‘Ser mencionado por la IA ya tiene tarifa’, por David Lahoz

Alguien abre un asistente de IA y escribe que necesita un seguro de hogar para un piso de alquiler, sin letra pequeña y con buena atención telefónica. Recibe tres nombres, dos párrafos de justificación y una recomendación final. No ha visto un solo anuncio. No ha habido subasta, ni impresión, ni píxel. Y, sin embargo, es muy posible que alguien haya pagado por esa respuesta.

No a la plataforma, que es lo que llevamos un año discutiendo. A otros. A quien escribió la reseña, abrió el hilo en un foro o firmó el artículo que el asistente leyó antes de contestar.

En publicidad siempre distinguimos entre lo que se compra y lo que se gana. La presencia se compraba; la reputación se ganaba, despacio y con más disgustos que alegrías. Esa frontera, que nunca fue del todo limpia, está dejando de existir por una razón bastante prosaica: el nuevo prescriptor no sabe distinguir una cosa de la otra.

Un prescriptor que cuenta, no que juzga

Un modelo de lenguaje no tiene opinión sobre las marcas. Tiene estadística. Cuando recomienda una aseguradora, no está valorando su servicio, está reflejando cuánto y cómo se habla de ella en lo que ha leído. Ahrefs lo midió sobre 75.000 marcas: lo que más se asocia con aparecer en las respuestas de IA de Google no son los enlaces, que fueron la moneda del SEO durante veinte años, sino las simples menciones de marca en la web. Es una correlación moderada, no una ley física, pero la dirección está clara.

Para las marcas con historia, esto es una renta. Un preprint publicado en junio comprobó que, ante dos productos con especificaciones idénticas, los modelos recomendaban el de la marca conocida en el 100% de los casos. Décadas de prensa, foros y reseñas convertidas en ventaja automática. Es la mejor noticia que ha recibido el branding de largo plazo en mucho tiempo, y llega justo cuando casi nadie tenía presupuesto para él.

Para las demás, es un problema con una solución evidente. Si lo que cuenta es el volumen de menciones, las menciones se pueden producir.

Estudiar o consultar los apuntes

Hay dos momentos en los que se puede intervenir, y funcionan de manera tan distinta que conviene tratarlos como medios separados.

El primero es lo que el modelo estudió antes de salir al mercado. Todo lo que una marca publica o hace publicar acaba en la web, y la web acaba en los datos de entrenamiento. Nadie sabe cuánto contenido hace falta para inclinar una preferencia comercial. La única pista viene de la investigación en seguridad: un trabajo de Anthropic con el AI Security Institute británico y el Alan Turing Institute consiguió alterar el comportamiento de un modelo con 250 documentos, fuera cual fuera su tamaño. Era un experimento sobre puertas traseras, no sobre marcas, y el salto de una cosa a otra es interpretación mía. Aun así, sugiere que hablamos de cientos de textos y no de millones, lo cual cabe en el presupuesto de cualquier departamento de comunicación.

Lo singular de esta vía es que no tiene botón de pausa. Una campaña se retira, un anuncio se despublica, un claim se corrige. Lo que un modelo ha aprendido se queda aprendido hasta que alguien entrene el siguiente. Es el primer soporte publicitario en el que un error de posicionamiento puede sobrevivir al director de marketing que lo aprobó.

El segundo momento es cuando el asistente busca en internet antes de responder, y aquí ya no hay que especular, porque existe tarifa. Hay agencias que venden paquetes de entre 35 y 100 menciones de marca en Reddit por 2.500 dólares al mes, y Bloomberg documentó en julio cómo los artículos de una de ellas aparecían citados en ChatGPT en menos de veinticuatro horas. Entre 25 y 71 dólares por mención, con resultado comprobable al día siguiente. Cualquiera que haya planificado medios reconoce el producto: inventario, precio unitario y plazo de entrega. Solo falta la orden de compra.

El incentivo perverso

Hasta aquí, podría parecer una táctica más en la larga lista de trucos para gustar a un algoritmo. Lo que la hace distinta es hacia dónde empuja el dinero.

Muck Rack analizó 25 millones de enlaces citados por ChatGPT, Claude y Gemini. El 84 % correspondía a medio ganado: periodismo, análisis independientes, conversación de usuarios. Las notas de prensa apenas aparecían. Los modelos, por diseño o por accidente, desconfían de lo que huele a comunicación corporativa.

La consecuencia es fácil de prever. Si el sistema premia lo que no parece publicidad, la inversión se dirigirá a que la publicidad no lo parezca. No a la pieza identificada como patrocinada, sino al comentario de un usuario que no existe, a la comparativa “independiente” encargada por uno de los comparados, al hilo espontáneo con factura detrás.

Los que llevamos tiempo en programática hemos visto algo parecido. Cuando la compra automatizada premió el inventario barato y visible, florecieron los sitios made for advertising, construidos para satisfacer a la máquina que compraba y no a la persona que leía. Aquello nos costó presupuesto y años de limpieza. Esto otro se alimenta de un recurso más delicado, porque lo que se degrada no es la eficiencia de una campaña, sino la fiabilidad de una fuente a la que la gente está empezando a pedir consejo.

Nadie verifica lo que no se declara

Frente al fraude y la baja calidad, esta industria acabó levantando una infraestructura respetable: medición de visibilidad, filtros de tráfico inválido, listas de vendedores autorizados, auditorías. Costó, pero existe. Para el contenido que alimenta a los modelos no hay nada equivalente.

Los estándares disponibles miran hacia otro lado. Los protocolos de licencia, como RSL, establecen si un modelo puede usar un texto y a qué precio. C2PA, que conozco de cerca, acredita quién creó un contenido y con qué herramientas. Ninguno responde a la pregunta que aquí importa, que es si alguien pagó para que ese contenido existiera. Y las normas europeas sobre publicidad encubierta se redactaron para proteger a un lector humano; cómo se aplican cuando quien lee es un rastreador es algo para lo que no he encontrado respuesta clara.

Tampoco conviene fiarlo todo a la etiqueta. En un experimento de Princeton con más de 2.000 participantes, un asistente que favorecía productos patrocinados consiguió que los eligiera el 61,2%, casi el triple que un buscador convencional. Con el aviso “Sponsored” a la vista, solo un tercio se dio cuenta. Si la advertencia explícita funciona así de mal, la ausencia de advertencia no necesita comentario.

Lo que le toca a cada uno

Al anunciante le corresponde saber qué dicen de su marca los asistentes, con búsqueda activada y sin ella, porque son dos fotografías diferentes, y saber también qué dicen de sus competidores. Y le corresponde decidir, por escrito y antes de que se lo pregunte un regulador, qué parte de su inversión se destina a merecer menciones y qué parte a encargarlas.

A la agencia le toca preguntar a los proveedores de “visibilidad en IA” dónde publican y bajo qué identidad. Un perfil falso recomendando un producto no es una innovación táctica. Es publicidad encubierta con mejor vocabulario.

Y al sector le toca asumir que, por primera vez, la reputación figura en una lista de precios. Durante décadas la defendimos precisamente como aquello que el dinero no podía comprar de forma directa. Era un argumento excelente. Habrá que ir pensando en otro, o en cómo conseguir que siga siendo verdad.

Por David Lahoz, fundador y CEO de VeriqX