Analizamos 593,181 buyer personas reales generadas por IA y creamos una herramienta que te muestra la brecha entre tu audiencia supuesta y la audiencia que la IA supone. Esa brecha determina si la IA te recomienda.
La mayoría de los equipos de marketing trabajan con entre tres y cinco buyer personas. Estas personas se crearon en talleres, las validó el equipo de ventas y se refinaron a partir de los datos de CRM de clientes existentes. Parecen acertadas porque describen a las personas que ya te compran.
Pero los sistemas de IA no construyen perfiles de comprador a partir de tu CRM. Los construyen a partir del comportamiento de búsqueda, los patrones de consumo de contenido y las señales de búsqueda de información a lo largo de millones de interacciones. Y las personas que surgen de esos datos a menudo no se parecen en nada a las de tu presentación de marketing.
Este no es un problema teórico. Cuando la IA decide si recomienda tu marca en respuesta a la consulta de un comprador, compara esa consulta con lo que cree que es tu comprador típico. Si tu contenido habla a un perfil de audiencia y la IA espera otro distinto, la recomendación va a parar a alguien cuyo contenido encaja mejor con el modelo de la IA.
El Persona Matcher se creó para sacar a la luz esa brecha. Introduces una URL o eliges un sector, y la herramienta te muestra qué buyer personas asocia la IA con tu marca, a partir del mayor conjunto de datos de buyer personas jamás publicado. Tres personas son visibles de inmediato. Otras nueve quedan tras un registro con correo electrónico. Y todas ellas provienen de datos reales, no de suposiciones.
Lo que el conjunto de datos PersonaGen-593K revela sobre el comportamiento del comprador
El Persona Matcher se nutre de PersonaGen-593K, un conjunto de datos de 593,181 buyer personas generadas por IA que abarca 339 sectores (25 verticales principales). Cada persona incluye datos demográficos, objetivos, puntos de dolor, consultas de búsqueda y necesidades no cubiertas. Los datos los desarrollaron investigadores de la Estonian Entrepreneurship University of Applied Sciences y Rankfor.AI, y se publicaron como artículo revisado por pares en la revista Discover Artificial Intelligence de Springer.
El conjunto de datos partió de aproximadamente 40 millones de descripciones de personas en bruto procedentes de cuatro conjuntos de datos públicos. Mediante deduplicación acelerada por GPU y filtrado semántico, los investigadores lo redujeron a un millón de descripciones únicas y después enriquecieron cada una con atributos de comportamiento estructurados usando grandes modelos de lenguaje. El resultado es la visión más completa de lo que la IA cree sobre el comportamiento del comprador en todos los sectores.
Esto es lo que muestran los datos:
El 78.7% de las búsquedas de los compradores son informacionales. Solo el 4.3% son transaccionales.
De casi 3 millones de consultas de búsqueda del conjunto de datos, casi cuatro de cada cinco son preguntas orientadas al aprendizaje: «¿Cómo evalúo X?» o «¿Cuáles son los mejores enfoques para Y?». No «Comprar X» ni «Suscribirse a Y».
El 17% restante son consultas comerciales como «¿Qué proveedor debería elegir?». Esa es la fase de consideración. Todavía no es transaccional.
La mayoría de las estrategias de contenido destinan el 80% de los recursos a páginas de producto, comparativas de precios y solicitudes de demo. Eso atiende al 4.3%. El 78.7% de los compradores que aún están haciendo preguntas suele encontrar mejores respuestas en otros sitios. Y cuando la IA presenta recomendaciones, las extrae del contenido que responde a esas preguntas de forma clara y específica.
Distribución de la intención de búsqueda del comprador (~3 millones de consultas)
Si tus personas se construyen en torno a la intención de compra y las personas de la IA se construyen en torno a la intención de aprendizaje, tienes un desajuste estructural. La IA recomendará marcas cuyo contenido encaje con las preguntas que los compradores realmente hacen.
Lo que el Persona Matcher te muestra
Cuando pasas una URL por el Persona Matcher, se te emparejan 12 buyer personas del conjunto de datos PersonaGen-593K. Tres son visibles. Nueve requieren una dirección de correo electrónico para desbloquearse. Cada persona incluye:
Datos demográficos: rango de edad, género, contexto de mercado (B2B, B2C, B2B2C, B2G)
Objetivos: lo que intentan lograr (por ejemplo, «Mejorar las vías de certificación», «Reducir los costes de captación de clientes», «Optimizar la eficiencia operativa»)
Puntos de dolor: lo que más les frustra (por ejemplo, «Complejidad de las herramientas», «Limitaciones del equilibrio entre trabajo y vida personal», «Requisitos de cumplimiento normativo»)
Consultas de búsqueda: las preguntas reales que hacen (por ejemplo, «¿Cómo hago la transición al diseño instruccional con credenciales reconocidas?»)
Necesidades no cubiertas: lagunas de información que tu contenido actual no aborda
La herramienta funciona de dos formas: introduce una URL para ver las personas emparejadas con tu contenido existente, o elige un sector para ver las personas por defecto que la IA asocia con esa vertical. Ambas vistas revelan si tu audiencia supuesta coincide con el modelo de la IA.
Lo que aprendes de la brecha
Si tus personas internas y las personas de la IA coinciden, es probable que tu contenido esté apareciendo en los contextos adecuados. Si divergen, tienes un problema de visibilidad.
Ejemplos de patrones de divergencia que hemos visto:
Una empresa de software enterprise supone que su comprador es un VP de Ingeniería de entre 40 y 55 años. Las personas que la IA tiene para su sector se agrupan en torno a dos grupos: arquitectos senior de 55-75+ centrados en el cumplimiento normativo y desarrolladores junior de 18-25 que aprenden conceptos básicos. El contenido de la empresa se dirige a la cohorte intermedia, que representa solo el 30.8% del modelo de comprador de la IA. Resultado: menor cuota de recomendaciones.
Una consultora supone que su comprador es un CMO de mercado medio que busca orientación estratégica. Las personas de la IA muestran un 28% de intención comercial (la más alta del conjunto de datos) y se agrupan en torno a puntos de dolor de captación de clientes y diferenciación. El contenido de la firma pone el acento en el liderazgo de opinión y la estrategia de alto nivel. La IA recomienda a competidores cuyo contenido incluye marcos de precios, calculadoras de ROI y comparativas de metodologías, porque eso encaja mejor con las señales de intención comercial.
Un proveedor de tecnología sanitaria supone que su comprador es un administrador hospitalario centrado en la reducción de costes. Las personas de la IA muestran un 38% de necesidades de información relacionadas con el cumplimiento normativo y buscan con frecuencia guías de acreditación y de práctica basada en la evidencia. El contenido del proveedor se centra en la eficiencia operativa sin abordar el contexto regulatorio. La IA le da menos prioridad frente a marcas cuyo contenido demuestra conciencia del cumplimiento normativo.
No se trata de casos aislados. Son patrones que se repiten en todos los sectores cuando las personas internas divergen de los datos de comportamiento a gran escala.
Cinco cosas que el conjunto de datos revela sobre tus compradores
1. La mayoría de los compradores no están en el rango de edad al que apuntas
El conjunto de datos muestra una distribución de edad bimodal: el 27.9% de las personas tienen entre 18 y 25 años, y el 41.4% tienen 55-75+ años. La cohorte de mitad de carrera (25-55) que la mayoría del marketing B2B da por sentada como comprador por defecto supone apenas el 30.8%.
Distribución de edad del comprador: la realidad bimodal
Si tu contenido da por sentado un decisor de entre 35 y 50 años y las personas de la IA para tu sector se inclinan hacia edades más jóvenes o más mayores, tu mensaje no coincidirá con las consultas que la IA asocia con tu categoría. Ese desajuste reduce la cuota de recomendaciones.
2. El equilibrio entre trabajo y vida personal es el punto de dolor universal
En las 25 verticales de sector, el equilibrio entre trabajo y vida personal surgió como el punto de dolor dominante, con 107,000 menciones. Aparece entre las cinco principales preocupaciones en el 72% de los segmentos de sector.
Es una verdad transversal a todos los sectores que la mayoría del contenido B2B ignora por completo. Las marcas que reconocen la dimensión humana de las decisiones profesionales (limitaciones de tiempo, carga cognitiva, prioridades que compiten entre sí) hablan de la realidad que viven sus compradores, más allá de la categoría en la que compran. La IA presenta el contenido que aborda los puntos de dolor que los compradores realmente expresan, por encima de los que el marketing da por supuestos.
3. Los patrones de intención específicos de cada sector importan
Las personas de consultoría muestran un 28% de intención comercial (casi el doble de la media del conjunto de datos). Comparan opciones de compra de forma activa; no exploran sin rumbo. El contenido que apoya la evaluación (marcos de precios, comparativas de metodologías, datos de resultados de clientes) rendirá mejor que el liderazgo de opinión.
Las personas de EdTech dominan el conjunto de datos con el 24.3% del volumen total, lo que refleja una enorme diversidad en el comportamiento orientado al aprendizaje. La diferenciación exige concreción. Un mensaje concreto como «ayudamos a diseñadores de UX de mitad de carrera a hacer la transición al diseño instruccional con credenciales reconocidas por los empleadores» rinde mucho más que un genérico «ayudamos a la gente a aprender».
Las personas de sanidad muestran un 38% de necesidades de información relacionadas con el cumplimiento normativo. Los sistemas de IA son especialmente cautelosos con las recomendaciones relacionadas con la salud. El contenido sanitario poco estructurado o ambiguo tiene más probabilidades de perder prioridad que en cualquier otra vertical.
Las personas de manufactura se agrupan en torno a la eficiencia operativa (29% de los objetivos) y la complejidad de las herramientas (24% de los puntos de dolor). No responden a los mensajes aspiracionales. Quieren guías de implementación, documentación de integración y matrices comparativas con especificaciones técnicas.
4. La distribución por género es equilibrada, aunque no uniforme entre sectores
En conjunto, los datos muestran un 52.2% de personas de género femenino, un 45.4% masculino y un 2.3% no binario. Casi equilibrado, aunque no uniforme entre sectores. Si la IA asocia tu sector con una distribución de género distinta de la que supone tu marketing, tu mensaje y tus imágenes pueden no coincidir con los perfiles de persona que la IA usa para las recomendaciones.
5. La mayoría de las marcas cubren de media solo 1.4 de las 5 necesidades del comprador
El conjunto de datos identifica cinco necesidades de información esenciales por persona. La mayoría de las marcas abordan menos de dos. Las necesidades no cubiertas que muestra el Persona Matcher revelan lagunas de contenido que afectan directamente a la cuota de recomendaciones de la IA.
Si un comprador hace una pregunta y tu contenido no la responde, la IA recomendará una marca cuyo contenido sí lo haga. La lista de necesidades no cubiertas te dice qué preguntas no está abordando tu contenido.
Por qué esto importa para la visibilidad en IA
Los sistemas de IA hacen algo más que indexar tu contenido. Modelan a tu audiencia. Cuando un usuario le pide recomendaciones a la IA, el sistema evalúa si tu marca encaja con el perfil de persona que ha construido para esa consulta. Si tu contenido señala a una audiencia y la consulta implica otra, la recomendación va a otro sitio.
Esto es distinto del SEO. Los motores de búsqueda emparejan palabras clave. La IA empareja intención, contexto y encaje con la audiencia. Puedes posicionarte en Google para «mejor CRM para pequeñas empresas» y aun así no recibir la recomendación de la IA si tu contenido habla a compradores enterprise y la consulta implica a un fundador en solitario sin conocimientos técnicos.
El Persona Matcher saca a la luz ese desajuste antes de que te cueste cuota de recomendaciones. Te muestra lo que la IA cree sobre tus compradores para que puedas ajustar tu estrategia de contenido en consecuencia.
Para quién es esta herramienta
Estrategas de contenido: compara tu calendario de contenido con las personas que la IA asocia con tu marca. Identifica a qué segmentos de audiencia estás atendiendo de forma insuficiente.
Directores de marketing: valida si tus personas internas coinciden con los datos de comportamiento que la IA usa para formar recomendaciones. Saca a la luz las brechas antes de que afecten a la visibilidad.
Equipos de SEO: pasa de una planificación de contenido guiada por palabras clave a una guiada por la intención. Entiende qué preguntas hacen tus compradores que tu contenido no responde.
Equipos de agencia: usa el emparejamiento de personas como herramienta de diagnóstico en las auditorías de clientes. Muestra a los clientes la brecha entre su audiencia supuesta y el modelo que la IA tiene de su audiencia.
Lo que obtienes al usar la herramienta
Inmediato (sin registro): tres personas emparejadas con datos completos de demografía, objetivos, puntos de dolor, consultas de búsqueda y necesidades no cubiertas.
Tras dejar tu correo electrónico: nueve personas adicionales para un perfil completo de 12 personas. El informe completo incluye:
- Análisis de diversidad de personas (cuán variada es tu audiencia según la IA)
- Puntuación de preparación del sector (cómo de bien rinde el contenido de tu sector en los sistemas de IA)
- Detección de patrones entre personas (qué puntos de dolor y objetivos se repiten en tu audiencia)
- Recomendaciones sobre lagunas de contenido (qué temas priorizar según las necesidades no cubiertas)
La herramienta también enlaza con otros dos diagnósticos gratuitos: el Benchmark Calculator (compara tu visibilidad en IA con la de tus competidores) y el Readiness Score (evalúa la compatibilidad de tu contenido con la IA).
Cómo usar los resultados
Una vez que tengas tus personas emparejadas, contrástalas con tus personas internas. Busca estos patrones:
Divergencia de edad: si las personas de la IA se inclinan hacia edades más jóvenes o más mayores que tu comprador supuesto, ajusta el mensaje y las imágenes para que coincidan.
Divergencia de intención: si las personas de la IA muestran una intención informacional (aprender, investigar) mayor que la que aborda tu contenido (características de producto, precios), desplaza tu mezcla de contenido hacia material educativo.
Divergencia de puntos de dolor: si las personas de la IA subrayan puntos de dolor que tu contenido no aborda (equilibrio entre trabajo y vida personal, cumplimiento normativo, complejidad de las herramientas), añade contenido que reconozca esas realidades.
Lagunas en las consultas de búsqueda: compara las consultas de búsqueda de tus personas emparejadas con tu biblioteca de contenido. ¿Qué preguntas no estás respondiendo?
Necesidades no cubiertas: trata la lista de necesidades no cubiertas como una hoja de ruta de contenido priorizada. Cada necesidad no cubierta representa una pregunta que los compradores hacen y que tu contenido no responde. Eso es una brecha directa de visibilidad en IA.
La conclusión práctica
Tus personas internas describen a quién ya te compra. Las personas de la IA describen a quién busca soluciones en tu categoría. La brecha entre esos dos modelos determina si la IA te recomienda cuando los compradores piden opciones.
Cerrar esa brecha no es un problema de volumen de contenido. Es un problema de alineación. Y el primer paso es entender cómo cree la IA que son tus compradores.
El Persona Matcher te lo muestra en tres clics. Sin integraciones. Sin configuración técnica. Solo datos.
Empareja tus personas con lo que la IA cree sobre tus compradores. Usa el Persona Matcher para comparar tu audiencia supuesta con el conjunto de datos PersonaGen-593K. O revisa tu visibilidad general en IA con el Benchmark Calculator y el Readiness Score.
Basado en "PersonaGen-593K: A Large-Scale Dataset of AI-Generated Buyer Personas for Consumer Information-Seeking Behavior Research" de Dmitrij Żatuchin (EUAS) y Daniil Dzemesjuk (Rankfor.AI), preprint, enviado a Springer Discover Artificial Intelligence, 2026.