La IA está transformando la adquisición de clientes, pero la economía de su tráfico sigue sin resolverse
Google News mostró en julio de 2026 una afirmación contundente: la IA está cambiando la adquisición de clientes al sustituir los resultados de búsqueda por recomendaciones sintetizadas. El argumento va más allá de automatizar anuncios o producir contenido más barato. Sostiene que las empresas ahora deben convencer a un intermediario de IA antes de poder llegar a un comprador.
Este cambio genera un conflicto incómodo. Google, los editores, las firmas de marketing y los investigadores independientes coinciden en que el comportamiento de descubrimiento está cambiando. Sin embargo, discrepan de forma marcada sobre qué ocurrirá con el tráfico, la calidad de las conversiones y el valor económico intercambiado entre los sitios web y las plataformas.
El antiguo modelo de adquisición premiaba la visibilidad que generaba visitas medibles. El modelo emergente puede influir en una decisión sin generar ninguna visita. Una empresa puede aparecer dentro de una respuesta de IA, perder el control de la interacción con el cliente y no ver nunca esa influencia en sus análisis.
No se trata simplemente de otro ciclo de optimización para buscadores. Es una disputa entre la adquisición de tráfico y la autoridad de recomendación. La métrica ganadora sigue sin definirse, porque la IA puede reducir los clics al tiempo que aumenta la intención detrás de los clics que sobreviven.
Lo que Google News realmente mostró
La historia subyacente es un argumento sobre el comportamiento de los clientes, no el anuncio de un nuevo producto de Google.
La publicación de Google News remite a un ensayo titulado “How Artificial Intelligence Is Changing the Economics of Customer Acquisition.” Performance Marketing Advisors publicó la versión original y la actualizó por última vez el 11 de julio de 2026.
El ensayo sobre adquisición de clientes sostiene que los compradores piden cada vez más a los sistemas de IA que evalúen empresas por ellos. Entre sus ejemplos están comparar servicios profesionales, elegir software e identificar firmas con experiencia especializada.
La afirmación central es sencilla. Antes, las empresas competían principalmente por posiciones en una página de resultados. Ahora también compiten por convertirse en una opción recomendada dentro de una respuesta generada por ChatGPT, Gemini, Perplexity o Google Search.
Esta distinción importa porque un enlace clasificado deja buena parte de la evaluación en manos del usuario. Una recomendación de IA concentra la investigación, la comparación y, a veces, la preselección en una sola interfaz. Puede determinar el conjunto inicial de opciones que considera un comprador antes de que una empresa reciba una visita.
Sin embargo, el ensayo es un comentario estratégico de una consultora de marketing. Su marco de “AI Trust Economy” no es una categoría económica establecida de forma independiente. Los lectores deberían tratarlo como una tesis que necesita contrastarse con evidencia más amplia.
La tesis también corre el riesgo de exagerar el declive de la búsqueda convencional. Los compradores siguen usando buscadores, sitios web de minoristas, plataformas sociales, sitios de reseñas, correo electrónico y recomendaciones directas. La IA se suma a ese recorrido mixto, en lugar de reemplazar de inmediato todos los canales anteriores.
Incluso la expresión “recomendación de IA” abarca experiencias muy distintas. Una Google AI Overview se sitúa por encima de los resultados convencionales. ChatGPT ofrece una respuesta conversacional. Perplexity enfatiza las citas, mientras que los asistentes de compra pueden organizar productos en torno a preferencias declaradas.
Estas interfaces crean distintas oportunidades de atribución. Algunas generan tráfico de referencia visible, mientras que otras influyen en una búsqueda posterior de marca o en una visita directa. Una recomendación puede afectar una compra sin recibir el crédito de último contacto, la interacción final registrada antes de la conversión.
Esta limitación hace que el titular de Google News sea más relevante de lo que su formato modesto sugiere. El artículo no documenta un evento corporativo concreto con un resultado financiero fijo. Identifica un problema de medición que se está extendiendo por el marketing.
Por tanto, el acontecimiento es la creciente articulación pública de un nuevo modelo de adquisición. Los sistemas de IA se sitúan cada vez más entre las preguntas y las empresas. Los especialistas en marketing deben decidir si la visibilidad sin clic tiene valor y cómo debe medirse ese valor.
La presión comienza en las organizaciones que dependen en gran medida de las búsquedas no relacionadas con su marca. Estas búsquedas captan a personas que conocen su problema, pero aún no han elegido un proveedor. Si una respuesta de IA crea la lista corta, el sitio web deja de controlar la primera comparación relevante.
Google News también forma parte de este entorno de distribución más amplio. Su aparición en la historia identifica la vía por la que el comentario llegó a los lectores. No demuestra que Google haya respaldado el marco de la consultora ni sus conclusiones.
Esta separación es esencial. La agregación establece la capacidad de descubrimiento, no la verificación. La evidencia debe provenir de investigación de usuarios, divulgaciones de plataformas, datos de referencia y resultados empresariales medidos.
La búsqueda con IA adelanta la decisión antes del clic
La IA cambia la economía de adquisición al trasladar la evaluación a una fase anterior, donde los análisis convencionales tienen una visibilidad limitada.
El coste de adquisición de clientes, a menudo abreviado como CAC, divide el gasto de adquisición entre los clientes obtenidos durante un periodo definido. El cálculo parece sencillo, pero asignar el mérito a lo largo de un recorrido de varios pasos siempre ha sido difícil.
La IA añade otro paso opaco. Un comprador puede pedir opciones, afinar requisitos, comparar ventajas e inconvenientes y formarse una preferencia antes de llegar a una página propiedad de una empresa. La compañía solo ve la visita final, si es que llega a producirse.
La investigación de Bain ilustra la escala de este comportamiento. Su encuesta de diciembre de 2024 incluyó a 1.117 participantes y descubrió que el 80 por ciento utilizaba resultados sin clic en al menos el 40 por ciento de sus búsquedas.
Los resultados sin clic responden a una consulta sin enviar al usuario a otro destino. Bain estimó que este comportamiento redujo el tráfico orgánico hacia sitios web entre un 15 y un 25 por ciento, aunque los efectos difieren según las consultas y los sectores.
La misma encuesta sobre resultados sin clic determinó que aproximadamente el 60 por ciento de las búsquedas terminaban sin avanzar a otro sitio. Incluso los escépticos de la IA afirmaron obtener muchas respuestas directamente desde la página de resultados.
Estos hallazgos describen una redistribución de la atención. No establecen que cada visita perdida se convierta en un cliente perdido. Las búsquedas factuales rápidas, las comparaciones detalladas de productos y las compras complejas de servicios tienen valores comerciales muy diferentes.
La encuesta de McKinsey de agosto de 2025, realizada entre 1.927 consumidores estadounidenses, ofrece otra perspectiva. Cerca de la mitad de los participantes utilizaba de manera intencionada la búsqueda impulsada por IA, y más del 70 por ciento de esos usuarios investigaba categorías, marcas, productos o servicios.
Su análisis de búsqueda con IA proyectó que la búsqueda impulsada por IA influiría en una parte sustancial de los ingresos estadounidenses para 2028. Las proyecciones no deben confundirse con transacciones completadas, pero aclaran hacia dónde esperan los consultores que se desplace el comportamiento de compra.
El mecanismo tiene tres etapas. Primero, el usuario describe una necesidad en lenguaje natural. Segundo, el sistema resume la evidencia disponible y recomienda un conjunto más reducido de opciones. Tercero, el usuario continúa investigando o actúa sobre esa lista corta.
Antes, las dos primeras etapas generaban varias búsquedas y visitas a sitios web independientes. Una interfaz de IA puede combinarlas en una sola conversación. Esa compresión reduce el número de oportunidades disponibles para las empresas que quedan fuera del conjunto recomendado.
También puede mejorar el tráfico restante. Un visitante que ya ha comparado características, limitaciones y alternativas puede llegar con un propósito más claro. Menos sesiones pueden seguir generando ingresos significativos si esas sesiones tienen una intención más fuerte.
Esto crea un problema de denominador para los especialistas en marketing. Las visitas orgánicas pueden caer mientras suben las tasas de conversión. El coste de adquisición aparente depende de si el análisis atribuye el mérito solo a la visita final o reconoce la interacción previa con la IA.
Las referencias desde IA introducen una segunda brecha de medición. Las cabeceras de referencia pueden identificar algunas visitas directas procedentes de servicios conversacionales. No pueden capturar a todos los compradores que leen una respuesta de IA y más tarde escriben el nombre de una marca en Google.
Como consecuencia, las búsquedas de marca pueden absorber el mérito creado en otros lugares. El tráfico directo puede hacer lo mismo. Sin experimentos controlados o encuestas a clientes, un equipo de marketing puede confundir un cambio de atribución con un cambio de demanda.
Esto es especialmente importante en ciclos de venta largos. Un comprador que evalúa software empresarial puede consultar a un asistente de IA, compartir una lista corta, asistir a demostraciones y contactar con referencias. La respuesta inicial sigue siendo económicamente relevante pese a no recibir ningún crédito de conversión final.
El mismo principio se aplica a los servicios locales. Un consumidor podría utilizar un resumen de IA para comparar credenciales, reputación y ubicación. La llamada telefónica final puede llegar a través de una ficha de mapas, en lugar de la fuente citada.
El resultado no es la desaparición de la adquisición de clientes. Es una reubicación de la persuasión. Los datos de producto, las reseñas independientes, los comentarios creíbles, las conversaciones de la comunidad y las experiencias de clientes pueden influir en la respuesta antes de que la empresa sepa que existe un comprador.
Google News se encuentra con la disputa entre tráfico y confianza
La disputa principal ya no es posicionamiento contra posicionamiento. Es tráfico medible frente a autoridad de recomendación.
El marketing tradicional de buscadores ofrecía un intercambio comprensible. Los sitios web publicaban material útil, los buscadores lo indexaban y los posicionamientos generaban oportunidades de visitas. La publicidad añadía una vía de pago con una ubicación y unos informes más claros.
Las respuestas de IA alteran ese intercambio porque la plataforma puede satisfacer la solicitud dentro de su propia interfaz. La fuente aporta información, pero la atención resultante puede permanecer en el intermediario.
Un documento de trabajo de julio de 2026 examinó este problema utilizando datos de navegación de escritorio de usuarios estadounidenses. Sus autores compararon la actividad de búsqueda de información en Google con las sesiones de ChatGPT y estudiaron las expansiones de acceso a ChatGPT Search.
El estudio sobre economía de las referencias encontró clics salientes en el 5,2 por ciento de las sesiones de conversación de ChatGPT. También estimó que un acceso más amplio redujo el uso de la búsqueda convencional en un 9,4 por ciento.
Estos hallazgos tienen limitaciones. El documento era un preprint, no una declaración de consenso final. Los datos de navegación de escritorio no pueden captar cada interacción móvil, transferencia entre aplicaciones, compra o acción fuera de línea.
Aun así, su planteamiento es valioso. La búsqueda con IA no se limita a enviar una versión más pequeña del flujo de referencias de Google. El documento determinó que las visitas salientes se inclinaban hacia destinos especializados y se alejaban de los sitios respaldados por publicidad.
Ese patrón sugiere un efecto de concentración. Un sistema de IA puede consultar muchas fuentes, pero mostrar solo unas pocas citas o recomendaciones. Las empresas deben competir por ser incluidas en una respuesta comprimida, en lugar de por una posición entre muchos enlaces visibles.
El ensayo de la consultora difundido a través de Google News describe esa disputa como una cuestión de confianza. Esa palabra requiere precisión. Un modelo de lenguaje no confía en una empresa en el sentido humano. Produce una respuesta a partir de entrenamiento, material recuperado, instrucciones y comportamiento del modelo.
La autoridad de recomendación es una descripción operativa más adecuada. Se refiere a la probabilidad de que un sistema nombre, cite o caracterice favorablemente a una organización al responder a una solicitud relevante.
La autoridad puede provenir de evidencia distribuida más allá del sitio web de la empresa. Los reportajes independientes, las conversaciones de clientes, la documentación de productos, los directorios, las reseñas y los datos estructurados pueden influir en lo que recupera un sistema de IA.
Esto debilita las estrategias construidas en torno a una única landing page controlada. Una página pulida no puede borrar información contradictoria en otros lugares. Tampoco puede garantizar su inclusión cuando un sistema se apoya en fuentes que los profesionales del marketing no controlan.
La situación también presiona a la adquisición de pago. Los anuncios siguen siendo útiles porque ofrecen un alcance predecible. Sin embargo, una lista corta creada por IA puede influir en qué marcas busca después un comprador y qué anuncios parecen creíbles.
Esto crea una nueva secuencia competitiva. La reputación ganada puede definir la lista corta. Los medios pagados luego refuerzan una elección en lugar de presentarla. Las empresas que solo miden el anuncio final pueden sobrevalorar el punto de contacto pagado.
También es posible cometer el error opuesto. Los profesionales del marketing podrían considerar valiosa cada mención de IA pese a no recibir demanda cualificada. La visibilidad solo resulta económicamente útil cuando modifica la consideración, la conversión, la retención o los ingresos.
Por esa razón, los indicadores de visibilidad de IA basados en impresiones siguen siendo incompletos. Una marca puede aparecer con frecuencia para consultas de bajo valor y permanecer ausente de las preguntas que preceden a una compra. La selección de prompts se convierte en parte de la metodología de medición.
Las empresas necesitan conjuntos de consultas basados en el lenguaje real de los clientes. Las llamadas de ventas, las conversaciones de soporte, las entrevistas de investigación y las notas sobre oportunidades perdidas revelan las preguntas que los compradores realmente hacen. Un flujo de trabajo de conocimiento de ventas con capacidad de búsqueda puede ayudar a los equipos a conectar esas señales sin tratar todas las menciones por igual.
La unidad práctica de análisis debería ser el recorrido de decisión, no una única palabra clave. Los equipos pueden hacer seguimiento de si aparecen en el descubrimiento del problema, la comparación, las objeciones, las consideraciones de precio y las inquietudes de implementación.
Google News sigue siendo relevante porque puede incorporar reportajes autorizados a ese entorno informativo. Sin embargo, aparecer en un agregador no genera automáticamente autoridad de recomendación. Los sistemas difieren en frescura, fuentes de recuperación y comportamiento de citación.
Por lo tanto, el enfoque más sólido es la coherencia de la evidencia. Las afirmaciones sobre el producto deben coincidir con la documentación. Los ejemplos de clientes deben incluir resultados específicos. Las fuentes independientes deben respaldar las declaraciones importantes, y las páginas desactualizadas no deben contradecir las capacidades actuales.
Ese trabajo se parece al mismo tiempo a la gestión de reputación, las operaciones de contenido y la optimización técnica para buscadores. Va más allá de publicar más artículos generados por IA. Un mayor volumen de contenido puede aumentar la inconsistencia, lo que agrava el problema de autoridad subyacente.
Lo que las cifras de conversión no resuelven
Los visitantes referidos por IA pueden parecer poco valiosos o muy valiosos según el producto, el conjunto de datos y la ventana de atribución.
La versión más sonora de la tesis de adquisición mediante IA sostiene que las referencias conversacionales llegan con una intención de compra más fuerte. La evidencia no respalda esa afirmación de forma uniforme.
Un estudio revisado por pares en Marketing Science examinó las referencias de grandes modelos de lenguaje en línea a sitios web de comercio electrónico. Comparó las tasas de conversión, el valor medio de pedido y los ingresos por sesión con canales establecidos.
Su investigación sobre referencias de comercio electrónico concluyó que el rendimiento de las referencias de IA variaba según las características del sitio web y la categoría. El tráfico de IA no fue un reemplazo universal para la búsqueda orgánica, el correo electrónico, las referencias ni las visitas directas.
El estudio halló resultados más favorables para sitios web de alta complejidad. En esos contextos, la conversión referida por IA superó a varios otros canales. Las diferencias en el valor medio de pedido también se redujeron, mientras que los ingresos por sesión se acercaron a los de la búsqueda orgánica y pagada.
Ese resultado respalda un mecanismo específico. La asistencia de IA parece más valiosa cuando los compradores enfrentan decisiones complicadas. El sistema puede reducir los costes de investigación al explicar especificaciones, identificar compensaciones y acotar un catálogo confuso.
Las compras simples ofrecen menos margen para ese beneficio. Un comprador no necesita una conversación larga para elegir un producto básico conocido. La comodidad, la disponibilidad, el reconocimiento de marca y la entrega pueden importar más que una recomendación sintetizada.
Otros conjuntos de datos han llegado a conclusiones contradictorias. Algunos análisis del sector encontraron que las referencias de IA convertían por debajo de los canales establecidos. Otros informaron de conversiones inusualmente altas entre los visitantes que llegaban desde herramientas conversacionales.
Esas diferencias no indican necesariamente una conducta indebida. Los estudios pueden abarcar distintos sectores, periodos, métodos de atribución, dispositivos y definiciones de tráfico de IA. El volumen de referencias también sigue siendo lo bastante pequeño en muchos conjuntos de datos como para producir comparaciones inestables.
Una definición estrecha de referencia pasa por alto las visitas influidas que llegan más tarde a través de otro canal. Un modelo de atribución amplio corre el riesgo de otorgar crédito a la IA sin evidencia suficiente. Ambos errores pueden distorsionar la economía aparente.
Google ofrece el contraargumento público más sólido frente a la narrativa del colapso del tráfico. En agosto de 2025, la empresa afirmó que el volumen total de clics orgánicos procedentes de Search se mantuvo relativamente estable interanualmente.
En la respuesta de Google sobre el tráfico, la empresa también dijo que la calidad media de los clics aumentó. Definió los clics de calidad como visitas en las que los usuarios no regresaban rápidamente a Search.
Google sostuvo que AI Overviews fomentaba consultas más largas y complejas, y exponía a los usuarios a enlaces adicionales. Reconoció que las consultas de respuesta rápida podían terminar sin una visita, al tiempo que mantenía que la investigación más profunda seguía generando clics.
Estas afirmaciones merecen un tratamiento cauteloso. Google tiene acceso a datos agregados de Search que no están disponibles para la mayoría de los observadores. También tiene un interés directo en defender el intercambio de valor entre Search y la web abierta.
Tanto Google como sus críticos pueden tener razón en términos direccionales. El tráfico agregado puede mantenerse estable mientras determinados editores, sitios informativos o empresas pierden visitas sustanciales. Un nuevo volumen de consultas puede compensar los descensos de manera desigual en la web.
Un total estable también dice poco sobre la adquisición de clientes de una empresa concreta. A los profesionales del marketing les importan las visitas relevantes, los leads cualificados, los nuevos clientes, el valor de vida del cliente y el margen. Miles de millones de clics no relacionados no pueden resolver esas preguntas.
La incertidumbre importante es si el tráfico con mayor intención compensa la reducción de volumen. Esa respuesta depende del margen de contribución, la capacidad de ventas, la complejidad de la compra y los costes necesarios para lograr visibilidad en IA.
Las empresas pueden gastar más en contenido técnico, programas de reputación, relaciones públicas, datos estructurados de productos y herramientas de medición. Esos gastos forman parte de la economía de adquisición, incluso si la visibilidad resultante se describe como orgánica.
La producción de contenido con IA puede reducir el coste de crear borradores y variantes. También puede inundar los canales con material similar, aumentando el esfuerzo necesario para establecer credibilidad. Una producción barata no garantiza una adquisición barata.
La economía se vuelve especialmente difícil cuando las plataformas monetizan la capa de recomendación. Las ubicaciones patrocinadas dentro de experiencias conversacionales pueden recrear la competencia de búsqueda pagada en una interfaz más condensada.
Un número reducido de posiciones recomendadas puede atraer pujas intensas. Si los compradores depositan mayor confianza en esas respuestas, la ubicación comercial se vuelve valiosa. Si el patrocinio perjudica la confianza, las plataformas afrontan su propio problema de credibilidad.
La regulación y las normas de divulgación añaden más incertidumbre. Los usuarios deben poder distinguir las sugerencias patrocinadas de los resultados independientes. Las empresas también necesitan claridad sobre qué afirmaciones, feeds y relaciones comerciales influyeron en una recomendación.
Los cambios en privacidad complican la medición al mismo tiempo. La reducción del seguimiento entre sitios dificulta seguir a un comprador a través de la investigación con IA, la búsqueda, la actividad web y la compra. El nuevo intermediario llega mientras las antiguas herramientas de atribución se debilitan.
Ningún único punto de referencia de conversión puede resolver este debate. Las empresas necesitan comparaciones emparejadas por categoría, tipo de cliente y etapa del recorrido. También necesitan suficiente tiempo de observación para separar la demanda genuina del tráfico por novedad.
La conclusión escéptica no es que las recomendaciones de IA carezcan de valor. Es que la visibilidad, las referencias y los ingresos son mediciones distintas. Tratarlas como intercambiables produce informes confiados con un significado económico débil.
Quién sufre presión mientras la IA reescribe la adquisición
Las empresas que dependen del descubrimiento genérico enfrentan la mayor presión porque la IA puede estrechar el mercado antes de que esas empresas se vuelvan visibles.
Las empresas pequeñas y regionales afrontan un desafío particular. A menudo carecen del volumen de cobertura independiente, reseñas y referencias estructuradas disponible para las marcas nacionales. Por lo tanto, un sistema de IA puede tener menos evidencia que recuperar.
Esto no significa que el mayor anunciante gane automáticamente. Las grandes marcas pueden arrastrar descripciones desactualizadas, información de producto inconsistente y quejas visibles de clientes. Las empresas pequeñas pueden competir cuando su evidencia es específica, actual y localmente relevante.
Los servicios profesionales enfrentan otra tensión. Sus ofertas implican experiencia, reputación y confianza, lo que las hace adecuadas para la comparación asistida por IA. Sin embargo, muchas diferencias importantes no pueden reducirse a hechos disponibles públicamente.
Un modelo puede resumir credenciales y reseñas. No puede evaluar de forma fiable la afinidad interpersonal, la calidad de ejecución ni las circunstancias detrás de cada resultado de cliente. Los compradores aún necesitan conversaciones directas para tomar decisiones importantes.
Los editores y sitios de reseñas enfrentan una presión diferente. Sus reportajes y evaluaciones ayudan a los sistemas a construir respuestas. Si esas respuestas eliminan visitas, las organizaciones que financian información original pueden perder ingresos.
Esto crea un problema de suministro para los sistemas de IA. Las respuestas de alta calidad requieren evidencia actual. Debilitar la economía de la publicación original puede acabar reduciendo la información disponible para recuperación y entrenamiento.
El modelo de Google intenta preservar enlaces dentro de las respuestas de IA. Los servicios conversacionales también muestran citas en muchos contextos. La cuestión económica es si esas citas envían suficiente atención valiosa para sostener las fuentes.
Las agencias de marketing deben actualizar sus propias promesas. Las mejoras de posicionamiento y el crecimiento del tráfico siguen siendo medibles, pero ya no capturan cada interacción de descubrimiento. Las agencias deberán explicar qué significa la visibilidad de IA sin inventar certezas.
Los proveedores de software que venden herramientas de visibilidad de IA enfrentan un escrutinio similar. El seguimiento de prompts puede revelar si una marca aparece en respuestas muestreadas. Los resultados pueden cambiar entre modelos, ubicaciones, cuentas, redacción de prompts y momentos.
Un panel no puede convertir esa variabilidad en ingresos por sí solo. Debe conectar la visibilidad muestreada con sesiones de referencia, demanda de marca, creación de pipeline, tasas de cierre e investigación de clientes.
Las plataformas de publicidad en buscadores también enfrentan presión para demostrar incrementalidad. La incrementalidad mide los resultados causados por un anuncio, en lugar de los resultados que habrían ocurrido de todos modos.
Si las recomendaciones de IA crean demanda antes de un clic pagado, los anuncios de búsqueda de marca pueden captar clientes ya convencidos. Los anunciantes necesitan experimentos que distingan la protección de la demanda existente de la creación de nueva demanda.
Las plataformas sociales siguen siendo competidores importantes para el descubrimiento. Los creadores, las comunidades y las conversaciones de clientes aportan la evidencia en primera persona que los compradores valoran. Los sistemas de IA pueden resumir ese material, pero los usuarios aún pueden buscar las voces originales.
Los marketplaces minoristas conservan otra ventaja. Combinan descubrimiento con disponibilidad, cumplimiento, reseñas y pago. Los asistentes generales de IA pueden recomendar productos, pero los marketplaces controlan datos cruciales de transacción y ejecución.
Por tanto, el panorama emergente no es Google contra un solo chatbot. Es una competencia multicanal por determinar quién controla el proceso de investigación, la relación con el cliente, la transacción y los datos resultantes.
El principal antagonismo sigue siendo la adquisición de tráfico frente a la autoridad de recomendación. Otros conflictos entre canales respaldan esa línea, en lugar de sustituirla. Cada plataforma determina cuánto valor permanece dentro de la interfaz y cuánto llega a la empresa.
Las organizaciones deberían evitar reaccionar produciendo miles de páginas genéricas. Tanto los sistemas de IA como los motores de búsqueda tienen incentivos para filtrar material repetitivo. Los compradores también reconocen el contenido que dice poco y exige atención.
Una mejor respuesta comienza con información que ayude a tomar una decisión real. Comparaciones detalladas, limitaciones, requisitos de implementación, evidencia y observaciones originales dan a las personas motivos para visitar más allá de un resumen.
Los datos propios importan cuando reflejan necesidades genuinas de los clientes. Las objeciones habituales, las restricciones del servicio, la compatibilidad de productos y los casos de uso pueden aclarar dónde encaja una oferta. Las afirmaciones deben seguir siendo verificables y coherentes en todos los canales.
Las empresas también necesitan proteger las etapas humanas de la adquisición. Respuestas rápidas, conversaciones de ventas competentes, una incorporación clara y referencias creíbles se vuelven más importantes cuando la IA envía un número menor de prospectos informados.
Un visitante de alta intención identificará rápidamente las inconsistencias. Si la descripción de la IA promete una experiencia y el sitio web presenta otra, la conversión puede caer pese a una buena visibilidad en las recomendaciones.
Por tanto, la adquisición de clientes se está volviendo menos separable de las operaciones de producto. El marketing no puede fabricar autoridad duradera cuando la documentación, la experiencia del cliente y la evidencia externa apuntan en otra dirección.
Tres señales que pondrán a prueba la tesis de Google News
La próxima fase se decidirá por comportamientos medibles, no por la cantidad de empresas que adopten nueva terminología de marketing.
La primera señal es el ingreso a nivel de canal procedente de recorridos referidos por IA e influidos por IA. Las empresas deberían hacer seguimiento de las referencias directas, las búsquedas de marca tras la exposición, las conversiones asistidas, el pipeline cualificado y las compras completadas.
Si esas métricas crecen más rápido que el gasto necesario para obtener visibilidad, la tesis de adquisición se fortalece. Si las menciones aumentan sin demanda cualificada, la autoridad de recomendación seguirá siendo un indicador de marca en lugar de un canal eficiente.
La medición debería usar cohortes estables de clientes y períodos comparables. Los equipos deben separar los ingresos de nuevos clientes de las compras repetidas y excluir el tráfico que nunca tuvo intención comercial.
La segunda señal es cómo Google, OpenAI, Microsoft, Perplexity y las plataformas de comercio integran anuncios. La ubicación, la divulgación, la prominencia de las citas y los informes determinarán si el descubrimiento mediante IA se convierte en otro canal impulsado por subastas.
Si las recomendaciones de pago ganan adopción sin erosionar la confianza de los usuarios, el gasto en adquisición de clientes se acercará a la interfaz de respuesta. La competencia por unas pocas sugerencias visibles puede elevar los costes pese a una mejor segmentación.
Si los usuarios desconfían de las respuestas patrocinadas, la evidencia independiente y las fuentes reconocibles conservarán mayor influencia. Las plataformas tendrían entonces que establecer una división más clara entre la colocación comercial y la orientación sintetizada.
La tercera señal es la brecha entre las afirmaciones sobre tráfico agregado y los resultados a nivel de empresa. Google afirma que el volumen total de clics orgánicos se mantiene estable, mientras que investigaciones independientes identifican presión de cero clics y pérdidas desiguales de referencias.
Informes más transparentes podrían conciliar esas posiciones. Las divulgaciones útiles separarían las consultas informativas, comerciales, locales y de navegación. También distinguirían entre resultados ordinarios, AI Overviews, AI Mode y referencias conversacionales.
Si los clics cualificados y los ingresos se mantienen saludables en todas las categorías comerciales, las previsiones de tráfico más alarmantes perderán fuerza. Si el tráfico se concentra entre menos destinos, las ventajas de adquisición serán más difíciles de superar para las empresas pequeñas.
Estas señales deben observarse en conjunto. El crecimiento de las referencias sin conversión rentable no valida el modelo. Una mayor conversión sin una escala significativa no sustituye a los canales establecidos.
El artículo original de Google News recoge una transición real, pero su formulación más contundente sigue sin demostrarse. La IA está cambiando claramente dónde ocurre la evaluación. El efecto final sobre el coste de adquisición varía según la complejidad del producto, la combinación de canales y la calidad de la medición.
Las empresas deberían empezar con una pregunta práctica: ¿qué decisiones de los clientes ocurren ahora antes de que alguien llegue a su sitio web? Mapee esas decisiones, pruebe si los sistemas de IA representan su evidencia con precisión y conecte la visibilidad con los resultados empresariales.
No abandone la búsqueda porque un titular prediga su declive. No descarte la IA porque el tráfico de referencias todavía parezca pequeño. Trate ambos como partes de un único sistema de descubrimiento en transformación.
El objetivo útil no es aparecer en cada respuesta generada. Es convertirse en una opción creíble cuando un comprador relevante formula una pregunta importante. Google News y la búsqueda con IA pueden generar atención, pero solo el comportamiento medido de los clientes puede establecer su valor económico.
