Social Media

Hasta hace poco, cuando hablábamos de visibilidad orgánica, terminábamos mirando casi siempre los mismos datos: posiciones, impresiones, clics, tráfico… Hoy todo eso sigue siendo importante, pero hay una pregunta nueva que merece nuestra atención: ¿qué ocurre cuando alguien pregunta a una IA por nuestro sector, nuestros productos o una necesidad que nuestro negocio puede resolver?

Porque aparecer en una respuesta generada por inteligencia artificial puede significar cosas muy distintas.

Una IA puede utilizar un artículo de tu web como fuente. Puede mencionar tu empresa porque la ha encontrado relacionada con un tema. O puede ir un paso más allá y recomendar tu marca cuando alguien pregunta dónde comprar un producto o qué empresa elegir.

En Geotelecom llevamos tiempo trabajando el SEO para IA dentro de nuestros proyectos y queríamos comprobar qué estaba sucediendo más allá de la teoría. Así que hemos hecho algo bastante sencillo: preguntar, repetir las búsquedas, cambiar su intención y comparar las respuestas.

Las pruebas las hemos realizado en octubre de 2026 con Google (Vista creada con IA), ChatGPT y Claude, sobre proyectos reales que gestionamos. Las respuestas de estos sistemas cambian con frecuencia, así que conviene leer lo que sigue como una fotografía de ese momento. Aun así, los resultados nos han servido para confirmar algo importante: hablar simplemente de “posicionar en IA” se queda corto.

¿Qué diferencia hay entre una citación y una recomendación en IA?

Una citación es cuando una IA utiliza una página de tu web como fuente para construir su respuesta: tu contenido aporta información. Una recomendación es cuando la IA incluye tu marca entre las opciones que propone al usuario: tu empresa forma parte de la respuesta. Y entre ambas hay un punto intermedio, la mención, en la que la IA nombra la marca sin enlazar su web ni recomendarla expresamente.

Se entiende mejor con un ejemplo. Empecemos por una búsqueda informacional: “¿Cuánto dinero necesito para empezar a invertir en oro?” Si la respuesta se apoya en el artículo de una empresa especializada en metales preciosos para explicar cuánto capital hace falta, tenemos una citación: la web está actuando como fuente.

Ahora cambiemos la consulta a una búsqueda comercial: “¿Cuáles son las mejores tiendas para comprar oro online en España?” Si esa misma empresa aparece entre las opciones propuestas, tenemos una recomendación. Ya no aporta solo información: la propia marca forma parte de la respuesta a una necesidad comercial.

La diferencia importa. Una citación puede reforzar nuestra autoridad sobre un tema, mientras que una recomendación nos introduce en una conversación mucho más próxima a una decisión de compra. Y una no implica necesariamente la otra.

¿Cuándo utiliza una IA una web como fuente?

Según lo que hemos observado, una IA tiende a utilizar una web como fuente cuando tiene una página que responde de forma específica a la pregunta que se le plantea. No basta con hablar del tema en general: funcionan mejor los contenidos creados para resolver una duda concreta.

No podemos afirmar que esto ocurra siempre ni que exista una relación directa de causa y efecto. Los sistemas generativos no ofrecen una fórmula cerrada que permita garantizar qué URL van a seleccionar. Pero sí hemos visto un patrón, y lo comprobamos en uno de nuestros proyectos.

Se trata de un proyecto del sector de los metales preciosos. Llevamos años trabajando su blog y su autoridad de marca, con una estrategia SEO que incluye link building. Al principio necesitábamos construir una base de contenidos alrededor de temáticas relativamente amplias del sector. Con el tiempo hemos podido profundizar mucho más y trabajar dudas específicas: cuánto dinero hace falta para empezar a invertir, diferencias entre bullion y numismática, liquidez de determinadas monedas o cuándo puede interesar vender oro.

Decidimos comprobar qué ocurría al trasladar algunas de esas preguntas directamente a los buscadores con IA.

De una búsqueda concreta a una fuente

Preguntamos en Google: “¿Cuánto dinero necesito para empezar a invertir en oro?”

La Vista creada con IA utilizó como una de sus fuentes el artículo específico que habíamos trabajado sobre esa cuestión.

Seguimos probando: 

“¿Es mejor comprar lingotes o monedas de oro para invertir?”

Otra URL del proyecto entre las fuentes.

“¿Qué monedas de oro son más fáciles de vender en Europa?”

De nuevo aparece contenido del blog.

“¿Qué diferencia hay entre bullion y numismática?”

La IA vuelve a recurrir a una página que aborda específicamente esa duda.

En las cuatro consultas que probamos, la respuesta utilizó una URL del blog del proyecto entre sus fuentes.

Lo que sí podemos comprobar es el resultado: varios contenidos creados para responder a preguntas muy concretas están siendo utilizados como fuentes cuando los usuarios plantean precisamente esas preguntas.

Y esto refuerza algo que llevamos tiempo trabajando en SEO: no todo pasa por perseguir la keyword con mayor volumen. Una duda específica puede acercarnos mucho más a una necesidad real.

¿Qué hace que una IA recomiende una marca?

No hemos encontrado un único factor. En nuestras pruebas, lo que más cambió el resultado fue la intención de la consulta, el motor de IA que respondía y las fuentes en las que se apoyaba la respuesta, propias o externas.

Lo vimos al plantear consultas con una intención comercial clara en dos ecommerce de sectores muy diferentes: uno especializado en metales preciosos y otro del sector de las mascotas.

Una marca no aparece siempre

El proyecto del sector mascotas tiene mucha autoridad en el blog: tratamos desde razas y recomendación de gamas de pienso hasta actualidad del sector. Además, trabajamos el SEO de las fichas de producto, con preguntas frecuentes y la información clave bien marcada, y cuidamos el interlinking entre contenidos, categorías y productos.

Aun con ese trabajo detrás, hicimos seis consultas genéricas relacionadas con comprar comida y pienso para perros.

La empresa apareció en cuatro. La IA la incluía en varias de las consultas sobre tiendas recomendadas, mejores tiendas o dónde comprar pienso online, e incluso en alguna centrada en ofertas, pero no en todas: el resultado cambiaba al modificar la forma de preguntar.

Fíjate también en las fuentes que acompañan cada recomendación: la IA no se apoya solo en la web de la tienda.

Después hicimos la prueba con diferentes marcas de alimentación animal. Solo apareció al preguntar por una de ellas.

Esto cambia bastante la pregunta que deberíamos hacernos. En lugar de: “¿Mi empresa posiciona en IA?”Quizá deberíamos preguntar: “¿Para qué necesidades relaciona la IA mi marca con una posible solución?“

Porque una tienda puede aparecer en una consulta y desaparecer en otra muy parecida, y no siempre es fácil saber por qué.

La visibilidad también cambia según la IA

Con el ecommerce de metales preciosos encontramos una presencia comercial mucho más recurrente.

La empresa aparecía al preguntar dónde comprar oro en España, qué tiendas de oro de inversión elegir, dónde comprar lingotes de forma segura o qué opciones existen para adquirir monedas.

Después formulamos una pregunta mucho más concreta:

“Tengo 500 € para invertir en oro físico, ¿dónde podría comprarlo?”

ChatGPT llegó a recuperar una ficha de producto concreta de un lingote de 2,5 gramos y la utilizó como una de las opciones que encajaban con ese presupuesto.

Probamos la misma pregunta en Claude.

La respuesta explicó qué tipo de producto podía comprarse con 500 €, habló de lingotes pequeños, monedas y distribuidores especializados, pero nuestro proyecto no aparecía.

Misma intención. Dos motores. Dos resultados diferentes.

Por eso es complicado hablar de una única “posición” en IA.

Una IA puede apoyarse en fuentes externas para hablar de tu marca

Esta ha sido una de las partes más interesantes de las pruebas.

Preguntamos cuáles eran las mejores tiendas para comprar oro online en España. La IA partía de información procedente de un comparador para construir parte de la selección, pero, al desarrollar la información sobre el proyecto con el que trabajamos, recurría directamente a su web oficial para hablar de catálogo, fabricantes, envíos y recompra.

En esa misma respuesta, algunos competidores estaban respaldados por otras fuentes externas.

Esto nos interesa especialmente porque pone sobre la mesa algo que a veces olvidamos cuando hablamos de GEO: la autoridad de una marca no se construye únicamente dentro de su dominio.

Lo que otras webs dicen sobre ella, con qué productos la relacionan, en qué comparativas aparece o qué medios la consideran relevante también forma parte de su huella digital.

SEO, branding y reputación empiezan a mezclarse bastante más de lo que lo hacían hace unos años.

¿Cómo trabajar la visibilidad de una marca en IA?

Podemos trabajar cinco frentes: construir autoridad temática, atender las búsquedas long tail, facilitar que se entienda el negocio, reforzar la marca fuera del dominio y aportar experiencia propia. Ninguno garantiza una recomendación en ChatGPT, Gemini, Google AI Mode o cualquier otro motor, y si alguien promete una fórmula para aparecer siempre conviene cogerla con cautela.

Pero sí ayudan a que una marca sea más comprensible, relevante y reconocible dentro y fuera de su web.

Construye autoridad temática

No necesitamos escribir sobre absolutamente todo lo relacionado con nuestro sector. Necesitamos decidir en qué temas queremos que nuestra marca sea realmente una referencia.

Si vendes un producto especializado, trabaja las dudas que aparecen antes, durante y después de comprarlo. Si prestas un servicio, explica los problemas que resuelves, las decisiones que debe tomar el cliente y aquellos aspectos en los que tienes experiencia real.

En nuestro ejemplo de metales preciosos, el trabajo no consiste en repetir “invertir en oro” en veinte artículos. Hemos ido construyendo contenidos alrededor de preguntas diferentes y cada vez más específicas.

Es precisamente algo que ya hacemos dentro de una estrategia de posicionamiento SEO: construir relevancia alrededor de un negocio, no alrededor de una keyword aislada.

Trabaja las búsquedas long tail

La forma en la que preguntamos a una IA suele ser más conversacional.

No escribimos necesariamente “oro inversión”. Preguntamos “tengo 500 euros, ¿qué oro puedo comprar?” o “¿qué moneda será más fácil de vender dentro de unos años?”.

Eso hace que las búsquedas long tail y las necesidades concretas cobren todavía más sentido.

No significa abandonar las keywords de volumen. Significa ampliar el keyword research y pensar también en preguntas, comparaciones, situaciones y problemas reales.

En nuestro artículo sobre cómo está afectando AI Mode al SEO ya hablábamos precisamente de este cambio hacia consultas más desarrolladas.

Facilita que se entienda tu negocio

Hay una parte menos vistosa, pero imprescindible.

Una web debe dejar claro quién es la empresa, qué ofrece, en qué está especializada y cómo se relacionan sus contenidos, categorías, productos y servicios.

Aquí seguimos hablando de SEO de toda la vida: arquitectura, enlazado interno, contenidos bien estructurados, páginas corporativas completas, información coherente y datos estructurados cuando tienen sentido. Es lo que hacemos, por ejemplo, en el ecommerce de mascotas, donde cuidamos las fichas de producto con preguntas frecuentes e información clave bien estructurada.

No porque implementar Schema vaya a conseguir mágicamente una recomendación, sino porque facilitar la comprensión de nuestra web nunca ha dejado de ser parte del trabajo SEO.

Refuerza tu marca fuera de tu dominio

Esta parte nos hace pensar más después de nuestras pruebas.

Si una IA puede utilizar una fuente externa para justificar por qué incluye una empresa entre sus recomendaciones, no podemos limitar nuestra estrategia a trabajar nuestra propia web.

Link building, medios especializados, menciones de marca, comparadores, directorios relevantes, relaciones públicas digitales o contenidos de terceros pueden contribuir a construir una presencia más amplia.

En el proyecto de metales preciosos, por ejemplo, el link building y el trabajo de autoridad de marca forman parte de la estrategia desde hace tiempo. Con la búsqueda generativa, observar quién habla de una marca y qué dice de ella cobra todavía más interés, como vimos cuando la IA se apoyó en un comparador para construir su selección.

Aporta experiencia, no contenido por llenar el blog

La IA puede generar en segundos un artículo genérico sobre prácticamente cualquier tema. Competir produciendo más de lo mismo tiene cada vez menos sentido.

Datos propios, pruebas, experiencia con clientes, ejemplos, comparativas, conocimiento del producto o una visión profesional aportan algo mucho más difícil de replicar.

De hecho, este mismo artículo nace de ahí. Podríamos habernos limitado a escribir otra guía sobre qué son GEO y AEO, pero preferimos comprobar qué estaba ocurriendo en proyectos reales y contar también las pruebas donde la marca no aparecía.

Porque esas también nos enseñan algo.

SEO y GEO: ¿estamos haciendo algo realmente diferente?

No, no los vemos como dos estrategias separadas. Con la aparición del GEO (Generative Engine Optimization), AEO y todas las siglas que han llegado después, puede parecer que necesitamos olvidarnos de lo aprendido y empezar de cero. Nosotros no lo estamos viendo así: la base sigue siendo SEO, y lo que se amplía son los lugares en los que ese trabajo puede generar visibilidad.

Si quieres profundizar en las definiciones, ya las explicamos en nuestro artículo sobre GEO, AEO y el futuro del SEO, y en el del archivo llms.txt hablamos de una de las medidas técnicas que más se comenta.

En nuestra agencia SEO trabajamos ambas realidades dentro de una misma estrategia: conseguir que una empresa sea relevante allí donde sus potenciales clientes buscan información y toman decisiones.

¿Cómo medir si una marca está ganando visibilidad en IA?

Creando grupos de consultas relevantes y observando qué ocurre con el tiempo, no con capturas aisladas. Hacer una pregunta, conseguir una captura en la que aparece nuestra empresa y afirmar que “ya posicionamos en ChatGPT” aporta bastante poco.

No miramos únicamente si aparece o no la marca. Analizamos:

• Para qué preguntas aparece y para cuáles desaparece.
• Qué tipo de aparición es: una citación, una mención o una recomendación.
• Qué URL utiliza como fuente: home, categoría, producto, servicio o artículo.
• Qué fuentes externas aparecen asociadas a la marca.
• En qué motores se repite la presencia.
• Cómo cambia el resultado al modificar la intención de la consulta.
• Si esa visibilidad termina generando tráfico, leads o ventas que podamos identificar.

Para hacerlo combinamos herramientas como Google Search Console (consultas largas y conversacionales, y páginas con muchas impresiones y pocos clics), GA4 y Microsoft Clarity (tráfico desde dominios de IA y qué hacen esos usuarios al llegar), y Sistrix y Semrush (evolución de la visibilidad y comparación con competidores). Ninguna ofrece todavía una medición completa en IA, así que lo complementamos con pruebas manuales repetidas y registradas.

Hay algo más: no todo va a terminar reflejado en GA4.

Si alguien pregunta a una IA qué empresas debería valorar, ve nuestra marca y días después nos busca directamente en Google, atribuir ese recorrido es complicado. La ausencia de un clic desde ChatGPT no significa necesariamente que esa aparición no haya tenido valor.

Por eso la medición de la visibilidad generativa todavía tiene mucho camino por recorrer. Lo que sí podemos hacer ya es dejar de medirla únicamente con capturas aisladas.

El SEO no desaparece cuando cambia la búsqueda

Después de estas pruebas, y con las cautelas que hemos ido señalando, nuestra lectura es esta: no estamos sustituyendo SEO por GEO. Estamos ampliando el terreno.

Una estrategia SEO bien trabajada puede conseguir tráfico y posiciones en Google, pero también puede construir algo que ahora resulta todavía más importante: una relación clara entre una marca, su sector y aquello en lo que realmente tiene autoridad.

A veces esa autoridad se materializará en una URL citada por Google. Otras, en una recomendación de ChatGPT. Y habrá consultas en las que simplemente no apareceremos.

Precisamente por eso nuestra pregunta ya no puede ser únicamente “¿para qué keywords posicionamos?”.

También tenemos que empezar a preguntarnos para qué cuestiones nos consideran relevantes las IA, cómo presentan nuestra marca y qué fuentes utilizan para hablar de ella.

Porque conseguir visibilidad ya no consiste únicamente en ocupar una posición. Consiste en ser una de las respuestas que merece la pena tener en cuenta.

La entrada Citación vs. recomendación en IA: cómo ganan visibilidad las marcas se publicó primero en Geotelecom.

Vendes lo mismo que media docena de competidores, al mismo precio de fábrica y con las mismas fotos del proveedor. Y aun así, cada vez que alguien baja el precio, la reacción automática es bajarlo también. Es el dilema de siempre en el ecommerce multimarca: cómo competir por precio sin que ese sea el único argumento, y sin que cada bajada se coma el margen que sostiene el negocio. 

En este artículo vemos por qué no todos los productos deberían jugar esa guerra, cuánto cuesta realmente cada rebaja y qué otras señales puedes ofrecer cuando el precio ya no es diferencial.

Mismo producto, distinto negocio

Vendes una televisión Samsung, una motosierra Husqvarna, una cafetera De’Longhi o unas zapatillas Adidas. Y no eres el único.

El mismo modelo, la misma referencia, probablemente las mismas fotografías proporcionadas por el fabricante. El comprador abre Google Shopping o cualquier comparador y en cuestión de segundos encuentra varias tiendas vendiendo exactamente lo mismo.

La reacción parece inevitable: bajar el precio. Si otro lo tiene por 499 €, pones 495. Si aparece alguien en 489 €, vuelves a revisar. Y así.

El problema es que eso no es una estrategia. Es una carrera hacia abajo en la que, habitualmente, solo gana quien puede permitirse perder dinero durante más tiempo. Y no siempre es una cuestión de voluntad: es uno de los errores más habituales en un ecommerce, y probablemente el más caro.

El precio importa, pero no es lo único que compara el cliente

El precio importa, y bastante: casi 9 de cada 10 compradores (87 %, según IAB Spain, en su Estudio Ecommerce 2025) lo cuentan entre sus motivos para comprar online. Pero por delante aparecen la conveniencia (96 %) y la amplitud de oferta (92 %).

Y con la inteligencia artificial integrándose en el proceso de búsqueda, el 55 % de quienes ya la utilizan para comprar valoran especialmente su capacidad para comparar precios, esa presión no va a disminuir.

El consumidor quiere buen precio. Y también quiere otras cosas. Ahí está la pregunta interesante.

Lo que realmente le estás quitando al margen cuando bajas precio

Hagamos los números, que es donde se ve lo que pasa de verdad.

Un producto con un PVP de 499 € y un coste de 424 € deja un margen bruto de 75 € (un 15 % sobre PVP, un margen bastante normal en electrónica de consumo o pequeño electrodoméstico). El día que un competidor lo pone a 489 € y decides igualarlo, ese margen se estrecha antes de que hayas movido un solo euro de costes.

Y todavía no hemos restado los costes de adquisición. Si sumamos 30 € de publicidad, 10 € de logística asumida y 5 € entre medios de pago y otros variables, cifras nada exageradas para muchos sectores, la contribución por pedido queda en 30 €. Que pueden volverse 15 € si el competidor vuelve a tocar precio la semana siguiente.

Esta es la trampa más habitual del multimarca: confundir facturación, eficiencia publicitaria y rentabilidad como si fueran la misma cosa. Un producto puede tener un ROAS aparentemente razonable y una contribución real que no justifica el esfuerzo. Otro puede vender menos, en absoluto, y ser mucho más rentable. Medir resultados que de verdad hacen crecer un ecommerce pasa por mirar esta contribución real, no solo el ROAS de campaña.

Por eso una política de precios construida únicamente observando lo que cobra la competencia tiene un problema estructural: no está mirando el negocio propio, está mirando el ajeno.

Key Value Items: no todas las referencias tienen que ganar la guerra de precios

En retail existe desde hace tiempo el concepto de Key Value Items (KVI): productos especialmente visibles, buscados con frecuencia y fáciles de comparar, en los que el consumidor construye su percepción de si una tienda es cara o barata.

Un comprador puede no recordar el precio exacto de 5.000 referencias. Pero sí recuerda cuánto cuesta el iPhone que lleva semanas mirando, la consola que quiere regalar en Navidad o la motosierra que ha comparado en tres sitios distintos.

McKinsey & Company ha observado que concentrar la competitividad en precio sobre esos productos concretos —en lugar de aplicarla indiscriminadamente a todo el catálogo— permite mejorar margen sin deteriorar la percepción de competitividad del retailer. De hecho, su recomendación es que los Key Value Items representen al menos un 15 % de las ventas de la categoría: suficiente para marcar la percepción de precio, sin necesidad de sacrificar margen en el resto.

“¿En qué productos necesitamos ser competitivos, por qué, y qué función le pedimos a cada referencia dentro del negocio?”

No todos los productos tienen el mismo papel. 

• Los KVI construyen imagen de precio: son los que el cliente compara y recuerda, y ahí conviene no perder por poco. 
• Otros productos son de tráfico: no dejan casi margen, pero traen visitas y datos.
• Los productos de margen son los que de verdad sostienen la cuenta de resultados, aunque casi nunca se busquen por precio. 
• Y luego están los productos de recurrencia, cuyo valor no está en la primera venta sino en las siguientes: consumibles, repuestos, accesorios.

Pedirles a todos el mismo comportamiento de precio no tiene mucho sentido.

Dos batallas distintas: no se gana igual contra otro multimarca que contra un marketplace

Cuando hablamos de “la competencia” en ecommerce multimarca, en realidad se libran dos guerras distintas, con reglas distintas. Tratarlas como si fueran la misma es otro de los motivos por los que la estrategia de precio acaba siendo reactiva.

Frente 1: otro ecommerce multimarca como tú

Mismo modelo de negocio, catálogo parecido o solapado, mismas referencias de fabricante. Aquí es donde de verdad aplican los Key Value Items: no necesitas ganar en todo el catálogo, necesitas ganar (o al menos no perder de forma visible) en las referencias que ese tipo de cliente compara. 

John Lewis lo entendió a la fuerza: cuando intentó igualar precio con cualquier competidor, el margen se resintió tanto que tuvo que retirar la promesa en 2022. Cuando la recuperó en 2024, lo hizo de forma mucho más quirúrgica, igualando precio solo frente a una lista curada de 25 competidores, no frente a cualquiera, y le funcionó: un 67 % de los clientes dijo que esa garantía, más limitada pero más creíble, les hacía más propensos a comprar allí.

Contra otro multimarca no gana quien iguala más precios, gana quien elige mejor cuáles igualar.

Frente 2: el marketplace generalista 

Aquí las reglas cambian del todo: no compites contra otro negocio con tu misma estructura de costes, compites contra una máquina de repricing que puede mover precio 2,5 millones de veces al día y absorber pérdidas puntuales gracias a su escala. Intentar ganar esa guerra por precio es, casi siempre, una pelea perdida de antemano. 

Aquí gana la especialización: BCG encontró que el 70 % de los consumidores prefiere comprar en un marketplace especializado en su categoría antes que en uno generalista, cuando precio y producto son similares, precisamente por mejor percepción de servicio y más confianza en la marca, algo que también se construye con reseñas de clientes visibles en Google. 

El mismo principio se traslada a la tienda especializada frente al marketplace: piensa en esa motosierra. Un marketplace la vende. Un especialista puede ayudarte a entender qué potencia necesitas según tu tipo de uso, qué diferencias hay entre batería y gasolina, qué cadena es compatible, qué mantenimiento vas a necesitar, qué repuestos encontrarás en el futuro. No te vende una motosierra. Te ayuda a no equivocarte de motosierra.

Eso vale algo. No para todos los perfiles de cliente ni en todas las categorías. Pero en sectores con productos complejos, ticket alto o decisiones de compra con mucha incertidumbre, reducir esa fricción es una propuesta de valor real que no aparece en el precio.

Precio ampliado: lo que el cliente compara además del PVP

El cliente no tiene en cuenta únicamente el número que aparece junto al botón de compra. También valora tiempo, certeza, conveniencia y el riesgo de equivocarse. DHL, en su informe de tendencias de ecommerce, es bastante directo al respecto: una parte significativa de los compradores abandona el carrito cuando no encuentra las opciones de entrega que necesita, y algo parecido ocurre cuando las condiciones de devolución no cumplen sus expectativas.

Tiene sentido, por tanto, pensar en un precio ampliado: PVP + envío + tiempo de espera + facilidad de devolución + certeza de que llegará bien. Todo eso entra en la cabeza del comprador cuando decide, aunque no lo formule así. Y puede inclinar la balanza sin que el PVP haya movido ni un euro. Si tu web no está comunicando bien esas garantías, probablemente esté detrás de que una página no convierta aunque el precio sea competitivo.

La primera venta no siempre tiene que ser rentable

Hay un cálculo que se hace mucho en ecommerce para evaluar si una venta tiene sentido: ingreso menos costes, margen, y a otra cosa. El problema es que ese cálculo funciona bien para transacciones sueltas, pero no siempre captura lo que pasa después.

Un cliente satisfecho en su primera compra tiene más probabilidades de volver. Y esa segunda visita suele llegar sin coste de adquisición, con menos fricción y, en muchos casos, con un ticket igual o más alto. La matemática empieza a cambiar.

Bain & Company lleva documentando este efecto desde su investigación original con Harvard Business School: un aumento del 5 % en la retención de clientes puede incrementar los beneficios entre un 25 % y un 95 %, dependiendo del sector. No porque fidelizar sea fácil (no lo es), sino porque el coste de una segunda venta a alguien que ya confía en ti es estructuralmente inferior al de captar a alguien nuevo. 

Herramientas como el cálculo del Customer Lifetime Value o un análisis RFM para segmentar por recurrencia ayudan a poner número a este efecto en tu propio catálogo.

Ahora bien, esto no funciona igual en todas las categorías. Un cliente de productos consumibles (los que se agotan y hay que reponer) puede volver a comprar cada mes. Uno que compra un frigorífico probablemente no vuelva hasta dentro de varios años. Y el cliente que llegó buscando el precio más bajo no siempre es el mismo que después regresa por confianza o por servicio.

Por eso tiene sentido preguntarse no solo “¿cuánto gano en esta venta?” sino también ¿qué probabilidad hay de que este cliente vuelva y qué representa eso para el negocio?. Son preguntas distintas. Y no siempre dan la misma respuesta.

La transparencia va a seguir aumentando

Y todo apunta a que este dilema va a ser más importante, no menos.

Hasta ahora el consumidor tenía que hacer parte del trabajo: abrir varias pestañas, sumar gastos de envío, leer opiniones dispersas. La inteligencia artificial puede reducir ese esfuerzo de forma significativa. 

No es difícil imaginar cómo será la búsqueda habitual dentro de poco: “Este modelo. Compárame precio final, plazo de entrega, política de devoluciones y valoraciones y dime cuál es la mejor opción.”

Cuando comparar sea tan sencillo, las estrategias que dependen de que el cliente no encuentre otro precio serán cada vez menos sostenibles. La pregunta relevante no es cómo frenar esa transparencia, sino qué otras señales somos capaces de ofrecer cuando el precio sea perfectamente visible para todos.

El mismo producto, tu propia estrategia 

No hay una única forma de competir en el multimarca. Hay negocios con escala suficiente para ser los más baratos en lo que más importa al consumidor. Otros se centran en los productos donde se forma la percepción de precio y dejan respirar el resto del catálogo. Otros ganan por la especialización, por la logística, o simplemente porque consiguen que una primera venta poco rentable sea el inicio de algo más largo.

La mayoría tendrá que combinar varias de estas cosas. Lo que resulta difícil de sostener es querer ganarlo todo a la vez.

Compartir producto con la competencia no significa compartir propuesta de valor, estructura de costes, conocimiento del cliente o capacidad logística. El catálogo puede ser el mismo. El negocio no tiene por qué serlo.

Por eso, la próxima vez que un competidor baje precio, quizá la primera pregunta no debería ser cuánto hay que bajar. Quizá habría que empezar por: ¿es este un producto en el que necesito competir por precio? ¿Cuánto margen estoy sacrificando? ¿Me está trayendo clientes nuevos o únicamente ventas sueltas? ¿Hay algo en mi propuesta que justifique mantenerme?

“En un ecommerce multimarca el precio siempre será parte de la conversación. La estrategia empieza cuando deja de ser la única respuesta.”

Si necesitas ayuda para definir dónde competir por precio y dónde no, en Geotelecom trabajamos precisamente esto dentro de nuestra estrategia digital para ecommerce.  Y si tu reto es vender en marketplaces como Amazon o Aliexpress, o reforzar todo lo que rodea al precio con una estrategia de imagen de marca que genere confianza, también podemos ayudarte a construirlo.

La entrada Estrategia de precios en ecommerce multimarca: cómo competir sin perder margen se publicó primero en Geotelecom.

La pregunta ya no es qué puede hacer la IA, sino qué estamos dispuestos a dejarle hacer.

Hace unos días hablábamos de qué sectores están liderando la adopción de la IA agéntica y hacia dónde vamos en 2027. Ahora toca dar un paso más. La IA ya forma parte del trabajo diario de muchas empresas y, con la llegada de los agentes capaces de acceder a sistemas, encadenar acciones y ejecutar tareas, aumenta también la necesidad de establecer límites.

Aquí entra en juego la gobernanza de la IA: el conjunto de criterios, normas y controles que determina cómo puede utilizarse la inteligencia artificial dentro de una organización, qué decisiones puede tomar y cuáles deben seguir bajo supervisión humana.

Porque cuanto mayor es la autonomía que damos a la IA, más importante es saber qué está haciendo, con qué información y hasta dónde queremos dejarla llegar.

Lo que la IA ya está haciendo en las empresas 

Marketing es una de las áreas donde esta transformación se está produciendo con mayor velocidad. Salesforce señala que el 75 % de los profesionales encuestados ya utiliza IA. El potencial es evidente: la IA puede generar veinte asuntos de newsletter, diez versiones de una landing, cincuenta anuncios o cien adaptaciones para redes sociales prácticamente sin coste marginal.

Sin embargo, el 84 % de esos mismos profesionales reconoce seguir desarrollando campañas genéricas. Los problemas de calidad, fragmentación y disponibilidad de los datos continúan siendo la principal barrera para conseguir la personalización que promete la tecnología.

La IA ha reducido enormemente el coste de producir contenido. No ha reducido el coste de tener algo interesante que decir.

Y cuanto más accesible sea la generación, más valor tendrán precisamente los activos que no están disponibles para todo el mundo: experiencia propia, datos propios, casos reales, conocimiento del cliente, criterio, metodología, reputación y capacidad para relacionar información.

Del Prompt al método: cómo la IA empieza a trabajar en tu empresa

Durante estos primeros años hemos dedicado mucha atención a aprender a pedir cosas a la IA: cómo escribir mejores prompts, cómo proporcionar contexto o cómo conseguir respuestas más precisas. El prompt fue la primera forma de relacionarnos con ella: una instrucción directa, puntual, para obtener una respuesta concreta. Útil, pero limitada. Cada vez que empezabas una conversación, empezabas desde cero.

El siguiente paso llegó en octubre de 2025 con las Skills: paquetes de instrucciones reutilizables que defines una vez para un tipo de tarea y la IA aplica de forma continua sin tener que repetirlas. No es un prompt; es el criterio que permanece. Una skill puede definir cómo debe analizar una campaña, qué pasos seguir, qué fuentes considerar válidas, qué excepciones existen o qué decisiones necesitan aprobación humana. Se configura una vez y funciona siempre igual, con la lógica de tu empresa incorporada.

La cuestión ahora es ir más lejos: conseguir que la IA trabaje de acuerdo con la manera de trabajar de una organización completa. 

Pensemos en un análisis de Google Ads. No basta con decir “analiza esta campaña”. Una empresa puede querer que cualquier análisis compruebe previamente la calidad del tracking, valide los periodos comparados, revise inversión, conversiones, CPA o ROAS, términos de búsqueda, cambios históricos, promociones y estacionalidad, diferenciando siempre hechos de hipótesis. Eso no es un prompt ni siquiera una skill aislada. Es el método de trabajo de esa empresa, transferido a la máquina.

No sabemos exactamente qué forma tomará esto en los próximos años. Lo que sí parece claro es la dirección: cada empresa necesita que la IA forme parte de ella, con su conocimiento, sus normas, sus procesos y sus límites. Una IA genérica que no sabe cómo trabaja tu empresa puede generar mucho volumen. Una integrada en tu forma de trabajar puede aportar valor real. Y esa diferencia no la pone la tecnología sola; la construye cada organización. 

Es probable que dentro de pocos años esto genere incluso una especialización profesional: personas cuya función no sea únicamente saber utilizar IA, sino diseñar cómo debe trabajar la IA dentro de una empresa.

El contexto propio como ventaja competitiva 

Salesforce encuentra una diferencia importante entre los equipos que simplemente utilizan IA y aquellos capaces de alimentarla con información empresarial conectada. Los equipos de marketing con datos unificados son 2,4 veces más propensos a encontrarse entre los profesionales de mayor rendimiento y presentan un 60 % más de probabilidades de utilizar agentes para escalar su actividad.

No es únicamente una cuestión tecnológica. Una IA que no conoce quién es el cliente, qué ha comprado, qué problemas ha tenido, qué productos están disponibles, cuáles dejan margen o cuál es la estrategia comercial puede automatizar mucho y aportar poco.

Si todos podemos acceder a modelos de IA similares, una parte creciente de la ventaja competitiva estará en el contexto que cada empresa sea capaz de proporcionarles. El CRM, la documentación, los históricos, los datos de cliente y la experiencia acumulada pueden convertirse en la verdadera materia prima de la inteligencia artificial empresarial.

Conviene también tener presente qué ocurre con la información que proporcionamos a estos sistemas. Algunos modelos de lenguaje pueden utilizar las conversaciones para mejorar versiones futuras, a menos que la configuración corporativa lo impida. Una empresa que introduce sistemáticamente información estratégica en herramientas gratuitas sin revisar sus términos de uso está tomando, sin saberlo, una decisión sobre la propiedad de su propio conocimiento.

¿La utilizamos para pensar o para evitar pensar?

La IA elimina la fricción. Una investigación que podía ocupar varias horas arranca ahora en minutos. Puede resumir centenares de páginas, comparar competidores, analizar miles de comentarios de clientes o plantear diez escenarios diferentes casi instantáneamente.

La ventaja es evidente, pero también genera una tentación: dejar de investigar porque preguntar es mucho más rápido. Antes, un análisis competitivo implicaba buscar información, leerla, contrastarla, compararla, interpretarla y discutirla antes de decidir. Ahora podemos escribir “analiza estos cinco competidores y dime qué debería hacer mi empresa” y disponer de una propuesta treinta segundos después.

La cuestión no es renunciar a esa capacidad, sino comprender qué estamos recibiendo. Hay una enorme diferencia entre pedir a la IA que encuentre patrones que no hemos detectado y pedirle directamente que defina nuestra estrategia. La primera utilización amplifica nuestra capacidad. La segunda corre el riesgo de sustituirla.

En las organizaciones que están obteniendo resultados reales, la IA no ha sustituido el criterio humano, sino que lo ha obligado a ser más explícito. Los profesionales que mejor trabajan con estos sistemas saben exactamente qué valor aportan ellos y qué parte pueden delegar. Los que simplemente la utilizan para no tener que pensar van construyendo, sin notarlo, una dependencia que acaba reduciendo su capacidad de hacer bien su trabajo sin ella. No es un problema tecnológico. Es un hábito.

El riesgo más peligroso quizá no sea que la IA se equivoque

Las inteligencias artificiales pueden interpretar mal una fuente, omitir información relevante, inventar un dato o construir una explicación lógica para algo que en realidad no ha ocurrido así. El problema más delicado aparece cuando nosotros dejamos de esperar que puedan equivocarse.

Una respuesta incorrecta puede estar magníficamente estructurada, utilizar terminología profesional y presentar una argumentación perfectamente coherente. Puede sonar incluso más convincente que el análisis preparado por una persona y seguir siendo incorrecta. 

En marketing esto ocurre con especial facilidad. Podemos introducir unos datos y preguntar por qué ha aumentado el coste de adquisición. La IA puede construir una explicación razonable sobre el CPC o la competencia. Sin embargo, quizá terminó una promoción, cambió el stock, hubo un problema de tracking o estamos comparando periodos que no son equivalentes.

Aquí existe una distinción fundamental: la IA puede ser extraordinaria generando hipótesis; el profesional debe convertir esas hipótesis en evidencias. Dato, interpretación, hipótesis, recomendación y decisión no son lo mismo. Uno de los riesgos de utilizar IA continuamente es recorrer demasiado deprisa esa cadena hasta terminar tomando una decisión basada en algo que nunca llegamos a comprobar.

El problema se amplía cuando la IA deja de responder y empieza a actuar. Hasta hace poco, equivocarse con IA podía significar obtener un mal texto o una respuesta incorrecta. Ahora los sistemas empiezan a tener acceso a datos, aplicaciones y procesos empresariales: pueden consultar un CRM, analizar campañas, modificar información, desencadenar automatizaciones o ejecutar acciones. 

Imagina un agente de atención al cliente conectado al sistema de gestión de pedidos. Si el sistema malinterpreta una política de cambios, ya no produce un texto incorrecto que alguien revisará antes de enviar. Produce directamente una acción incorrecta: un reembolso que no procedía, un descuento no autorizado, una promesa de plazo imposible.

Una IA que responde incorrectamente genera información incorrecta. Una IA conectada a sistemas puede convertir esa información incorrecta en una acción incorrecta.

Los riesgos también están saliendo fuera de la empresa

El problema no se limita a datos y procesos internos. Estamos empezando a ver consecuencias sobre reputación, propiedad intelectual, fraude y confianza.

En septiembre de 2026 se han documentado nuevos casos de influencers cuya imagen ha sido utilizada mediante deepfakes para promocionar productos con los que nunca habían tenido relación. 

The Guardian (en una investigación publicada el 12 de septiembre de 2026) recoge estimaciones que sitúan las pérdidas globales relacionadas con estafas basadas en deepfakes en unos 3.700 millones de dólares durante 2026. Las empresas ya no son únicamente víctimas potenciales de este tipo de fraude: también pueden convertirse involuntariamente en su vector, cuando un proveedor o un tercero utiliza imágenes, voces o identidades corporativas para fines no autorizados.

Microsoft señala que el 32 % de los incidentes de seguridad de datos registrados estaban relacionados con herramientas de IA generativa. Y el 71 % de los empleados británicos encuestados había utilizado herramientas de IA de consumo no autorizadas para realizar su trabajo, continuando el 51 % semanalmente. Es fácil imaginar qué significa esto en una empresa real: presupuestos pegados en un chatbot, contratos introducidos para obtener un resumen, informes comerciales analizados por herramientas gratuitas o información confidencial utilizada para preparar una presentación.

No hace falta haber implantado oficialmente IA para tener ya un problema de gobernanza de IA.

También ha cambiado el entorno regulatorio. El AI Act europeo, en vigor desde 2024, ha ido incorporando sus obligaciones de forma progresiva, mientras que España también avanza en el desarrollo de su propia ley de inteligencia artificial.

La conversación sobre inteligencia artificial ya no trata únicamente de cuánto tiempo podemos ahorrar. Empieza a incluir seguridad, privacidad, derechos, reputación, transparencia y responsabilidad.

Que brecha que la mayoría de empresas no está cerrando 

Lo paradójico de este momento es que la magnitud del reto tiene medición. Deloitte (en su informe State of AI in the Enterprise 2026) señala que alrededor del 60 % de los trabajadores ya dispone de herramientas de IA aprobadas por su empresa, frente a menos del 40 % un año antes. Sin embargo, solo el 21 % de las compañías afirma disponer de un modelo maduro para gobernar agentes autónomos, y tres de cada cuatro esperan utilizar este tipo de agentes en los próximos dos años.

Gartner añade que hasta el 40 % de las organizaciones podría reducir la autonomía o retirar agentes de IA antes de 2027 debido a problemas de gobernanza descubiertos después de implantarlos en producción, y que solo el 13 % considera disponer actualmente de una gobernanza adecuada.

La adopción está avanzando más rápido que la gobernanza. Y esa brecha tiene consecuencias directas.

Ya no basta con experimentar: hay que gobernar

La palabra gobernanza puede sonar a gran corporación, regulación y comités, pero el concepto es mucho más sencillo y afecta también a cualquier empresa mediana.

Gobernar la IA significa ser capaces de responder preguntas muy concretas: quién puede utilizarla, para qué puede utilizarla, qué información puede proporcionarle, qué fuentes consideramos válidas, qué decisiones puede recomendar, cuáles puede ejecutar, cuándo necesita autorización, cómo podemos comprobar lo que ha hecho y quién sigue siendo responsable cuando algo sale mal.

No se trata de controlar cada prompt que escribe un trabajador. Se trata de establecer unas reglas de juego antes de que la IA esté integrada en tantos procesos que resulte difícil saber dónde empieza y dónde termina su intervención.

Y aquí la gobernanza deja de ser una capa burocrática que añadimos después de implantar la tecnología. Debería formar parte del diseño desde el principio.

Gobernar no significa frenar a la IA

Una empresa puede interpretar la gobernanza como una colección de prohibiciones: no uses esta herramienta, no introduzcas esos datos, no automatices aquello. Sería un error.

Una buena gobernanza debería permitir precisamente utilizar más IA donde aporta valor porque sabemos qué límites existen. Es parecido a cualquier otro proceso empresarial. Tener permisos, responsables, controles y procedimientos no impide trabajar; permite hacerlo con menos incertidumbre.

Implementar la IA también obliga a descubrir cómo funciona realmente la empresa 

Cuando intentamos explicar a una máquina cómo debe ejecutar correctamente un trabajo aparece rápidamente otra realidad: muchos procesos no están realmente documentados. Están en la cabeza de determinadas personas.

Un profesional experimentado sabe que antes de tocar una campaña conviene comprobar determinada métrica, que una fuente concreta no es fiable, que con cierto tipo de cliente existe una excepción o que una decisión aparentemente sencilla requiere preguntar antes a otra persona. Ese conjunto de pequeñas decisiones constituye una parte muy importante del conocimiento empresarial.

Por eso la implantación de IA puede tener una consecuencia inesperadamente positiva: obligarnos a convertir conocimiento tácito en conocimiento organizado. Para conseguirlo hay que responder preguntas que en ocasiones nunca nos habíamos hecho de forma explícita: cómo realizamos realmente una tarea, qué comprobamos siempre, qué diferencia un buen trabajo de uno mediocre, qué decisiones requieren autorización, qué errores son tolerables y cuáles no.

La IA puede obligarnos a documentar nuestro criterio antes de intentar automatizarlo.

Una empresa mediana no necesita empezar por la herramienta 

Uno de los errores más habituales es empezar la conversación con “¿qué herramienta de IA deberíamos utilizar?”. Antes de seleccionar tecnología debería identificarse dónde existe una oportunidad real y qué riesgo supone equivocarse.

Una manera sencilla de hacerlo es evaluar cada proceso usando tres variables: cuánto trabajo consume una tarea, cuánto valor puede aportar la IA y qué consecuencias tendría un error.

Por dónde empezaría mañana una empresa mediana

No hace falta crear inmediatamente un comité de IA ni redactar un manual de cien páginas. Sí hace falta poner cierto orden. Estos son ocho pasos concretos:

1. Saber qué está ocurriendo ya. Un inventario sencillo de herramientas, departamentos, usos y tipos de información empleados. Antes de diseñar una estrategia conviene conocer el uso real, incluido el que ha surgido de forma informal.
2. Definir unas pocas líneas rojas. Información que no puede introducirse en herramientas no autorizadas, acciones que la IA no puede ejecutar sola y decisiones que siempre requieren una persona.
3. Elegir entre tres y cinco procesos de bajo riesgo y alto consumo de tiempo. Es mejor aprender sobre procesos concretos que intentar “implantar IA en toda la empresa”.
4. Documentar cómo se hace bien el trabajo. Antes de automatizar un proceso, definir qué fuentes utiliza, qué pasos debe seguir, qué comprueba un profesional y qué excepciones existen.
5. Asignar un responsable. Cada uso relevante debería tener una persona propietaria del proceso — no necesariamente alguien técnico, sino alguien capaz de determinar si el resultado tiene sentido.
6. Dar permisos de forma progresiva. Primero leer y analizar. Después, recomendar. Más adelante, preparar acciones. Solo cuando exista suficiente confianza, permitir ejecuciones autónomas dentro de límites claros.
7. Medir productividad y también errores. Tiempo ahorrado, calidad y resultados, pero también correcciones necesarias, incidencias y situaciones en las que la supervisión humana evitó un problema.
8. Revisar periódicamente el modelo. Las capacidades cambian demasiado rápido como para considerar cualquier política definitiva. Lo que hoy rechazamos puede ser perfectamente seguro dentro de un año.

Esto convierte la implantación en un proceso progresivo: observar > probar > medir > documentar > ampliar autonomía. No en una carrera por conectar una IA a toda la empresa.

Tres preguntas antes de dar autonomía a una IA

Antes de dejar que un agente actúe solo en un proceso, conviene poder responder con claridad a tres preguntas:

• ¿Qué ocurre si se equivoca? Determina el nivel de riesgo real. Un error en un resumen interno y un error en una transferencia o un mensaje a un cliente no tienen el mismo alcance.
• ¿Cómo sabremos que se ha equivocado? Determina la capacidad de supervisión. Si no existe una forma clara de detectar el error, la IA no debería actuar de forma autónoma en ese proceso.
• ¿Quién responde cuando ocurra? Determina la responsabilidad. Si no hay una persona propietaria del proceso, no hay garantía de supervisión real: la IA no asume responsabilidad, las personas sí.

Si una empresa no puede responder con claridad a las tres, probablemente todavía no debería conceder autonomía a la IA en ese proceso.

Y qué rechazaría de primeras 

También puede resultar útil establecer algunas decisiones que deberían levantar inmediatamente una señal de alerta:

• Automatizar un proceso que todavía no entendemos bien.
• Conectar información sensible a herramientas cuyo tratamiento de datos desconocemos.
• Permitir acciones irreversibles sin aprobación.
• Utilizar resultados que nadie dentro de la empresa sabe verificar.
• Delegar decisiones importantes únicamente porque el sistema suele acertar.
• Implantar IA simplemente porque existe una funcionalidad nueva, sin haber identificado qué problema resuelve.

Existe una regla especialmente útil: “Si no sabemos explicar cómo debería hacerse correctamente una tarea sin IA, probablemente todavía no estamos preparados para automatizarla con IA.”

El futuro puede no consistir en usar más IA, sino en diseñar mejor cómo trabaja con nosotros 

A septiembre de 2026 seguimos en una fase temprana y muy cambiante. Ahora hablamos de prompts, agentes, copilotos y modelos diferentes porque son algunas de las herramientas y arquitecturas disponibles. Es bastante probable que dentro de unos años parte de este vocabulario haya quedado antiguo.

Puede que tengamos sistemas conectados prácticamente con toda la organización capaces de comprender el contexto empresarial de manera continua. Puede que aparezcan profesionales especializados en diseñar los métodos, límites y criterios con los que trabajan estos sistemas. Lo más probable es que ambas cosas evolucionen simultáneamente.

Lo que difícilmente desaparecerá será la necesidad de decidir qué información proporcionamos, qué autonomía concedemos, qué resultados comprobamos y quién es responsable.

Por eso quizá la ventaja competitiva no esté en convertirse en la empresa que más automatiza. Estará en convertirse en la empresa que mejor sabe qué automatizar, qué conocimiento transferir a la máquina y qué decisiones quiere seguir manteniendo en manos de las personas.

La inteligencia artificial puede ayudarnos a trabajar más rápido, analizar más información y ejecutar procesos que hasta hace poco parecían imposibles de automatizar. Pero conforme aumenta su capacidad, también debería aumentar la nuestra para gobernarla.

Porque podemos delegar trabajo, trasladar procedimientos y conectar la IA con prácticamente todo nuestro negocio. Lo que no podemos delegar es la responsabilidad de entender qué está haciendo y por qué.

La entrada Gobernanza de la IA en la empresa: no basta con usarla, hay que saber controlarla  se publicó primero en Geotelecom.

En 2023 le preguntabas a un chatbot. En 2025 le pedías que hiciera cosas. En 2026, la IA agéntica ha empezado a actuar sola, a coordinarse con otros agentes y a tomar decisiones mientras duermes. 2027 será el año en que veamos cambios sustanciales en los procesos de las empresas.

Hay un momento exacto en el que una tecnología deja de ser tendencia y se convierte en infraestructura. Para los agentes de IA, ese momento está llegando: las búsquedas en España sobre IA agéntica han crecido un +4.900% en los últimos dos años, y el interés general en torno al concepto ha subido un +685% en 24 meses. La keyword con más volumen es “automatización con IA” (2.400 búsquedas/mes), seguida de “agentes de IA” (1.600/mes), y “IA legal” destaca como la keyword sectorial más buscada (480/mes). 

No es un error de medición: es la señal más clara de que el mercado ya no se pregunta si esto funciona, sino cómo implementarlo. Las empresas que se pongan a la cabeza en los próximos doce meses tendrán una ventaja que después cuesta mucho recuperar.

Qué es un agente de IA (y por qué no es lo mismo que un chatbot)

Un chatbot responde. Un agente actúa. La diferencia parece pequeña hasta que ves lo que implica en la práctica: un chatbot de atención al cliente te dice el estado de tu pedido; un agente de IA detecta el retraso, consulta con el proveedor, propone una solución alternativa, redacta el correo al cliente y actualiza el CRM, todo sin que nadie se lo pida expresamente.

Los agentes de IA son sistemas capaces de razonar sobre un objetivo dado, planificar los pasos necesarios para alcanzarlo, ejecutar acciones reales en sistemas conectados (correo, CRM, ERP, bases de datos), coordinarse con otros agentes especializados y aprender del resultado para mejorar la siguiente iteración. La IA agéntica es el paradigma que hace posible todo esto: arquitecturas de software donde múltiples agentes autónomos colaboran en flujos de trabajo complejos con mínima supervisión humana. No es ciencia ficción, es lo que ya está pasando en las empresas que van un paso por delante.

El mapa de 2026: quién está ganando y en qué sectores

Gartner estima que en 2026 el 15% de las decisiones empresariales rutinarias las toma directamente un agente de IA. McKinsey documenta ROI positivo entre tres y seis meses en implementaciones bien ejecutadas, y el 62% de las organizaciones ya tiene agentes activos. Pero no todos los sectores se benefician por igual. Estos son los que están marcando el ritmo y los que marcarán el de 2027.

Salud: el agente que no descansa

El sector sanitario es, posiblemente, donde los agentes de IA tienen el impacto más inmediato y más profundo. Los procesos son repetitivos, el volumen de datos es inmenso y los márgenes de error tienen consecuencias reales. Ya se están usando agentes para diagnóstico asistido, que analizan pruebas de imagen, cruzan historial clínico y generan informes preliminares en minutos, liberando al especialista para la decisión final. 

También para el seguimiento de pacientes crónicos, con sistemas que monitorizan constantes, detectan desviaciones y alertan proactivamente sin esperar a la próxima revisión. Y en la gestión administrativa: triaje automatizado, programación de citas, gestión de altas y bajas, generación de documentación clínica.

De cara a 2027, los primeros agentes clínicos con capacidad de coordinación entre especialidades empezarán a operar en hospitales grandes, y las clínicas y centros privados moverán ficha antes que la sanidad pública. Eso sí, todos estos datos deberán tratarse con especial atención al ser datos personales sensibles: las autoridades de protección de datos en la UE ya han impuesto 237 sanciones al sector sanitario, acumulando aproximadamente 22,8 millones de euros.

Legal y compliance: precisión donde más importa

“IA legal” es la keyword sectorial con más volumen de búsqueda en España, y tiene sentido: los despachos de abogados y departamentos jurídicos manejan volúmenes de documentación que ningún equipo humano puede procesar con la velocidad que el mercado exige. 

• Un agente puede revisar cientos de cláusulas contractuales en minutos, marcar inconsistencias y generar un informe de riesgos. 
• La búsqueda jurisprudencial, que antes requería horas en bases de datos especializadas, se ejecuta ahora en segundos con referencias precisas. 
• Y la monitorización regulatoria, el rastreo automático de cambios en el BOE, el DOUE o la legislación autonómica, ya funciona con alertas proactivas. 

De hecho, han surgido varios agentes de IA especializados en derecho laboral, tributario y administrativo de la mano de actores ya consolidados en el sector jurídico.

Hacia 2027, en España la entrada en vigor del marco regulatorio de la IA acelerará, paradójicamente, la adopción: las empresas necesitarán agentes que les ayuden a cumplir con las propias normas sobre IA.

Finanzas y banca: velocidad y precisión a escala

Las entidades financieras llevan años invirtiendo en automatización, pero la IA agéntica supone un salto cualitativo: pasar de automatizar tareas aisladas a orquestar procesos completos de principio a fin. Ya hay agentes dedicados a:

• Detección de fraude en tiempo real, que analizan patrones de transacciones y bloquean operaciones sospechosas en milisegundos
• Asesoramiento financiero personalizado, entendiendo el contexto completo del cliente para proponer ajustes de cartera de forma proactiva
• Análisis de riesgo crediticio, con evaluaciones más rápidas, más precisas y con menos sesgo que los modelos tradicionales
• Reporting regulatorio, generando automáticamente informes para el Banco de España, la CNMV o el BCE con trazabilidad completa. 

Las principales entidades bancarias que operan en España ya dotan a sus gestores de IA internas para resolver consultas sobre operativa bancaria.

De cara a 2027, veremos surgir los primeros “agentes financieros personales” integrados en apps móviles: no asistentes que responden preguntas, sino agentes que gestionan activamente las finanzas del usuario y realizan inversiones. Y previsiblemente, las fintech llegarán antes que la banca tradicional.

Educación: el tutor que se adapta a cada alumno

La educación es quizás el sector donde el impacto potencial de la IA es más transformador a largo plazo, y también donde la adopción institucional avanza más despacio. 

Ya existen agentes de 

• Tutoría adaptativa, que detectan las dificultades de cada alumno, ajustan el ritmo y generan ejercicios personalizados en tiempo real
• Evaluación automatizada, capaces de valorar redacciones y argumentación con retroalimentación detallada, más allá del simple test
• Generación de materiales didácticos, creando en minutos un módulo de formación completo adaptado a un perfil específico de aprendiz
• Orientación y seguimiento, monitoreando el progreso y señalando riesgos de abandono antes de que ocurran.

De cara a 2027, el e-learning tal como lo conocemos (cursos grabados con test al final) quedará obsoleto frente a experiencias completamente adaptativas. Las escuelas de negocio y los centros de FP moverán ficha antes que las universidades.

Marketing y ventas: el agente que nunca para de trabajar

En marketing, los agentes de IA no son una herramienta más en el stack: son una reconfiguración completa de cómo se genera demanda, se cualifican leads y se cierra negocio. Ya se usan para 

• Lead scoring en tiempo real, analizando comportamiento, fuente, perfil y contexto de cada lead para priorizar automáticamente la cartera del equipo comercial
• Personalización a escala, con campañas donde cada receptor recibe un mensaje construido específicamente para él y no una variante de segmento
• Creación de contenido orquestada, donde un agente genera el briefing, otro redacta el artículo, otro lo optimiza para SEO y otro lo adapta para redes
• CRM conversacional que se actualiza automáticamente a partir de llamadas, emails y reuniones.

Hacia 2027 empezarán a operar los primeros departamentos de marketing “agent-first”: estructuras donde el equipo humano define estrategia y supervisa, y los agentes ejecutan el 80% de las tareas operativas.

Logística y operaciones: la cadena que se gestiona sola

Las cadenas de suministro son sistemas complejos, dinámicos e impredecibles: exactamente el tipo de entorno donde los agentes de IA ofrecen más valor. Ya se aplican a 

• La optimización de rutas en tiempo real, recalculando itinerarios ante cualquier cambio sin intervención humana
• La gestión predictiva de stock, analizando demanda, estacionalidad y contexto para anticipar necesidades y evitar rotura o sobrestock
• Al control de calidad automatizado, con visión computacional e IA para detectar defectos en línea de producción a velocidades que ningún operario puede igualar.

De cara a 2027, la logística será uno de los primeros sectores en operar con sistemas multi-agente completamente autónomos: agentes de planificación, ejecución, supervisión y reporte coordinados en tiempo real.

Tendencias 2027: qué viene a continuación

Si 2026 es el año en que los agentes de IA pasan de piloto a producción, 2027 será el año en que las arquitecturas multi-agente se normalicen y los primeros sectores experimenten transformaciones estructurales reales.

• Sistemas multi-agente orquestados: dejaremos de hablar de “un agente de IA” para hablar de “equipos de agentes”. Investigación, redacción, distribución y análisis trabajando en paralelo, coordinados por un agente orquestador.
• IA soberana y modelos verticales: la carrera no será solo quién tiene el modelo más potente, sino quién tiene el mejor entrenado en un dominio concreto. Los modelos especializados superarán a los generalistas en sus campos.
• Validación humana: el debate ya no será “¿debemos confiar en la IA?” sino “¿en qué decisiones concretas necesitamos supervisión humana y cómo la diseñamos?”
• Regulación como acelerador: en España, la plena entrada en vigor del marco regulatorio creará un entorno donde las empresas necesitan agentes para cumplir con las normas… sobre agentes. Una paradoja productiva.
• IA en dispositivos físicos: la convergencia de agentes de IA con robótica, IoT y gemelos digitales llevará la IA agéntica al mundo físico: almacenes, fábricas, hospitales, edificios inteligentes.

Lo que esto significa para tu empresa

La pregunta ya no es si los agentes de IA llegarán a tu sector. Ya están llegando. La pregunta es si tu empresa va a ser de las que lideran la transición o de las que la gestionan reactivamente cuando ya no hay otra opción.

El coste de no actuar es invisible en el corto plazo y muy concreto en el medio plazo: competidores más rápidos, más baratos y mejor informados; equipos que hacen en horas lo que hoy lleva días; procesos que no se equivocan por cansancio. Y el coste de actuar mal también es real: la IA agéntica no es plug-and-play, requiere diseño, implementación y algún cambio en los procesos de las empresas.

La entrada IA agéntica: principales sectores en desarrollo y tendencias para el 2027 se publicó primero en Geotelecom.

Cuando hablamos de publicidad en marketplaces, es inevitable pensar en Amazon. Sponsored Products, Sponsored Brands, campañas de Display… todo esto forma parte de Amazon Ads, el ecosistema publicitario que Amazon lleva años construyendo y que ha cambiado la forma en la que las marcas compiten por la visibilidad dentro de su plataforma.

Pero ya no es solo cosa de Amazon. Leroy Merlin, Brico Depôt, MediaMarkt, Carrefour, ManoMano, Miravia o AliExpress cuentan también con sus propias soluciones para promocionar productos y ganar visibilidad frente a otros competidores, así que el escenario para marcas y vendedores es cada vez más interesante: no solo podemos estar presentes en nuevos canales de venta, también podemos usar la publicidad para llegar al consumidor justo cuando está decidiendo qué comprar.

Y ahí está el verdadero valor de estos entornos: los retailers y marketplaces tienen algo que pocos canales publicitarios pueden ofrecer, usuarios que están mostrando señales directas de intención de compra. 

Una persona que busca televisores dentro de MediaMarkt, herramientas dentro de ManoMano o mobiliario de baño dentro de Leroy Merlin está diciendo, de forma muy clara, qué le interesa en ese preciso momento. A esto es a lo que llamamos Retail Media: aprovechar los espacios, audiencias y datos propios de los retailers para conectar a las marcas con los consumidores dentro (y cada vez más también fuera) del entorno de compra.

De hecho, el peso de este modelo en España lo confirman los datos: según el estudio presentado por The New Retail, la inversión en Retail Media alcanzó 873 millones de euros en 2024, con un crecimiento interanual del 17,6%, y las proyecciones apuntan a superar los 1.280 millones en 2026, a un ritmo cercano al 22% anual. No es una tendencia menor, es ya una de las partidas de inversión publicitaria que más rápido crece en el país.

De estar en un marketplace a conseguir visibilidad

Abrir una cuenta en un marketplace y publicar el catálogo no garantiza que nuestros productos se vayan a ver. Pensemos en una búsqueda de “mampara de ducha” dentro de un marketplace especializado en bricolaje: el usuario puede encontrarse con cientos o miles de referencias similares, y precio, valoraciones, relevancia, disponibilidad, condiciones de envío o calidad de la ficha influyen en cuáles terminan destacando.

Existe, sin embargo, otra vía para ganar esa visibilidad: los productos patrocinados. Cada marketplace tiene sus propias herramientas y particularidades, pero el principio es el mismo: el vendedor invierte para que determinados productos aparezcan en ubicaciones destacadas dentro de la plataforma. Es decir, pasamos de depender únicamente del posicionamiento orgánico a poder sumar una estrategia de visibilidad de pago dentro del propio marketplace.

La gran ventaja: la intención de compra

Aquí encontramos una de las principales diferencias frente a otros entornos publicitarios. Imaginemos que un usuario busca “taladro batería 18V”: no es lo mismo impactarle con un anuncio mientras navega por una web o consulta sus redes sociales que mostrarle un producto patrocinado mientras está haciendo esa búsqueda dentro de Leroy Merlin o ManoMano.

En el segundo escenario ya sabemos algo muy importante: existe intención de compra. El usuario ha entrado voluntariamente en una web concreta, busca una categoría o producto determinado y, probablemente, está comparando alternativas antes de decidirse. La publicidad aparece, por tanto, en un punto muy avanzado del proceso de compra, y esa es una de las grandes fortalezas de este tipo de publicidad: gana visibilidad justo cuando el consumidor está valorando qué comprar.

Ahora bien, la gestión de esta publicidad no funciona igual en todos los marketplaces, y esto es algo que notamos en el día a día: 

• En algunas plataformas somos nosotros, como agencia, quienes gestionamos directamente las campañas de nuestros clientes,con control total sobre pujas, negativización de términos y ritmo de inversión
• Mientras que en otras la inversión publicitaria queda en manos del equipo de Retail Media del propio marketplace, lo que suele traducirse en procesos de aprobación más lentos y menos margen para ajustar sobre la marcha. 

Esta diferencia condiciona bastante cómo se planifica una estrategia y qué expectativas de agilidad se pueden tener con cada plataforma.

¿Qué puede aportar la publicidad a una estrategia de marketplaces?

La respuesta más obvia es “más visibilidad”, pero una estrategia publicitaria bien planteada puede cumplir varios objetivos a la vez.

Ganar presencia en categorías muy competidas

Uno de los principales retos a la hora de vender en marketplaces es la cantidad de alternativas disponibles: podemos tener un buen producto, una ficha completa y un precio competitivo y, aun así, quedarnos lejos de las primeras posiciones. Los productos patrocinados permiten acortar esa distancia y ganar espacios con más exposición.

Dar impulso a productos nuevos

Un producto recién lanzado todavía no tiene histórico de ventas ni valoraciones que le ayuden a posicionar de forma orgánica. La publicidad puede ser la vía para conseguir las primeras visitas y ventas, además de obtener información real sobre cómo responde el consumidor: ¿genera clics?, ¿convierte?, ¿el precio resulta competitivo frente a otras referencias?

Potenciar los productos estratégicos

No hace falta promocionar todo el catálogo. Los best sellers, las referencias con más margen, los productos exclusivos o los artículos especialmente competitivos suelen ser los mejores candidatos para recibir más inversión, siempre priorizando aquellos en los que más visibilidad se traduzca realmente en negocio.

Aprovechar los grandes momentos comerciales

Black Friday, Navidad, rebajas o las campañas propias de cada marketplace generan picos de demanda. Combinar una buena oferta con más presencia publicitaria ayuda a que el producto destaque justo cuando aumenta la competencia por captar al consumidor.

¿Qué va a encontrar el usuario cuando haga clic?

Antes de aumentar la visibilidad de una referencia, conviene hacerse esta pregunta. Podemos llevar tráfico hacia un producto, pero será mucho más difícil convertirlo en ventas si cuenta con imágenes poco atractivas, una descripción incompleta, falta de stock, gastos de envío elevados, malas valoraciones o un precio muy superior al de alternativas similares. 

Imaginemos que promocionamos una mampara por 249 euros mientras otros vendedores ofrecen referencias equivalentes por 179 euros: la publicidad puede conseguir que más personas la vean, pero invertir en publicidad no convierte automáticamente un producto en competitivo.

Por eso, en Geotelecom acompañamos también esa parte previa: analizamos qué productos tienen verdadero potencial, dónde conviene invertir y cómo convertir la visibilidad en ventas rentables, no solo en clics. Porque el objetivo final no es aparecer más, sino estar presentes justo en el momento en el que el consumidor deja de navegar y empieza a decidir qué comprar.

La entrada Cómo la publicidad en marketplaces puede impulsar tus ventas se publicó primero en Geotelecom.