La búsqueda con IA se parte en dos: motores de respuesta y asistentes

En el último año se ha hecho evidente una fractura silenciosa: las herramientas que se denominan vagamente «búsqueda con IA» se han separado en dos productos con comportamientos, citas y manuales de optimización distintos. Las marcas que miden ambos como un solo canal extraen conclusiones erróneas de sus propios datos.

Las dos superficies

Motores de respuesta —Google AI Overviews, Perplexity y herramientas similares— se comportan como una capa de recuperación sobre la búsqueda. El usuario plantea una pregunta, el motor recupera documentos y la respuesta llega con citas visibles. La lista de citas es la nueva primera página; no estar en ella es la nueva segunda página.

Asistentes —ChatGPT, Gemini, Claude y Copilot en sus modos conversacionales— se comportan como asesores. Se apoyan más en el conocimiento de entrenamiento y menos en la recuperación en vivo, las citas a menudo faltan o son vagas, y las recomendaciones surgen como preselecciones («¿cuáles son las mejores herramientas para X?»). No hay una lista de citas que conquistar, sino una preselección en la que hay que entrar.

Los números

La fractura ocurre mientras se contrae la economía del clic que sostiene la búsqueda. El conjunto de datos del Pew Research Center de marzo de 2025 —68 879 búsquedas de Google de 900 adultos estadounidenses— muestra que el 18 % de las búsquedas generó un resumen de IA; en esas páginas los usuarios hicieron clic en un resultado clásico el 8 % de las veces, frente al 15 % en páginas sin resumen, y en una fuente dentro del propio resumen solo en el 1 % de los casos [1]. El análisis de Ahrefs sobre 300 000 keywords cifra la pérdida de clics de la primera posición por los AI Overviews en un 34,5 % en abril de 2025, elevada a alrededor del 58 % en diciembre de 2025 [2]. En paralelo, el estudio de Ahrefs sobre 75 000 marcas muestra que las menciones web de una marca correlacionaban 0,664 con su presencia en AI Overviews, una asociación más fuerte que la de los backlinks [3]. La atención se desplaza en ambas superficies a la vez hacia el nivel de la respuesta; precisamente por eso hay que medirlas por separado en lugar de promediarlas.

Por qué importa la fractura

• Modos de fallo distintos. En los motores de respuesta la visibilidad se arregla ordenando páginas concretas: afirmaciones extraíbles, claridad de entidad, datos contrastados. En los asistentes la visibilidad depende más de cómo se describe la marca en el corpus con el que aprendió el modelo: de forma amplia y coherente.
• Horizontes temporales distintos. Las correcciones de página mueven las citas de los motores de respuesta en días o semanas. El comportamiento de los asistentes cambia más despacio, porque sigue la descripción de su marca en toda la web, no una sola página.
• Unidades de medida distintas. La visibilidad en los motores de respuesta es auditable prompt a prompt: qué fuentes se citaron. La visibilidad en los asistentes exige repetir el mismo prompt, porque las preselecciones varían según la sesión y las actualizaciones del modelo.

Qué vemos en los datos de seguimiento

Ejecutar el mismo conjunto de prompts calibrado con compradores en ambas superficies hace medible la fractura. Tres patrones se repiten con regularidad:

1. Las marcas citadas de forma constante en los AI Overviews a menudo faltan en las preselecciones de los asistentes para la misma pregunta, y al contrario. Los dos valores correlacionan, no son idénticos.
2. Las preselecciones de los asistentes favorecen a las marcas cuya clasificación de categoría clara repiten muchas fuentes independientes. «Qué es» debe ser inequívoco antes de que «qué tal es» cuente.
3. La posición cuenta en ambas superficies. Una mención en la primera frase de una respuesta vale mucho más que una en el último párrafo, con o sin citas visibles.

La conclusión práctica

Deje de informar de la «visibilidad en IA» como una única métrica. Siga las citas de los motores de respuesta y las menciones de los asistentes como dos tendencias separadas, con sus propios conjuntos de prompts y sus propias listas de mejora. El trabajo de contenido se solapa —las afirmaciones claras y las descripciones de entidad coherentes ayudan a ambos—, pero la medición no puede unificarse, porque las superficies fallan por motivos distintos.

Si quiere ver hoy cómo se reparte su marca entre las dos superficies, el diagnóstico de línea base gratuito de Novaxilabs las informa por separado, motor a motor, con los prompts utilizados en cada caso.

Referencias

1. Pew Research Center, «Google users are less likely to click on links when an AI summary appears in the results», julio de 2025. pewresearch.org
2. Ahrefs, «AI Overviews Reduce Clicks by 34.5%» (abril de 2025) y actualización de diciembre de 2025. ahrefs.com/blog/ai-overviews-reduce-clicks
3. Ahrefs, «An Analysis of AI Overview Brand Visibility Factors (75K Brands Studied)», 2025. ahrefs.com/blog