Ciencia de datos, investigación de mercados, IA

Una porción creciente de las decisiones de compra pasa hoy por un intermediario que ninguna marca contrató y que casi ninguna mide. Cuando un consumidor pregunta a un asistente generativo cuál es la mejor opción en una categoría, recibe una lista corta (típicamente entre cinco y ocho referencias) construida a partir de lo que el modelo pudo recuperar, verificar y encadenar en el instante de responder. Lo que no logra describir con suficiencia, no lo recomienda. La escala del fenómeno ya no es marginal. OpenAI reportó 900 millones de usuarios activos semanales en febrero de 2026 y estimó que alrededor del 2% de las consultas (unos 50 millones diarias) tienen intención de compra. Adobe Analytics registró un crecimiento interanual de 393% en el tráfico referido por IA hacia sitios de retail en Estados Unidos durante el primer trimestre de 2026, con una tasa de conversión 42% superior a la del tráfico convencional en marzo. En América Latina, la adopción es más temprana y la evidencia disponible proviene mayoritariamente de proveedores de infraestructura de pagos, con el sesgo que ello implica. Lo relevante para un director de mercadeo no está en las cifras de adopción, que se moverán. Es parte de la naturaleza del intermediario. ¿Qué hace un agente al recomendar? Un modelo de lenguaje no se limita a indexar un catálogo; también lo interpreta. Extrae fragmentos dispersos de información —como fichas técnicas, reseñas, notas de prensa, hilos de foro y datos estructurados— y forma una respuesta que mantenga un nivel razonable de confianza. Este proceso es más similar a lo que Herbert Simon llamó satisficing que a una búsqueda booleana: ante restricciones de tiempo e información, el sistema no busca la opción óptima, sino que se detiene en la primera que cumple con el umbral. De ello se deriva un mecanismo con efectos comerciales directos. La heurística del criterio de disponibilidad de Tversky y Kahneman tiene un equivalente computacional: lo que se recupera con facilidad tiene mayor peso que lo que hay. Una marca con documentación extensa, coherente y semánticamente rica tiene más probabilidades de ser recordada y, sobre todo, descrita sin ambigüedades. Cuando la descripción es escasa o contradictoria, el costo de equivocarse recae en el agente, que responde de manera previsible: recomienda aquello que puede razonar con menor riesgo. El rango de opciones consideradas también se reduce abruptamente. La literatura sobre sobrecarga de elección — Iyengar y Lepper (2000) y su revisión en un meta-análisis, que muestran efectos más variados que los sugeridos por la percepción popular — indica que disminuir las opciones disponibles modifica la estructura de la decisión, no solo su rapidez. Por ejemplo, presentar seis referencias crea un tipo de competencia diferente en comparación con un anaquel con cuarenta. Una hipótesis causal, no una certeza El encadenamiento que proponemos, con sus supuestos explícitos: Input. El corpus público asociado a una marca: datos estructurados propios, cobertura editorial independiente, reseñas, foros, documentación técnica, esquemas semánticos. Proceso. El modelo construye una representación latente de la marca a partir de ese corpus. Nadie la diseñó ni la aprobó. Se comporta como un activo reputacional no gestionado. Output. Probabilidad de aparición en la respuesta, posición relativa dentro del conjunto y fidelidad de la descripción respecto de la propuesta de valor real. Supuesto fuerte: que enriquecer el input desplaza el output en la dirección esperada. La evidencia pública que sustenta ese supuesto sigue siendo correlacional y proviene en buena medida de firmas que venden servicios de optimización para motores generativos. Tomarla como causal sería precipitado. Es una hipótesis contrastable, y contrastarla es un problema de diseño experimental antes que de contenido. El problema de medición Aquí es donde el asunto deja de ser un tema de marketing de contenidos y se convierte en uno de método. La respuesta de un agente es una variable aleatoria. Dos ejecuciones del mismo prompt, en la misma plataforma, el mismo día, pueden devolver conjuntos distintos. La temperatura del modelo, la memoria de sesión, la personalización por historial, la geografía y la versión desplegada introducen varianza que un ejercicio manual de yo pregunté y no aparecimos no distingue del ruido. Una empresa de analítica de datos con experiencia en muestreo aborda esto como lo que es: un problema de estimación. Marco muestral de consultas. Construcción de un universo de prompts derivado de intención real de categoría —investigación cualitativa previa, datos de búsqueda, transcripciones de servicio— y no de la intuición del equipo de marca. Diseño factorial. Plataforma × formulación del prompt × geografía × estado de sesión (con y sin memoria activa) × momento. Réplicas. Ejecuciones repetidas por celda, suficientes para estimar la varianza intra-celda antes de interpretar diferencias entre marcas. Métricas. Tasa de aparición, rango medio y su dispersión, participación en el conjunto de consideración (share of recommendation), fidelidad atributiva —proporción de atributos correctamente asignados— y tasa de error descriptivo. Inferencia. Intervalos de confianza y modelos jerárquicos que separen el efecto marca del efecto plataforma y del efecto formulación. Sin ese aparato, la diferencia entre no nos recomienda y no nos recomendó esta vez queda indeterminada, y las decisiones de inversión se toman sobre una muestra de tamaño uno. La objeción más fuerte contra esta tesis Un lector escéptico, y con razón, plantearía lo siguiente. Primero, el volumen absoluto sigue siendo pequeño. El tráfico referido por IA crece rápidamente a partir de una base baja. En mercados latinoamericanos, donde WhatsApp y el marketplace concentran el descubrimiento, la elasticidad de esta variable respecto de las ventas puede ser modesta durante varios trimestres. Segundo, la atribución está rota en ambos sentidos. Buena parte del tráfico originado en asistentes llega sin un referente identificable y se contabiliza como directo, lo que infla la aparente irrelevancia del canal. El mismo defecto impide validar con rigor cualquier mejora atribuida a una intervención. Tercero, hay un incentivo evidente en quien difunde el diagnóstico. Consultoras, plataformas de datos y proveedores de infraestructura de pago se benefician de que el comercio agéntico se perciba como inminente. Esta agencia está incluida. Ese incentivo no invalida la evidencia, pero sí recomienda ponderar las fuentes según su independencia. Cuarto, y probablemente el más serio: la superficie puede monetizarse. Si las plataformas introducen posiciones pagadas o acuerdos comerciales en las respuestas —una trayectoria que la historia de los buscadores hace plausible—, la ventaja obtenida por estructurar la información de manera excelente se comprime, del mismo modo que ocurrió con el posicionamiento orgánico. La tesis pierde fuerza a medida que avanza ese escenario. La condición que haría caer el argumento por completo: que los agentes converjan hacia integraciones directas con catálogos de retailers mediante protocolos cerrados, lo que trasladaría la competencia desde la calidad de la descripción pública hacia el acceso contractual a la plataforma. Conviene monitorear ese frente con más atención que las métricas de menciones. Qué conviene hacer en los próximos noventa días Un protocolo mínimo, verificable, ejecutable sin inversión mayor: Seleccionar entre diez y quince referencias o líneas de producto que concentren margen, no volumen. Redactar entre veinte y treinta prompts por categoría que reflejen una intención real, incluyendo la ocasión de uso, la restricción presupuestal y el sustituto probable. Ejecutar cada prompt con al menos cinco réplicas en tres plataformas, con sesión limpia y sin personalización. Registrar la aparición, la posición, los atributos asignados y los errores de hecho en una matriz estandarizada. Calcular la tasa de aparición y el intervalo de confianza por marca y categoría; descartar como ruido toda diferencia que no supere la varianza intracelular. Auditar el corpus público de las referencias con peor desempeño: consistencia entre canales, cobertura de casos de uso, presencia de datos estructurados y contradicciones entre la ficha técnica y las reseñas. Definir una línea base y repetir el ejercicio a los sesenta días, antes de intervenir, para estimar la deriva natural del sistema. Recién entonces, intervenir en un subconjunto y conservar el resto como control. El paso siete se omite con frecuencia y es el que separa una medición de una anécdota. Un apunte sobre gobernanza En la mayoría de las organizaciones que hemos observado, la pregunta sobre quién responde por la representación de la marca en los sistemas generativos no tiene destinatario. Mercadeo lo asume como un asunto de datos maestros; tecnología lo ve como un tema de marca; comercial espera que alguien más lo resuelva. Esa indeterminación tiende a costar más que la brecha técnica. Referencias OpenAI. Reporte de usuarios activos semanales, febrero de 2026. Adobe Analytics. Tráfico referido por IA hacia retail en Estados Unidos, primer trimestre de 2026. Snowman, B., Armstrong, R. y Stanley, S. (2026). Winning in agentic commerce is about describing products better than your competitors. dunnhumby. Iyengar, S. S. y Lepper, M. R. (2000). When choice is demotivating: Can one desire too much of a good thing? Journal of Personality and Social Psychology, 79(6), 995–1006. https://doi.org/10.1037/0022-3514.79.6.995 Scheibehenne, B., Greifeneder, R. y Todd, P. M. (2010). Can there ever be too many options? A meta-analytic review of choice overload. Journal of Consumer Research, 37(3), 409–425. https://doi.org/10.1086/651235 Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of Economics, 69(1), 99–118. https://doi.org/10.2307/1884852 Tversky, A. y Kahneman, D. (1973). Availability: A heuristic for judging frequency and probability. Cognitive Psychology, 5(2), 207–232. https://doi.org/10.1016/0010-0285(73)90033-9

IA

Comercio agéntico: cómo se mide la visibilidad de una marca cuando quien recomienda es un modelo de lenguaje

Latent Growth Models en una empresa de investigación de mercados

Netnografía: la clave para comprender al consumidor digital

Grow your business more quickly
with our solutions for inbound and ecommerce

IA

Comercio agéntico: cómo se mide la visibilidad de una marca cuando quien recomienda es un modelo de lenguaje

Latent Growth Models en una empresa de investigación de mercados

Netnografía: la clave para comprender al consumidor digital

Grow your business more quickly with our solutions for inbound and ecommerce

Grow your business more quickly
with our solutions for inbound and ecommerce