La part del procés de compra B2B que ja no pots veure

Quan una oportunitat entra al CRM sembla que la història acaba de començar. Ja tenim un nom, una empresa, una necessitat, una font d'adquisició i potser una reunió. A partir d'aquí podem mesurar activitat comercial, proposta, avenç, pèrdua o tancament.

Però una part de la decisió pot haver passat abans. El comprador pot haver intentat entendre el problema, après quines solucions hi ha, comparat enfocaments, consultat col·legues, llegit continguts i utilitzat sistemes com ChatGPT, Gemini, Perplexity o Google AI Mode per construir una primera opinió sense que la nostra empresa hagi vist encara un sol senyal identificable.

Aquesta autonomia no elimina el venedor. Està canviant el moment que comença a ser útil. Gartner va trobar en una enquesta 645 compradors B2B que el 45% havia utilitzat IA generativa durant una compra recent, principalment per obtenir informació sobre proveïdors i productes; el 67% preferia una experiència sense representant comercial i, alhora, el 69% preferia validar amb venedors els insights obtinguts mitjançant IA.

Forrester descriu un context igualment distribuït: les decisions B2B impliquen múltiples departaments, participants interns i externs, i els compradors recorren a col·legues, comunitats, peers i eines d'IA abans de parlar amb un proveïdor. Al seu estudi global de gairebé 18.000 business buyers, el 94% va declarar utilitzar algun tipus d'IA durant el procés de compra. És una mesura més àmplia que l'ús específic de GenAI en una compra recent que quantifica Gartner, però confirma que la IA ja forma part de l'entorn de decisió. Els compradors poden arribar a la conversa amb opinions, preferències i shortlists que s'han començat a formar molt abans.

1. Quan apareix una oportunitat, part de la compra ja ha passat

Durant anys hem mesurat l'activitat comercial al voltant de senyals que pot observar l'empresa. Una cerca genera una impressió; una campanya, un clic; una web, una visita; un formulari, un lead; el CRM, una oportunitat. Aquesta infraestructura és útil, però no equival al procés complet de compra.

El comprador mai no va estar completament dins del funnel. Sempre va parlar amb col·legues, va demanar referències, va llegir mitjans, va buscar proveïdors anteriors, va consultar comunitats i va construir part del criteri fora dels actius de l'empresa. Forrester situa aquesta complexitat en xifres: el 73% de les compres analitzades involucra tres o més departaments i, de mitjana, hi intervenen 13 persones internes i nou externes. La decisió B2B s'assembla més a una xarxa d'influències que no pas a una línia ordenada de sessions i conversions.

La IA no crea aquesta zona opaca des de zero. El que fa és introduir un intermediari capaç de fer part de la investigació pel comprador. En lloc d'obrir deu resultats, llegir-los i sintetitzar-los, l'usuari pot demanar una explicació del problema, alternatives, criteris de comparació i proveïdors en una conversa. Després podeu utilitzar aquesta síntesi per cercar marques concretes, qüestionar un venedor o preparar una reunió.

Això canvia el punt de partida de vendes. Una oportunitat que sembla nova pot arribar amb una hipòtesi ja formada sobre el problema, la categoria de solució, les alternatives i el proveïdor. Algunes conclusions seran correctes; altres estaran incompletes o dependran de fonts que l'empresa ni tan sols coneix.

Per això, el problema és anterior a l'atribució. Abans de preguntar quin canal mereix crèdit per la conversió necessitem saber si la nostra empresa va estar present durant la construcció de criteri, de quina manera i amb quina relació respecte a la necessitat que va activar la compra.

Quan el lead apareix al CRM no estem veient el principi de la compra; estem veient el moment en què el comprador comença a ser visible per a nosaltres.

2. El venedor està perdent una funció, no la seva rellevància

Una lectura ràpida del canvi seria concloure que si el comprador pot investigar amb IA, el venedor B2B importa menys. Les dades de Gartner permeten una interpretació força més útil.

En una enquesta realitzada a 645 compradors B2B entre agost i setembre del 2025, el 45% va declarar haver utilitzat GenAI durant una compra recent, principalment per obtenir informació sobre proveïdors i productes. El 67% preferia una experiència sense representant comercial i el 70% una experiència completament digital dautoservei. Tot i això, el 69% preferia recórrer a venedors per validar els insights obtinguts mitjançant IA. A més, els compradors van utilitzar una mitjana de set fonts d'informació durant la compra.

De transmetre informació a reduir incertesa

No hi ha contradicció si se separen les funcions. El comprador vol autonomia per a una part més gran del treball informatiu i continua buscant ajuda quan la decisió es torna específica, arriscada o difícil de defensar internament. Gartner assenyala precisament que els venedors continuen sent importants per investigar un problema empresarial, identificar un proveïdor preferit, aconseguir suport intern i finalitzar una compra.

Això redueix el valor de la venda basada principalment a controlar informació. Explicar què fa l'empresa, lliurar documentació, descriure característiques o respondre preguntes bàsiques ja no garanteix un avantatge quan el comprador pot obtenir una primera resposta en segons i contrastar-la després amb diverses fonts.

Gartner va trobar, a més a més, un senyal útil sobre confiança: el 51% dels compradors considerava més probable trobar-se amb informació enganyosa procedent de GenAI i el 49% deia el mateix d'un venedor. La diferència és mínima. El comprador pot arribar més informat, però no necessàriament més ben orientat, i té més eines per qüestionar tant la màquina com el comercial.

La conseqüència per a màrqueting és paral·lela. Abans que hi hagi la conversa, l'empresa necessita ser comprensible: què fa, per a qui té sentit, quins problemes resol, què pot demostrar i perquè hauria d'entrar en consideració. Aquesta informació ja no ha de funcionar únicament per a una persona que recorre el web. També ha de resistir la mediació de cercadors, sistemes generatius i fonts externes.

El comprador necessita menys el venedor per informar-se i més el bon venedor per validar, contextualitzar i decidir.

Font principal: Gartner, 20 de maig de 2026.

3. La IA introdueix una nova capa entre demanda i proveïdor

Missatge publicat i representació generada no són el mateix

Quan una persona entra a una pàgina de serveis, l'empresa controla en gran mesura el missatge: decideix quines capacitats destaca, quins casos presenta, quines objeccions intenta resoldre i quin llenguatge utilitza. Un sistema generatiu pot reconstruir aquesta empresa duna altra manera. Podeu combinar pàgines pròpies, fonts externes, informació recuperada per a la consulta i coneixement previ del model abans de sintetitzar una resposta adaptada a la necessitat de lusuari.

La diferència sembla tècnica, però és comercial. El sistema pot entendre bé què fa una empresa i descriure malament per a qui. Pot recuperar una capacitat i ometre'n una altra. Podeu utilitzar els vostres articles per explicar una categoria i no relacionar després aquesta mateixa entitat amb la compra. Podeu col·locar-la al costat de competidors que no són els que Direcció considera rellevants.

Aquesta capa obliga a separar preguntes que sota la paraula “visibilitat” solen aparèixer barrejades. El sistema pot trobar informació sobre nosaltres? Entén correctament qui som i què fem? Reconeix per a quin tipus de client tenim sentit? Quina evidència utilitza? Amb qui ens compara? Pensa a la nostra empresa quan l'usuari descriu un problema que resolem?

La darrera pregunta és especialment important. Una entitat pot ser perfectament recuperable quan se n'esmenta el nom i no aparèixer quan la consulta parteix únicament de la necessitat. Saber qui ets i associar-te espontàniament amb una demanda són capacitats diferents.

Ser font i ser proveïdor considerat tampoc no són el mateix

Per a les empreses que publiquen contingut de qualitat, aquesta distinció és crítica. Un sistema pot recuperar un article perquè explica bé un problema, citar-lo o enllaçar-lo i utilitzar-lo com a grounding. Però quan l'usuari passa de “explica'm aquesta categoria” a “quines empreses hauria de considerar”, la companyia que va publicar aquest contingut pot desaparèixer.

El primer fenomen passa principalment a nivell de document i coneixement. El segon exigeix connectar una necessitat amb una entitat empresarial i col·locar-la dins un conjunt d‟alternatives. Comercialment, la distància entre tots dos estats és enorme.

També canvia la lectura de l'anomenat zero-click. El trànsit continua sent important, però una absència de clic no demostra absència dinfluència. Abans de visitar una web, el comprador pot haver rebut informació sobre la categoria, eliminant alternatives o format una shortlist. El clic és un senyal observable; no conté tota la història que ho precedeix.

Aquesta és una de les raons per les quals el problema supera una estratègia de posicionament en un únic motor. La qüestió passa a ser com una empresa és recuperada i representada davant de conjunts de necessitats rellevants, en quines superfícies i davant de quines alternatives. Per a una explicació més específica sobre l'evolució de SEO, GEO i AIO, hem desenvolupat a part la nostra anàlisi GEO el 2026: què canvia amb Google i com mesurar la visibilitat a IA.

Una empresa pot ser molt útil per explicar un mercat i continuar fora del mercat quan arriba la pregunta de compra.

4. El problema de mesura: anomenem “visibilitat” a coses diferents

Cada sistema observa una capa diferent

Les empreses no tenen dades. Tenen Search Console, Analytics, CRM, eines SEO, plataformes d'automatització i, cada cop més, solucions que executen prompts en diferents motors. La dificultat és que cada font observa una part diferent i acostumem a intentar convertir-les en una sola història.

Search Console descriu amb molta precisió demanda i exposició dins de Google Search. Analytics comença a guanyar detall quan hi ha una visita observable. El CRM connecta persones, oportunitats i negoci. Les bateries controlades de prompts permeten estudiar com un motor respon davant de necessitats definides. Cap d'aquestes fonts no reconstrueix per si sola tot el procés de decisió.

Des del juny del 2026, Google ha obert a més una finestra específica a les seves funcions generatives. Search Console Generative registra el nombre de vegades que enllaços a un lloc es mostren a usuaris dins d'AI Overviews o AI Mode i permet analitzar pàgines, països, dispositius i evolució temporal. És un senyal de primer nivell que abans no teníem, però s'ha de conservar la semàntica: una impressió demostra que un enllaç va ser mostrat; no demostra per si sola que la URL fos la font principal de la resposta, que l'empresa entrés en consideració o que existís una recomanació.

D'exposició a recomanació

A aquesta fragmentació s'hi afegeix un problema de llenguatge. “Visibilitat” es fa servir per descriure fets diferents: ser recuperable, aparèixer, ser utilitzat com a font, estar correctament representat, entrar en consideració o rebre una recomanació. Convé tractar-los com a estats diferents i no com a sinònims.

La paraula “influència” exigeix encara més prudència. Una cita demostra una cita; una recomanació observada demostra una recomanació en aquestes condicions. Per afirmar influència comercial necessitem connectar més senyals: comportament, cerca de marca, informació declarada, CRM, oportunitats o evidència longitudinal. De vegades podrem formular una inferència raonable; altres vegades continuarà sent plausible però no demostrada.

La integració de dades ha darribar després de preservar la semàntica de cada senyal: procedència, data, condicions dobservació, evidència i nivell de confiança. Ajuntar totes les fonts en un dashboard sense mantenir aquestes diferències no elimina el punt cec; pot simplement fer-ho més difícil de detectar.

Documentació oficial: Google Search Console Generative AI performance reports i definició d'impressions generatives.

5. Ho descobrim en mesurar-nos a nosaltres mateixos

A R&R estem utilitzant el nostre propi cas per entendre aquestes diferències abans de convertir-les en una metodologia tancada. I les primeres dades ens podien portar a una conclusió tranquil·litzadora.

Primer trobem exposició

Entre el 26 de maig i el 25 d'agost del 2026, Google Search Console va registrar 4.382 impressions generatives per a URLs de R&R. Durant aquests 92 dies, 143 URLs diferents van obtenir almenys una impressió. Dit amb precisió: enllaços de les nostres pàgines van ser mostrats com a tals dins d'AI Overviews o AI Mode. No afirmem que R&R fos utilitzada com a font 4.382 vegades ni que rebés 4.382 recomanacions.

L?exposició, a més, estava distribuïda. La URL principal representava al voltant del 4,61 TP3T del total; les deu primeres, aproximadament el 36,4%; les vint primeres, el 55,5%; i les cinquanta primeres, prop del 84%. No depeníem una peça excepcional.

Quan vam creuar aquestes pàgines amb Search tradicional va aparèixer un altre senyal: el rànquing per volum d'impressions dels dos entorns presenta una correlació de Spearman propera a 0,87 entre les 143 URL comunes. Les pàgines fortes a la recerca tendeixen a ser també fortes en exposició generativa, encara que el comportament no és idèntic. Algunes peces sobreindexen i altres infraindexen a la capa generativa. Lassociació és consistent amb la importància dels fonaments SEO, però no demostra causalitat ni un rànquing equivalent.

Una classificació provisional de les URLs en espanyol va mostrar a més una altra asimetria. El contingut editorial i de coneixement representava al voltant del 70% de les impressions tradicionals i el 80,1% de les generatives; les superfícies classificades com a serveis/comercials passaven aproximadament del 14,7% al 8,7%, i les corporatives també perdien pes relatiu. És una observació interna, no una llei general i molt menys una prova que “la IA ens vegi com a mitjà”. Només indica que, al nostre conjunt, el coneixement tenia proporcionalment més exposició generativa que les superfícies explícitament comercials.

Després canviem la pregunta

Fins aquí, la lectura seguia sent raonablement positiva. Per això canviem de pregunta. Deixem de mirar pàgines i comencem a comprovar com diferents sistemes reconstruïen l'entitat Rumbo & Resultados quan s'hi preguntava directament. Diversos motors van ser capaços d'identificar una part substancial de la nostra proposta: adreça externa, execució, capacitat comercial, IA aplicada i, amb diferent profunditat, capacitats relacionades amb SEO, GEO i visibilitat generativa. Hi havia errors i simplificacions, però la marca no era senzillament desconeguda.

La pregunta comercial era una altra: pensarien aquests mateixos sistemes a R&R si l'usuari descrivia únicament un problema que podem resoldre?

Dissenyem tres necessitats: una pime el creixement comercial de la qual depèn massa del fundador i necessita construir un sistema comercial més predictible; una empresa que vol aplicar IA al negoci amb criteri de tornada i implantació; i una companyia B2B que vol comprendre com apareix i és considerada quan els seus compradors investiguen mitjançant sistemes generatius. Cap pregunta esmentava R&R.

Executem les tres necessitats a DeepSeek, Gemini, Perplexity, Claude, Google AI Mode, Copilot i ChatGPT: 21 execucions controlades. Els motors van entendre els problemes, van identificar categories de solució i van recuperar proveïdors plausibles. R&R no va aparèixer espontàniament en cap d'aquestes 21 respostes.

Aquest resultat tampoc no invalida les 4.382 impressions. Les fa més útils perquè obliga a interpretar correctament què demostren. Tenim exposició generativa a Google; tenim evidència que diversos motors poden reconstruir l'entitat quan la pregunta parteix de la marca; i tenim una prova controlada on aquesta representació no es va traduir en associació espontània davant de tres necessitats comercialment rellevants. Són tres fets diferents.

Per això no presentem el cas com a èxit d'optimització. Encara no hem demostrat que una intervenció hagi corregit el gap, augmentat consideració o generat negoci. És un baseline diagnòstic: ens va permetre localitzar una pregunta que una lectura basada únicament en impressions o mencions hauria amagat.

La capa que faltava no era “més visibilitat”. Era entendre la relació entre la demanda, la representació i la consideració.

6. Com mesurar sense enganyar-te amb els teus propis prompts

Reconeixement assistit davant de descobriment des de demanda

La prova més fàcil és obrir un chatbot i escriure el nom de l'empresa: “què saps de nosaltres?”, “què fem?”, “ens recomanaries?”. És útil per estudiar reconeixement i representació, però no demostra descobriment espontani. En introduir la marca a la pregunta ja hem resolt per al sistema una part essencial del problema.

Per estudiar associació amb demanda cal invertir-ne el disseny: descriure una necessitat real i retirar la marca. El motor ha d'interpretar el problema, identificar la categoria de solució, recuperar alternatives i decidir quines entitats val la pena presentar-hi. Aquesta cadena s'acosta molt més a la pregunta comercial que volem observar.

També cal evitar generalitzar des d'un únic motor. ChatGPT, Gemini, Perplexity, Claude, Copilot o AI Mode no utilitzen necessàriament els mateixos mecanismes de recuperació, fonts, models o criteris de síntesi. Mesurar diversos entorns no converteix una petita mostra en representativa del mercat, però redueix el risc de confondre el comportament d'una plataforma concreta amb un fenomen universal.

El problema de memòria, context i personalització

La memòria i la personalització són un altre risc. Un assistent utilitzat habitualment pot conèixer massa bé l?empresa perquè ha rebut informació en converses anteriors. A la nostra exploració descartem execucions contaminades per context previ i utilitzem sessions noves o contextos sense historial sempre que la plataforma ho permetia. Quan una plataforma no permet garantir absència total de personalització, aquesta limitació s'ha de conservar com a part de la interpretació.

Una observació madura tampoc no s'hauria de quedar en presència sí/no. Convé conservar el prompt, motor, data, condicions d'execució, resposta, fonts quan són visibles, competidors recuperats, atributs assignats i paper de cada entitat: font, menció, candidat, considerat o recomanat. Això permet estudiar representació i competència, no només comptar aparicions.

La repetició converteix després una captura en vigilància. Mateixa família de demandes, condicions suficientment comparables, evidència preservada i noves execucions en el temps permeten comprovar estabilitat, canvis de competidors, evolució de fonts i si una intervenció coincideix amb una modificació observable. Fins i tot aleshores, correlació temporal no s'ha de convertir automàticament en causalitat.

I encara hi ha una decisió anterior: què val la pena mesurar. Multiplicar prompts irrellevants produeix volum, no intel·ligència. La bateria hauria de partir de problemes, categories, etapes de compra, segments, geografies i idiomes que importen al negoci. Al nostre escenari d'IA aplicada, per exemple, no estem preguntant simplement per “consultores d'IA”, sinó per una empresa que vol transformar una capacitat amb criteri de retorn, la mateixa diferència que desenvolupem a per què pagar Copilot o ChatGPT no significa tenir intel·ligència artificial a la teva empresa.

7. Què hauria de fer ara una empresa

El següent error seria convertir tot això en una carrera per monitoritzar centenars de prompts o publicar “contingut per a IA”. Abans d'observar si apareix una empresa cal decidir davant quines demandes tindria sentit que aparegués i què hauria de ser veritat sobre ella quan un sistema intenta representar-la.

Aquest ordre està condicionant el sistema propi que estem construint a R&R. No parteix d'un comptador de mencions. Comença per mercat i demanda: quins problemes, categories, situacions i journeys tenen valor. Després fixa una referència empresarial verificable: què és realment la companyia, què ofereix, per a qui té sentit, què pot demostrar i quines afirmacions no s'hi haurien d'atribuir. Només aleshores té sentit observar cercadors, motors generatius, agents i fonts externes.

Aquesta seqüència també evita un fals debat entre SEO i GEO. Google explica que les seves experiències generatives a Search es recolzen en els sistemes centrals de cerca i en mecanismes de recuperació i grounding sobre contingut web. Rastreig, indexació, arquitectura, qualitat, contingut útil, entitats, enllaços i claredat segueixen sent fonamentals. Sobre aquesta base apareixen preguntes addicionals de representació, fonts, associació amb demanda, consideració i competència que el reporting SEO convencional no resol per ell mateix.

La procedència de cada senyal importa. Una impressió duna plataforma first-party, una resposta observada directament, una font externa, una estimació de tercers i una inferència construïda a partir de diversos senyals no tenen el mateix pes. Si dos motors discrepen sobre una empresa, aquesta contradicció no s'ha d'esborrar per produir un resultat més net; pot ser precisament la troballa que necessitem investigar.

I cada gap condueix a una acció diferent. Si l'empresa no és recuperable, hi pot haver un problema d'accés, arquitectura o distribució. Si és recuperable, però està mal representada, cal revisar identitat, oferta, target, consistència i evidència. Si la representació és raonable però l'entitat no apareix davant de demandes rellevants, el problema és més a prop de l'associació entre problema, categoria, entitat i prova. Si entreu en consideració però altres proveïdors són recomanats sistemàticament, caldrà estudiar diferenciació, especialització, casos i reducció de risc.

El que sabem i el que encara no sabem

Per a Direcció, aquesta nova capa no s'hauria de reduir a una mètrica de màrqueting. Màrqueting posa en circulació informació i evidència; vendes coneix problemes, objeccions i alternatives reals; SEO/GEO assegura que aquesta informació es pugui trobar i interpretar; Adreça decideix quin espai competitiu vol ocupar l'empresa i quines demandes mereixen prioritat.

Tampoc aspirem a una observabilitat total. Cap eina revelarà totes les converses privades que precedeixen una compra ni reconstruirà automàticament tota la causalitat entre una resposta generativa i una venda. L'objectiu raonable és reduir incertesa: combinar senyals complementaris, conservar-ne la procedència, diferenciar fets d'inferències i detectar abans on s'està construint una representació diferent de la que el negoci necessita.

El comprador seguirà necessitant venedors. Però els pot necessitar més tard i per a coses diferents. Entre el moment en què sorgeix el problema i el moment en què parla amb ells hi ha una capa creixent de recerca que l'empresa no controla i observa de manera fragmentada. Vet aquí el nou punt cec.

L'avantatge no serà explicar més mencions. Estarà a comprendre abans quina demanda, quina representació i quina evidència estan construint la decisió.

Referències: Forrester, Three Realities About B2B Buying Networks; Forrester, State of Business Buying 2026; Google, AI optimization guide.