Su marca tiene una reputación en IA. El problema: cambia dependiendo de qué IA use su cliente, cuándo pregunte y cómo formule la pregunta. Realizamos el estudio multiindustrial más grande hasta la fecha sobre el origen de la reputación en IA. Esto es lo que cada profesional de marketing necesita saber.
Por Qué Importa Este Estudio
Cada vez que un comprador pregunta a ChatGPT, Gemini o Perplexity sobre su industria, esas plataformas de IA construyen una narrativa sobre su marca en tiempo real. Esa narrativa es su reputación en IA. A diferencia de la cobertura mediática tradicional, usted no puede verla, rastrear sus fuentes ni predecir qué dirá después.
Nos propusimos responder cuatro preguntas: ¿De dónde obtiene la IA su conocimiento sobre las marcas? ¿Qué tan consistente es? ¿Su industria cambia la respuesta? ¿Las empresas que cotizan en bolsa tienen ventaja?
Los resultados son incómodos para cualquiera que piense que la visibilidad en IA es un problema simple.
Qué Evaluamos
Estudiamos 24 empresas reales en 8 industrias: E-commerce, Tecnología de Salud, Logística, Consultoría, HR Tech, Web Hosting, Tecnología de Marketing y FinTech. La mitad cotizaban en bolsa, la mitad eran privadas. Las empresas iban desde firmas Fortune 500 hasta startups.
Administramos 1,296 prompts en GPT-5.2 y Gemini 3 Flash, más 72 sondeos en modo fundamentado vía Perplexity. Cada prompt de estabilidad se repitió cinco veces por marca para medir la consistencia. En total, analizamos 1,311 respuestas y codificamos 3,041 atribuciones de fuentes manualmente.
Esto no es una publicación de blog con anécdotas. Es un estudio revisado por pares publicado en la revista Discover Artificial Intelligence de Springer.
Hallazgo 1: El 70% de lo que la IA "Sabe" sobre Su Marca No Puede Rastrearse
Clasificamos cada atribución de fuente que la IA hizo al discutir marcas. La categoría más grande: "Otro / No atribuible" con 70.2%. La IA sabe cosas sobre su marca, pero no podemos identificar de dónde provino esa información.
Las fuentes que pudimos rastrear:
| Tipo de Fuente | Porcentaje de Todas las Citas |
|---|---|
| Contenido propio de la empresa | 14.7% |
| Medios de noticias Tier-1 | 5.7% |
| Plataformas de reseñas | 4.6% |
| Noticias del sector/comercio | 1.8% |
| Wikipedia | 1.5% |
| Financiero/regulatorio | 0.6% |
| Redes sociales | 0.5% |
| 0.4% | |
| Fuentes gubernamentales | 0.1% |
Lo que esto significa para usted: El contenido de su propio sitio web es la fuente identificable más grande de conocimiento de marca en IA. Las relaciones públicas tradicionales (medios tier-1) son la segunda. Todo lo demás es marginal. Pero el 70% que no puede influenciar a través de ningún canal directo es el desafío estructural del que nadie habla.
Hallazgo 2: Los Modelos de IA Cuentan Historias Completamente Diferentes sobre Su Marca
Comparamos cómo GPT-5.2 y Gemini 3 Flash perciben las mismas marcas. La brecha es dramática.
GPT-5.2 produjo una puntuación media de sentimiento de 0.83 (en una escala de -1 a +1). Eso es abrumadoramente positivo. De hecho, 96.4% de las respuestas de GPT sobre marcas fueron positivas.
Gemini 3 Flash produjo un sentimiento medio de 0.32. Solo 51.5% de sus respuestas fueron positivas.
¿La correlación entre las puntuaciones de sentimiento de los dos modelos? r = 0.37 -- débil y no estadísticamente significativa. Los modelos no solo usan diferentes escalas. Ponderan aspectos completamente diferentes de la reputación.
Lo que esto significa para usted: Si solo audita su presencia en IA en ChatGPT, está viendo una imagen artificialmente optimista. Sus clientes usan múltiples plataformas de IA. Cada una cuenta una historia diferente sobre usted.
Hallazgo 3: Pregunte a la Misma IA Dos Veces y Obtendrá Respuestas Diferentes
Repetimos el mismo prompt cinco veces para cada marca en cada modelo. La puntuación promedio de consistencia en todas las empresas: 0.54 de similitud coseno.
Para poner eso en contexto: solo 2.8% de todas las combinaciones empresa-modelo-prompt superaron el umbral de 0.85 que definimos como "estable". Mientras tanto, 93.8% cayó por debajo de 0.70, lo que clasificamos como "variable".
GPT-5.2 fue ligeramente más consistente (0.57) que Gemini 3 Flash (0.51), pero ningún modelo da la misma respuesta de manera confiable.
Lo que esto significa para usted: No existe una "reputación en IA" fija. Cada vez que alguien pregunta sobre su marca, la IA construye una narrativa ligeramente diferente. Una auditoría de un solo prompt captura una aproximación, no la verdad. Necesita mediciones repetidas para entender su presencia real en IA.
Hallazgo 4: Su Industria Determina Qué Fuentes Usa la IA
Encontramos una relación estadísticamente significativa entre el sector industrial y la distribución de fuentes (chi-cuadrado = 143.28, p < 0.001). El tamaño del efecto es pequeño (V de Cramer = 0.08), pero los patrones son reales y accionables.
Las firmas de consultoría obtienen la mezcla de fuentes identificables más rica: 30.8% de su reputación en IA proviene de contenido corporativo más noticias tier-1 combinadas. McKinsey obtiene 8% de sus citas rastreables de medios como Bloomberg y Financial Times.
Las empresas de tecnología de marketing enfrentan la mayor opacidad de fuentes: 81.3% de su reputación en IA no es atribuible. Si está en tecnología B2B, asuma que la mayor parte de lo que la IA sabe sobre usted está incorporado en sus datos de entrenamiento sin origen claro.
Las marcas de HR Tech se apoyan fuertemente en plataformas de reseñas: 9.6% de las fuentes identificables provienen de G2, Capterra y sitios similares -- el más alto de cualquier sector.
Lo que esto significa para usted: Su estrategia de contenido en IA necesita coincidir con los patrones de fuentes que la IA realmente usa en su industria. Una firma de consultoría debería invertir en liderazgo de pensamiento y relaciones con los medios. Una empresa de HR Tech debería invertir en presencia en plataformas de reseñas. Un manual genérico no funcionará.
Hallazgo 5: Cotizar en Bolsa No Le Da Ninguna Ventaja
Comparamos 12 empresas cotizadas contra 12 empresas privadas en cada métrica que medimos. Los resultados: estadísticamente idénticos.
- Consistencia: Cotizadas 0.54 vs. Privadas 0.54 (d = 0.03, insignificante)
- Sentimiento: Cotizadas 73.9% positivo vs. Privadas 74.5% positivo
- Diversidad de fuentes: Sin diferencia significativa (entropía de Shannon: 1.43 vs. 1.37)
- Riqueza de citas: Las empresas privadas recibieron ligeramente más atribuciones por empresa (130.0 vs. 123.4)
- Fuentes financieras/regulatorias: Menos del 1% para ambos grupos
Presentaciones ante la SEC, cobertura de Bloomberg, perfiles de Crunchbase -- nada de esto da a las empresas cotizadas una ventaja medible en cómo las percibe la IA.
Lo que esto significa para usted: Si es una empresa privada o una startup, no está en desventaja estructural. La IA trata a una startup igual que a una empresa Fortune 500. El campo de juego es nivelado. La pregunta no es el tamaño de su empresa -- es si su contenido está estructurado para la comprensión de la IA.
La Excepción del Modo Fundamentado
Hay un punto positivo en todo esto. Cuando los modelos de IA usan generación aumentada por recuperación (el modo donde buscan activamente en la web antes de responder), la atribución de fuentes se vuelve transparente. Probamos esto con Perplexity, que proporciona citas a nivel de URL.
En modo fundamentado, la categoría "no atribuible" se reduce dramáticamente. Puede ver exactamente de qué páginas extrajo la IA, verificar la exactitud y optimizar en consecuencia.
Lo que esto significa para usted: A medida que más plataformas de IA adopten modos aumentados por recuperación (como las AI Overviews de Google o las citas de Perplexity), el problema de opacidad de fuentes disminuirá. Pero por ahora, la mayoría de las conversaciones de IA sobre marcas ocurren en modo paramétrico -- donde el 70% del conocimiento no tiene origen rastreable.
Qué Hacer a Partir del Lunes
La investigación señala tres prioridades accionables:
1. Audite Su Presencia en IA en Múltiples Modelos
No solo pregunte a ChatGPT sobre su marca. Pregunte a Gemini. Pregunte a Perplexity. Con una brecha de sentimiento de 0.51 puntos entre modelos y solo 2.8% de salidas siendo estables, necesita un enfoque de múltiples modelos y mediciones repetidas para entender su reputación real en IA.
2. Invierta en las Fuentes que Realmente Importan
El 70% del conocimiento de IA está incorporado en datos de entrenamiento y no es rastreable. Del 30% que puede influenciar: el contenido de su propio sitio web (14.7%) y la cobertura de medios tier-1 (5.7%) son los dos principales. Las plataformas de reseñas importan para industrias específicas (especialmente HR Tech con 9.6%). Las redes sociales y LinkedIn juntas representan menos del 1%.
Priorice: contenido propio primero, medios ganados segundo, fuentes específicas de la industria tercero.
3. Construya un Hábito de Monitoreo
La reputación en IA no es estable. Cambia con cada consulta, cada actualización de modelo, cada nuevo dato de entrenamiento. No verificaría sus rankings de Google una vez y lo olvidaría. El monitoreo mensual de visibilidad en IA es el mínimo. Las auditorías integrales trimestrales en todos los modelos son el estándar.
Detalles del Estudio
- Muestra: 24 empresas, 8 industrias, 12 cotizadas en bolsa + 12 privadas
- Prompts: 1,296 administrados, 1,311 respuestas analizables
- Modelos: GPT-5.2 (OpenAI), Gemini 3 Flash (Google), Perplexity (modo fundamentado)
- Atribuciones de fuentes: 3,041 codificadas por dos codificadores entrenados independientes
- Iteraciones de estabilidad: 5 repeticiones por prompt por marca por modelo
- Publicación: Springer Discover Artificial Intelligence (revisado por pares)
- Recolección de datos: 20 de febrero de 2026
La Conclusión
La IA está construyendo una reputación para su marca, la gestione usted o no. La pregunta es si entiende de dónde proviene esa reputación (mayormente no rastreable), qué tan estable es (no mucho) y qué tan diferente se ve en todas las plataformas (dramáticamente diferente).
Las marcas que ganen participación de recomendación en la era de la IA no serán las que tengan los presupuestos más grandes o los antecedentes más largos. Serán las que entiendan cómo la IA razona sobre ellas -- y estructuren su contenido en consecuencia.