«Somos líderes, esto de la IA puede esperar»
Lo sueltan en la reunión de planificación y nadie lo discute.
Desde el otro lado de la mesa llega la frase espejo: «a una empresa de nuestro tamaño la IA no la va a sacar nunca, así que para qué gastar».
Hex-ko estuvo en una sala donde se dijeron las dos cosas con diez minutos de diferencia. Y no supo rebatir ninguna: las dos son medio ciertas, que es lo incómodo del asunto.
Pero alguien ordenó 533 marcas por notoriedad, les lanzó 37.000 recomendaciones y miró en qué punto se caía cada grupo. Los puntos de caída no coincidían. Ni se parecían.
¿El motivo del olvido depende de tu tamaño?
Sí. Las marcas grandes casi siempre entran en la lista de candidatas y pierden en la elección final; las poco conocidas ni siquiera llegan a la lista.
Con números: las líderes de categoría salieron como recomendación final solo entre el 25% y el 41% de las veces, pese a aparecer como candidatas casi siempre. Las marcas de cola larga y las regionales fallaban en el primer paso en el 48%-52% de los intentos, porque el modelo no llegaba a sacarlas (estudio, Unusual.ai, arXiv:2605.27439, publicado el 22 de mayo de 2026).
La auditoría cubre 37.000 recomendaciones de IA, 533 marcas y 19 sectores, repartidos en cinco niveles de notoriedad.
Conviene poner una cosa encima de la mesa ya, porque tiñe la lectura del resto: los cuatro autores trabajan en Unusual.ai, que vende medición de visibilidad en IA. Y «cada nivel necesita jugadas distintas» es justo la conclusión que vende un producto de diagnóstico.
El embudo se rompe en tres sitios
El equipo parte la recomendación en tres fases, y esa partición es lo que hace legibles las diferencias entre niveles.
La primera es el descubrimiento: si el modelo te encuentra y llega a información tuya. La segunda es la mención: habiéndote encontrado, si escribe tu nombre en la respuesta. La tercera es la elección: habiéndote nombrado, si te da la victoria de la comparación.
Las líderes superan la primera fase casi siempre y caen en la tercera, con ese 25%-41%. Eso no es un problema de descubrimiento: es diferenciación y posicionamiento perdiendo un cara a cara.
Las de cola larga y las regionales se quedan en la primera fase la mitad de las veces. La comparación ni llega a existir, porque el modelo nunca avanza lo suficiente para montarla.
En los dos casos la queja suena igual —«no salimos en la IA»— y el muro es otro. Y el dinero, por tanto, va a otro sitio.
La mejor conversión es de las retadoras
El nivel que el estudio llama retadoras consolidadas convierte entre el 37% y el 52% una vez entra en la lista de candidatas: la mejor tasa de todos los niveles medidos.
Por encima de las líderes de categoría, que se quedan en el 25%-41%. Y sin el problema de descubrimiento que se come a los niveles de abajo.
Las marcas medias, un escalón más abajo, pierden en las tres fases a la vez y aterrizan en el 34%-40%. Así que el paso de retadora a media no es un descenso suave por una rampa: cambia la forma misma de perder.
No hace falta ser el nombre más grande del sector para llevarte la elección. Si entras en la preselección, las probabilidades son buenas de verdad; en estos datos, mejores que las del líder al que te enfrentas.
Cada nivel pide una jugada distinta
Si la fase en la que pierdes cambia con la notoriedad, la jugada también. Lo que le funciona a una líder no le sirve de nada a una marca regional.
- Líderes de categoría (las encuentran pero no las eligen): contenido de diferenciación y defensa de la posición en la comparación
- Retadoras consolidadas (la mejor conversión del estudio): afinar el mensaje por segmento y estirar esa tasa
- Marcas medias (pierden en las tres fases): híbrido, invirtiendo a la vez en descubrimiento y diferenciación
- Cola larga y regionales (desaparecen antes del descubrimiento): entrar en las fuentes con autoridad, o sea comparativas del sector, rankings y recopilatorios
Elige la jugada de un nivel que no es el tuyo y el esfuerzo no rinde poco: falla el tiro entero.
Lo que este estudio no cubre
Cuatro límites, y Hex-ko los diría en voz alta antes de que el dato entre en ninguna presentación.
La medición se hizo en mercados de Estados Unidos, Reino Unido y la Unión Europea, en 19 sectores. No hay medición en español, así que las fronteras entre niveles no son automáticamente las tuyas.
Se probaron solo dos proveedores, OpenAI y Anthropic. Gemini y Perplexity no están en los datos.
Es una medición de un solo día, así que nada aquí te dice cuánto se mueven las cifras con el tiempo (subirse a la báscula una vez y describir tu cuerpo durante la década siguiente).
Y queda el asunto de la autoría. El embudo de tres fases se sostiene igual de bien lo publique quien lo publique; la pendiente de «cómprame un diagnóstico» se descuenta al leer.
averigua en qué fase estás perdiendo antes de gastar
Lo primero no es elegir jugada de nivel. Es un paso anterior.
Lanza a los modelos las preguntas que haría de verdad quien te compra y separa las respuestas en dos montones: aquellas en las que tu nombre no aparece, y aquellas en las que aparece pero recomiendan a otro. Los dos montones no comparten nada salvo la sensación de estar perdiendo.
Si casi todo cae en el primero, el dinero va a que te listen donde miran los modelos: comparativas, rankings, recopilatorios del sector. Si casi todo cae en el segundo, va a diferenciación y a mensajes por segmento.
Y si resulta que estás en el nivel retador, ahí tienes la mejor conversión del estudio. Piénsatelo dos veces antes de copiar al líder de categoría, que convierte peor que tú.
Fuentes
- Will Jack, Noah Lehman, Keller Maloney, Sarah Xu (Unusual.ai), «Prominence-Stratified Failure Modes in Retrieval-Augmented Commercial Recommendation: A 37,000-Run Audit», arXiv:2605.27439v1, publicado el 22 de mayo de 2026, arxiv.org (37.000 recomendaciones de IA, 533 marcas, 19 sectores, mercados de EE. UU., Reino Unido y UE. La recomendación se modela como un embudo de tres fases: descubrimiento, mención y elección. Las líderes de categoría convirtieron entre el 25% y el 41%; las retadoras consolidadas entre el 37% y el 52%; las marcas medias entre el 34% y el 40%; las de cola larga y regionales fallaron en el descubrimiento en el 48%-52% de los intentos. Solo dos proveedores, OpenAI y Anthropic; medición de un solo día, sin análisis de deriva; los cuatro autores trabajan en Unusual.ai, empresa que vende medición de visibilidad en IA.)
