Cómo deciden los asistentes de IA qué empresas recomendar

Las cuatro etapas entre un prompt y un nombre

Un prompt como «¿a quién contrato para reformar oficinas en Barcelona?» no es una consulta de búsqueda. Antes de recuperar nada, el asistente decide si necesita la web, y después expande la petición en varias búsquedas concretas — normalmente una mezcla de términos de categoría, modificadores de ubicación y palabras de intención como «mejores», «opiniones» o «comparativa». OpenAI describe la búsqueda de ChatGPT como la combinación de su modelo con información de la web, devolviendo enlaces a las fuentes en lugar de responder solo con datos de entrenamiento (OpenAI).

La recuperación devuelve un conjunto de candidatos: normalmente unas decenas de URL, de las que solo un puñado entra en el contexto de trabajo. Esas se filtran: algunas fuentes se tratan como fiables para afirmaciones comerciales, otras se ignoran y otras quedan excluidas porque el editor bloqueó al rastreador. La búsqueda web de Claude, por ejemplo, devuelve respuestas con citas a las páginas utilizadas (Anthropic), lo que significa que las fuentes son estructurales y verificables.

Después llega el paso en el que casi ninguna empresa piensa: la resolución de entidades. El asistente tiene que decidir que «Northgate Interiores», «Northgate Interiores S.L.» y el contratista sin nombre descrito en un artículo de una revista del sector son la misma empresa — o que no lo son. Y por último, la síntesis: el modelo escribe entre dos y cinco nombres en prosa, en un orden marcado por la fuerza y la coherencia con que cada candidato apareció en las pruebas recuperadas.

Cada etapa es un filtro. Puedes ser rastreable, tener buenas reseñas y ser de verdad la mejor opción, y aun así perder en la resolución de entidades. Diagnosticar qué filtro te eliminó es más útil que cualquier consejo genérico sobre «optimizar para la IA».

• placeholder
• x
• Filtros por etapa
• :

Etapa 1: recuperación — primero accesible, después localizable

Nada de lo que viene después importa si falla la descarga. Cada asistente usa sus propios rastreadores y su propio índice, y todos publican los user agents implicados: OpenAI documenta OAI-SearchBot para mostrar sitios en la búsqueda de ChatGPT, junto a GPTBot para el entrenamiento (OpenAI), y bloquear uno no es lo mismo que bloquear el otro. Un robots.txt escrito en 2023 para dejar fuera el entrenamiento de IA a menudo deja fuera también al bot de búsqueda — una exclusión autoinfligida que ningún trabajo de contenidos va a arreglar.

El índice que hay detrás del asistente importa igual. Google afirma que sus funciones de IA en la Búsqueda se apoyan en los mismos sistemas e indexación que la propia Búsqueda, y que las directrices son las mismas de Search Essentials (Google Search Central). Microsoft Copilot hereda el índice de Bing, así que las directrices para webmasters de Bing sobre rastreabilidad, URL canónicas y calidad de contenido son el manual aplicable (Bing Webmaster Guidelines). Perplexity opera su propia recuperación y cita las fuentes en línea, y ha creado relaciones comerciales con editores a través de su Publishers Program (Perplexity).

Luego está el desajuste de vocabulario. Los asistentes buscan con las palabras del usuario, no con las de tu marketing. Una empresa que se describe ofreciendo «soluciones integrales de espacios de trabajo» es invisible ante un abanico de búsquedas como «empresa reforma oficinas Barcelona», «empresas de interiorismo comercial España» o «mejores empresas para reformar oficinas». Lenguaje llano de categoría en tus páginas de servicio, con las mismas palabras que usan los compradores, es lo que hace que una página sea recuperable para las consultas que realmente se lanzan.

Lo que controlas aquí: el acceso de los rastreadores, la indexabilidad a nivel de página, la actualización de las páginas clave y si tu terminología coincide con las búsquedas que probablemente genere un asistente.

Etapa 2: fiabilidad de las fuentes — las páginas de terceros suelen elegir la lista corta

Una vez recuperados, los documentos no valen lo mismo. Los asistentes se apoyan mucho en páginas que se leen como valoraciones independientes — directorios, plataformas de reseñas, prensa sectorial, artículos comparativos, listados de socios de asociaciones, perfiles en marketplaces — porque son las páginas que contienen listas de opciones que compiten. La web de un proveedor es excelente para confirmar datos y pésima como prueba de superioridad; «somos el proveedor líder» es una afirmación que el modelo ha aprendido a descontar.

Por eso la lista corta práctica suele quedar fijada antes de que se lea tu web. Si cinco artículos recopilatorios sobre tu categoría nombran a ocho empresas y tú no estás en ninguno, el conjunto de candidatos del asistente son esas ocho. Tu web se descarga entonces solo para enriquecer un nombre que ya apareció, o no se descarga en absoluto. La asimetría es incómoda, pero accionable: conseguir una línea en las páginas que ya posicionan para «mejores X en Y» te lleva más lejos que otra reescritura de la home.

La coherencia entre fuentes actúa como segunda señal de confianza. Cuando seis páginas independientes te describen igual — misma especialidad, misma ciudad, mismo tamaño de cliente —, el modelo trata esa descripción como un hecho establecido. Cuando se contradicen, el modelo matiza, y las entidades con matices se caen de las respuestas breves porque cuestan palabras de explicación.

La actualidad importa más de lo que la mayoría de equipos supone. Los asistentes prefieren documentos con fechas recientes para preguntas comerciales, así que una ficha de directorio de 2019 con un teléfono que no existe es peor que no tener ficha. Auditar dónde apareces y corregir los perfiles obsoletos es un trabajo poco lucido con efecto directo en la recuperación. La parte de medición la tratamos en visibilidad en IA.

• Páginas que construyen listas cortas: recopilatorios de categoría, listas de «los mejores», artículos de comparativas y alternativas, plataformas de reseñas, directorios sectoriales y registros de asociaciones.
• Páginas que confirman datos: tus páginas de servicio, la de precios, los casos de éxito, la página «quiénes somos» y los datos estructurados.
• Páginas que te perjudican: perfiles desactualizados con datos de contacto erróneos, fichas duplicadas abandonadas y páginas que describen una línea de servicio que ya no ofreces.

Etapa 3: resolución de entidades — ser una única empresa sin ambigüedad

El modelo tiene ahora un montón de menciones y debe agruparlas en entidades. Aquí es donde los nombres casi idénticos, los cambios de marca, las operaciones multisede y las estructuras de holding provocan pérdidas silenciosas. Si las pruebas sobre tu empresa se reparten entre tres identidades a medio formar, ninguna de las tres parece lo bastante sólida para recomendarla, aunque la suma sí lo fuera.

La identidad legible por máquinas es el arreglo más barato disponible. La documentación de datos estructurados de Google para negocios locales especifica las propiedades que describen un negocio físico — nombre, dirección, teléfono, horario, geolocalización, rango de precios (Google Search Central) — y la propiedad sameAs de Schema.org existe precisamente para enlazar tu página con las referencias canónicas de la misma entidad, como un perfil oficial o una página de base de conocimiento (Schema.org). Rellenarlas da a todos los rastreadores la misma declaración inequívoca de quién eres.

El resto es disciplina. Usa un mismo patrón de nombre legal y comercial en todas partes. Mantén las mismas palabras de categoría en tu title, en tus fichas de directorio y en tu descripción de LinkedIn. Asegúrate de que la dirección y el teléfono de los listados de terceros coinciden carácter por carácter con los de tu web. Si tienes varias sedes, dale a cada una su propia página indexable con sus propios datos estructurados, en lugar de una única página con desplegable.

Los asistentes también resuelven entidades por coocurrencia: las marcas, tecnologías, certificaciones y tipos de cliente que aparecen cerca de tu nombre. Si nada en las pruebas recuperadas te conecta con el servicio concreto del prompt, quedas resuelto como una empresa genérica de tu sector — recuperable, pero nunca la respuesta a una pregunta específica.

Etapa 4: síntesis — cómo una lista corta se convierte en una frase

En la síntesis, el modelo tiene quizá entre 5.000 y 20.000 palabras de texto recuperado y necesita producir 120. La compresión lo decide todo. Sobreviven los candidatos respaldados por afirmaciones explícitas y citables; los candidatos que exigen inferencias se caen, porque el modelo no tiene espacio para argumentar.

La posición dentro del contexto recuperado tiene un efecto medible. Liu y sus colegas demostraron que los modelos de lenguaje aprovechan mejor la información cuando aparece al principio o al final de una entrada larga, con una degradación notable de la precisión cuando el pasaje relevante se sitúa en el medio (Liu et al., «Lost in the Middle»). En la práctica, eso premia la estructura del contenido: una afirmación enunciada en la primera frase de una sección, o en una tabla comparativa claramente etiquetada, tiene muchas más probabilidades de sobrevivir a la compresión que la misma afirmación en el noveno párrafo.

La forma de la respuesta también sigue la forma de sus fuentes. Si los documentos recuperados son artículos comparativos, obtienes una comparativa. Si son páginas de reseñas, obtienes sentimiento. Si una fuente ya ha planteado un mercado como «tres opciones enterprise y dos opciones económicas», el asistente tiende a reproducir ese marco y a encajar nombres dentro. Quien escribe el marco que se recupera tiene más influencia que quien escribe el mejor texto comercial.

Por último, el modelo necesita un motivo para nombrarte. «Buena opción para sectores regulados por su certificación ISO 27001» es una frase que el asistente puede tomar prestada y defender. «Galardonada y orientada al cliente» no lo es. Publicar los calificadores concretos y verificables por los que filtraría un comprador — sector, tamaño de operación, geografía, cumplimiento normativo, integraciones, plazos — aporta los diferenciadores que te hacen citable.

Por qué el mismo prompt da respuestas distintas en cada asistente

La divergencia es estructural, no aleatoria. Copilot responde desde el índice de Bing; las funciones de IA de Gemini se ejecutan sobre los sistemas e indexación de la Búsqueda de Google (Google Search Central); Perplexity recupera con su propia infraestructura y cita en línea; Claude busca en la web y adjunta citas a las afirmaciones que extrae de ella (Anthropic); la búsqueda de ChatGPT combina el modelo con información web y enlaza a las fuentes (OpenAI). Índices distintos contienen documentos distintos, actualizados con distinta periodicidad. Misma pregunta, pruebas distintas.

A eso se suman cuatro fuentes más de variación. La expansión de la consulta cambia, así que las búsquedas que realmente se lanzan no son las mismas. El muestreo hace que la generación no sea determinista, de modo que el mismo asistente puede devolver un orden diferente dos veces seguidas. La localización desplaza los resultados según el país y la ciudad inferidos. Y la personalización — historial de chat o funciones de memoria — puede sesgar las respuestas de un usuario hacia marcas que ya ha comentado antes.

La consecuencia operativa es que una comprobación puntual no te dice casi nada. Para saber si te recomiendan necesitas el mismo conjunto de prompts con intención de compra, lanzados de forma repetida, en varios asistentes, desde las geografías a las que vendes, capturando cada vez las fuentes citadas. Eso es lo que hace Growli: seguimos menciones, comparativas y recomendaciones por asistente, mostramos con qué fuentes se construyeron las respuestas y convertimos las carencias en una lista priorizada de arreglos — mira cómo funciona.

El diagnóstico sigue esas mismas cuatro etapas. ¿No te recuperan en ningún sitio? Sospecha del acceso de los rastreadores o del desajuste de vocabulario. ¿Te recuperan pero nunca te nombran? Sospecha de la fiabilidad de las fuentes o de la ambigüedad de entidad. ¿Te nombran pero te describen mal? Hay una fuente obsoleta concreta que está ganando, y se puede identificar a partir de las citas.

Qué puedes influir de verdad, etapa por etapa

Casi nada en este proceso responde a la persuasión, y casi todo responde a las pruebas. El trabajo se divide con nitidez por etapas, y conviene secuenciarlo así en lugar de hacerlo todo a la vez.

En la recuperación, las palancas son técnicas y lingüísticas: permitir los rastreadores de búsqueda que te interesan (comprobando los user agents documentados de cada plataforma), mantener indexables y actualizadas las páginas comerciales clave y usar las palabras de categoría llanas que escriben tus compradores. En la fiabilidad de las fuentes, las palancas son externas: entrar en los recopilatorios y directorios que ya posicionan para los prompts de tu categoría, corregir perfiles obsoletos y asegurarte de que las descripciones independientes sobre ti coinciden entre sí.

En la resolución de entidades, las palancas son estructurales: un único patrón de nombre, datos de contacto idénticos en todas partes, datos estructurados LocalBusiness u Organization y enlaces sameAs a tus perfiles canónicos. En la síntesis, las palancas son editoriales: enunciar los datos que te cualifican en la primera frase de cada sección, publicar contenido con forma de comparativa y con tablas, y dar al modelo diferenciadores verificables que pueda citar sin riesgo.

Nada de esto es un truco, y nada es permanente. Los índices se actualizan, los competidores publican y los asistentes cambian su comportamiento de recuperación sin avisar, así que el bucle de medición importa tanto como los arreglos. Las empresas que se recomiendan de forma consistente son aquellas cuya base de pruebas es fácil de encontrar, fácil de creer e imposible de confundir con la de otro.

FAQ