada con “consultores e-commerce”, la agencia Smartsites apareció en 85 de las 95 respuestas que devolvió la IA de Google, aunque no siempre ocupando el mismo puesto. Es decir, su posición fluctuaba, pero su presencia era casi constante, un síntoma claro de liderazgo en esa categoría.
El mensaje es directo para el sector retail y las marcas. En las listas de recomendaciones creadas por las IAs, importa más aparecer repetidamente que encabezar el ranking de forma puntual. La métrica empieza a parecerse más a un “Share of Voice” en IA que a un top 10 tradicional.
Qué pueden hacer las marcas y el retail a partir de ahora
La primera implicación práctica es de expectativas. Ningún retailer ni fabricante puede garantizar “estar siempre el primero” en la respuesta de una IA para una categoría concreta, por mucho presupuesto que dedique a contenido o campañas. Lo razonable es fijar como objetivo entrar en el conjunto de marcas que la IA considera relevantes y que menciona con frecuencia para una intención determinada.
A partir de ahí, los expertos apuntan a tres líneas de trabajo:
- Construir autoridad en las fuentes que alimentan a los modelos: medios de referencia, documentación propia, contenidos profundos y reseñas verificadas, tanto en marketplaces como en sitios especializados.
- Clarificar la categoría y la propuesta de valor de la marca, para que la IA pueda asociarla con facilidad a determinadas necesidades (“supermercado online de proximidad”, “tienda de electrónica de gama media”, “marca eco de droguería”, etc.).
- Vigilar de forma continua cómo describen las IAs a la empresa y qué productos eligen como ejemplo. Esto ayudará a detectar tanto oportunidades de posicionamiento como posibles crisis de reputación.
Para el retail, además, hay un matiz específico: muchas de las consultas en IA mezclan información de producto, servicio y logística. Los modelos valoran desde la disponibilidad y el precio hasta las políticas de devolución, la experiencia de compra o la percepción de sostenibilidad, según se desprende de análisis recientes sobre cómo la IA construye sus recomendaciones en e-commerce. Eso obliga a pensar la “visibilidad en IA” como un reflejo global de la marca, no sólo como una extensión del SEO de fichas de producto.
Un cambio de mentalidad para el sector
La investigación de SparkToro llega en un momento marcado por la presión económica, la volatilidad del consumo y el auge de la IA. Estos factores están reconfigurando el recorrido de compra. Para el retail, esto implica aceptar que la visibilidad ya no se juega sólo en escaparates físicos o en los resultados de Google. También se disputa en conversaciones sintéticas, personalizadas y poco predecibles.
En este nuevo escenario, la tentación de buscar “la nueva métrica mágica” es comprensible. Pero los datos recuerdan que no existe un equivalente directo del “primer puesto” de Google en las respuestas de IA, y que fiar decisiones de inversión a rankings inestables puede resultar caro.
Lo que sí parece claro es que la presencia repetida en las recomendaciones de IA será, cada vez más, un indicador de relevancia y autoridad para las marcas. Lograrla exige combinar buen producto, buena experiencia y buena reputación, traducidos en señales que los modelos pueden leer y reutilizar. Y medirla bien requerirá menos obsesión por la posición exacta y más cultura de datos probabilísticos, experimentación y transparencia metodológica.
