Doxa 2567

Cómo lograr que la IA revele tu marca

Concéntrese en facilitar la comparación, la verificación y la conexión de los beneficios del producto con los problemas de los clientes

Por John Gale, Luca Cian y Luc Wathieu

Inteligencia Artificial y Aprendizaje Automático

Harvard Business Review

#Doxa #Marca #IA #Comparación #Verificación #Conexión #Beneficios #Problemas #Posicionamiento #Confianza #Valor

Resumen. A medida que la IA interviene cada vez más en el descubrimiento de productos, las ventajas tradicionales para la construcción de marca, como el reconocimiento, la narración de historias y el atractivo emocional, se vuelven menos decisivas. En cambio, las marcas ganan visibilidad en las recomendaciones generadas por IA cuando su valor puede serInterpretada claramente mediante atributos medibles, información estructurada del producto y evidencia creíble de terceros. La investigación en múltiples categorías de productos reveló que los sistemas de IA recomiendan marcas basándose menos en la popularidad y más en su capacidad para satisfacer necesidades específicas del usuario. Las marcas con características claramente definidas, afirmaciones de rendimiento validadas y fuertes avales externos tienen más probabilidades de aparecer de forma consistente en todas las plataformas. Los hallazgos sugieren que para tener éxito en los mercados impulsados ​​por la IA se requiere un cambio del posicionamiento simbólico al posicionamiento basado en evidencia. Las empresas deben centrarse en facilitar la comparación, verificación y conexión de los beneficios del producto con los problemas del cliente. El éxito depende cada vez más de si los sistemas de IA pueden recuperar de forma fiable una marca como una solución relevante, y no simplemente de si los consumidores la reconocen o la recuerdan.

Cuando solicitamos recomendaciones de zapatillas para correr a los principales sistemas de IA —ChatGPT, Claude y Gemini—, la marca relativamente pequeña Brooks apareció con frecuencia. Nike, la marca deportiva más grande del mundo, apareció con mucha menos regularidad. Este patrón refleja un cambio fundamental en la forma en que las marcas compiten cuando los sistemas de IA intervienen en el descubrimiento de productos.

Brooks no construyó su marca en torno a narrativas de estilo de vida generales. Se centró en el rendimiento técnico y en la adaptación a las necesidades específicas de los corredores. Bajo la dirección del CEO Jim Weber, la empresa redujo su ámbito de actuación, abandonó categorías adyacentes e invirtió en investigación biomecánica e ingeniería de productos. Se desarrollaron tecnologías como GuideRails y la amortiguación DNA LOFT para abordar problemas claramente definidos. Igualmente importante, Brooks cultivó un ecosistema de entrenadores, profesionales de la salud y minoristas especializados capaces de explicar esas soluciones con precisión. En otras palabras, Brooks construyó una marca comprensible.

Los sistemas de IA favorecen las marcas que pueden traducirse en atributos y evidencias, marcas cuyo valor puede articularse claramente en respuesta a la consulta del usuario. En un estudio de 15 categorías minoristas —incluidas computadoras portátiles, alimentos para mascotas y tarjetas de crédito—, utilizando las mismas indicaciones con GPT-4o, Claude y Gemini, observamos más de 1000 menciones de marca en 716 marcas únicas. Esta investigación, realizada en la Escuela de Negocios McDonough de la Universidad de Georgetown y la Escuela de Negocios Darden de la Universidad de Virginia, revela un patrón consistente: las marcas ya no compiten principalmente por la atención.

Las herramientas de IA se están convirtiendo rápidamente en la puerta de entrada al descubrimiento de productos. A diferencia de los motores de búsqueda y los medios tradicionales, que muestran las marcas según su visibilidad o su narrativa, los sistemas de IA están diseñados para ayudar a los consumidores a elegir. En entornos de IA, las marcas compiten por ser recordadas como candidatas en el proceso de recomendación del modelo. La mayoría de las marcas no están diseñadas para eso. 

La IA recomienda lo que puede interpretar.

Nuestra investigación revela cuatro patrones que, en conjunto, explican por qué tantas marcas están perdiendo terreno en el descubrimiento mediado por IA, y por qué la interpretabilidad es la solución.

En primer lugar, lo que los profesionales del marketing suelen denominar «visibilidad de la IA» está mucho más fragmentado de lo que parece. De las 716 marcas únicas identificadas en nuestro estudio, solo el 8,4 % aparece de forma consistente en ChatGPT, Claude y Gemini. La mayoría de las marcas solo estaban presentes en una plataforma. Una marca que destaca en un sistema puede estar completamente ausente en otro.

Las marcas pueden seguir invirtiendo en visibilidad, pero eso no determina si los sistemas de IA las recomiendan. Lo que importa es si un modelo puede identificar tu marca como una respuesta creíble a un problema específico. Cuando los atributos de una marca y las pruebas que los respaldan están claramente estructurados, es más probable que los diferentes sistemas converjan en ella. Cuando no lo están, la presencia de la marca se vuelve inconsistente o desaparece por completo.

En segundo lugar, entre las marcas presentes en múltiples plataformas, el 55 % se presentan de forma diferente en cada sistema. Una marca descrita como innovadora de alta gama en una plataforma podría aparecer como una alternativa económica en otra. Esto se debe a que los sistemas de IA no reproducen fielmente el mensaje de la marca. Infieren el posicionamiento a partir de la información de terceros disponible. El modelo construye una visión de la marca a partir de atributos y evidencias, no de la narrativa que se pretende proyectar. El posicionamiento simbólico tiene poca efectividad a menos que esté basado en atributos que el sistema pueda utilizar.

El contraste es evidente en nuestros datos. Apple aparece de forma consistente en todas las plataformas, tanto en portátiles como en auriculares, mientras que Sony muestra un equilibrio casi perfecto entre plataformas en auriculares. Sin embargo, muchas de las marcas más reconocidas del mundo no aparecen. Disney, Starbucks, McDonald's, Netflix, IBM e Intel no figuran en los resultados de nuestras consultas. Incluso cuando aparecen marcas conocidas, suelen hacerlo a través de subunidades interpretables en lugar de la marca principal. Toyota está representada por modelos específicos como el RAV4 y el Highlander. Coca-Cola y Pepsi aparecen a través de sus variantes sin azúcar. En estos casos, la IA se basa en los atributos del producto específico, en lugar del valor simbólico de la marca matriz.

En tercer lugar, la consulta determina el conjunto competitivo. Las consultas exploratorias generaron un 95 % más de menciones de marca que las consultas orientadas a objetivos, y solo alrededor del 11 % de las marcas aparecieron en respuesta a ambos tipos de consultas. Los asistentes de IA elaboran recomendaciones en función de cómo los consumidores expresan su problema. Cuando un usuario pregunta por "zapatillas para correr", la IA genera un conjunto de candidatos. Cuando la consulta se convierte en "zapatillas para correr para el dolor de rodilla" o "zapatillas de estabilidad para la sobrepronación", surge un conjunto diferente.

Existe una ventaja más profunda: las marcas pueden influir en el vocabulario que usan los consumidores. Brooks dedicó dos décadas a enseñar a los corredores a identificar sus problemas: sobrepronación, desviación de la marcha, estabilidad bajo carga. Estos términos se difundieron a través de grupos de entrenamiento, tiendas especializadas y medios de comunicación especializados en running. Las marcas que invierten en este tipo de conocimiento sobre problemas crean un entorno de búsqueda que las favorece incluso antes de que se genere cualquier recomendación.

Un cuarto hallazgo completa el panorama: el 78,7 % de las menciones de marca transmiten un sentimiento positivo, y este patrón se mantiene constante en las tres plataformas. Una vez que se incluye una marca, generalmente se la presenta de forma favorable.

Esto refleja cómo funcionan los sistemas de IA. Primero determinan qué marcas cumplen los requisitos para solucionar el problema del usuario y solo entonces emiten una opinión. Los medios de comunicación de antaño premiaban la atención y la percepción positiva.

La inclusión, no el sentimiento, es el verdadero obstáculo competitivo.

La cuestión estratégica no es "¿cómo logramos que la IA diga cosas buenas sobre nosotros?", sino "¿cómo conseguimos que nuestra marca sea comprensible en las respuestas de la IA?". La respuesta es la interpretabilidad.

Las marcas aparecen en las respuestas de la IA cuando el modelo puede establecer una cadena lógica desde la situación del usuario hasta un atributo del producto y, posteriormente, hasta la marca que lo ofrece. Las recomendaciones de la IA no parten de las marcas y sus promesas, sino de la situación del usuario, definida por la consulta, y avanzan: situación del usuario → requisito del producto → marca que lo satisface.

La interpretabilidad depende de tres elementos:

Claridad de la entidad (la marca es claramente identificable en todas las fuentes de información);

estructura de atributos (las características del producto están nombradas, son comparables y medibles); y

una base de evidencia (las afirmaciones sobre los beneficios están respaldadas por fuentes creíbles e independientes).

Las marcas con estas características son más fáciles de incorporar a las recomendaciones de los sistemas de IA, ya que sus atributos y evidencias se pueden conectar claramente con las necesidades del usuario.

En resumen, competir por las recomendaciones de la IA es un problema de arquitectura de la información que requiere coordinación interfuncional. En la mayoría de las empresas, la comunicación de la marca recae en marketing, las especificaciones del producto en ingeniería y gestión de producto, mientras que la validación por terceros (reseñas, comentarios de expertos, evidencia clínica) a menudo carece de un responsable claro. El descubrimiento mediante IA hace que esta fragmentación resulte costosa. Las marcas con mayores probabilidades de éxito son aquellas que establecen una responsabilidad interfuncional sobre cómo se entiende y se recupera la marca como solución.

Esto replantea lo que requiere el branding. El branding tradicional invertía en narración, simbolismo y posicionamiento emocional para influir en cómo los humanos prestan atención, sienten y recuerdan. Los sistemas de IA se basan en entradas diferentes: atributos estructurados, características medibles del producto y evidencia verificable que conecta la marca con un problema específico. El objetivo es un sistema de toma de decisiones artificial que prioriza la adecuación demostrable sobre el atractivo persuasivo.

Tres prácticas para desarrollar la función de recuerdo de la IA

Tradicionalmente, los ejecutivos de marketing han basado su trabajo en métricas de fortaleza de marca, como la cuota de mercado (qué marcas compran los consumidores) y la presencia mental (qué marcas piensan los consumidores). El descubrimiento de productos mediado por IA requiere una nueva métrica: la tasa de recuerdo de la IA, que indica con qué frecuencia se recupera una marca como candidata cuando realmente satisface el problema del usuario.

Esto difiere de lo que Dubois, Dawson y Jaiswal denominan participación en el modelo, una métrica que mide la frecuencia con la que una marca aparece en las respuestas generadas por IA. Mientras que la participación en el modelo refleja la exposición, la participación en el recuerdo de la IA refleja la adecuación: la fiabilidad con la que se recupera una marca cuando sus atributos coinciden con la consulta. La adecuación es lo que determina la inclusión.

Cuando un consumidor solicita ayuda a un asistente de IA —«zapatillas para correr para el dolor de rodilla», «el mejor portátil para editar vídeo» o «tarjetas de crédito para obtener recompensas de viaje»—, el sistema identifica los requisitos implícitos en la consulta y recuerda las marcas cuyos atributos coinciden con ellos. La interpretabilidad aumenta la cuota de recuerdo de la IA al facilitar que el modelo conecte la condición del usuario con los atributos de la marca y la información que la respalda. Las marcas ya no compiten solo por ser recordadas por los consumidores, sino también por ser recuperadas por los sistemas de IA que configuran el conjunto de opciones a considerar.

Para los profesionales del marketing, lograr una mayor participación en el recuerdo de marca mediante IA requiere un cambio en la forma en que las marcas comunican su valor. Tres prácticas son especialmente importantes.

1. Sustituir las afirmaciones subjetivas por especificaciones verificables.

Los sistemas de IA tienen dificultades para razonar con afirmaciones vagas. Reemplazar "alta calidad" por "durabilidad de 1000 ciclos, certificación ISO" le da al modelo información con la que trabajar. Para ser reconocidas, las marcas deben expresar valor a través de atributos que puedan nombrarse, compararse y vincularse a necesidades específicas del usuario.

Esto requiere traducir el posicionamiento en especificaciones. Las métricas de rendimiento, los parámetros de diseño o los efectos clínicamente validados permiten a los sistemas de IA relacionar la condición del usuario con las capacidades del producto. Cuanto más precisa y fundamentada sea una afirmación, mayor será la probabilidad de que se utilice en recomendaciones automatizadas.

Brooks ejemplifica este principio. Sus productos se describen mediante atributos medibles: índices de estabilidad, diferencia de altura entre el talón y la punta, y características biomecánicas diseñadas para adaptarse a condiciones específicas de carrera. Estos atributos facilitan la búsqueda de soluciones para consultas como «zapatillas para correr para el dolor de rodilla».

Sony y Apple reflejan la misma lógica en distintas categorías. Los productos de Sony se definen por especificaciones técnicas como el rendimiento de la cancelación de ruido y las capacidades de los sensores, a menudo respaldadas por pruebas comparativas independientes. Los productos de Apple se basan de manera similar en indicadores de rendimiento medibles, desde pruebas de rendimiento del procesador hasta la duración de la batería.

Lo que estas marcas tienen en común va más allá de la reputación y la escala. Se trata de la interpretabilidad: la capacidad de expresar lo que hacen en términos que puedan evaluarse, compararse y utilizarse en un proceso de razonamiento.

2. Fomentar la validación independiente por parte de terceros con alta autoridad.

La inclusión en las respuestas de la IA depende de las reseñas, los comentarios de expertos y la investigación sobre tu marca. Brooks cultivó relaciones con tiendas especializadas en running, entrenadores, podólogos y médicos que necesitaban explicar por qué un determinado calzado beneficiaría a un corredor específico. Los sistemas de IA recomiendan Brooks, en parte, porque la empresa ha dedicado 20 años a facilitar la comprensión de sus productos. El porcentaje de recuerdo de la IA es la recompensa a largo plazo de una inversión sostenida en la credibilidad de terceros.

3. Cambiar el énfasis del atractivo simbólico a la estructura probatoria.

Muchas de las marcas más reconocidas y confiables están subrepresentadas en las recomendaciones generadas por IA porque sus fortalezas se expresan de maneras que los modelos no pueden utilizar. El branding tradicional ha hecho hincapié en el posicionamiento emocional: asociaciones con estilos de vida, narrativas y señales generales de calidad. Estos elementos generan preferencia humana, pero no se traducen en atributos ni evidencias que los sistemas de IA puedan utilizar.

En consecuencia, la fortaleza de una marca no se traduce automáticamente en una mejor recuperación por parte de la IA. Para superar esta brecha, es necesario un cambio de enfoque: reducir la dependencia de afirmaciones simbólicas y fortalecer la evidencia que vincula la marca con problemas específicos de los usuarios.

En los mercados mediados por IA, la fortaleza de una marca no solo se define por cómo se conoce o se percibe una marca, sino también por la facilidad con la que puede servir como respuesta.

Comience con un diagnóstico sencillo.

La pregunta estratégica para toda marca es: ¿dónde se posiciona tu marca y cómo puede avanzar hacia una mayor interpretabilidad? La respuesta comienza con un diagnóstico sencillo.

Comience consultando las principales plataformas de IA (ChatGPT, Claude y Gemini) con las consultas específicas por categoría y problema que sus clientes probablemente utilicen. Observe qué marcas aparecen, cómo se presenta la suya y si esa presentación es coherente en todas las plataformas. Nuestra investigación reveló que el 55 % de las marcas se presentan de forma diferente en cada sistema, lo que significa que la IA está creando un posicionamiento para su marca que puede tener poca relación con su mensaje original.

A continuación, analiza la estructura de atributos de tu marca. ¿Puede un cliente —o una IA— nombrar tres características medibles y comparables de tu producto que se relacionen con necesidades específicas del usuario? Si la respuesta sincera es no, esa es la brecha que debes cerrar. El objetivo no es generar documentación técnica, sino asegurar que los atributos que diferencian tu producto estén claramente identificados y se utilicen de forma coherente en todos los lugares donde aparezca tu marca.

Luego, analiza la evidencia de terceros. ¿Qué voces independientes (revisores, expertos, médicos, medios especializados) describen tu producto utilizando sus atributos clave? ¿Dónde están las deficiencias? Las marcas que obtienen buenos resultados en las recomendaciones de IA no son las que tienen los mayores presupuestos de marketing, sino las que cuentan con la validación externa más consistente y creíble. Este tipo de evidencia se acumula con el tiempo y no se puede fabricar mediante la inversión en publicidad.

Finalmente, considere el vocabulario que sus clientes utilizan para describir sus problemas e invierta en perfeccionarlo. Invierta en el conocimiento de los problemas: las condiciones específicas y con nombre que aborda su producto. Estos términos, difundidos a través de grupos de asesoramiento, comunidades especializadas y medios de comunicación expertos, crean un panorama de consultas que posiciona a su marca en una posición ventajosa incluso antes de que se emita cualquier recomendación.

Las marcas mejor posicionadas para el descubrimiento mediante IA no son necesariamente las que más invierten en inteligencia artificial hoy en día. Son aquellas que han dedicado años a construir un conjunto de datos que facilita su recuperación.

...

El descubrimiento mediado por IA no es un nuevo canal de comunicación que optimizar. Requiere un cambio estructural en la forma en que las marcas compiten, uno que recompense un conjunto de capacidades fundamentalmente diferente. Los medios de comunicación tradicionales premiaban la cuota de voz. Las búsquedas premiaban la relevancia. Las redes sociales premiaban la interacción. Los asistentes de IA premian la interpretabilidad: la capacidad de los atributos y la evidencia de una marca para permitir que una máquina construya una recomendación creíble.

Las marcas que triunfen en este entorno no serán necesariamente las más conocidas. Serán las más fáciles de comprender para un sistema de razonamiento que parte del problema del usuario y avanza hasta encontrar la marca que lo resuelve. En entornos de IA, la inclusión es el verdadero cuello de botella competitivo. Una vez que una marca se considera candidata, el tono suele ser favorable. La competencia se decide en la fase inicial, en cómo se estructuran los atributos y las evidencias de la marca.

Brooks no creó una marca comprensible para la IA. Fue creada para expertos humanos que necesitaban explicar las opciones a corredores reales. Y al final, resultó ser lo mismo. Las marcas que triunfarán en la próxima década serán las que tomen esa misma decisión, de forma deliberada.

Lea más sobre IA y aprendizaje automático o temas relacionados: IA generativa, tecnología y análisis y gestión de marcas.

John Gale es consultor y profesor adjunto en la Escuela de Negocios McDonough de Georgetown.

Luca Cian es profesor adjunto de marketing en la Escuela de Negocios Darden de la Universidad de Virginia.

Luc Wathieu es profesor de marketing en la Universidad de Georgetown.