Observación de una ejecución: cómo el lenguaje del sitio volvió invisible a la marca dentro de su propia categoría

En una ejecución sobre la categoría «analítica para e-commerce mediano», una de las marcas analizadas aparecía de forma estable en la 4.ª-5.ª posición en las respuestas de ChatGPT y prácticamente no aparecía en Perplexity. Era inesperado: no era una marca pequeña, tenía un sitio sólido con documentación detallada, un blog activo y varios casos con grandes clientes. En la búsqueda clásica de Google está entre las cinco primeras para las consultas principales de su categoría. Según cualquier métrica habitual, era una marca visible.

Pero en los escenarios neutrales de AI100, en los que a los modelos se les planteaban preguntas como «qué elegir para una tienda online mediana con un equipo reducido», la marca perdía frente a competidores objetivamente menos conocidos.

El análisis mostró tres problemas superpuestos.

El primero y principal era la brecha entre el lenguaje del sitio y el lenguaje de la demanda. La marca se describía como un «entorno modular de analítica comercial inteligente». Los usuarios (y los modelos, que reflejan su lenguaje) preguntaban por «un servicio sencillo de informes para una tienda online sin un analista dedicado». Esos dos lenguajes casi no se cruzaban en ninguna parte. En ninguna página del sitio había una respuesta directa a la pregunta «para quién es adecuado esto» en las mismas palabras con las que el usuario describía su tarea.

El segundo era que el modelo reformulaba la tarea dentro de una categoría adyacente. En lugar de «analítica para e-commerce», la respuesta se construía en torno a «herramientas de BI para pequeñas empresas». Como resultado, en la lista entraban dos soluciones de una categoría colindante que la marca no consideraba competidoras. Se trata de una sustitución de categoría clásica, descrita en un artículo independiente del corpus.

El tercero era el desfase de actualización. Dos meses antes de la ejecución, la marca había lanzado un nuevo plan tarifario orientado al segmento medio. Pero el modelo seguía describiéndola como una solución para grandes empresas: la información sobre la nueva tarifa no había llegado ni a las reseñas externas ni a los datos estructurados.

La observación confirma varias tesis que en el corpus AI100 se describen como estables:

La distinguibilidad de máquina y el reconocimiento humano son cosas distintas. Una marca bien conocida por las personas puede ser funcionalmente invisible para el modelo si su lenguaje no coincide con el lenguaje de la tarea.

La sustitución de categoría se produce antes de la comparación directa de marcas. La marca no perdió frente a un competidor, sino frente a un marco ajeno. El modelo primero renombró la tarea y después armó la lista dentro de la nueva categoría.

El desfase de actualización no es una demora abstracta. Es una situación concreta en la que la marca ya cambió un hecho sobre sí misma, pero la máquina todavía no ha llegado a verlo.

Añadir al sitio una página que responda directamente a la pregunta «para quién es adecuado nuestro producto» en términos de la tarea del usuario, y no de la categoría interna de marketing. Asegurarse de que el nuevo plan tarifario esté descrito no solo en la página de precios, sino también en reseñas externas. Verificar que el marcado estructurado (Product, Offer) refleje las tarifas vigentes y el público objetivo actual.

Una nueva ejecución dentro de 6–8 semanas mostrará si el panorama ha cambiado.