Tu panel se quedó ciego: medir presencia en IA (el embudo oscuro)
El Google AI Mode termina el 93% de las búsquedas sin clic, y el trayecto de tu cliente migró hacia adentro de conversaciones con IA que tu Analytics no ve. Es el embudo oscuro. Esta lección cambia el panel viejo del SEO por un nuevo conjunto de KPI (Share of Model, AI Share of Voice, Share of Answer, tasa de citación, sentimiento) y te enseña a armar una biblioteca de prompts para medir todo esto de forma recurrente, reusando la misma disciplina de evals que ya viste en la ruta del Guardián.
Abres tu panel de marketing el lunes por la mañana, como llevas haciendo hace años. Tráfico orgánico: cayendo. Posición en Google para tus palabras clave: estable, hasta subió. Y ahí golpea la confusión: si la posición está bien, ¿por qué el tráfico se desploma? La respuesta es que el panel no está mintiendo, está ciego. Tu cliente ahora le pregunta a la IA, recibe la respuesta lista y nunca hace clic en tu sitio. La venta que perdiste (o ganaste) ocurrió en una conversación que tu Analytics nunca vio. El panel viejo mide un juego que ya terminó.
Un director financiero que busca "mejor software de conciliación para empresa mediana" ya no abre diez pestañas como hacía en 2022. Le pregunta al ChatGPT, lee la recomendación y ya llega a la reunión con tres nombres en la cabeza. Si tu producto no estaba en esa respuesta, perdiste el negocio sin nunca haber aparecido en el embudo. Tu CRM no registra esa disputa porque ocurrió fuera de él, en un lugar que tu pixel no alcanza. No fuiste derrotado, fuiste invisible.
Un cliente potencial escribe "bufete especializado en derecho societario en la ciudad" ya no en Google, sino en el asistente de IA. La IA le devuelve tres bufetes, con un resumen de cada uno. Si el tuyo no estaba en la lista, el lead ni supo que existes, y tú ni supiste que competiste. El ranking de tu sitio sigue ahí, intacto, midiendo un camino que el cliente dejó de recorrer. El panel dice que todo está bien mientras el teléfono suena menos.
Eres el responsable de marketing y tu reporte mensual todavía gira en torno a posición en Google, impresiones y clics orgánicos. Solo que la mitad de las búsquedas de tu categoría ahora termina sin ningún clic: el usuario recibe la respuesta de la IA y cierra la pestaña. Tu marca fue citada o no lo fue, y eso lo decidió todo, pero tu panel no tiene ni una columna para eso. Estás rindiendo cuentas con un instrumento que ya no mide lo que importa.
Un candidato senior que querías mucho ya no busca "vale la pena trabajar en la empresa X" abriendo diez sitios de reseñas. Le pregunta a la IA y recibe un resumen listo de tu reputación como empleador, con puntos fuertes y débiles ya masticados. Si la IA describió a tu empresa como "buena, pero paga por debajo del mercado", la decisión de ni siquiera responderle a tu reclutador se tomó ahí, en una conversación que tu ATS jamás registró. Tu embudo de talento muestra las postulaciones que llegaron, y se queda ciego ante las que desistieron antes de existir.
Un usuario evaluando qué herramienta adoptar para el equipo ya no recorre tu sitio de funcionalidades comparando feature por feature. Le pregunta a la IA "cuál es el mejor producto para este caso" y ya llega a la conversación interna con la recomendación formada. Si tu producto no estaba en esa respuesta, salió de tu embudo de descubrimiento antes de entrar, y tu panel de adquisición no tiene dónde marcar eso. Tus métricas de producto miden a quien llegó al onboarding, y no ven la disputa que perdiste más atrás, dentro de la conversación.
Un comprador al inicio del trayecto ya no llena tu formulario para "hablar con un especialista" antes de saber qué quiere. Le pregunta a la IA cuáles son las opciones de la categoría, lee la recomendación y solo entonces decide con quién hablar. Si tu marca no apareció en esa respuesta, el lead nunca va a entrar en tu pipeline, y tu forecast va a parecer saludable mientras la base de oportunidades se seca por arriba. Tu CRM registra a la perfección las negociaciones que empezaron, y es ciego justamente ante las que murieron antes del primer contacto.
Un gerente eligiendo un operador logístico para un nuevo centro de distribución ya no llama a ciegas a tres cotizaciones. Le pregunta a la IA quién atiende bien esa región con el SLA que necesita, y ya llega a la mesa con una lista corta. Si tu operación no estaba en esa respuesta, fuiste descartado antes de cotizar, sin nunca saber que hubo una disputa. Tu embudo comercial muestra las propuestas que enviaste, y no tiene forma de registrar las que ni siquiera te invitaron a hacer.
Un directorio evaluando qué consultoría contratar para un programa de adecuación a la LGPD ya no compara portafolios uno a uno en tu sitio. Le preguntan a la IA cuáles son las referencias del mercado en ese tipo de control, y la respuesta ya llega filtrada. Si tu firma no fue citada como referencia confiable, quedaron fuera de la lista de elegibles antes de la primera reunión, y ninguna huella de auditoría tuya va a mostrar eso. Tu pipeline registra los mandatos que entraron, y es ciego ante las decisiones que ocurrieron dentro de la respuesta, fuera de tu alcance.
Un arquitecto decidiendo qué servicio o herramienta adoptar para el próximo deploy ya no abre diez pestañas de documentación comparando. Le pregunta a la IA cuál es la mejor opción para el caso de uso y ya llega a la revisión técnica con la elección encaminada. Si tu plataforma no estaba en esa respuesta, fue cortada de la evaluación antes de la primera prueba, sin ningún log tuyo para mostrarlo. Tus métricas de adopción miden a quien instaló el SDK, y se quedan ciegas ante la disputa que perdiste en la conversación, antes de que corriera cualquier línea de código.
Una persona decidiendo qué producto usar para resolver una tarea ya no llega a tu trayecto probando tu prototipo o navegando tu flujo. Le pregunta a la IA qué herramienta resuelve mejor eso y recibe la recomendación lista, sin nunca tocar tu interfaz. Si no apareciste bien en esa respuesta, el usuario decidió antes de la primera pantalla, y ningún mapa de calor tuyo va a registrar esa sesión que no ocurrió. Tu investigación de usabilidad mide la experiencia de quien entró, y es ciega ante la elección hecha dentro de la conversación, allá afuera.
Un inversionista evaluando si entra a una ronda ya no pide un informe del sector a una consultoría como hacía hace dos años. Le pregunta a la IA "quién lidera este mercado y cuál es la tesis de crecimiento" y llega a la reunión de comité con la lista ya formada. Si tu empresa no estaba en esa respuesta, quedaste fuera del embudo de inversión antes de la primera llamada, sin siquiera saber que hubo disputa. Tu CRM de relación con inversionistas registra las reuniones que ocurrieron, y es ciego a la decisión que se tomó dentro de la conversación, antes de que se agendara cualquier reunión.
Uf, déjame empezar con un número que debería quitarle el sueño a quien se ocupa de marketing. En el Google AI Mode (ese modo de respuesta generada por IA), el 93% de las búsquedas terminan sin ningún clic. El usuario pregunta, lee la respuesta lista ahí mismo y se va. Y no es solo Google: sumando todo el escenario de búsqueda, hoy casi 6 de cada 10 búsquedas ya no generan clic alguno. Piénsalo conmigo, qué le hace esto a tu trabajo. Toda la vida tu marcador fue tráfico, posición, clic. Esos tres vivían de una sola cosa: que el usuario saliera de la búsqueda y fuera a tu sitio. Cuando deja de salir, todo tu marcador se queda ciego, aunque cada métrica en él siga "en verde". Esta es la lección que arregla tu panel.
La idea central de esta lección. El trayecto de tu cliente migró hacia adentro de las conversaciones con IA, y tu panel de marketing no ve ahí adentro. Esto tiene nombre: embudo oscuro (dark funnel). El ranking de Google dejó de medir lo que importa, porque estar bien posicionado ya no garantiza aparecer en la respuesta de la IA, y aparecer en la respuesta de la IA es el juego nuevo. Esta lección hace dos cosas. Primero, cambia el panel viejo por uno nuevo, con los KPI que de verdad miden presencia en IA: Share of Model, AI Share of Voice, Share of Answer, tasa de citación y sentimiento. Segundo, te da el instrumento para medir esto en la práctica, una biblioteca de prompts que corres de forma recurrente, exactamente la misma disciplina de evals que viste en la ruta del Guardián (5.3 y G.6), solo que apuntada hacia tu marketing.
01El embudo oscuro: por qué el panel se quedó ciego
Vamos a llamar el problema por su nombre. Tu panel de SEO fue construido para un mundo donde la búsqueda era un puente: el usuario buscaba, veía una lista de enlaces y cruzaba hacia tu sitio. Todo lo que medías (posición, impresión, clic, tiempo en la página) ocurría después de que cruzaba el puente. Era un camino iluminado, de principio a fin, y tu Analytics se quedaba parado en la salida anotando quién llegaba.
La IA derribó el puente. Ahora el usuario pregunta y recibe la respuesta entera ahí mismo, sin necesitar cruzar a ningún lado. La decisión de comprar, de confiar, de eliminar al competidor, todo eso ocurre dentro de una conversación privada con la IA, a la que no tienes acceso. Es como si la negociación migrara a una sala cerrada donde no puedes entrar y de la que no sale ni el audio. Ese pedazo invisible del trayecto es lo que el mercado llama embudo oscuro (dark funnel): la parte de la decisión del cliente que vive dentro de la IA y nunca toca tu CRM ni tu Analytics.
Y aquí vive la trampa que confunde a tanta gente buena. Tu ranking puede seguir siendo excelente mientras tu negocio sangra. Rankear bien en Google dejó de garantizar que aparezcas en la respuesta de la IA, son dos juegos distintos. Entonces el panel muestra la posición estable (juego viejo, todavía medido) y esconde que desapareciste de las respuestas (juego nuevo, no medido). Es un instrumento honesto apuntando al lugar equivocado, como un termómetro perfecto metido en el bolsillo mientras quieres saber la temperatura de la sala.
Fíjate que esto no es el fin del marketing, es el cambio de lo que mides. El dinero no desapareció, la disputa no terminó. Solo cambió de sala. Y lo primero que necesitas, antes de cualquier táctica, es un panel nuevo que vea la sala nueva. ¿Listo?
02El panel nuevo: los KPI que reemplazan al ranking
Aquí está el cambio de instrumento. Cinco indicadores que miden presencia en IA, y lo que responde cada uno. No memorices la sigla, entiende la pregunta que hace cada uno, porque es la pregunta que va a ir en tu reporte.
- Share of Model (SoM). Es el KPI que el mercado señala como sustituto directo del viejo "share of voice". Mide: de todas las veces que la IA responde una pregunta de tu categoría, ¿en cuántas te cita o te recomienda como solución principal? Es tu porción de la "cabeza" del modelo. Si la IA piensa en tu categoría, ¿se acuerda de ti?
- AI Share of Voice (AI SoV). Tu porción de menciones entre los competidores, dentro de las respuestas de IA. Cuenta simple: si en 100 respuestas relevantes tu marca aparece en 28, tu AI SoV es 28%. Responde: del pastel de menciones de la categoría, ¿cuánto es tuyo?
- Share of Answer (SoA). Este es más fino y mucha gente lo confunde con los de arriba. No mide SI apareciste, mide CUÁNTO de la respuesta es sobre ti. ¿Eres la estrella de la respuesta o solo una nota al pie citada de pasada? Responde: ¿eres dueño de la respuesta o figuras en ella?
- Tasa de citación (citation rate). Con qué frecuencia realmente te incluyen o citan en la respuesta. En 2026, "estar en la respuesta" se volvió el KPI primario de visibilidad, porque rankear bien en Google dejó de garantizar que aparezcas en la IA. Responde: ¿entras o te quedas afuera?
- Sentimiento. No basta con aparecer, importa CÓMO apareces. ¿La IA habla de ti como líder, como opción cara, como alternativa barata, como aquel que tuvo un problema? Responde: cuando te citan, ¿el tono juega a favor o en contra?
Piensa en estos cinco como una escalera que sube en exigencia. Primero quieres simplemente aparecer (citación). Después quieres aparecer más que el competidor (AI SoV). Después quieres ser la recomendación principal (Share of Model). Después quieres dominar la respuesta, no solo constar en ella (Share of Answer). Y, en la cima, quieres aparecer bien hablado (sentimiento). No puedes saltarte escalones: de nada sirve un sentimiento excelente si tu tasa de citación es cero, porque nadie está hablando de ti para empezar.
La gran cuestión aquí es cambiar la pregunta de tu reporte. Salió el "¿en qué posición rankeo?" y entró el "¿con qué frecuencia, y cómo, habla de mí la IA cuando responde en mi categoría?". Toda la táctica de presencia en IA que viste en las lecciones anteriores de este módulo (escribir en bloques extraíbles, convertirte en entidad, ganar mención de terceros) solo se vuelve gestión de verdad cuando puedes medir el resultado. Sin medir, es fe. Con estos cinco, es marcador.
03El instrumento: la biblioteca de prompts (el eval de tu marketing)
Bien, tienes el panel nuevo. Pero ¿cómo se mide esto en la práctica, si la conversación del cliente con la IA es privada y no tienes acceso a ella? La respuesta es directa y quizás te sorprenda por su simpleza: te conviertes en el cliente. Armas un conjunto fijo de preguntas que imitan a tu comprador real y corres esas preguntas, de forma recurrente, en las distintas IA (ChatGPT, Claude, Gemini, Perplexity), anotando cómo respondió cada una. Esto tiene nombre en el mercado de marketing: marketing evals, una biblioteca de prompts.
Y aquí quiero que tengas un clic de reconocimiento. Esto no es una técnica nueva que necesites aprender desde cero. Es exactamente la misma disciplina de evals que ya viste en la lección 5.3 y en la G.6 de la ruta del Guardián. Ahí, la idea era: para confiar en una salida de IA, creas un conjunto fijo de casos de prueba y corres siempre los mismos, para detectar cuando la calidad cae. Aquí es el mismísimo movimiento, solo que el "caso de prueba" es una pregunta de comprador y la "salida" que evalúas es si (y cómo) apareció tu marca. Ya sabes hacer esto. Solo estás apuntando el método a otro objetivo.
Hay una distinción honesta que separa a quien mide bien de quien se engaña, y el mercado la bautizó dato de laboratorio versus dato de campo. El dato de laboratorio es justamente tu biblioteca de prompts: controlas la pregunta, la corres cuando quieres, comparas mes a mes. Es barato, es tuyo, y es excelente para captar tendencia. Pero es tu escenario, no el del mundo real. El dato de campo es el comportamiento real de millones de usuarios, capturado por herramientas que miden lo que la gente de verdad pregunta. La recomendación madura del mercado es calibrar los dos: empieza por el laboratorio (que puedes armar hoy, gratis) y, conforme crezca el canal, valida contra dato de campo. No confundas tu prueba controlada con la realidad entera.
La disciplina que hace que esto funcione es la recurrencia. Una medición única es una foto, y una foto no muestra movimiento. Quieres la película: correr la misma biblioteca todos los meses, con las mismas preguntas, y mirar la variación. ¿Cuándo subió tu Share of Model? ¿Cuándo se agrió el sentimiento? ¿Cuándo te superó el competidor en AI SoV? Es la recurrencia la que transforma cinco métricas sueltas en un sistema de alerta que te avisa antes de que el daño aparezca en la facturación.
Y aquí la costura con el resto del curso, sin reabrir nada. Cuando vayas a armar y leer esta biblioteca, tres cuidados que ya aprendiste valen oro. Uno: la IA adulona existe (el tal sycophancy que viste en la investigación sintética), entonces no preguntes "¿mi marca es buena?", pregunta como preguntaría el cliente, neutro, y lee la respuesta cruda. Dos: ¿recuerdas la lección de prompt injection (G.2) y de quien intenta plantar instrucciones para manipular la respuesta de la IA? Cuando midas sentimiento, puedes toparte con tu marca descrita de un modo raro o injusto, y parte de eso puede ser ruido o manipulación de terceros, no la verdad sobre ti. Tres: la disciplina de auditoría (G.3) se aplica a tu propio marcador, revisa la lectura antes de llevarla al jefe, porque la IA puede hasta resumir mal lo que ella misma respondió. No estás aprendiendo un método nuevo, estás reusando lo que ya te dio la ruta.
04El reporte que llevas a la mesa
No necesitas una herramienta cara para empezar, necesitas método y recurrencia. Existen plataformas de mercado que automatizan esto (índices de visibilidad en IA que rastrean menciones por ti), y ayudan cuando el canal crece. Pero el detalle clave, lo que cambia tu poder en la reunión, es más simple y está en tu mano hoy.
Tu reporte de marketing gana una página nueva, al lado de las antiguas (que no tiras a la basura, el SEO clásico todavía importa donde todavía hay clic). Esa página nueva responde, mes a mes, cinco preguntas: en cuántas respuestas de mi categoría aparecí (citación), cuál es mi porción contra los competidores (AI SoV), en cuántas fui la recomendación principal (Share of Model), cuánto de la respuesta fue sobre mí (Share of Answer) y con qué tono (sentimiento). Cinco líneas. Una columna por mes. La variación cuenta la historia.
Fíjate en lo que esto hace contigo en la mesa de decisión. Antes, cuando el tráfico caía y el ranking estaba bien, no tenías respuesta, solo te encogías de hombros y culpabas "al algoritmo". Ahora llegas y dices: "el tráfico cayó porque nuestro Share of Model se desplomó del 31% al 12% en tres meses, la IA dejó de recomendarnos y pasó a indicar al competidor, y aquí está el mes exacto en que cambió". Eso no es un reporte más, es la diferencia entre ser quien explica lo que está pasando y ser quien es agarrado por sorpresa. El panel ciego te transforma en rehén; el panel nuevo te transforma en quien ve en la oscuridad.
Para llevarte: el trayecto de tu cliente migró hacia adentro de la IA (el embudo oscuro) y el panel de SEO se quedó ciego, porque ranking bueno ya no garantiza aparecer en la respuesta. El panel nuevo tiene cinco KPI en escalera: tasa de citación (¿apareces?), AI Share of Voice (¿más que el competidor?), Share of Model (¿es la recomendación principal?), Share of Answer (¿domina la respuesta?) y sentimiento (¿aparece bien hablado?). Y el instrumento para medir todo esto es una biblioteca de prompts que corres todos los meses, el mismísimo método de evals de la 5.3 y la G.6, apuntado hacia tu marketing. ¿Listo? Siguiente.
Hazlo ahora
Tu misión es armar la primera versión de tu Biblioteca de Prompts de Presencia en IA y tomar la foto del mes cero. Unos veinte minutos, y sales con un artefacto que se vuelve tu marcador recurrente.
PASO 1 · Escribe 5 preguntas de comprador (no de mercadólogo) Piensa como piensa tu cliente, no como te gustaría que pensara. Escribe 5 preguntas neutras que alguien le haría a la IA antes de comprar en tu categoría. Modelos para adaptar a tu tarea real:
- "¿Cuál es el mejor [tu categoría] para [tipo de cliente/situación]?"
- "¿[Tu marca] vale la pena? ¿Cuáles son los pros y los contras?"
- "[Tu marca] o [competidor]: ¿cuál elegir para [necesidad]?"
- "¿Cuáles son las principales opciones de [tu categoría] en [tu mercado]?"
- "Tuve [problema del cliente]. ¿Qué solución resuelve eso?"
Regla de oro: nunca preguntes "¿mi marca es buena?". Eso invita a la adulación de la IA (el sycophancy de la lección de investigación sintética) y ensucia el resultado.
PASO 2 · Corre en al menos 2 IA y anota la verdad desnuda Pega cada pregunta en al menos dos IA distintas (ChatGPT, Claude, Gemini o Perplexity). Para cada respuesta, marca en una tablita:
- ¿APARECÍ? (sí/no) → alimenta la tasa de citación
- ¿QUIÉN MÁS apareció? (lista los competidores citados) → alimenta el AI Share of Voice
- ¿FUI EL PRINCIPAL o solo citado de pasada? → distingue Share of Model de Share of Answer
- ¿CON QUÉ TONO hablaron de mí? (positivo / neutro / negativo / erróneo) → alimenta el sentimiento
PASO 3 · Calcula el marcador del mes cero Suma y saca las proporciones: en cuántas de las respuestas apareciste (tasa de citación), cuál es tu porción entre los mencionados (AI SoV), en cuántas fuiste la recomendación principal (Share of Model). Anota el sentimiento dominante. Listo, tienes tu foto de partida.
PASO 4 · Marca en la agenda la recurrencia Una foto no muestra movimiento, una película sí. Agenda correr la MISMA biblioteca, con las MISMAS preguntas, el mismo día del mes que viene. La variación entre las fotos es la señal que tu panel viejo nunca te dio.
Al final, hazte la pregunta prueba: si hoy tu tasa de citación fuera cero (la IA nunca te menciona en tu propia categoría), ¿tu panel actual de marketing te lo avisaría? Si la respuesta es no, acabas de entender, en carne propia, por qué esta biblioteca necesita existir antes del próximo reporte, no después del próximo trimestre malo.
De dónde viene el "93% sin clic" y por qué el lab data no basta solo
Los números de esta lección vienen de relevamientos de mercado de 2025 y 2026 sobre búsqueda en IA: el dato de que el 93% de las búsquedas en Google AI Mode terminan sin clic, y de que cerca del 58,5% del escenario de búsqueda en su conjunto ya es zero-click, se reportan en compilaciones de estadísticas de AI search (Omnibound). Vale la pena entender el matiz para que no exageres ni subestimes: "zero-click" no quiere decir que nadie compra, quiere decir que la decisión y la influencia ocurrieron dentro de la respuesta, sin la visita al sitio que tu Analytics medía. Sobre el instrumento, la literatura de medición (MarTech) insiste en una distinción que separa al amateur del profesional: dato de laboratorio (tu biblioteca de prompts, controlada por ti) es excelente para tendencia y barato, pero es TU escenario; dato de campo (clickstream real de usuarios, capturado por herramientas como las de monitoreo de visibilidad en IA) muestra lo que la gente de verdad pregunta, en volumen. La recomendación madura es calibrar los dos, no casarse con uno solo. Y sobre los KPI, fíjate que el mercado todavía está estandarizando el vocabulario: "Share of Model", "AI Share of Voice" y "Share of Answer" a veces se superponen entre distintos proveedores. No necesitas pelear por la sigla correcta. Necesitas fijar UNA definición interna para cada uno, escribirla en tu reporte, y medir siempre de la misma manera. La consistencia de tu regla vale más que la pureza de la jerga.
Practica
1. El tráfico orgánico de tu sitio está cayendo, pero tu posición en Google para las palabras clave principales sigue estable, hasta subió. Según la lógica del embudo oscuro, ¿cuál es la lectura correcta?
2. Tu marca aparece en casi toda respuesta de la IA en tu categoría (tasa de citación alta), pero siempre como nota al pie, mientras un competidor ocupa el cuerpo de la respuesta. ¿Qué KPI captura exactamente ese problema?
3. Decides medir presencia en IA armando una biblioteca de prompts. ¿Qué práctica refleja correctamente la disciplina de evals (5.3 / G.6) aplicada al marketing?
¿Listo? Cerremos juntos el mensaje de esta lección. Tu panel de marketing no se puso malo, se quedó ciego: el trayecto del cliente migró hacia adentro de las conversaciones con IA (el embudo oscuro), y ranking bueno dejó de garantizar que aparezcas en la respuesta, que es donde ocurre la decisión ahora. La solución tiene dos partes. Primero, cambiar el panel: sale la obsesión con posición y clic, entran los cinco KPI en escalera (tasa de citación, AI Share of Voice, Share of Model, Share of Answer y sentimiento), que responden si apareces, si apareces más que el competidor, si eres la recomendación principal, si dominas la respuesta y si te describen bien. Segundo, armar el instrumento: la biblioteca de prompts que corres todos los meses, con las mismas preguntas de comprador, exactamente la disciplina de evals que ya te enseñó la ruta del Guardián (5.3 y G.6), ahora apuntada hacia tu marketing. Quien hace esto llega a la reunión sabiendo el mes exacto en que la IA dejó de recomendar la marca, mientras el competidor de al lado todavía se encoge de hombros mirando un ranking estable y jura que todo está bien. En la oscuridad, gana quien trajo linterna.
Para la pizarra
Sobre el embudo oscuroranking estable con tráfico cayendo no es contradicción. Se volvieron dos juegos distintos.
Sobre la métricacitación alta con share of answer bajo es presente en todo, dueño de nada.
Sobre el instrumentouna biblioteca de prompts corrida siempre igual es el eval de tu marketing. La recurrencia convierte métricas sueltas en alerta.
Gracias por el feedback. Esto ayuda a afinar la próxima lección.