Un fabricante de centros de mecanizado de cinco ejes había destinado casi todo su presupuesto del año anterior a ferias y Google Ads. Pero cuando los compradores comenzaron a utilizar ChatGPT y Perplexity para seleccionar proveedores, la empresa desapareció del proceso: ante una consulta sobre fabricantes taiwaneses de centros de mecanizado de cinco ejes, la IA ni siquiera la mencionaba. 90 días después, ya se mantenía entre las tres primeras recomendaciones. No se aumentó la inversión publicitaria ni se recurrió simplemente a conseguir más enlaces externos; se reorganizó la información de marca que podían leer los motores de IA.
El problema no era el posicionamiento: la IA no conocía la empresa.
El sitio web oficial de la empresa aparecía en la página 2 de Google al buscar «centro de mecanizado de cinco ejes». Sin embargo, la verdadera brecha estaba en otro lugar. Cuando el comprador deja de comparar resultados página por página y pregunta a la IA «Ayúdame a encontrar proveedores fiables de centros de mecanizado de cinco ejes en Taiwán», el modelo prioriza información que pueda extraer con claridad y contrastar en varias fuentes. En el sitio de la empresa, las especificaciones estaban ocultas en archivos PDF, la página del producto apenas incluía una frase y terminaba con «Contáctenos», mientras que las ventajas técnicas se perdían en textos comerciales sin estructura. Para la IA, eso equivalía a no disponer de contenido que pudiera citar.
Con Brand Radar analizamos las mismas consultas de compra para este fabricante y sus cuatro competidores principales. El resultado fue inequívoco: en 20 consultas, los competidores fueron mencionados una media de 11 veces; el fabricante, solo 1, y además como «otra opción». El problema no era el producto, sino la capacidad de la IA para interpretar su información.
Paso 1: averiguar a quién recomienda la IA y por qué
No empezamos modificando el sitio web, sino midiendo. Identificamos las preguntas que un comprador haría realmente a la IA sobre este tipo de producto: comparación de especificaciones, plazos de entrega, servicio posventa e idoneidad para cada industria. Después ejecutamos una ronda de consultas en varios motores de IA y registramos qué marcas aparecían, qué fuentes citaba cada modelo y qué motivos daba para recomendarlas.
- Los competidores recomendados contaban casi siempre con páginas de producto bien estructuradas. Las cifras —recorridos, velocidad y precisión— aparecían directamente en la página, en lugar de quedar encerradas en una ficha técnica.
- Sus ventajas también se repetían en fuentes de terceros —medios especializados, sitios web de distribuidores y conversaciones en foros—, lo que permitía a la IA contrastarlas en varios lugares.
- Las páginas respondían de forma explícita a preguntas del comprador, como si la máquina era adecuada para el sector aeroespacial o médico.
La propia lista de resultados se convirtió en una hoja de ruta. Para entrar en las recomendaciones no hacía falta conseguir más tráfico, sino reunir tres elementos: datos fáciles de extraer, afirmaciones verificables y respuestas directas a las consultas de compra.
Paso 2: llevar los datos ocultos a páginas que la IA pueda leer
Los cambios se centraron en la estructura del contenido, no en el diseño visual. Trasladamos las especificaciones clave de los PDF a las páginas principales de producto y presentamos en campos claros los recorridos X/Y/Z, la velocidad del husillo, la precisión de posicionamiento y los materiales compatibles. Además, al comienzo de cada página explicamos para quién era más adecuada la máquina y qué problemas de mecanizado resolvía. Este enfoque ayuda al comprador y, sobre todo, facilita la extracción por parte de la IA: el modelo puede recuperar una respuesta completa sin tener que deducirla.
La IA no completará por ti los datos que faltan. Si no escribes un dato de forma que pueda leerlo, para el modelo ese dato no existe.— Tenten GEO consultant team
Después abordamos la verificación. Ayudamos a la empresa a publicar artículos técnicos sobre trabajos ya realizados, entre ellos el caso de mecanizado de un cliente del sector médico y datos positivos sobre el rendimiento de piezas aeroespaciales. También conseguimos que distribuidores y medios especializados citaran el mismo conjunto de datos. Cuando una afirmación aparece en varias fuentes independientes, la confianza de la IA aumenta considerablemente. Esa corroboración también es un requisito para que el modelo se atreva a mencionar una marca.
Paso 3: responder a las preguntas del comprador en lugar de presumir
En la compra de una máquina herramienta siempre surgen preguntas recurrentes: ¿cuál es el plazo de entrega?, ¿es compatible con herramientas especiales?, ¿qué cobertura posventa ofrece? y ¿en qué se diferencia de los productos de la competencia? Incorporamos estas preguntas directamente a las páginas de producto y a la sección de preguntas frecuentes, cada una con una respuesta autónoma y fácil de citar. El efecto es doble: el comprador encuentra la información en la página y la IA puede utilizarla al formular una recomendación.
90 días después: de 1 mención a mantenerse entre las 3 primeras recomendaciones
El día 90 repetimos el mismo conjunto de 20 preguntas. Las menciones del fabricante aumentaron de 1 a 13: en 8 ocasiones apareció entre las tres primeras recomendaciones y en 5 figuró en comparaciones favorables. Más revelador aún fue el tipo de consulta: la empresa empezó a ser mencionada al buscar fabricantes taiwaneses de centros de mecanizado de cinco ejes para el sector médico, justo el ámbito que habíamos reforzado con datos y un caso real. Además, el equipo comercial recibió dos nuevas consultas en las que los interesados dijeron directamente: «ChatGPT nos recomendó su empresa».
Conviene dejar algo claro: mejorar las recomendaciones de una categoría en la IA no es un proyecto puntual. Los competidores evolucionan, los modelos se actualizan y la proporción de recomendaciones debe seguirse de forma continua. El fabricante utiliza ahora el seguimiento mensual de Brand Radar como un panel fijo, igual que sus informes de rendimiento. Si una categoría cae fuera de las tres primeras posiciones, el equipo vuelve a revisar y completar el contenido correspondiente.
Tres aprendizajes replicables de este caso
- Medir antes de actuar: si no sabes a quién recomienda actualmente la IA ni por qué, cualquier optimización será una conjetura.
- Liberar los datos de los PDF y del lenguaje comercial para presentarlos en una estructura que la IA pueda interpretar.
- Respaldar los resultados reales con varias fuentes de evidencia: la IA necesita motivos para confiar en tu marca, no solo una URL.
Si quieres saber si tu marca aparece cuando un comprador pregunta a la IA por tu categoría, junto a qué competidores y en qué posición, la vía más rápida es realizar una prueba. Nuestra auditoría GEO aplica la misma metodología para comparar tus recomendaciones en la IA con las de tus principales competidores. Podemos empezar identificando las brechas actuales mediante un diagnóstico GEO de 30 minutos y revisar los resultados directamente con las consultas de tu categoría.
