La primera evaluación de proveedores ya ocurre dentro de un modelo de lenguaje

En una auditoría de 2025–26, GSK probó cómo describen los asistentes de IA uno de sus tratamientos para la enfermedad pulmonar obstructiva crónica. A lo largo de 6,000 prompts que cubrían nueve puntos del proceso de decisión de un clínico, la marca quedó primera cuando la pregunta era amplia. Cuando el prompt se acotó a pacientes que inician tratamiento por primera vez—el segmento que la marca está posicionada para dominar—cayó al cuarto lugar¹.

El desajuste importa porque la audiencia ya se movió. OpenEvidence, un asistente de decisión clínica, reporta uso diario por más del 40 por ciento de los médicos en Estados Unidos y 20 millones de consultas en enero de 2026, contra 2.6 millones en diciembre de 2024². Las cifras son de la propia empresa, pero la dirección coincide con lo que los investigadores documentan en categorías B2B: los compradores se informan con herramientas de IA antes de que cualquier vendedor sepa que existen. IDC pronostica que el 62 por ciento de la generación de demanda B2B tradicional será conducida por IA en 2028³.

El comprador llega informado

El go-to-market B2B se construyó sobre canales controlados: representantes de ventas, redes de distribución, ecosistemas de socios, medios propios. La awareness viajaba por pares y relaciones de industria, y la evaluación era lenta porque entender ofertas complejas tomaba trabajo. La lentitud favorecía a los establecidos—daba tiempo a que las inversiones en relaciones rindieran.

Los asistentes de IA comprimen esa secuencia. En IMI, una empresa de ingeniería británica, los ejecutivos describen instaladores de HVAC que ya no buscan en Google; le preguntan a ChatGPT o Gemini qué producto usar y llegan equipados para presionar la conversación con los proveedores⁴. Ese tráfico es invisible para quien vende—los investigadores lo llaman el embudo oscuro—y el framing de un competidor puede volverse el default de la categoría si a un modelo le resulta más fácil recuperarlo y destilarlo.

La legibilidad de máquina es infraestructura

La fragilidad del nuevo canal aparece en detalles mecánicos. La misma auditoría de GSK encontró que todos los modelos probados anclaban sus respuestas en GOLD, la guía global de referencia para la enfermedad, que se actualiza cada año. Sin embargo, los modelos citaban consistentemente la edición de 2024. El sitio de la guía había cambiado su forma de publicar: los archivos que antes se abrían como PDFs incrustados ahora se descargaban al hacer clic, y los documentos dejaron de ser legibles para las máquinas.

Una decisión de formato en un sitio web estaba propagando guías clínicas desactualizadas a escala. La lección para quien vende es más estrecha pero incómoda: la visibilidad en respuestas de IA depende de mecánicas de publicación—schema markup, acceso abierto, estructura de página—que ningún ejecutivo revisa, porque hasta hace poco no importaban. La dinámica extiende la de lo que se documenta: cuando un sistema lee artefactos en lugar de preguntarle a la gente, la estructura del artefacto se vuelve el mensaje.

Qué están haciendo los que se movieron primero

Los investigadores proponen una respuesta de cuatro partes—coordinar la narrativa entre funciones, hacer el contenido citable, construir señales de credibilidad y monitorear las respuestas de IA¹. En la práctica, los movimientos convergen en tres hábitos. Las empresas están unificando el lenguaje entre marketing, documentación técnica y comunicación para que los modelos recuperen una historia en lugar de cinco. Están reestructurando el contenido para su ingestión: schema de producto, tablas comparativas, respuestas cortas y directas a las preguntas que los compradores le hacen a los modelos.

Y están corriendo programas de escucha generativa—auditorías permanentes de cómo responden los asistentes de IA a los prompts que importan en su categoría. La auditoría de EPOC de GSK es una. IMI corre otra, y arrojó un hallazgo que debería inquietar a cualquiera que venda: los clientes tienden a aceptar la respuesta de la IA sin cuestionarla.

Tres problemas que el manual deja abiertos

1. Circularidad.
   Un piloto de Digitas sobre soluciones de pago B2B encontró que más del 80 por ciento de las fuentes en que se apoyaban los modelos venían de las propias marcas⁵. Cuando el juez lee sobre todo el material de los concursantes, la visibilidad mide la operación de contenido tanto como la calidad del producto—una ventaja para los establecidos con equipos de contenido grandes, merezca lo que merezca su oferta.
2. La rueda de molino.
   Toda táctica de optimización generativa se generaliza. Cuando todos los proveedores de una categoría estructuran su contenido para el retrieval, la ventaja se cancela, y la lógica de retrieval pertenece a los proveedores de modelos, que pueden cambiarla sin aviso. El gasto se parece menos a diferenciación y más a un nuevo costo de ser encontrable.
3. Deferencia.
   Si los compradores aceptan respuestas sintetizadas sin cuestionarlas, un error ya no es un clic perdido; fluye hacia decisiones. En categorías reguladas—medicina, finanzas, seguridad industrial—quién responde cuando un modelo tergiversa un producto no tiene respuesta establecida. Los investigadores mencionan la posibilidad de una crisis legal en su última línea; el tema merece más que una línea.

• • •

La posición de mercado de una empresa ahora tiene una capa legible por máquinas, y esa capa puede desalinearse de la estrategia sin que nadie lo note. GSK posicionó su marca para dominar el tratamiento de primera línea y la encontró en cuarto lugar justo ahí; ningún dashboard que la empresa controlara podía haber mostrado esa brecha. La ventaja temprana quizá pertenezca menos a las empresas con el mejor contenido que a las que se les ocurrió revisar qué están diciendo los modelos sobre ellas.