Campo lingüístico de visibilidad: por qué una misma marca vive en distintos mundos competitivos

El artículo «Idioma y geografía de la visibilidad» analiza los mecanismos a través de los cuales el idioma influye en la visibilidad. Aquí miramos el problema desde el otro lado: de los datos a la conclusión. Qué ocurre exactamente con una marca concreta y con sus competidores cuando se cambia de idioma.

Elegimos Notion, un producto de productividad reconocido a escala global. Fue una elección deliberada: necesitábamos una marca que el modelo conociera con certeza para excluir la explicación de «simplemente hay pocos datos». Cinco estudios, cinco idiomas, un modelo, un corpus de escenarios.

La puntuación de Notion oscilaba de forma moderada: desde 62.9 en francés hasta 75.7 en alemán, con una amplitud de 12.8 puntos. Los intervalos de confianza de los estudios se superponen parcialmente. Si nos hubiéramos detenido aquí, la conclusión habría sido tranquila: «pequeñas oscilaciones, quizá ruido del modelo».

Pero miramos a los competidores.

La amplitud de Notion es 12.8. La de Slack, 54.9. La de Monday.com, 39.5. La de Asana, 30.4. Son cinco paisajes competitivos distintos resumidos en una sola tabla.

Desaparición binaria: Slack

En ruso, Slack obtiene una puntuación de 0.0: el modelo no lo menciona en absoluto en el contexto de la productividad y de las herramientas de espacio de trabajo. En los otros cuatro idiomas, el resultado es estable: 51–55 puntos, con una amplitud de solo 3.8 puntos. Esa estabilidad en cuatro idiomas, frente al cero absoluto en el quinto, es un argumento sólido a favor de que se trata de una propiedad estable del campo rusófono y no de un valor atípico aleatorio.

La explicación, probablemente, está en los datos de entrenamiento: Slack se discute activamente en fuentes en inglés, francés y alemán como herramienta de trabajo en equipo. En las fuentes en ruso, prácticamente no. El modelo no perdió el conocimiento sobre Slack; sencillamente nunca lo adquirió en este contexto.

Gradiente de desaparición: Monday.com

Monday.com muestra una caída gradual desde 47.4 en ruso hasta 7.8 en francés. Es un tercer patrón, distinto tanto de la estabilidad de Notion como de la conmutación binaria de Slack. La marca parece desvanecerse a medida que pasa de un campo lingüístico a otro: conserva presencia, pero pierde peso.

Inversión: Microsoft Copilot

Allí donde Notion es más fuerte (alemán: 75.7), Copilot es más débil (24.8). En francés ocurre lo contrario: Notion 62.9, Copilot 51.1. Las dos marcas parecen funcionar como en un balancín, y el idioma determina cuál queda arriba. Según nuestras observaciones, esto puede estar relacionado con la actividad de Microsoft en los mercados europeos francófonos, pero los datos no bastan para afirmarlo con seguridad.

Un análisis independiente de nuestros datos detectó un patrón que, quizá, es más importante que la propia matriz de competidores.

Cuando la marca ya aparece nombrada en el prompt (modo diagnóstico), el modelo responde sobre ella con la misma estabilidad en todos los idiomas: 73–79 puntos, coeficiente de variación del 3.7%. El modelo conoce Notion igual de bien en ruso, francés y alemán.

Las divergencias comienzan cuando el usuario todavía no ha nombrado la marca. La posición media en la respuesta, la entrada en la lista corta de tres líderes y la citación del dominio notion.so dependen fuertemente del idioma. En ruso, notion.so se cita en el 24.5% de las respuestas; en alemán, en el 21.4%; en francés, en el 0%.

Para una marca, esta es una conclusión incómoda: que el modelo sepa de usted es una condición necesaria, pero no suficiente. La cuestión es si entra en la lista corta cuando el usuario todavía no ha pronunciado su nombre. La respuesta a esa pregunta depende del idioma.

Vemos tres canales a través de los cuales el idioma reconfigura el campo competitivo. Los tres son hipótesis respaldadas por los datos de estos estudios, pero no validadas experimentalmente.

El primero es la asimetría de los corpus de entrenamiento. El modelo se entrenó con textos en los que distintas marcas se discuten con distinta frecuencia según el idioma. Los textos en ruso sobre productividad casi no mencionan Slack; los textos en inglés lo mencionan constantemente.

El segundo son las distintas fuentes web. En modo web, el modelo busca en el idioma de la consulta y encuentra reseñas, comparativas y rankings distintos, con composiciones de marcas diferentes. La búsqueda en francés devuelve fuentes en francés en las que Notion es conocido, pero notion.so no se cita.

El tercero son los distintos grafos asociativos de la categoría. En cada idioma, el modelo construye su propio mapa de la categoría «productividad». En ruso, son Notion, Asana, ClickUp y Monday.com. En francés, Notion, Slack, Microsoft Copilot y ClickUp. La composición de los actores difiere, y eso determina quién entra en la recomendación.

Para la marca líder de la categoría, el Visibility Language Field (VLF) es más una tarea estratégica que una crisis. La puntuación propia oscila de forma moderada, pero los competidores con los que se lucha en un idioma pueden resultar ser otros en otro. Una estrategia construida en torno a un solo conjunto competitivo corre el riesgo de volverse irrelevante en un mercado lingüístico vecino.

Para una marca que no es dominante, la situación es más dura. Monday.com pierde 40 puntos al pasar del ruso al francés. Slack desaparece por completo en ruso. Si su marca ocupa el segundo o el tercer puesto, el VLF es un riesgo empresarial directo: la visibilidad ganada en un idioma no se traslada automáticamente a otro.

La recomendación práctica es simple: ejecutar un estudio independiente en cada idioma del mercado objetivo. Comparar no solo la puntuación propia, sino también la composición del conjunto competitivo. La estrategia de crecimiento de la visibilidad debe tener en cuenta a los competidores concretos que existen en cada idioma, porque en distintos idiomas pueden ser empresas distintas.

Los datos se obtuvieron a partir de cinco estudios de una misma marca (Notion) en el modelo GPT-5.4. Todos los estudios utilizaron el corpus estándar de AI100 de 200 escenarios. Dos estudios (RU y FR) se realizaron el 2 de abril; tres (EN, DE, ES), el 3 de abril de 2026. Las diferencias entre días (day effect) no se separaron del efecto lingüístico.

Los intervalos de confianza de las puntuaciones finales se superponen parcialmente. La prueba Q de Cochran evalúa en 4–8% la probabilidad de que toda la amplitud se explique por el ruido del modelo, en el límite de la significación estadística. Sin embargo, los patrones estructurales —la estabilidad de Slack en cuatro idiomas con cero en el quinto, el gradiente de Monday.com, la inversión de Copilot— se explican mal por la estocasticidad.

La principal limitación es clara: una marca, un modelo, una categoría y un solo estudio por idioma. Para una validación plena se necesitan estudios repetidos (un mínimo de 5 por idioma) y pruebas con otras marcas y otros modelos. Llamamos a esta observación VLF y la consideramos suficientemente fundamentada para su publicación, pero insuficientemente validada para conclusiones definitivas.