El consumidor ya no avanza de forma lineal desde el conocimiento de marca hasta la compra. Busca, ve vídeos, se desplaza por feeds, compara, conversa con asistentes y toma decisiones en recorridos cada vez menos previsibles. En ese contexto, la inteligencia artificial está modificando la forma en que las personas descubren productos y servicios, lo cual influye en la manera en que las marcas deben construir visibilidad, autoridad y relevancia.

Esa fue una de las ideas centrales que atravesó dos de las ponencias celebradas en AIBC 2026, la primera edición del encuentro sobre inteligencia artificial, impulsado por el equipo de la agencia Buzz con la colaboración de Krea como partner creativo y LinkVids como partner de producción audiovisual. 
Por un lado, Bebi Apraiz, Especialista de IA en Google, y Pere Vericat, Account Executive & Especialista de Medición en Google, abordaron la evolución del ecosistema de búsqueda y marketing digital. Por otro, Eduard Corral, Fundador y Responsable de Innovación en Buzz, profundizó en cómo los grandes modelos de lenguaje (LLMs) recomiendan y eligen marcas.

La primera ponencia puso el foco en algo muy relevante a día de hoy: el valor del tráfico ya no puede medirse únicamente por volumen. Bebi Apraiz abrió su intervención planteando al público una pregunta: si tuvieran 1.000 euros para llevar personas a una tienda de muebles, ¿preferirían atraer a 100 personas al azar o a 10 personas elegidas minuciosamente porque acaban de comprar una casa? La mayoría optó por la segunda opción. 

“Esto mismo es lo que está pasando en la era del marketing digital actual”, explicó. Una transformación que obliga a revisar métricas y prioridades. En un entorno donde el usuario hace menos clics pero llega con más intención, indicadores como el CTR (click-through rate) pueden perder relevancia frente a métricas más conectadas con negocio. “Quizás es una métrica que ya no tiene tanto sentido”, dijo sobre el CTR. “Igual la métrica que ahora mismo tiene sentido es el conversion rate y tanto no el click-through rate”.

El funnel de las 4S

Desde Google plantearon que el funnel tradicional de awareness, consideración y compra resulta insuficiente para describir cómo se comporta hoy el consumidor. Según explicó Apraiz, “la mente y el comportamiento humano es mucho más complejo” que ese recorrido lineal. En su lugar, presentó el marco de las 4S: Searching, Streaming, Scrolling y Shopping.

El consumidor se mueve de forma simultánea entre esos cuatro entornos. Busca información, consume vídeo, navega por contenidos sociales y compra en experiencias cada vez más conectadas. “No caemos por obra de gravedad de awareness hasta la compra”, apuntó Apraiz. Por eso, defendió que las marcas deberían estar presentes en las cuatro dimensiones, pero con objetivos diferenciados. En Shopping, por ejemplo, el usuario busca precio; en Streaming, confianza; y en Searching, posicionamiento.

El cambio no implica solo diversificar canales; también es necesario comprender que la IA permite anticipar comportamientos. Apraiz recordó que la IA predictiva permite “identificar patrones en datos existentes y realizar predicciones sobre eventos futuros”. Aplicado a marketing, eso significa pasar de un modelo basado en correspondencias explícitas a otro orientado a intención. Es pertinente impactar a quien busca “vestido blanco”, pero también resulta relevante identificar que una persona que está planificando un viaje a un destino cálido podría estar interesada en ese producto aunque no lo haya formulado todavía.

Según se explicó durante la ponencia, el 15% de las búsquedas diarias son nuevas, no porque las necesidades sean nuevas, sino porque las consultas son más largas, específicas y complejas. El ejemplo planteado por Google para representarlo fue este: antes un usuario podía buscar “estudiar Derecho”; ahora puede preguntar “quiero estudiar Derecho para acabar trabajando en un bufete en Barcelona y soy un estudiante mexicano”. La expectativa del usuario es que el sistema entienda el contexto y devuelva una respuesta útil.

Este cambio afecta también al SEO y al contenido corporativo. “Vamos a pensar menos en keywords y más en cubrir necesidades”, señaló Apraiz al explicar cómo respuestas como las que ofrece AI Overviews pueden vincular una consulta aparentemente informativa -por ejemplo, cómo solucionar el agua verde de una piscina- con productos o servicios relevantes, aunque la keyword exacta no aparezca en la pregunta.

La ponencia de Google insistió en que la IA no elimina la necesidad de estrategia, pero sí desplaza el valor hacia la calidad de la información, las señales y la medición. Pere Vericat explicó que crear campañas se está convirtiendo en algo cada vez más accesible y automatizado, por lo que la diferenciación pasa por la propuesta de valor, el conocimiento del producto y la capacidad de alimentar correctamente los sistemas.

“La IA al final es un modelo que aprende con la información que tiene, la que le damos”, señaló. Si una marca no proporciona datos suficientes o pierde parte de sus señales por limitaciones regulatorias, tecnológicas o de medición, los modelos operan con una imagen incompleta del negocio. “Podemos tener los mejores productos, tanto nuestros como de Google, pero si no tenemos unas buenas señales, no tenemos una buena data que nutrirá a las campañas”, advirtió.

En paralelo, Google defendió que el nuevo escenario obliga a pensar el contenido y la autoridad de una forma más amplia. Apraiz recordó que el buscador ya no evalúa únicamente keywords o coincidencias exactas, sino señales vinculadas a experiencia, conocimiento, autoridad y fiabilidad (el conocido modelo EEAT). “¿Qué hablan de ti? ¿Qué reseñas tienes? ¿Tienes YouTube? La fiabilidad es lo más importante”, explicó. En ese punto, puso el foco en el peso creciente de las validaciones externas y en la necesidad de construir reputación más allá de la web propia. “Que los periódicos hablen de vosotros”, afirmó al explicar cómo los sistemas utilizan referencias externas, documentación y autoridad pública para interpretar qué marcas merecen visibilidad.

La reflexión desembocó también en el papel de la construcción de marca en un entorno cada vez más dominado por la automatización y el performance. Según defendieron desde Google, centrarse exclusivamente en captar el último clic implica competir en los espacios más caros y saturados, mientras se descuida toda la demanda futura que todavía no está lista para convertir. “Si solo te estás pegando por el último clic, estás pagando mucho”, apuntó Apraiz. “Estás pagando por hoy, pero no estás protegiendo tu mañana”.

Frente a una visión puramente táctica del marketing digital, Google reivindicó la necesidad de seguir invirtiendo en marca como un activo estratégico tanto para el negocio como para la visibilidad en buscadores y modelos de IA. “Los clientes performers se están olvidando de que ser performer también es invertir en marca”, resumió Apraiz. La lógica, según se planteó durante la sesión, es que la autoridad y el reconocimiento ya no solo reducen costes de adquisición, también ayudan a proteger posicionamiento y relevancia en entornos como AI Overviews o los propios LLMs.

En este punto, Vericat subrayó que la medición se ha convertido en una condición estructural para trabajar con IA. De media, indicó, pueden perderse entre el 20% y el 30% de las conversiones por retos de medición. Esa pérdida afecta directamente a la capacidad de optimización de los algoritmos.
La conclusión de Google se articuló, por lo tanto, en tres mensajes: pasar “de volumen a valor”, pensar en métricas de negocio y no solo en KPIs publicitarios, y trabajar la medición porque “sin medición la IA opera a ciegas”.

A continuación puedes ver la ponencia completa de Bebi Apraiz y Pere Vericat:

Cuando la marca entra en la mente de los modelos

La segunda parte de esta conversación sobre descubrimiento llegó con la ponencia de Eduard Corral, Fundador y Responsable de Innovación en Buzz, centrada en la visibilidad de las marcas dentro de los modelos de lenguaje. Su punto de partida fue que los LLMs están convirtiéndose en nuevas capas de prescripción. “Son nuestras mejores prescriptoras y nos fiamos de todo lo que dicen”, apuntó con ironía al inicio de la intervención.

Corral explicó que, para influir en un modelo de lenguaje, primero hay que entender cómo opera. Simplificó su funcionamiento a partir de dos grandes fuentes de conocimiento: la base interna del modelo y la recuperación de información externa en tiempo real. Es decir, un LLM no “sabe” en el sentido humano del término, sino que recupera, interpreta y recompone información a partir de los datos disponibles y de las fuentes que consulta.

A partir de ahí, planteó tres niveles de presencia de marca en un modelo de lenguaje: recall, reasoning y recommendation.

El primero, recall, consiste en que el modelo recuerde la marca dentro de una categoría. “Si yo le pregunto sobre mi categoría, que me mencione. Es lo mínimo que deberíamos esperar”, explicó. El segundo, reasoning, tiene que ver con los atributos que el modelo asocia a esa marca: con qué términos la define, en qué tono habla de ella y qué universo semántico construye a su alrededor. El tercero, recommendation, es el más valioso: que el modelo recomiende una marca como primera opción sin que el usuario la haya mencionado previamente.

La diferencia es relevante porque aparecer no significa necesariamente ser recomendado. Una marca puede tener presencia frecuente en respuestas, pero ocupar un papel secundario o de relleno. “No es el cuánto, es el cómo”, resumió Corral al explicar que el Share of Voice no basta para medir la influencia real dentro de los modelos. Corral fue claro al señalar que los modelos de lenguaje siguen siendo cajas negras. A diferencia de lo que ocurre con herramientas como Google Analytics o Search Console, explicó, los datos disponibles sobre consultas y comportamiento en LLMs siguen siendo limitados y, en gran parte, estimados a partir de extrapolaciones, extensiones de navegador o patrones de uso indirectos. “La información que tenemos no es completamente exacta sobre qué se está consultando realmente en los modelos”, resumió.

En este sentido, propuso una metodología para aproximarse a la presencia real de una marca. El primer paso consiste en construir una batería de prompts realista, abierta y no sesgada. Es decir, no preguntar directamente por la marca ni formular la consulta de una manera que empuje al modelo hacia una respuesta complaciente. “Los modelos son zalameros”, advirtió. Si se les pregunta qué opinan de una marca concreta, tenderán a responder favorablemente; si se pregunta de forma abierta por una categoría, puede que esa marca ni siquiera aparezca.

El diseño de prompts, sostuvo, debe partir del comportamiento real del usuario y cubrir distintos verticales, productos o buyer persona. No es lo mismo una consulta genérica sobre una categoría que una pregunta concreta vinculada a una necesidad técnica, un segmento de cliente o una ocasión de uso. Además, conviene ejecutar las mismas preguntas en distintos modelos, porque cada uno tiene una personalidad y comportamiento propios. Corral mencionó ChatGPT, Gemini, Claude y Grok, señalando que Claude está creciendo especialmente en contextos de empresa y B2B, mientras que Grok suele desviarse más de la media en determinados análisis. “Medir solamente ChatGPT sería un error, o medir solamente Gemini”.

Las métricas que importan en los LLMs

Durante la ponencia, Corral propuso varias métricas para entender la presencia de una marca dentro de los modelos de lenguaje. El Share of Voice mide la frecuencia o espacio que ocupa la marca dentro de las respuestas, pero no permite saber si ocupa una posición realmente relevante. Por eso, Buzz trabaja también con el Share of Recommendation, que analiza cuántas veces una marca aparece como primera recomendación.

A esas métricas se añaden la profundidad de la mención, el tono semántico y las fuentes que citan a la marca. La profundidad permite distinguir entre aparecer en una lista y recibir un desarrollo propio dentro de la respuesta. El tono semántico ayuda a entender qué atributos rodean a la marca. Y las fuentes permiten identificar de dónde obtiene el modelo la información que utiliza para construir su respuesta.

La diferencia entre presencia y recomendación permite entender por qué una marca líder puede no dominar siempre en un modelo de lenguaje. Corral utilizó el ejemplo de las zapatillas deportivas: en una consulta general, Nike o Adidas pueden aparecer como marcas omnipresentes; pero en una pregunta concreta sobre running, marcas más especializadas como Asics o Hoka pueden tener mayor prescripción. “Aparecen por encima de Adidas o Nike cuando tocan su nicho concreto”, explicó.
Ese fenómeno abre una oportunidad para marcas challenger. En entornos donde el usuario formula necesidades específicas, la autoridad de nicho, las fuentes externas y la calidad del contenido pueden pesar más que la notoriedad general.

Qué pueden hacer las marcas para aparecer

La ponencia de Buzz aterrizó también en acciones concretas. Para Corral, el trabajo empieza por medir, diagnosticar y entender qué fuentes utiliza cada modelo. Muchas marcas pueden asumir que determinados medios generalistas son esenciales para su autoridad, cuando en realidad una página sectorial, un foro especializado o un comparador tienen más peso para los modelos en una categoría concreta.

Después llega la producción de contenido. Pero no cualquier contenido. Los modelos necesitan información clara, estructurada y citable. “Si en tu web pones “somos los primeros” o “somos los mejores”, eso es información vacía”, señaló. En cambio, los datos verificables, los premios, las cifras, las fuentes externas y los enlaces que permiten contrastar lo que se afirma, sí pueden ser utilizados por los modelos. Así, la web propia sigue siendo importante, pero no basta. “Los modelos leen de tu web, pero confirman fuera lo que tú les dices”, explicó Corral.
La recomendación práctica se resume, así, en cinco pasos: 

• Medir
• Diagnosticar las fuentes
• Producir contenido citable
• Influir en esas fuentes
• Monitorizar de forma recurrente

También matizó una de las soluciones más mencionadas cuando se habla de visibilidad en IA: la Wikipedia. Aunque se suele recomendar influir en esta fuente, Corral advirtió de que su impacto depende del tipo de consulta. Puede ser importante para historia de marca o información institucional, pero no necesariamente para recomendaciones de producto. “Nunca va a ir a buscar Wikipedia para hablar de tus productos”. También advirtió de otros atajos poco útiles, como el keyword stuffing, que no funciona en este nuevo entorno. Tampoco repetir artificialmente la marca en la web ni hacer consultas reiteradas en un modelo con memoria esperando influir en el sistema global. 

El cierre de la ponencia de Buzz conectó con la reflexión inicial de Google: si los usuarios se desplazan hacia experiencias conversacionales porque resuelven mejor sus necesidades, las marcas deben pensar cómo recuperar parte de ese vínculo en sus propios entornos.

Noticias Relacionadas

La IA amplía la capacidad creativa de las marcas, pero también eleva la exigencia sobre las ideas

La creatividad frente al “gusto promedio”: el gran reto que plantea la IA a la industria

Corral mostró un experimento desarrollado sobre la web de Vueling, sin intervenir la web real, en el que se añadía una capa conversacional capaz de generar landings dinámicas en tiempo real a partir de la intención del usuario. Si una persona buscaba una escapada romántica en diciembre con su pareja, el sistema respondía ofreciendo una página adaptada a esa conversación: textos, recomendaciones, itinerario, tono de marca y propuesta de vuelos. El objetivo, explicó, era dar “una capa extra” a lo que ya hace un modelo de lenguaje, mantener el control del mensaje y acercar la experiencia a la conversión. Frente a un GPT que responde en texto, una marca puede ofrecer una experiencia visual, estructurada, transaccional y coherente con su identidad.

Esa idea enlaza directamente con el nuevo mapa del descubrimiento. Las marcas compiten por estar presentes en el recorrido completo de las 4S, por alimentar correctamente a los sistemas que predicen intención, por construir autoridad en fuentes externas y por ser recomendadas por modelos que cada vez intervienen más en la decisión. La visibilidad, por tanto, deja de estar en un ranking y pasa a ser una cuestión de interpretación. Las marcas deben trabajar para que el usuario las encuentre y para que la máquina las entienda y las recomiende.

A continuación puedes ver la ponencia completa de Eduard Corral: