«Burbuja de respuestas»: por qué una misma marca se ve de manera distinta en ChatGPT, Google, Copilot y otros sistemas

Una de las ilusiones más peligrosas del nuevo mercado consiste en pensar que existe una única «visibilidad en IA». La marca formula una pregunta en un sistema, ve una respuesta y extrae una conclusión de gran alcance: o nos ven o no nos ven. Pero, en realidad, el entorno de respuestas ya se ha fracturado en varios ecosistemas autónomos, cada uno de los cuales construye su propia versión de la realidad de internet. Por eso, una misma marca puede parecer un líder consolidado en una interfaz, una opción discutible en otra y una entidad casi imperceptible en una tercera. No porque haya cambiado de la noche a la mañana, sino porque ha cambiado la propia máquina de selección, síntesis y representación del conocimiento.

Para este fenómeno resulta adecuado el concepto de «burbuja de respuestas». En la primavera de 2026, los investigadores del trabajo Answer Bubbles analizaron 11 mil consultas reales en varios sistemas y mostraron que los entornos de respuestas de IA presentan sesgos marcados en la selección de fuentes, en el lenguaje del resumen y en la forma en que las citas se vinculan con la afirmación final [1]. Es especialmente importante que los autores no registren solo diferencias en la calidad de la respuesta, sino realidades informativas estructuralmente distintas. Las mismas consultas conducen a conjuntos diferentes de fuentes, a un grado distinto de seguridad y a una visibilidad distinta de determinados tipos de documentos. El estudio muestra también que, tras activar la búsqueda, los sistemas reducen el número de marcadores de incertidumbre —en otras palabras, empiezan a sonar con más seguridad— y, al mismo tiempo, refuerzan sus propios sesgos de fuentes [1]. Ya no se trata simplemente de variaciones de estilo; se trata de diferencias en la propia estructura de la ventana a través de la cual el usuario ve el mercado.

¿Por qué ocurre esto? La primera razón es la diferencia entre infraestructuras de búsqueda y de extracción. Google explica de forma explícita que AI Overviews y AI Mode utilizan una descomposición en abanico de la consulta por subtemas y fuentes de datos —lo que la propia compañía llama query fan-out— y pueden mostrar un conjunto más amplio de enlaces de respaldo que la búsqueda clásica [2]. Pero Google también aclara que AI Mode y AI Overviews pueden utilizar modelos y técnicas distintos, y que, por tanto, el conjunto de respuestas y enlaces variará incluso dentro de un mismo ecosistema [2]. Es un matiz importante. La diferencia entre sistemas no pasa solo por la frontera de «Google frente a todos los demás», sino también dentro de cada plataforma, entre distintos modos de respuesta.

La segunda razón es la diferencia en la memoria paramétrica de los modelos, es decir, en el conocimiento que fue asimilado antes de la consulta concreta. El trabajo Navigating the Shift subraya que la divergencia entre la búsqueda tradicional y las respuestas generativas está determinada no solo por la extracción web actual, sino también por el preentrenamiento del modelo, que sigue moldeando la lógica de selección e interpretación de las fuentes [3]. Para la marca, esto significa algo incómodo, pero esclarecedor: su presencia en internet todavía no garantiza que todos los sistemas lean esa presencia de la misma manera. Un sistema se apoya más en la búsqueda viva y en documentos recientes; otro, en patrones de categoría asimilados de antemano; un tercero, en una mezcla de ambos.

La tercera razón son las distintas preferencias de fuentes. Answer Bubbles muestra que en los resúmenes generativos aparecen con una frecuencia desproporcionada Wikipedia y los textos más largos, mientras que las fuentes sociales y con sesgo negativo, por el contrario, quedan subrepresentadas [1]. El trabajo The Rise of AI Search añade otra capa a este cuadro: la búsqueda con IA saca a la superficie, en promedio, menos «cola larga» de la web, remite con más frecuencia a los sitios de mayor tamaño y, en general, ofrece una menor variabilidad de respuestas que la búsqueda clásica [4]. Para el mercado, esto significa que los distintos sistemas no solo encuentran documentos distintos. También resuelven de manera diferente la cuestión de qué tipo de fuente merece siquiera convertirse en parte de la versión pública de la realidad.

La cuarta razón son las distintas decisiones de interfaz y de política. En el ya mencionado trabajo The Rise of AI Search, los autores muestran que la propia aparición de una respuesta de IA depende del tipo de consulta: las preguntas reciben resúmenes de respuesta con mucha más frecuencia que las formulaciones de navegación [4]. Esto puede parecer un detalle menor, pero para la marca las consecuencias son enormes. Una empresa puede ser muy visible en el modo de consulta directa por nombre y casi desaparecer en el modo de pregunta sobre la categoría, donde la decisión se toma antes y sin intención explícita de visitar el sitio de la marca. En la práctica, esto significa que los distintos sistemas no solo responden de forma diferente a una misma pregunta, sino que también deciden de forma diferente si la propia pregunta merece una respuesta generativa.

La quinta razón es la diferencia en los criterios de confianza en la fuente. En Search Arena se observa que los usuarios prefieren con más frecuencia las respuestas con un mayor número de citas, y que el tipo de fuentes citadas también influye en esa preferencia [5]. En SourceBench se subraya que la calidad de las fuentes determina directamente la fiabilidad de la respuesta [6]. Pero la cuestión de qué fuentes deben considerarse de calidad la resuelve cada sistema a su manera. Para uno, importan más los grandes nodos de referencia; para otro, las plataformas tecnológicas y comunitarias; para un tercero, los documentos oficiales o los catálogos comerciales. Por eso, una marca puede ganar en un entorno gracias a una documentación sólida y perder en otro, donde la capa decisiva es la de las reseñas independientes.

El efecto práctico de estas diferencias se aprecia bien en ejemplos del trabajo cotidiano. Supongamos que una empresa vende un servicio complejo de analítica para comercio electrónico. En una interfaz de respuestas puede presentarse como una «solución para tiendas medianas y grandes» porque el sistema se apoyó en el sitio oficial, en una reseña sectorial y en varios artículos comparativos extensos. En otra interfaz, la misma marca aparecerá como un «producto corporativo caro», porque el modelo recuperó un conjunto de publicaciones externas sobre grandes implantaciones e ignoró el segmento de la pequeña empresa. En una tercera respuesta, desaparecerá por completo, cediendo su lugar a servicios más simples, si la pregunta del usuario se formuló como «con qué empezar rápido y sin una implantación larga». Y en los tres casos no se tratará de una falsedad en el sentido estricto, sino de distintos regímenes de selección, acentuación y generalización.

De aquí se desprende una conclusión metodológica muy importante: una instantánea aislada de la visibilidad es casi inútil. Si la marca se comprobó una sola vez, en un solo sistema, con una sola consulta y en un solo idioma, no midió el mercado: midió el azar. Para entender la situación real, hay que evaluar no solo el resultado medio, sino también la dispersión. ¿Cuántas versiones distintas de la marca surgen en diferentes sistemas? ¿Con qué estabilidad se repiten las propiedades clave? ¿Cómo cambia el conjunto de citas al cambiar la formulación? ¿Aparece la marca en respuestas sobre la categoría sin una mención directa de su nombre? Estas son las preguntas que realmente muestran la posición de la empresa en el entorno de respuestas.

Para la futura base de ai100, aquí casi se impone un esquema natural de observación. Para cada consulta investigada conviene conservar no solo el hecho de la respuesta, sino también el sistema, el modo de respuesta, la fecha, el idioma, el tipo de intención, el conjunto de citas, el tono predominante, el lugar de la marca en la composición de la respuesta y el número de alternativas que se introdujeron automáticamente en la comparación. Entonces la «burbuja de respuestas» dejará de ser una metáfora y se convertirá en una magnitud medible: será posible ver hasta qué punto la marca resiste el cambio de mediador y dónde comienza exactamente la divergencia.

Hay también una conclusión empresarial más profunda. Si distintos sistemas construyen distintas versiones de la marca, la tarea estratégica de la empresa no es alcanzar una uniformidad absoluta, que en principio es inalcanzable, sino reducir la dispersión caótica y aumentar la cuota de interpretaciones deseables. Esto no se logra con trucos mágicos de «optimización para IA», sino con disciplina del conocimiento: formulaciones coherentes en los propios recursos, confirmaciones externas sólidas, una capa de datos legible por máquina y comprensible, una categorización precisa del producto y atención a aquellos tipos de preguntas en los que la marca hoy desaparece.

En cierto sentido, la «burbuja de respuestas» es una nueva forma de fragmentación del mercado. Antes, las empresas luchaban por un lugar en la página de resultados. Ahora también luchan por la estabilidad de su entidad al pasar de un motor de respuestas a otro. Por eso, una marca madura en 2026 no debería preguntar simplemente «¿qué dice la IA sobre nosotros?», sino «¿qué versiones de nosotros existen en distintos mundos de respuestas y cuál de ellas vence con mayor frecuencia a las demás?». Solo después de esa pregunta comienza un trabajo verdaderamente moderno sobre la visibilidad.