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

Cuando una oportunidad entra en el CRM parece que la historia acaba de empezar. Ya tenemos un nombre, una empresa, una necesidad, una fuente de adquisición y quizá una reunión. A partir de ahí podemos medir actividad comercial, propuesta, avance, pérdida o cierre.

Pero una parte de la decisión puede haber ocurrido antes. El comprador puede haber intentado entender el problema, aprendido qué soluciones existen, comparado enfoques, consultado colegas, leído contenidos y utilizado sistemas como ChatGPT, Gemini, Perplexity o Google AI Mode para construir una primera opinión sin que nuestra empresa haya visto todavía una sola señal identificable.

Esa autonomía no elimina al vendedor. Está cambiando el momento en que empieza a ser útil. Gartner encontró en una encuesta a 645 compradores B2B que el 45% había utilizado IA generativa durante una compra reciente, principalmente para obtener información sobre proveedores y productos; el 67% prefería una experiencia sin representante comercial y, al mismo tiempo, el 69% prefería validar con vendedores los insights obtenidos mediante IA.

Forrester describe un contexto igualmente distribuido: las decisiones B2B implican múltiples departamentos, participantes internos y externos, y los compradores recurren a colegas, comunidades, peers y herramientas de IA antes de hablar con un proveedor. En su estudio global de casi 18.000 business buyers, el 94% declaró utilizar algún tipo de IA durante el proceso de compra. Es una medida más amplia que el uso específico de GenAI en una compra reciente que cuantifica Gartner, pero confirma que la IA ya forma parte del entorno de decisión. Los compradores pueden llegar a la conversación con opiniones, preferencias y shortlists que han empezado a formarse mucho antes.

1. Cuando aparece una oportunidad, parte de la compra ya ha ocurrido

Durante años hemos medido la actividad comercial alrededor de señales que la empresa puede observar. Una búsqueda genera una impresión; una campaña, un clic; una web, una visita; un formulario, un lead; el CRM, una oportunidad. Esa infraestructura es útil, pero no equivale al proceso completo de compra.

El comprador nunca estuvo completamente dentro del funnel. Siempre habló con colegas, pidió referencias, leyó medios, buscó proveedores anteriores, consultó comunidades y construyó parte de su criterio fuera de los activos de la empresa. Forrester sitúa esa complejidad en cifras: el 73% de las compras analizadas involucra tres o más departamentos y, de media, intervienen 13 personas internas y nueve externas. La decisión B2B se parece más a una red de influencias que a una línea ordenada de sesiones y conversiones.

La IA no crea esa zona opaca desde cero. Lo que hace es introducir un intermediario capaz de realizar parte de la investigación por el comprador. En lugar de abrir diez resultados, leerlos y sintetizarlos, el usuario puede pedir una explicación del problema, alternativas, criterios de comparación y proveedores en una única conversación. Puede después utilizar esa síntesis para buscar marcas concretas, cuestionar a un vendedor o preparar una reunión.

Esto cambia el punto de partida de ventas. Una oportunidad que parece nueva puede llegar con una hipótesis ya formada sobre el problema, la categoría de solución, las alternativas y el proveedor. Algunas conclusiones serán correctas; otras estarán incompletas o dependerán de fuentes que la empresa ni siquiera conoce.

Por eso el problema es anterior a la atribución. Antes de preguntar qué canal merece crédito por la conversión necesitamos saber si nuestra empresa estuvo presente durante la construcción de criterio, de qué manera y con qué relación respecto a la necesidad que activó la compra.

Cuando el lead aparece en el CRM no estamos viendo el principio de la compra; estamos viendo el momento en que el comprador empieza a ser visible para nosotros.

2. El vendedor está perdiendo una función, no su relevancia

Una lectura rápida del cambio sería concluir que, si el comprador puede investigar con IA, el vendedor B2B importa menos. Los datos de Gartner permiten una interpretación bastante más útil.

En una encuesta realizada a 645 compradores B2B entre agosto y septiembre de 2025, el 45% declaró haber utilizado GenAI durante una compra reciente, principalmente para obtener información sobre proveedores y productos. El 67% prefería una experiencia sin representante comercial y el 70% una experiencia completamente digital de autoservicio. Sin embargo, el 69% prefería recurrir a vendedores para validar los insights obtenidos mediante IA. Los compradores utilizaron además una media de siete fuentes de información durante la compra.

De transmitir información a reducir incertidumbre

No hay contradicción si se separan las funciones. El comprador quiere autonomía para una parte mayor del trabajo informativo y sigue buscando ayuda cuando la decisión se vuelve específica, arriesgada o difícil de defender internamente. Gartner señala precisamente que los vendedores continúan siendo importantes para investigar un problema empresarial, identificar un proveedor preferido, conseguir apoyo interno y finalizar una compra.

Esto reduce el valor de la venta basada principalmente en controlar información. Explicar qué hace la empresa, entregar documentación, describir características o responder preguntas básicas ya no garantiza una ventaja cuando el comprador puede obtener una primera respuesta en segundos y contrastarla después con varias fuentes.

Gartner encontró, además, una señal útil sobre confianza: el 51% de los compradores consideraba más probable encontrarse con información engañosa procedente de GenAI y el 49% decía lo mismo de un vendedor. La diferencia es mínima. El comprador puede llegar más informado, pero no necesariamente mejor orientado, y tiene más herramientas para cuestionar tanto a la máquina como al comercial.

La consecuencia para marketing es paralela. Antes de que exista la conversación, la empresa necesita ser comprensible: qué hace, para quién tiene sentido, qué problemas resuelve, qué puede demostrar y por qué debería entrar en consideración. Esa información ya no debe funcionar únicamente para una persona que recorre la web. También debe resistir la mediación de buscadores, sistemas generativos y fuentes externas.

El comprador necesita menos al vendedor para informarse y más al buen vendedor para validar, contextualizar y decidir.

Fuente principal: Gartner, 20 de mayo de 2026.

3. La IA introduce una nueva capa entre demanda y proveedor

Mensaje publicado y representación generada no son lo mismo

Cuando una persona entra en una página de servicios, la empresa controla en gran medida el mensaje: decide qué capacidades destaca, qué casos presenta, qué objeciones intenta resolver y qué lenguaje utiliza. Un sistema generativo puede reconstruir esa empresa de otra manera. Puede combinar páginas propias, fuentes externas, información recuperada para la consulta y conocimiento previo del modelo antes de sintetizar una respuesta adaptada a la necesidad del usuario.

La diferencia parece técnica, pero es comercial. El sistema puede entender bien qué hace una empresa y describir mal para quién. Puede recuperar una capacidad y omitir otra. Puede utilizar sus artículos para explicar una categoría y no relacionar después esa misma entidad con la compra. Puede colocarla junto a competidores que no son los que Dirección considera relevantes.

Esta capa obliga a separar preguntas que bajo la palabra “visibilidad” suelen aparecer mezcladas. ¿Puede el sistema encontrar información sobre nosotros? ¿Entiende correctamente quiénes somos y qué hacemos? ¿Reconoce para qué tipo de cliente tenemos sentido? ¿Qué evidencia utiliza? ¿Con quién nos compara? ¿Piensa en nuestra empresa cuando el usuario describe un problema que resolvemos?

La última pregunta es especialmente importante. Una entidad puede ser perfectamente recuperable cuando se menciona su nombre y no aparecer cuando la consulta parte únicamente de la necesidad. Saber quién eres y asociarte espontáneamente con una demanda son capacidades distintas.

Ser fuente y ser proveedor considerado tampoco son lo mismo

Para las empresas que publican contenido de calidad, esta distinción es crítica. Un sistema puede recuperar un artículo porque explica bien un problema, citarlo o enlazarlo y utilizarlo como grounding. Pero cuando el usuario pasa de “explícame esta categoría” a “qué empresas debería considerar”, la compañía que publicó ese contenido puede desaparecer.

El primer fenómeno ocurre principalmente a nivel de documento y conocimiento. El segundo exige conectar una necesidad con una entidad empresarial y colocarla dentro de un conjunto de alternativas. Comercialmente, la distancia entre ambos estados es enorme.

También cambia la lectura del llamado zero-click. El tráfico sigue siendo importante, pero una ausencia de clic no demuestra ausencia de influencia. Antes de visitar una web, el comprador puede haber recibido información sobre la categoría, eliminado alternativas o formado una shortlist. El clic es una señal observable; no contiene toda la historia que lo precede.

Esta es una de las razones por las que el problema rebasa una estrategia de posicionamiento en un único motor. La cuestión pasa a ser cómo una empresa es recuperada y representada ante conjuntos de necesidades relevantes, en qué superficies y frente a qué alternativas. Para una explicación más específica sobre la evolución de SEO, GEO y AIO, hemos desarrollado aparte nuestro análisis GEO en 2026: qué cambia con Google y cómo medir la visibilidad en IA.

Una empresa puede ser muy útil para explicar un mercado y seguir fuera del mercado cuando llega la pregunta de compra.

4. El problema de medición: llamamos “visibilidad” a cosas diferentes

Cada sistema observa una capa diferente

Las empresas no carecen de datos. Tienen Search Console, Analytics, CRM, herramientas SEO, plataformas de automatización y, cada vez más, soluciones que ejecutan prompts en distintos motores. La dificultad es que cada fuente observa una parte distinta y solemos intentar convertirlas en una sola historia.

Search Console describe con mucha precisión demanda y exposición dentro de Google Search. Analytics empieza a ganar detalle cuando existe una visita observable. El CRM conecta personas, oportunidades y negocio. Las baterías controladas de prompts permiten estudiar cómo un motor responde ante necesidades definidas. Ninguna de esas fuentes reconstruye por sí sola todo el proceso de decisión.

Desde junio de 2026, Google ha abierto además una ventana específica a sus funciones generativas. Search Console Generative registra el número de veces que enlaces a un sitio se muestran a usuarios dentro de AI Overviews o AI Mode y permite analizar páginas, países, dispositivos y evolución temporal. Es una señal de primer nivel que antes no teníamos, pero su semántica debe conservarse: una impresión demuestra que un enlace fue mostrado; no demuestra por sí sola que la URL fuera la fuente principal de la respuesta, que la empresa entrara en consideración o que existiera una recomendación.

De exposición a recomendación

A esta fragmentación se añade un problema de lenguaje. “Visibilidad” se utiliza para describir hechos diferentes: ser recuperable, aparecer, ser utilizado como fuente, estar correctamente representado, entrar en consideración o recibir una recomendación. Conviene tratarlos como estados distintos y no como sinónimos.

La palabra “influencia” exige todavía más prudencia. Una cita demuestra una cita; una recomendación observada demuestra una recomendación en esas condiciones. Para afirmar influencia comercial necesitamos conectar más señales: comportamiento, búsqueda de marca, información declarada, CRM, oportunidades o evidencia longitudinal. A veces podremos formular una inferencia razonable; otras veces seguirá siendo plausible pero no demostrada.

La integración de datos debe llegar después de preservar la semántica de cada señal: procedencia, fecha, condiciones de observación, evidencia y nivel de confianza. Juntar todas las fuentes en un dashboard sin mantener esas diferencias no elimina el punto ciego; puede simplemente hacerlo más difícil de detectar.

Documentación oficial: Google Search Console Generative AI performance reports i definición de impresiones generativas.

5. Lo descubrimos al medirnos a nosotros mismos

En R&R estamos utilizando nuestro propio caso para entender estas diferencias antes de convertirlas en una metodología cerrada. Y los primeros datos podían llevarnos a una conclusión tranquilizadora.

Primero encontramos exposición

Entre el 26 de mayo y el 25 de agosto de 2026, Google Search Console registró 4.382 impresiones generativas para URLs de R&R. Durante esos 92 días, 143 URLs distintas obtuvieron al menos una impresión. Dicho con precisión: enlaces de nuestras páginas fueron mostrados como tales dentro de AI Overviews o AI Mode. No afirmamos que R&R fuera utilizada como fuente 4.382 veces ni que recibiera 4.382 recomendaciones.

La exposición, además, estaba distribuida. La URL principal representaba alrededor del 4,6% del total; las diez primeras, aproximadamente el 36,4%; las veinte primeras, el 55,5%; y las cincuenta primeras, cerca del 84%. No dependíamos de una sola pieza excepcional.

Cuando cruzamos esas páginas con Search tradicional apareció otra señal: el ranking por volumen de impresiones de ambos entornos presenta una correlación de Spearman cercana a 0,87 entre las 143 URLs comunes. Las páginas fuertes en búsqueda tienden a ser también fuertes en exposición generativa, aunque el comportamiento no es idéntico. Algunas piezas sobreindexan y otras infraindexan en la capa generativa. La asociación es consistente con la importancia de los fundamentos SEO, pero no demuestra causalidad ni un ranking equivalente.

Una clasificación provisional de las URLs en español mostró además otra asimetría. El contenido editorial y de conocimiento representaba alrededor del 70% de las impresiones tradicionales y el 80,1% de las generativas; las superficies clasificadas como servicios/comerciales pasaban aproximadamente del 14,7% al 8,7%, y las corporativas también perdían peso relativo. Es una observación interna, no una ley general y mucho menos una prueba de que “la IA nos vea como medio”. Solo indica que, en nuestro conjunto, el conocimiento tenía proporcionalmente más exposición generativa que las superficies explícitamente comerciales.

Después cambiamos la pregunta

Hasta aquí, la lectura seguía siendo razonablemente positiva. Por eso cambiamos de pregunta. Dejamos de mirar páginas y empezamos a comprobar cómo distintos sistemas reconstruían la entidad Rumbo & Resultados cuando se preguntaba directamente por ella. Varios motores fueron capaces de identificar una parte sustancial de nuestra propuesta: dirección externa, ejecución, capacidad comercial, IA aplicada y, con diferente profundidad, capacidades relacionadas con SEO, GEO y visibilidad generativa. Había errores y simplificaciones, pero la marca no era sencillamente desconocida.

La pregunta comercial era otra: ¿pensarían esos mismos sistemas en R&R si el usuario describía únicamente un problema que podemos resolver?

Diseñamos tres necesidades: una pyme cuyo crecimiento comercial depende demasiado del fundador y necesita construir un sistema comercial más predecible; una empresa que quiere aplicar IA al negocio con criterio de retorno e implantación; y una compañía B2B que quiere comprender cómo aparece y es considerada cuando sus compradores investigan mediante sistemas generativos. Ninguna pregunta mencionaba R&R.

Ejecutamos las tres necesidades en DeepSeek, Gemini, Perplexity, Claude, Google AI Mode, Copilot y ChatGPT: 21 ejecuciones controladas. Los motores entendieron los problemas, identificaron categorías de solución y recuperaron proveedores plausibles. R&R no apareció espontáneamente en ninguna de esas 21 respuestas.

Ese resultado tampoco invalida las 4.382 impresiones. Las hace más útiles porque obliga a interpretar correctamente qué demuestran. Tenemos exposición generativa en Google; tenemos evidencia de que varios motores pueden reconstruir la entidad cuando la pregunta parte de la marca; y tenemos una prueba controlada donde esa representación no se tradujo en asociación espontánea ante tres necesidades comercialmente relevantes. Son tres hechos diferentes.

Por eso no presentamos el caso como un éxito de optimización. No hemos demostrado todavía que una intervención haya corregido el gap, aumentado consideración o generado negocio. Es un baseline diagnóstico: nos permitió localizar una pregunta que una lectura basada únicamente en impresiones o menciones habría ocultado.

La capa que faltaba no era “más visibilidad”. Era entender la relación entre demanda, representación y consideración.

6. Cómo medir sin engañarte con tus propios prompts

Reconocimiento asistido frente a descubrimiento desde demanda

La prueba más fácil consiste en abrir un chatbot y escribir el nombre de la empresa: “¿qué sabes de nosotros?”, “¿qué hacemos?”, “¿nos recomendarías?”. Es útil para estudiar reconocimiento y representación, pero no demuestra descubrimiento espontáneo. Al introducir la marca en la pregunta ya hemos resuelto para el sistema una parte esencial del problema.

Para estudiar asociación con demanda hay que invertir el diseño: describir una necesidad real y retirar la marca. El motor debe interpretar el problema, identificar la categoría de solución, recuperar alternativas y decidir qué entidades merece la pena presentar. Esa cadena se acerca mucho más a la pregunta comercial que queremos observar.

También hay que evitar generalizar desde un único motor. ChatGPT, Gemini, Perplexity, Claude, Copilot o AI Mode no utilizan necesariamente los mismos mecanismos de recuperación, fuentes, modelos o criterios de síntesis. Medir varios entornos no convierte una muestra pequeña en representativa del mercado, pero reduce el riesgo de confundir el comportamiento de una plataforma concreta con un fenómeno universal.

El problema de memoria, contexto y personalización

La memoria y la personalización son otro riesgo. Un asistente utilizado habitualmente puede conocer demasiado bien la empresa porque ha recibido información en conversaciones anteriores. En nuestra exploración descartamos ejecuciones contaminadas por contexto previo y utilizamos sesiones nuevas o contextos sin historial siempre que la plataforma lo permitía. Cuando una plataforma no permite garantizar ausencia total de personalización, esa limitación debe conservarse como parte de la interpretación.

Una observación madura tampoco debería quedarse en presencia sí/no. Conviene conservar el prompt, motor, fecha, condiciones de ejecución, respuesta, fuentes cuando son visibles, competidores recuperados, atributos asignados y papel de cada entidad: fuente, mención, candidato, considerado o recomendado. Esto permite estudiar representación y competencia, no solo contar apariciones.

La repetición convierte después una captura en vigilancia. Misma familia de demandas, condiciones suficientemente comparables, evidencia preservada y nuevas ejecuciones en el tiempo permiten comprobar estabilidad, cambios de competidores, evolución de fuentes y si una intervención coincide con una modificación observable. Incluso entonces, correlación temporal no debe convertirse automáticamente en causalidad.

Y todavía existe una decisión anterior: qué merece la pena medir. Multiplicar prompts irrelevantes produce volumen, no inteligencia. La batería debería partir de problemas, categorías, etapas de compra, segmentos, geografías e idiomas que importan al negocio. En nuestro escenario de IA aplicada, por ejemplo, no estamos preguntando simplemente por “consultoras de IA”, sino por una empresa que quiere transformar una capacidad con criterio de retorno, la misma diferencia que desarrollamos en por qué pagar Copilot o ChatGPT no significa tener inteligencia artificial en tu empresa.

7. Qué debería hacer ahora una empresa

El siguiente error sería convertir todo lo anterior en una carrera por monitorizar cientos de prompts o publicar “contenido para IA”. Antes de observar si una empresa aparece hay que decidir ante qué demandas tendría sentido que apareciera i qué debería ser verdad sobre ella cuando un sistema intenta representarla.

Ese orden está condicionando el sistema propio que estamos construyendo en R&R. No parte de un contador de menciones. Empieza por mercado y demanda: qué problemas, categorías, situaciones y journeys tienen valor. Después fija una referencia empresarial verificable: qué es realmente la compañía, qué ofrece, para quién tiene sentido, qué puede demostrar y qué afirmaciones no deberían atribuirse a ella. Solo entonces tiene sentido observar buscadores, motores generativos, agentes y fuentes externas.

Esta secuencia también evita un falso debate entre SEO y GEO. Google explica que sus experiencias generativas en Search se apoyan en sus sistemas centrales de búsqueda y en mecanismos de recuperación y grounding sobre contenido web. Rastreo, indexación, arquitectura, calidad, contenido útil, entidades, enlaces y claridad siguen siendo fundamentales. Sobre esa base aparecen preguntas adicionales de representación, fuentes, asociación con demanda, consideración y competencia que el reporting SEO convencional no resuelve por sí solo.

La procedencia de cada señal importa. Una impresión de una plataforma first-party, una respuesta observada directamente, una fuente externa, una estimación de terceros y una inferencia construida a partir de varias señales no tienen el mismo peso. Si dos motores discrepan sobre una empresa, esa contradicción no debe borrarse para producir un score más limpio; puede ser precisamente el hallazgo que necesitamos investigar.

Y cada gap conduce a una acción distinta. Si la empresa no es recuperable, puede existir un problema de acceso, arquitectura o distribución. Si es recuperable pero está mal representada, hay que revisar identidad, oferta, target, consistencia y evidencia. Si la representación es razonable pero la entidad no aparece ante demandas relevantes, el problema está más cerca de la asociación entre problema, categoría, entidad y prueba. Si entra en consideración pero otros proveedores son recomendados sistemáticamente, habrá que estudiar diferenciación, especialización, casos y reducción de riesgo.

Lo que sabemos y lo que todavía no sabemos

Para Dirección, esta nueva capa no debería reducirse a una métrica de marketing. Marketing pone en circulación información y evidencia; ventas conoce problemas, objeciones y alternativas reales; SEO/GEO asegura que esa información pueda encontrarse e interpretarse; Dirección decide qué espacio competitivo quiere ocupar la empresa y qué demandas merecen prioridad.

Tampoco aspiramos a una observabilidad total. Ninguna herramienta va a revelar todas las conversaciones privadas que preceden a una compra ni reconstruir automáticamente toda la causalidad entre una respuesta generativa y una venta. El objetivo razonable es reducir incertidumbre: combinar señales complementarias, conservar su procedencia, diferenciar hechos de inferencias y detectar antes dónde se está construyendo una representación distinta de la que el negocio necesita.

El comprador seguirá necesitando vendedores. Pero puede necesitarlos más tarde y para cosas diferentes. Entre el momento en que surge el problema y el momento en que habla con ellos existe una capa creciente de investigación que la empresa no controla y observa de manera fragmentada. Ahí está el nuevo punto ciego.

La ventaja no estará en contar más menciones. Estará en comprender antes qué demanda, qué representación y qué evidencia están construyendo la decisión.

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