¿Por qué la IA no recomienda lo mismo a todo el mundo?
La pregunta parece obvia, pero la mayoría de las estrategias GEO la ignoran por completo. Los modelos de lenguaje no funcionan como un motor de búsqueda clásico que devuelve una lista estática de resultados. Funcionan como sistemas probabilísticos que generan respuestas condicionadas por múltiples variables: el texto del prompt, el idioma, la localización geográfica, el historial de conversación y, en plataformas como ChatGPT, la memoria persistente del usuario.
Un estudio de SparkToro y Gumshoe.ai (enero 2026) lo cuantificó: 600 voluntarios ejecutaron 2.961 prompts idénticos en ChatGPT, Claude y Google AI. Según sus datos, la probabilidad de obtener la misma lista de marcas en dos ejecuciones del mismo prompt fue inferior al 1%. Las listas variaban en composición, orden y número de elementos. Es un estudio con limitaciones (ventana temporal de dos meses, voluntarios no representativos), pero la magnitud de la variabilidad es difícil de ignorar.
Esa variabilidad no es ruido. Es arquitectura. Los LLMs están diseñados para generar respuestas diversas, no deterministas. Cada ejecución recorre caminos probabilísticos ligeramente distintos. Y cuando añades variables de usuario — localización, idioma, contexto previo — la divergencia se amplifica.
Lo hemos comprobado con clientes. Cuando introduces variables de perfil (idioma, contexto de viaje, localización) en los prompts de un audit GEO, las listas de recomendaciones cambian por completo. No es teoría. Es algo que cualquier marca puede verificar en 30 minutos.
Los LLMs generan respuestas probabilísticas condicionadas al perfil del usuario. La misma pregunta produce recomendaciones distintas según quién la formule, desde qué ubicación y con qué historial. Tratar la visibilidad GEO como una métrica única es ignorar cómo funcionan estos sistemas.
¿Qué variables cambian lo que la IA recomienda?
No todas las variables pesan igual. Hay tres que hemos identificado como las más determinantes en la práctica:
1. Localización geográfica y contexto regional
La ubicación del usuario influye directamente en las respuestas, incluso cuando el prompt no menciona ningún lugar. Otterly.ai documentó que ChatGPT localiza sus respuestas según la ubicación del usuario a través de dos mecanismos: el contexto de navegación web (cuando activa búsqueda) y la información inferida de conversaciones previas. Esto significa que la misma pregunta desde Madrid y desde Múnich genera respuestas distintas sin que el usuario haga nada explícito.
Para marcas con componente local o regional (turismo, hostelería, servicios profesionales), esto es crítico. Tu contenido puede estar optimizado para un mercado y ser completamente invisible para otro.
2. Perfil de usuario y memoria conversacional
ChatGPT ya opera con un sistema de memoria de dos capas: memorias explícitas (que el usuario aprueba) e insights implícitos de conversaciones anteriores. Un usuario que ha hablado repetidamente de viajes con niños recibirá recomendaciones distintas de alguien que ha explorado opciones de aventura en solitario. El modelo no parte de cero: parte de lo que sabe de ti.
Y no es solo ChatGPT. Gemini, Copilot y otros modelos avanzan en la misma dirección: respuestas cada vez más condicionadas al perfil acumulado del usuario.
3. Formulación del prompt y segmento implícito
La investigación de SparkToro encontró algo revelador: cuando 142 participantes escribieron sus propios prompts sobre auriculares, la similitud semántica media fue de solo 0,081. Es decir, usuarios con la misma intención formulan la pregunta de formas radicalmente diferentes. Y cada formulación activa caminos distintos del modelo.
Un CEO que pregunta «qué consultoría de crecimiento digital necesito» no escribe lo mismo que un CMO que busca «herramientas para optimizar visibilidad en AI Overviews». Mismo territorio, mismo problema, respuestas completamente distintas.
Las tres variables que más condicionan la respuesta de un LLM son la ubicación geográfica del usuario, su perfil acumulado en la plataforma y la formulación específica del prompt. Una estrategia GEO que no contempla estas tres capas trabaja con un modelo incompleto.
¿Qué datos confirman que la visibilidad en IA está fragmentada?
La intuición de que «la IA cambia lo que dice según quién pregunta» necesita evidencia sólida. Y la hay.
El análisis de Ahrefs sobre 730.000 pares de consultas (septiembre 2025) mostró que AI Mode y AI Overviews de Google — dos superficies del mismo ecosistema — citan URLs distintas en torno al 87% de las veces para la misma búsqueda. Solo comparten alrededor del 14% de las fuentes citadas. Y sin embargo, llegan a conclusiones semánticamente similares en el 86% de los casos. Misma respuesta, fuentes radicalmente distintas.
En el lado del usuario, la investigación de McKinsey (agosto 2025, n=1.927 consumidores en EE.UU.) encontró que aproximadamente la mitad de los encuestados usa intencionalmente búsqueda impulsada por IA para tomar decisiones de compra. Los datos sugieren uso a lo largo del embudo: el 73% para investigar categorías, el 61% para comparar productos, el 57% para obtener recomendaciones personalizadas. Cada una de esas interacciones está potencialmente condicionada por el perfil del usuario.
La fragmentación no para ahí. Datos recientes de Ahrefs (febrero 2026) muestran que los AI Overviews reducen el CTR de la primera posición orgánica en un 58%. Y que solo el 38% de las URLs citadas en AI Overviews aparecen también en el top 10 orgánico, frente al 76% de mediados de 2025. El sistema de citación de la IA se está desacoplando activamente del ranking clásico.
Opinión de Asier: Cuando ves estos números juntos, la conclusión es incómoda pero clara: la «visibilidad GEO» como métrica única es una ficción útil. Lo que realmente tienes es visibilidad fragmentada por plataforma, por superficie, por perfil de usuario y por formulación del prompt. Si solo mides «cuántas veces aparece mi marca en ChatGPT» sin segmentar por persona, estás midiendo una media que no representa a nadie.
Traducción GEO: si tu marca aparece en el 60% de las respuestas para un prompt genérico en inglés pero en el 8% para un prompt en español con contexto de familia, tienes un problema de segmentación, no de visibilidad global.
La visibilidad en IA está fragmentada por plataforma, superficie, localización y perfil. Según Ahrefs, las fuentes citadas divergen en torno al 87% entre AI Mode y AI Overviews para la misma query. Según SparkToro, las listas de marcas recomendadas se repiten menos del 1% de las veces en su muestra. La métrica de visibilidad única es insuficiente.
¿Qué implica esto para tu estrategia GEO?
Si la IA personaliza por perfil, tu estrategia de contenido tiene que hacerlo también. No se trata de crear una página por cada tipo de usuario (eso es inviable y contraproducente). Se trata de algo más quirúrgico: entender qué perfiles de usuario generan los prompts que importan para tu negocio y asegurarte de que tu contenido responde a cada uno de ellos.
Hay tres movimientos concretos:
Mapear tus prompts por persona, no solo por keyword
El research de keywords tradicional asume que la intención es estática. En GEO, la intención es dinámica y condicionada. La misma necesidad («mejorar mi visibilidad digital») genera prompts completamente distintos según quién la formule. Un CEO pedirá «consultoría de crecimiento digital para empresa mediana». Un CMO preguntará «herramientas GEO para optimizar presencia en AI Overviews». Un director de marketing digital buscará «comparativa de plataformas de tracking de visibilidad IA».
Cada uno de esos prompts activa fuentes, tonos y recomendaciones distintas. Si tu contenido solo cubre uno de esos ángulos, eres invisible para los otros dos.
Segmentar por localización e idioma
Herramientas como Scrunch y Gumshoe.ai ya permiten segmentar el tracking GEO por región y persona. Y los datos muestran que la divergencia regional es significativa. Un prompt idéntico ejecutado desde Alemania y desde España puede generar listas de recomendaciones sin ninguna marca en común.
Para marcas con mercados internacionales o con dependencia del turismo, esto no es un matiz: es la variable que explica por qué la inversión en contenido no se traduce en visibilidad en los mercados que importan.
Optimizar para el «query fan-out», no solo para el prompt literal
Google ha confirmado que tanto AI Mode como AI Overviews utilizan una técnica llamada query fan-out: cuando un usuario hace una pregunta, el sistema la descompone en múltiples sub-consultas y busca fuentes para cada una por separado. Datos recientes de Ahrefs sugieren que este mecanismo está ganando peso en la selección de fuentes, especialmente desde la adopción de Gemini 3 como modelo por defecto en AI Overviews (enero 2026).
Esto significa que tu contenido no solo necesita responder al prompt principal, sino cubrir las adyacencias semánticas que el modelo va a explorar. Y esas adyacencias varían según el perfil del usuario.
Una estrategia GEO efectiva en 2026 mapea prompts por persona (no solo por keyword), segmenta visibilidad por localización e idioma, y optimiza para el query fan-out que los modelos ejecutan internamente al procesar cada consulta.
¿Cómo se ve esto en la práctica?
Patrón operativo: visibilidad asimétrica por perfil
En los últimos meses hemos observado un patrón recurrente en al menos tres clientes del sector servicios B2B y turismo experiencial. Lo llamamos internamente «visibilidad asimétrica por perfil». No es un caso aislado: es un patrón que se repite con suficiente regularidad como para considerarlo estructural.
Cómo se manifiesta: la marca tiene presencia razonable en respuestas de IA para prompts genéricos en inglés o español neutro. Pero cuando introduces variables de perfil — idioma específico del mercado objetivo, contexto familiar, presupuesto medio-alto, búsqueda desde una localización concreta — la marca desaparece. No baja de posición: desaparece.
Mini-baseline anonimizado (turismo experiencial, Canarias, Q4 2025): ejecutamos el mismo prompt en tres idiomas (español, inglés, alemán) con y sin contexto de perfil (viaje en pareja vs. familia con niños) en ChatGPT y Perplexity, 20 ejecuciones por combinación. La marca del cliente aparecía en el 65% de las ejecuciones para el prompt genérico en inglés. En alemán con contexto de viaje familiar, la frecuencia de aparición caía al 5%. En Perplexity, directamente no aparecía en ninguna ejecución en alemán. El segmento de turismo familiar alemán era, según sus propios datos de venta, el que mayor ticket medio generaba.
Diagnóstico: el contenido estaba optimizado para un perfil de usuario (el más genérico, en el idioma del equipo de marketing) pero no cubría los ángulos semánticos que activan respuestas para otros perfiles. Faltaba cobertura en alemán con vocabulario de viaje familiar, faltaban señales de autoridad en plataformas que los LLMs consultan para el mercado DACH, y faltaba contenido que respondiera a las sub-consultas (query fan-out) que genera ese tipo de prompt.
Acción: se crearon tres piezas de contenido específicas para el perfil familiar DACH, se optimizaron fichas en plataformas de reseñas con presencia en el mercado alemán, y se ajustó el schema para reflejar la oferta familiar. A las 8 semanas, la frecuencia de aparición en prompts en alemán con contexto familiar había subido del 5% al 35%. No es un éxito absoluto, pero confirma que el problema era de segmentación de contenido, no de autoridad general de la marca.
Mi opinión: El error más común que veo es asumir que «si aparezco en ChatGPT, ya estoy cubierto». No. Apareces para un tipo de usuario, con un tipo de prompt, desde una localización. Para tu cliente ideal real — el que paga y repite — puede que seas completamente invisible. Y no lo sabrás hasta que midas segmentado.
Este patrón conecta directamente con lo que en Elevam trabajamos a través de la Matriz Prompts x Modelos (Elevam Labs): una herramienta que cruza los prompts reales de tu ICP con las respuestas de los principales LLMs, segmentados por perfil, idioma y plataforma. No mide «visibilidad media». Mide visibilidad para quien importa.
El patrón de «visibilidad asimétrica por perfil» aparece de forma recurrente en marcas con mercados internacionales o segmentos diversos: presencia razonable para prompts genéricos, invisibilidad para los perfiles que realmente generan negocio. El caso anonimizado de turismo en Canarias lo ilustra: del 65% al 5% de aparición al cambiar de inglés genérico a alemán con contexto familiar.
¿Cuál es la escala de esta oportunidad (y de este riesgo)?
Los números de contexto ayudan a dimensionar lo que está en juego. ChatGPT superó los 800 millones de usuarios activos semanales en febrero de 2026. Google AI Overviews aparece ya en un porcentaje significativo de las búsquedas (en torno al 50% según estimaciones de análisis de tendencias), con proyección de superar el 75% en 2028. McKinsey estima que hasta 750.000 millones de dólares en gasto de consumo podrían canalizarse a través de búsqueda IA en 2028.
Y sin embargo, según el mismo informe de McKinsey, solo el 16% de las marcas hace seguimiento sistemático de su rendimiento en búsqueda IA. El 84% restante no sabe si aparece, para quién aparece ni qué dice la IA sobre ellas.
Ahora añade la capa de personalización: de ese 16% que sí mide, ¿cuántos segmentan por perfil de usuario? La respuesta honesta es: casi ninguno. La mayoría mide visibilidad media, que es como medir la temperatura media de un hospital y concluir que todos los pacientes están bien.
Investigación de McKinsey sobre personalización con IA señala que más del 75% de los consumidores rechazan contenido que no sienten relevante para ellos. Si la IA recomienda tu marca a un perfil equivocado o no te recomienda al perfil correcto, no estás en el juego.
McKinsey proyecta 750.000M$ en gasto a través de búsqueda IA en 2028, pero solo el 16% de las marcas mide su visibilidad en IA y prácticamente ninguna segmenta por perfil de usuario. El gap entre la escala de la oportunidad y la sofisticación de la medición es enorme.
¿Cómo empezar a segmentar tu visibilidad GEO por perfiles?
No hace falta una herramienta enterprise para dar el primer paso. Pero sí hace falta un cambio de mentalidad: dejar de pensar en «mi visibilidad en IA» como una métrica única y empezar a tratarla como una matriz.
Un enfoque operativo que aplicamos en Elevam:
Paso 1: Define 2-3 personas reales de tu ICP. No arquetipos genéricos. Personas con idioma, localización, nivel de sofisticación y tipo de pregunta específicos. El CEO de una empresa de 5M€ en Barcelona que busca crecer digitalmente no escribe igual que el Head of Digital de una multinacional en Frankfurt.
Paso 2: Genera 5-8 prompts realistas para cada persona. No keywords SEO disfrazadas de prompts. Preguntas reales, formuladas como las escribiría cada perfil. En su idioma. Con su contexto. Si tu mercado incluye turistas alemanes, esos prompts tienen que estar en alemán.
Paso 3: Ejecuta cada prompt en al menos 3 plataformas (ChatGPT, Gemini, Perplexity) y 10+ veces por plataforma. Registra: ¿aparece tu marca? ¿Con qué frecuencia? ¿En qué contexto? ¿Qué competidores aparecen? ¿Qué fuentes se citan?
Paso 4: Cruza los resultados en una matriz Persona x Plataforma x Visibilidad. Ahí verás dónde tienes cobertura y dónde tienes puntos ciegos. Esos puntos ciegos son oportunidades de contenido muy concretas.
Este proceso es, en esencia, la versión simplificada de lo que ejecutamos a través del Protocolo HSA de Elevam cuando diagnosticamos la presencia en IA de un cliente. La diferencia es que el HSA lo sistematiza, lo cruza con datos de negocio y genera un plan de acción priorizado. Pero el principio es el mismo: no midas visibilidad media; mide visibilidad segmentada.
Para segmentar visibilidad GEO, define 2-3 personas reales de tu ICP, genera prompts realistas para cada una, ejecútalos 10+ veces en 3+ plataformas y cruza los resultados en una matriz Persona x Plataforma x Visibilidad. Los puntos ciegos que emerjan son oportunidades de contenido concretas.
Conclusión: el GEO genérico ya no es suficiente
Durante los primeros años de GEO, la pregunta era binaria: ¿apareces o no apareces en respuestas de IA? Esa pregunta ya no es útil. La pregunta relevante ahora es: ¿para quién apareces?
La personalización de las respuestas de IA no es una hipótesis: es un hecho documentado por SparkToro, Ahrefs, McKinsey y por la propia arquitectura de los modelos. Tu marca no tiene «una visibilidad en IA»: tiene múltiples visibilidades condicionadas por perfil, idioma, localización y plataforma.
Opinión de Asier: Creo que estamos en un punto de inflexión. Las marcas que entiendan que el GEO es inherentemente segmentado — y actúen en consecuencia — van a ganar una ventaja desproporcionada. No porque la técnica sea difícil, sino porque casi nadie la está ejecutando. Es el equivalente a los primeros años del SEO: quien se mueva antes, gana más.
Si quieres entender dónde está tu marca en este nuevo mapa, el punto de partida es un diagnóstico que segmente por perfiles reales. Es lo que hacemos a través del enfoque CREF© de Elevam: un sistema que conecta visibilidad, contenido, conversión y negocio. No como piezas sueltas, sino como arquitectura.
La pregunta GEO relevante ya no es «si apareces en IA», sino «para quién apareces». Las marcas que segmenten su visibilidad por perfil de usuario, idioma y plataforma capturarán una ventaja competitiva desproporcionada en un mercado donde el 84% aún no mide su presencia en búsqueda IA.
Siguiente lectura:
Si tu empresa depende de la visibilidad digital para captar clientes, necesitas saber cómo te ve la IA. Explora cómo funciona nuestro servicio de GEO e IA aplicada o consulta el Glosario GEO para familiarizarte con los conceptos clave.
