Doxa 2252

Olvídate de lo que sabes sobre búsquedas. Optimiza tu marca para los LLM.

Por David Dubois, John Dawson y Akansh Jaiswal

Gestión de Marca

Harvard Business Review

#Doxa #búsqueda #optimiza #marca #LLM #consumidor #productos #servicios #marketing #estrategia #cliente #modelo #SOM #concepto #categoría #creciente #visibilidad #criterio #medición #brecha #fortaleza #empresa

Resumen.Cada vez más, los consumidores recurren a las LLM (no a los motores de búsqueda) para resolver sus dudas sobre productos y servicios. Este cambio exige que los profesionales del marketing reevalúen sus estrategias para descubrir cómo vender no solo a clientes potenciales, sino también aLLMs. En este artículo, los autores detallan la creciente importancia de la "Participación de Modelo" (SOM), un nuevo concepto que ayuda a los profesionales del marketing a evaluar la visibilidad de su marca ante los consumidores en las búsquedas de LLM. La SOM se evalúa mediante tres criterios: tasa de mención, brecha de reconocimiento entre humanos e IA, y sentimiento de marca y categoría. Comprender el posicionamiento de su marca en estas tres métricas puede ayudarle a determinar cómo diseñar una estrategia exitosa, adaptada a las fortalezas de su empresa.

Durante el último año, los consumidores han migrado masivamente de los motores de búsqueda tradicionales a plataformas de IA de última generación, como ChatGPT, Gemini, DeepSeek y Perplexity. En una encuesta a 12 000 consumidores, el 58 % (en comparación con solo el 25 % en 2023) afirmó haber recurrido a herramientas de IA de última generación para obtener recomendaciones de productos y servicios. Otro estudio informó un aumento del 1300 % en las referencias de búsquedas con IA a sitios web minoristas estadounidenses durante la temporada navideña de 2024.

Los consumidores que utilizan Modelos de Lenguaje Largos (LLM) para descubrir, planificar y comprar son, en promedio, más jóvenes, con mayor poder adquisitivo y con mayor nivel educativo. Su experiencia como cliente ya no comienza con una búsqueda o una visita a su sitio web, sino con un diálogo. Los consumidores hacen preguntas a los asistentes de IA como "¿Cuál es la mejor cafetera por menos de $200?" o "Planéame una escapada de fin de semana que no me cueste un ojo de la cara".

Para los líderes de marca, las implicaciones son innegables. Su estrategia digital ahora debe incluir la optimización para motores de recomendación de IA, no solo algoritmos de búsqueda. En resumen, debe impulsar el conocimiento de su marca entre los LLM.

El auge de la “participación del modelo”

Hasta la fecha, medir el conocimiento significaba evaluar la atención de los consumidores, ya sea fuera de línea a través de encuestas de recuerdo (por ejemplo, "¿Qué marcas te vienen a la mente cuando piensas en zapatillas para correr?") o en línea, a través de volúmenes de búsqueda o redes sociales, manifestando una intención privada o popularidad.

Pero el creciente papel de los LLM como intermediarios entre consumidores y marcas exige que los profesionales del marketing consideren otro tipo de conocimiento: la frecuencia, la prominencia y la preferencia que los LLM presentan a una marca ante los consumidores. A este conocimiento lo llamamos Modelo de Participación (SOM). Considérelo como la derivación de la era de la IA de la participación en las búsquedas ("¿Cuánto buscan las personas mi marca en comparación con la competencia?") y la participación en la voz ("¿Cuánto hablan las personas de mi marca en comparación con la competencia?"). El SOM emula de forma única las percepciones y recomendaciones de los LLM al recibir una indicación, en lugar de reflejar la intención humana (SOS) o el contenido disponible (SOV).

Las diferencias entre los conceptos de "(Participación de)". Esta tabla muestra cómo se comparan la participación del modelo, la participación de voz y la participación de búsqueda en términos de enfoque, control de marca, importancia y métricas. Columna 1: Participación del modelo (SOM) o porcentaje de menciones de la marca en el contenido y las respuestas generadas por IA. Piense: ¿con qué frecuencia, con qué prominencia y con qué favorabilidad mi marca es presentada por los grandes modelos de lenguaje (LL M), en comparación con otras marcas? El enfoque está en las recomendaciones de LLM y las percepciones sobre una marca. El control de marca es menor; depende de los algoritmos de IA y los datos de entrenamiento del modelo. La importancia está creciendo (junto con la adopción de IA para las compras de los consumidores). Ejemplo de canales: ChatGPT, Gemini. Las métricas incluyen la tasa de mención, la posición promedio, la percepción de la marca y la categoría, y el peso del modelo. Columna 2: Participación de voz (SOV) o porcentaje de menciones de la marca en los medios y las plataformas sociales. Piense: ¿cuánto habla la gente sobre mi marca, en comparación con la competencia? El enfoque está en las percepciones públicas y la prominencia social de una marca. El control de marca es medio (a través de la combinación de medios ganados y pagados). La importancia se está estancando (pero cada vez más influenciada por la IA). Ejemplo de canales: Redes sociales, noticias. Las métricas incluyen la cobertura de redes sociales y otros medios, la tasa de interacción y el sentimiento. Columna 3: Cuota de búsqueda (SOS) o porcentaje de consultas de búsqueda relacionadas con la marca en línea. Piense: ¿cuánto buscan las personas mi marca en comparación con la competencia? El enfoque está en el interés privado del consumidor por una marca. El control de marca es mayor (a través de la optimización de motores de búsqueda, SEO y marketing de motores de búsqueda, SEM, estrategia). La importancia se está reduciendo (cambio hacia el descubrimiento impulsado por IA). Ejemplo de canales: Google, Bing. Métricas: Volumen de búsqueda, ranking de palabras clave. Fuente: David Dubois, John Dawson y Akansh Jaiswal.

Ver más gráficos de HBR en Datos y elementos visuales

La agencia de marketing de dos de los coautores, Jellyfish, ha sido pionera en una metodología para medir el SOM mediante incitación a gran escala. Basándonos en este enfoque, ofrecemos una nueva perspectiva triple para desentrañar qué y cómo la IA "piensa" sobre las marcas: tasa de mención, que registra la frecuencia con la que una marca es mencionada por un LLM específico; brecha de conocimiento entre humanos e IA, que mide la disparidad en el conocimiento de marca al encuestar a personas frente a encuestar a LLM; y sentimiento de marca y categoría, que desglosa la justificación de las recomendaciones de los LLM en sus fortalezas y debilidades.

Tomemos como ejemplo el mercado de detergentes para ropa en Italia. Analizamos la tasa de mención de las principales marcas entre seis LLM utilizando la plataforma de participación en el modelo (SOM) de Jellyfish. Dos observaciones destacan. En primer lugar, la SOM de las marcas varía significativamente entre los modelos, lo que refleja las diferencias en cómo los LLM procesan la información de marca. Por ejemplo, la SOM de Ariel oscila entre casi el 24 % en Llama y menos del 1 % en Gemini.

En segundo lugar, algunas marcas están totalmente ausentes en al menos un modelo. Por ejemplo, mientras que Chanteclair disfruta de un 19% de SOM en Perplexity, no aparece en Meta. Claramente, las LLM presentan marcas o no, a diferencia de los motores de búsqueda o las redes sociales, donde las marcas que no entusiasman al algoritmo siguen estando representadas, aunque de forma menos prominente. No registrarse en una LLM significa que una marca no aparece ante los consumidores. En ChatGPT, a diferencia de Google, no existe una "página dos".

Frecuencia con la que los grandes modelos lingüísticos (LLM) mencionaron diferentes marcas de lavandería en Italia. Un componente clave del análisis de la "cuota de modelo" es la frecuencia con la que los grandes modelos lingüísticos (LLM) mencionan una marca en relación con otras marcas (en otras palabras, su "cuota" de menciones). Este gráfico muestra la cuota de menciones de las marcas de lavandería italianas en varios grandes modelos lingüísticos en abril de 2025. En el caso de Perplexity, la marca más mencionada fue Chanteclair. En el caso de Llama, fue Ariel. En el caso de Chat GPT, Gemini, Deep Seek y Claude, la marca más mencionada fue Dash. Fuente: Jellyfish Share of Model.

Ver más gráficos de HBR en Datos y elementos visuales

Explorando la brecha en el conocimiento de marca entre humanos e IA

Es importante destacar que la visibilidad de una marca en las LLM puede diferir significativamente de su cuota de mercado u otras métricas de notoriedad. Por lo tanto, la primera tarea de los gerentes de marca es analizar la relación entre la notoriedad humana (por ejemplo, a través de SOS o SOM) y la notoriedad de sus marcas en las LLM.

Nota rápida: Si bien el SOM de una marca suele variar entre los diferentes LLM, como se muestra arriba, los siguientes ejemplos de este artículo se centran en el SOM de las marcas en los diferentes LLM para facilitar el análisis. Más adelante, describiremos las implicaciones de la variabilidad del SOM entre los LLM.

Considere nuestro análisis de la visibilidad de las marcas de automóviles estadounidenses en general y en las LLM durante el primer semestre de 2024. Construimos una Matriz de Conciencia Humano-IA (Figura 2) que refleja la conciencia de marca en las LLM, evaluada mediante la herramienta Jellyfish y, en general, mediante la investigación de mercado de YouGov. Las marcas se dividen en cuatro categorías distintas:

Conciencia humana vs. IA de las marcas de autos populares. Un alto reconocimiento de marca entre los humanos no siempre se traduce en una alta conciencia de IA. Este gráfico de 2 por dos, un análisis de cuadrantes del posicionamiento de marca, muestra dónde se ubicaron las marcas de autos seleccionadas a lo largo de dos ejes: conciencia del consumidor de EE. UU. y conciencia LLM, de enero a julio de 2024. Las posiciones de marca identificadas en cuatro cuadrantes son Emergentes, héroes de la calle principal, pioneros de IA y Cyborgs. Cyborgs son empresas como Tesla, BMW, Audi y Cadillac, que tienen un alto conocimiento tanto humano como de IA. Los pioneros de IA, como Rivian, tienen un alto conocimiento de IA, pero un bajo conocimiento del consumidor. Los héroes de la calle principal, como Lincoln y Jaguar, tienen un alto conocimiento del consumidor, pero un bajo conocimiento de IA. Y las marcas Emergentes como Polestar, Genesis y Lucid tienen un bajo conocimiento tanto del consumidor como de IA. Fuente: Jellyfish Share of Model, YouGov.

Ver más gráficos de HBR en Datos y elementos visuales

1. Cíborgs: Estas marcas tienen una alta notoriedad tanto en las medidas tradicionales (p. ej., encuestas, posicionamiento en buscadores, cuota de voz) como entre los LLM. Tomemos como ejemplo la posición de Tesla en este gráfico. La ubicuidad de Elon Musk contribuye a que los consumidores tengan un alto conocimiento de la marca. Tesla también obtiene una buena puntuación entre los LLM gracias al énfasis de la marca en sus características específicas. Su nueva estrategia de publicidad digital busca aumentar aún más la puntuación de la compañía tanto entre las personas como entre los grandes modelos lingüísticos.
2. Pioneros en IA: Estas marcas están bien representadas en los LLM, pero carecen de reconocimiento en el mercado. A menudo, son marcas nativas de IA o actores digitales emergentes que se especializan en nichos de mercado en espacios digitales más amplios. La posición de Rivian en este cuadrante probablemente se deba a su estrategia de contenido centrada en la resolución (que abordaremos más adelante), que se alinea con su posicionamiento como creador de soluciones.
3. Héroes de la calle: Se trata de marcas consolidadas con un alto reconocimiento en el mercado, pero poco representadas o ausentes en el contenido generado por IA. Un ejemplo: Lincoln, del que Frank Lloyd Wright dijo que fabrica "el coche más bonito del mundo". Esto probablemente se deba a la atención de la marca a atributos intangibles como la elegancia o la tradición, menos valorados por los LLM.
4. Emergentes: Estas marcas tienen dificultades para alcanzar una baja notoriedad tanto en el mercado como entre los LLM. Corren el riesgo de caer en la irrelevancia digital a medida que la búsqueda basada en IA se convierte en la norma. A pesar de su posicionamiento premium, Polestar, según nuestro análisis, tiene dificultades para lograr visibilidad en todo el espectro, lo que refleja la falta de una presencia digital a gran escala o la falta de atractivo para el estilo de procesamiento de los LLM.

¿La principal conclusión? Los profesionales del marketing necesitan desarrollar estrategias diseñadas para impulsar la visibilidad de sus marcas en las LLM. Estas estrategias probablemente difieran mucho de las diseñadas para atraer a los humanos. Lo que sabemos sobre las LLM es que no optimizan la atención, sino la  resolución. Identificar el trabajo a realizar se convierte, por lo tanto, en la prioridad número uno para los líderes de marca si quieren alcanzar un alto nivel de SOM.

Cómo aumentar el conocimiento de marca en los LLM

Nuestros análisis de las distintas categorías de productos revelan cómo la percepción de los modelos sobre las diferentes categorías presenta oportunidades específicas para las marcas de esos sectores. Esto repercute no solo en el contenido a producir (texto, imagen y vídeo), sino también en los ámbitos en los que las marcas buscan difundir sus mensajes (sitio web, medios de comunicación, expertos o contextos comunitarios). Los LLM van más allá de las palabras clave y se centran en conceptos y relaciones que generan nuevas formas de generar notoriedad de marca.

Las marcas deben crear contenido que explique no solo qué es el producto, sino también cómo se relaciona con contextos más amplios, casos de uso y necesidades del usuario. Por ejemplo, en lugar de proclamar "Vendemos zapatillas de running excelentes", opte por "Nuestro diseño de entresuela con revestimiento de carbono mejora el rendimiento de los corredores de largas distancias".

Las marcas también deben destacar su experiencia. Una marca de cuidado de la piel que cita estudios avalados por dermatólogos o enlaza a investigaciones de PubMed probablemente eclipsará a la competencia que no lo hace. Las marcas que se centran en los puntos débiles (necesidades, preguntas y tareas) tienen más probabilidades de ser destacadas. Las marcas que simplemente publican podrían quedar excluidas.

Esto podría explicar por qué las marcas de automóviles tradicionales como Lincoln, que promueven contenidos aspiracionales y de marketing, son menos relevantes para los LLM en comparación con Tesla o Rivian, que enfatizan funciones y características como la duración de la batería, la pila tecnológica y el software.

De manera similar, aunque dominan SOV, las marcas de moda rápida como Shein están rezagadas en el conocimiento de la IA debido a un volumen abrumador de contenido no diferenciado y a la falta de señales de confianza como reseñas y certificaciones.

En cambio, la marca Ordinary de productos para el cuidado de la piel ofrece  páginas de producto muy estructuradas con explicaciones de ingredientes, contenido transparente con base científica (que explica el "cómo" y el "por qué" de la eficacia de una crema facial). Nike y su contenido generado por clientes (blogs de corredores, Reddit, Strava), páginas de producto detalladas con ejemplos de uso claros (p. ej., "las mejores zapatillas para entrenar maratón") y ecosistemas de aplicaciones integrados (Nike Run Club, Nike Training Club). Ambas marcas encabezaron sus respectivas categorías en nuestros análisis.

Cabe destacar que las marcas tradicionales también pueden prosperar en la era de la IA si invierten estratégicamente en relevancia, representación y narrativa digital estructurada. Un ejemplo claro es Cadillac. Esta centenaria marca de automóviles destaca por su reconocimiento de marca, tanto en humanos como en IA. Campañas como "Audacity" y "The Daring 25", así como colaboraciones internacionales, contribuyeron a aumentar su visibilidad en IA.

Medición del sentimiento de LLM

Además de analizar la notoriedad de marca mediante IA y su relación con otras métricas de notoriedad, los profesionales del marketing también pueden explorar el sentimiento de marca y categoría a través del sentimiento (positividad) y la semántica (términos asociados). Esto les ayuda a responder preguntas como: ¿Cuáles son las fortalezas y debilidades percibidas de mi marca? ¿Cómo puedo cambiar la percepción de mi marca por parte de los LLM?

Por ejemplo, nuestro análisis de la industria de viajes en EE. UU. muestra que los LLM valoran características como la conveniencia, la variedad y el espacio, y Booking ocupa el primer puesto en todos los modelos. También identificamos las fortalezas y debilidades de las marcas en relación con sus competidores. Vrbo, por ejemplo, tiene una puntuación mucho mayor que Booking en privacidad y singularidad, fortalezas que podría aprovechar para optimizar la visibilidad de la IA.

Valor de los LLM en la industria de viajes de EE. UU. A diferencia de los motores de búsqueda tradicionales, los grandes modelos de lenguaje (LLM) tienden a valorar las características de utilidad; es decir, cómo los productos de una marca pueden resolver un problema o lograr un objetivo. Este gráfico muestra la importancia relativa de diversos atributos para los LLM cuando los consumidores buscaban productos o servicios relacionados con viajes en EE. UU., de enero a abril de 2025. La facilidad de uso, la variedad y el espacio tienen el mayor valor para los LL M, seguidos del valor, la singularidad, las recompensas, la flexibilidad y la proximidad. La confiabilidad y la privacidad tienen la menor importancia relativa. Fuente: Jellyfish Share of Model.

Ver más gráficos de HBR en Datos y elementos visuales

Clasificación de los sitios de viajes más populares de EE. UU. según los valores de los grandes modelos lingüísticos (LLM). Conocer qué valoran más los grandes modelos lingüísticos (LLM) y cómo su empresa transmite estos valores puede ayudarle a comercializar con éxito entre los LLM. Este gráfico muestra la distribución de los atributos que los LLM valoran más, según los sitios de viajes más populares. Por ejemplo, Vrbo ocupa un lugar destacado entre los LLM en cuanto a espacio, pero bajo en valor. Booking.com ocupa un lugar destacado en elección, pero bajo en singularidad. Expedia ocupa un lugar destacado en valor, pero bajo en singularidad. Airbnb ocupa un lugar destacado en singularidad, pero bajo en confianza. Fuente: Jellyfish Share of Model.

Ver más gráficos de HBR en Datos y elementos visuales

Cómo comercializar con LLM

Armados con información sobre el sentimiento de LLM, los especialistas en marketing pueden implementar varios enfoques para optimizar la visibilidad de la IA de su marca.

En primer lugar, adopte una estrategia de medios multifacética que incluya texto, imágenes, vídeos y datos estructurados (p. ej., tablas, listas, reseñas). El contenido que vincula claramente la oferta de las marcas con contextos más amplios, casos de uso o necesidades del consumidor (p. ej., "mejores vehículos eléctricos para conducir en invierno" en lugar de solo "SUV eléctrico") genera sólidas asociaciones conceptuales en los LLM.

Las marcas también deberían liderar nichos semánticos: grupos específicos de significado donde sus productos encajan naturalmente (por ejemplo, como las marcas Ordinary con la ciencia del cuidado de la piel).

Es importante destacar que, así como cada plataforma de redes sociales tiene sus propias "reglas de interacción" (lo que funciona en TikTok probablemente no funcione en LinkedIn), cada LLM aplica su lente algorítmico único al contenido.

Consideremos nuevamente la industria turística estadounidense, centrándonos en la percepción que LLM tiene de Airbnb. Mientras que Llama se centra en la singularidad de las ofertas de una marca, ChatGPT se centra en el grado en que las marcas ofrecen opciones locales, mientras que Perplexity parece valorar más la flexibilidad.

Esto se relaciona con nuestro punto anterior sobre la visibilidad variable de las marcas en los distintos LLM. Recomendamos a los profesionales del marketing que adapten el contenido a los LLM cuyo estilo de procesamiento potencie mejor el contenido y las fortalezas narrativas de su marca, incluso al aplicar reglas generales (por ejemplo, mensajes orientados a soluciones) en todos los modelos. Se trata de un equilibrio delicado: adaptar el contenido a los matices de un modelo dominante puede impulsar la visibilidad, pero distribuir los esfuerzos demasiado entre todos los LLM corre el riesgo de diluir el impacto.

Los LLM ponderan los atributos positivos de forma diferente. Si bien los modelos de lenguaje grande populares (LL M) valoran muchos de los mismos atributos para una sola marca, los LLM difieren en el peso relativo que otorgan a cada atributo. Este gráfico muestra la participación de cada atributo para Airbnb, por LLM principal, de enero a abril de 2025. El LLM Perplexity valoró más la flexibilidad y el espacio menos. Llama valoró más la singularidad y el valor menos. Chat GPT valoró más la localidad y la confianza menos. Gemini valoró más la singularidad y la flexibilidad menos. Deep Seek valoró más la localidad y la privacidad menos. Claude valoró más la facilidad de uso y la flexibilidad menos. Fuente: Jellyfish Share of Model.

Ver más gráficos de HBR en Datos y elementos visuales

El abandono de los motores de búsqueda tradicionales no es solo una evolución tecnológica. Es un cambio fundamental en el comportamiento del consumidor que exige cambios correspondientes en el marketing: de la persuasión a la precisión, de las palabras clave al asesoramiento, de la cuota de mercado a la distribución de problemas. Si se hace bien, las marcas pueden consolidarse como participantes esenciales en las conversaciones algorítmicas que, cada vez más, influyen en las decisiones de los consumidores.

Lea más sobre Gestión de marca o temas relacionados Investigación de mercado, Comportamiento del consumidor, Segmentación de mercado, Marketing social, Estrategia del cliente, IA y aprendizaje automático, IA generativa y algoritmos

David Dubois es profesor asociado en INSEAD.

John Dawson es vicepresidente de estrategia en Jellyfish, donde asesora a clientes sobre estrategia publicitaria e implementación de marketing con IA. Tiene experiencia trabajando con marcas internacionales y locales en Australia, los países nórdicos, China y Estados Unidos. John tiene un MBA de la Universidad Tecnológica de Sídney y una licenciatura de la Universidad de Sídney.

Akansh Jaiswal es Gerente Sénior de Análisis de Inversiones en Jellyfish, donde diseña soluciones de IA y análisis que optimizan campañas de medios globales y cuantifican la percepción de marca en grandes modelos de lenguaje. Impulsa estrategias de crecimiento basadas en datos mediante análisis de marketing, automatización y modelos predictivos. Akansh tiene una maestría en Análisis de Datos de la Universidad de Rutgers y una licenciatura en Ciencias de la Computación de la Universidad Internacional Symbiosis.