Tradicionalmente, medir el rendimiento digital de una marca seguía un recorrido bastante predecible: una persona hacía una búsqueda, pulsaba en un resultado, visitaba una página web y generaba una serie de datos que podíamos analizar.
Sesiones, usuarios, canales, conversiones, formularios, llamadas, eventos, embudos. Ese ha sido nuestro terreno de trabajo durante mucho tiempo. Y sigue siendo importante. Yo mismo sigo entrando cada semana en Google Analytics, Search Console, Looker Studio o herramientas de tracking para entender qué está pasando en los proyectos que gestionamos.
Pero cada vez me encuentro con una situación más frecuente: la marca está influyendo, está apareciendo, está siendo recomendada… y, sin embargo, esa influencia no aparece reflejada de forma clara en los paneles tradicionales.
Esto ocurre porque una parte creciente de las decisiones del usuario ya no pasa necesariamente por una visita a la web. Se resuelve antes. En una respuesta de Google, en un fragmento destacado, en una conversación con ChatGPT, Gemini, Claude o Perplexity, o incluso en una recomendación generada por un agente de IA.
Y aquí empieza uno de los grandes retos actuales del marketing digital: aprender a medir la influencia cuando el clic ya no siempre existe.
La analítica digital necesita reinventarse, no solo actualizarse
Cuando empecé a trabajar con analítica, el sitio web era el centro de casi todo. Si una campaña funcionaba, lo normal era verlo reflejado en visitas. Si una estrategia SEO mejoraba, lo veíamos en impresiones, clics y posiciones. Si una marca ganaba autoridad, tarde o temprano lo notábamos en tráfico orgánico, leads o ventas.
Durante muchos años, esa lógica fue suficiente.
El problema es que el comportamiento del usuario ha cambiado. Cada vez más personas preguntan directamente a un sistema de IA, reciben una respuesta completa y toman decisiones sin visitar todas las webs que antes habrían consultado una por una.
Lo he visto en auditorías de clientes que hacen un buen trabajo de contenido, autoridad y marca, pero que empiezan a notar que ciertas consultas informativas ya no generan el mismo volumen de clics que antes. La demanda sigue ahí. El interés sigue existiendo. La marca incluso puede estar ganando presencia. Pero una parte de esa interacción ocurre fuera de la web.
Por eso, para mí, la analítica digital no está desapareciendo. Está ampliando su campo de visión.
Ya no basta con medir únicamente lo que ocurre dentro de la web. Tenemos que empezar a medir también cómo aparece una marca en los entornos donde hoy se construye parte de la confianza: buscadores enriquecidos, asistentes conversacionales, respuestas generadas por IA y sistemas que sintetizan información antes de que el usuario decida hacer clic.
Una breve historia de la medición digital: de la visita al funnel completo
Primera etapa: contar visitas
Los primeros sistemas de analítica web eran bastante simples. Contaban visitas, páginas vistas, tiempo en el sitio y poco más. La gran pregunta era: cuánta gente entra en mi web.
Era una analítica descriptiva, limitada, pero muy útil para su momento. Permitía justificar inversiones, entender qué páginas tenían más actividad y empezar a profesionalizar la presencia digital de las empresas.
Vista con perspectiva, aquella etapa parece básica, pero fue fundamental. Nos enseñó a mirar la web como un activo medible y no solo como un escaparate.
Segunda etapa: atribución y conversión
Con el crecimiento del comercio electrónico y la publicidad de pago, la analítica dio un salto importante. Ya no bastaba con saber cuánta gente entraba. Queríamos saber qué canal generaba ventas, qué campaña traía leads, qué anuncio funcionaba mejor o qué palabra clave acababa en conversión.
Ahí aparecieron los modelos de atribución, los funnels, las conversiones asistidas y esa obsesión por encontrar qué punto del recorrido era responsable del resultado.
Durante mucho tiempo, el último clic tuvo un protagonismo excesivo. Todavía hoy lo veo en muchos informes: se atribuye demasiado valor al canal que cierra y muy poco a todo lo que ha construido confianza antes.
Aun así, esta etapa fue clave. Nos obligó a conectar marketing con negocio.
Tercera etapa: comportamiento y experiencia
Más adelante, empezamos a mirar con más detalle qué ocurría dentro de la web. Mapas de calor, grabaciones de sesión, eventos, scroll, clics en botones, análisis de formularios, pasos del embudo.
La pregunta dejó de ser solo cuánta gente entra o desde dónde viene. Empezamos a preguntarnos por qué un usuario avanza, dónde duda y en qué punto abandona.
Esta fase mejoró muchísimo la calidad del análisis. En muchos proyectos, entender el comportamiento dentro de la web ha sido la diferencia entre tener tráfico y convertirlo en negocio.
Pero seguía existiendo una premisa de fondo: todo pasaba, en algún momento, por una visita al sitio.
Cuarta etapa: medir sin visita
La etapa que ahora se abre es distinta.
Por primera vez, una parte relevante de la influencia de una marca ocurre fuera de cualquier sesión medible. Ocurre dentro de una respuesta generada por un asistente de IA. Dentro de un resumen que el usuario lee sin visitar la fuente. Dentro de una recomendación que compara proveedores, productos o soluciones sin que esa comparación deje un rastro claro en nuestra analítica.
Esta es la parte que más está cambiando mi forma de interpretar los datos.
Ya no podemos pensar únicamente en términos de visitas. Tenemos que empezar a observar cómo aparece una marca cuando alguien pregunta por una categoría, un problema, una solución o una recomendación.
En otras palabras: tenemos que medir cómo nos entienden las máquinas que están ayudando a decidir a las personas.
Los límites del modelo basado exclusivamente en tráfico
El clic como unidad mínima de valor
La analítica digital tradicional se construyó sobre una idea muy poderosa: si una acción de marketing funciona, generará una visita medible, y esa visita podrá seguirse hasta una conversión.
Durante años, esta lógica ha sido extraordinariamente útil. Nos permitió justificar inversión, optimizar campañas, mejorar contenidos y tomar decisiones con datos.
Pero también nos acostumbró a pensar que, si no hay clic, no hay valor.
Y hoy esa idea empieza a quedarse corta.
En proyectos GEO lo veo cada vez más: una marca puede estar ganando presencia en respuestas de IA, puede estar siendo comparada con competidores, puede estar entrando en la fase de consideración del usuario y, aun así, no generar una visita inmediata.
El clic sigue siendo importante. Pero ya no es la única prueba de que algo está funcionando.
Zero-click search: un fenómeno anterior a la IA generativa
Conviene ser precisos. El zero-click search no empezó con la IA generativa.
Google ya llevaba años resolviendo consultas dentro del propio buscador mediante fragmentos destacados, paneles de conocimiento, mapas, respuestas directas y otros resultados enriquecidos.
Muchas búsquedas informativas ya no necesitaban clic. El usuario encontraba la respuesta en la propia página de resultados.
La IA generativa no ha creado este fenómeno. Lo ha acelerado y lo ha llevado mucho más lejos.
Antes, una respuesta sin clic podía resolver una duda concreta: una definición, una fecha, un dato rápido. Ahora, una conversación con ChatGPT, Gemini, Claude o Perplexity puede resolver una necesidad mucho más compleja: comparar opciones, explicar ventajas e inconvenientes, recomendar proveedores, ordenar criterios de decisión o resumir información de varias fuentes.
Ese es el cambio importante.
No estamos ante una interrupción repentina de la analítica, sino ante la evolución de una tendencia que ya venía creciendo: cada vez más demanda se resuelve dentro del propio entorno de búsqueda o conversación.
¿Qué se pierde cuando solo se mide el clic?
Cuando solo medimos clics, perdemos una parte cada vez más relevante de la historia.
Una marca puede estar siendo mencionada de forma positiva por ChatGPT, Gemini, Claude o Perplexity. Puede aparecer como una opción recomendable en una comparativa. Puede ser citada como fuente fiable. Puede influir en una decisión de compra.
Y, sin embargo, puede no generar una sesión medible en ese momento.
Medir únicamente tráfico en este contexto es como intentar entender una conversación escuchando solo la última frase. Algo podemos interpretar, pero nos falta mucho contexto.
En algunos clientes, esta diferencia se nota especialmente. Vemos contenidos que siguen teniendo impresiones, autoridad y visibilidad, pero reciben menos clics que antes. Si miramos solo Analytics, podríamos pensar que el contenido ha perdido valor. Pero si analizamos el entorno completo, puede que siga influyendo en la decisión del usuario, solo que en un lugar donde no tenemos una etiqueta de seguimiento instalada.
Por eso, los informes de marketing que solo reportan tráfico y conversiones directas pueden estar contando una historia incompleta. No necesariamente falsa, pero sí parcial.
¿Qué ocurre realmente cuando "no hay clic": la demanda que se resuelve en silencio?
Es muy tentador interpretar la ausencia de clic como ausencia de impacto. Pero creo que ese es uno de los errores más importantes que podemos cometer ahora mismo.
Cuando un usuario pregunta a una IA cuáles son las mejores opciones dentro de una categoría y recibe dos o tres marcas recomendadas, ahí ya se está produciendo consideración. Quizá no haya una visita. Quizá no haya una conversión inmediata. Pero la marca ha entrado, o no, en la mente del usuario.
Antes, ese mismo proceso dejaba más señales. El usuario abría varias webs, comparaba pestañas, leía artículos, visitaba páginas de servicios, revisaba opiniones y quizá rellenaba un formulario.
Ahora, parte de esa comparación ocurre dentro de una conversación.
La demanda no ha desaparecido. Se ha vuelto menos observable.
Esta idea me parece clave para entender la nueva analítica. Muchas marcas siguen generando confianza, autoridad y consideración, pero esa influencia no siempre coincide con el lugar donde la marca puede medirla directamente.
Por eso necesitamos construir proxies, muestras, auditorías y métodos indirectos que nos permitan aproximarnos a esa influencia con cierto rigor.
No serán datos perfectos. Pero serán mejores que ignorar por completo lo que está pasando.
Nuevas capas de medición que las marcas deben empezar a incorporar
La analítica tradicional sigue siendo necesaria. No deberíamos sustituirla, sino complementarla.
Un buen sistema de medición actual debería integrar datos de tráfico, conversiones, CRM, Search Console y rendimiento de campañas, pero también nuevas señales de presencia en IA y visibilidad GEO.
A continuación desarrollo las capas que considero más importantes.
Menciones de marca en respuestas de LLMs
Lo primero que debemos observar es si la marca aparece cuando un usuario pregunta a un asistente conversacional por una categoría, un problema o una solución relacionada con el negocio.
No me refiero solo a preguntar directamente por el nombre de la empresa. Eso suele aportar poca información. Lo interesante es medir preguntas reales de cliente. Por ejemplo:
- Si trabajamos con una firma legal, deberíamos analizar si aparece cuando alguien pregunta por abogados especializados en extranjería, fiscalidad internacional o compraventa de vivienda en España.
- Si trabajamos con un ecommerce, deberíamos revisar si aparece en comparativas de producto o recomendaciones por necesidad.
- Si trabajamos con una empresa B2B, deberíamos comprobar si se menciona en consultas de categoría, alternativas o comparaciones con competidores.
A diferencia del SEO tradicional, aquí todavía no existe un estándar tan claro como el ranking de palabras clave. Lo que suelo recomendar es construir una batería de prompts representativos, repetirlos de forma periódica y registrar los resultados de forma estructurada.
También es importante aceptar la variabilidad. Una respuesta de IA puede cambiar según el momento, el modelo, la cuenta, el contexto o la forma exacta de preguntar.
Por eso no debemos tratar una consulta aislada como una verdad absoluta. Debemos verla como una muestra.
Presencia y posición dentro de respuestas generadas
No basta con saber si la marca aparece. Hay que analizar cómo aparece.
Puede figurar como recomendación principal, como una alternativa secundaria, como una mención neutra o solo aparecer cuando el usuario pregunta específicamente por ella.
En SEO clásico mirábamos posiciones. En GEO debemos mirar protagonismo.
Me fijo especialmente en cuestiones como estas: si la marca aparece al principio o al final, si recibe una explicación amplia o superficial, si se asocia a atributos positivos, si se presenta como especialista o si aparece diluida entre muchas opciones.
Esta capa de análisis se parece al seguimiento de rankings, pero con una diferencia importante: las respuestas de IA no son listas limpias de enlaces. Son textos, argumentos y recomendaciones. Por eso la lectura tiene que ser más cualitativa.
A veces una marca aparece en tercera posición, pero con una descripción mucho más sólida que la primera. Otras veces aparece arriba, pero con una mención fría y poco diferenciada.
Ahí es donde la interpretación profesional sigue siendo necesaria.
Sentimiento y contexto de aparición
Ser mencionado no siempre es una buena noticia.
Una marca puede aparecer muchas veces, pero en contextos que no le interesan. Puede aparecer asociada a precio bajo cuando quiere posicionarse por calidad. Puede aparecer en búsquedas informativas pero no en consultas comerciales. Puede ser mencionada por un servicio antiguo y no por el área que quiere potenciar.
Por eso hay que analizar el sentimiento y el contexto.
Cuando reviso respuestas generadas por IA, no miro solo si una marca aparece. Miro qué se dice de ella, con qué tono, junto a qué competidores, en qué tipo de pregunta y con qué atributos.
Esta lectura se acerca mucho al análisis de reputación, pero trasladado al terreno de los modelos de lenguaje.
La gran diferencia es que aquí no solo analizamos lo que dicen las personas en redes o medios. Analizamos cómo los sistemas de IA sintetizan y presentan la información disponible sobre una marca.
Fuentes citadas por los sistemas de IA
Otra capa clave es entender qué fuentes citan o utilizan los asistentes de IA.
En algunos casos, el asistente muestra enlaces visibles. En otros, no cita de forma tan clara, pero podemos inferir qué tipo de fuentes están influyendo en la respuesta.
Esto es especialmente importante porque la autoridad GEO no depende solo de lo que una marca dice en su propia web. También depende de cómo aparece en medios, directorios, comparativas, perfiles profesionales, entrevistas, rankings, páginas institucionales y otras fuentes externas.
En mi experiencia, muchas veces el problema no está solo en la web de la empresa, sino en la inconsistencia del ecosistema externo.
Una marca puede explicar muy bien su propuesta en su sitio, pero aparecer mal descrita en directorios, tener perfiles desactualizados, no contar con menciones externas relevantes o estar ausente en fuentes que los sistemas consideran fiables.
Por eso, auditar fuentes citadas es una parte fundamental de la medición GEO.
Estimación de la pérdida de clics por respuestas zero-click
Una forma indirecta de dimensionar cuánta demanda se está resolviendo sin visita consiste en comparar impresiones y clics.
Si una página mantiene o aumenta impresiones en Search Console, pero los clics caen de forma sostenida, puede estar ocurriendo algo relevante: quizá el usuario sigue viendo la marca o el contenido, pero resuelve su necesidad antes de entrar.
No siempre será por IA. Puede deberse a fragmentos destacados, módulos enriquecidos, cambios de SERP, mapas, vídeos, resultados de pago o respuestas directas.
Pero precisamente por eso hay que analizarlo.
En la práctica, esta comparación nos ayuda a detectar consultas donde existe visibilidad, pero el clic pierde peso. Y ese es uno de los lugares donde la analítica GEO debe prestar más atención.
Para los asistentes de IA, esta estimación todavía depende de mediciones indirectas y herramientas especializadas en desarrollo. Aun así, ya podemos empezar a construir una lectura razonable combinando prompts, menciones, fuentes, tráfico referral y evolución de consultas.
Errores frecuentes al medir la visibilidad en sistemas de IA
- Confundir una consulta puntual con una tendencia consolidada. Una sola respuesta de un asistente no es representativa; conviene repetir la medición de forma sistemática antes de extraer conclusiones.
- Ignorar el sentimiento y quedarse solo con la frecuencia de mención. Aparecer mucho no siempre es positivo; el contexto y el tono de la mención son tan relevantes como su frecuencia.
- Tratar esta medición como sustituto de la analítica tradicional, en lugar de como un complemento. El tráfico, las conversiones y los ingresos atribuibles siguen siendo indicadores centrales; la nueva capa de medición debe añadirse, no reemplazarlos.
- Apoyarse en cifras generales sin verificar su origen. Este es un terreno metodológicamente joven, en el que conviene desconfiar de porcentajes rotundos sobre volumen de tráfico de IA, cuota de mercado de un asistente o proporción de búsquedas zero-click que no citen una fuente clara y una fecha concreta.
- Medir sin vincular los resultados a decisiones concretas de contenido, estructura o comunicación. Un cuadro de mando que no genera acción tiene, en la práctica, un valor limitado para el negocio.
Una advertencia necesaria sobre los datos
Este terreno todavía está madurando.
Las herramientas especializadas en medir visibilidad en IA evolucionan muy rápido. Los modelos cambian. Los asistentes modifican sus fuentes. Las respuestas varían. Y las metodologías todavía no están tan consolidadas como en el SEO tradicional.
Por eso conviene trabajar con prudencia.
Creo que es importante decirlo con claridad: no deberíamos vender certezas absolutas donde todavía estamos trabajando con señales probabilísticas.
Podemos medir tendencias. Podemos comparar presencia. Podemos analizar respuestas. Podemos estudiar fuentes. Podemos detectar errores y oportunidades. Pero debemos evitar sacar conclusiones rotundas a partir de una única respuesta o de una herramienta cuya metodología no entendemos bien.
Antes de utilizar cualquier dato en un informe, una presentación o una decisión estratégica, conviene revisar fuente, fecha, país, sector y metodología.
La analítica GEO tiene mucho valor, pero precisamente por eso debe hacerse con rigor.
¿Cómo se traduce esta medición según el tipo de negocio?
El marco general sirve para casi cualquier organización, pero las prioridades cambian según el modelo de negocio.
No necesita medir lo mismo un ecommerce, una firma legal, una empresa SaaS o un medio de comunicación. La lógica común es analizar presencia, contexto, fuentes e influencia, pero cada negocio debe adaptar esa medición a su realidad comercial.
Comercio electrónico
En ecommerce, pondría el foco en las respuestas comparativas de producto, recomendaciones por necesidad y consultas cercanas a la decisión de compra.
Cada vez más usuarios utilizan asistentes de IA para reducir opciones: qué producto elegir, qué marca merece más la pena, qué alternativa es mejor, qué características importan o qué errores evitar antes de comprar.
Aquí es fundamental comprobar si la marca aparece, si los productos están bien descritos y si la información sobre precio, disponibilidad, envíos, características o ventajas competitivas es correcta.
Un error en este punto puede generar fricción. Si una IA muestra información desactualizada, incompleta o poco convincente, puede afectar a la decisión incluso antes de que el usuario llegue a la tienda online.
Servicios profesionales y sectores regulados
En servicios profesionales, especialmente en sectores legales, fiscales, médicos o financieros, la confianza es decisiva.
Aquí no basta con aparecer. Hay que aparecer con autoridad, precisión y contexto adecuado.
Los sistemas de IA suelen ser más cautos en ámbitos sensibles, por lo que conviene revisar si la marca aparece asociada a información fiable, si se citan fuentes adecuadas y si el contenido transmite verdadera especialización.
He visto casos en los que una empresa tenía buen contenido, pero la IA no la interpretaba claramente como especialista en una categoría concreta. También ocurre lo contrario: marcas que aparecen, pero con información antigua o demasiado genérica.
En estos sectores, la medición GEO debe prestar mucha atención al sentimiento, la exactitud y la consistencia de las fuentes.
SaaS y tecnología B2B
En SaaS y tecnología B2B, las consultas comparativas tienen un valor enorme.
Los ciclos de compra suelen ser más largos, y muchos usuarios investigan antes de contactar con un proveedor. Preguntan por alternativas, integraciones, precios, ventajas, limitaciones, casos de uso o comparaciones directas.
Por eso, una de las métricas más interesantes es saber si la marca aparece en consultas de categoría y en comparaciones frente a competidores.
Si una solución no aparece en esa fase inicial, puede quedar fuera del proceso antes de que el equipo comercial tenga ninguna oportunidad.
Medios de comunicación y contenido editorial
En medios y proyectos editoriales, el impacto del zero-click puede ser especialmente sensible.
Cuando un asistente resume el contenido que antes llevaba al usuario a leer un artículo completo, el modelo de tráfico puede verse afectado.
Por eso, en este tipo de proyectos conviene analizar con mucho detalle la evolución de impresiones frente a clics, el tráfico procedente de asistentes de IA y qué contenidos siguen generando visitas frente a cuáles se resuelven cada vez más en la propia respuesta.
La clave no es asumir que todo está perdido, sino entender qué tipo de contenido sigue aportando valor diferencial y qué parte del contenido se está convirtiendo en información fácilmente resumible por terceros.
Medir esta diferencia con datos propios es mucho más útil que basarse únicamente en tendencias generales del sector.
De medir visitas a medir influencia
La analítica digital no está muriendo. Está atravesando una de las transformaciones más importantes de su historia.
Durante más de veinte años, hemos trabajado con la idea de que la influencia de una marca dejaba casi siempre un rastro de tráfico observable. Esa premisa fue razonable durante mucho tiempo, pero cada vez falla con más frecuencia.
La respuesta no consiste en abandonar la analítica tradicional, sino en ampliarla.
Tenemos que seguir midiendo tráfico, conversiones, ingresos, leads y comportamiento dentro de la web. Pero también debemos empezar a medir menciones de marca en modelos de lenguaje, posición y tono dentro de respuestas generadas, fuentes citadas, tráfico derivado de asistentes y señales de demanda que se resuelve sin clic.
Las organizaciones que empiecen a construir esta capa de analítica ahora estarán mejor preparadas para entender cómo se está formando la confianza en su marca.
Porque esa confianza ya no se construye solo en la web.
También se construye en respuestas generadas, conversaciones con asistentes, comparativas automáticas y sistemas que interpretan la información antes de que el usuario decida visitar una página.
Ese es el gran cambio.
Pasamos de medir únicamente visitas a medir influencia.
Y, en un entorno donde cada vez más decisiones empiezan antes del clic, esa influencia será una de las métricas más importantes para entender el verdadero rendimiento digital de una marca.
Preguntas frecuentes
¿Por qué la analítica tradicional ya no es suficiente por sí sola?
Porque se construyó sobre el supuesto de que toda influencia de marketing termina generando una visita medible. En un entorno de zero-click search y respuestas generadas por IA, una proporción creciente de las decisiones de los usuarios se resuelve sin ninguna visita, lo que deja fuera del radar de la analítica tradicional una parte cada vez más relevante del impacto real de una marca.
¿Qué es el zero-click search?
Es el fenómeno por el cual una búsqueda se resuelve sin que el usuario haga clic en ningún resultado, porque la respuesta ya aparece directamente en el propio buscador o asistente conversacional. Existe desde antes de la IA generativa, con fragmentos destacados y paneles de conocimiento, y se ha intensificado con la llegada de asistentes capaces de responder de forma completa dentro de la propia conversación.
¿Cómo se puede saber si una marca es mencionada por asistentes como ChatGPT o Gemini?
La aproximación más habitual consiste en definir un conjunto representativo de preguntas que un cliente real podría formular sobre la categoría de producto o servicio, y repetir esas consultas de forma periódica frente a los principales asistentes, registrando si la marca aparece, en qué posición, con qué tono y qué fuentes se citan. Existen ya herramientas especializadas que automatizan parte de este proceso; conviene evaluar su metodología antes de adoptarlas.
¿Debe una empresa dejar de medir tráfico y conversiones para centrarse en menciones de IA?
No. La analítica tradicional sigue siendo necesaria y válida, especialmente porque una parte significativa de la demanda digital continúa resolviéndose a través de canales medibles de forma directa. La recomendación es incorporar la nueva capa de medición como complemento, no como sustituto, integrando ambas dentro de un mismo sistema de reporting.
¿Qué papel juega el análisis de fuentes citadas por sistemas de IA?
Permite entender qué páginas, dominios o perfiles está utilizando un sistema de IA como base para responder sobre temas relevantes para el negocio. Esta información ayuda a identificar qué contenido propio ya funciona como fuente fiable y qué fuentes externas conviene reforzar o igualar en calidad para ganar presencia en esa conversación.
¿Es fiable repetir siempre la misma pregunta a un asistente de IA y esperar el mismo resultado?
No necesariamente. Las respuestas de los modelos de lenguaje pueden variar entre ejecuciones, entre cuentas de usuario y a lo largo del tiempo, incluso ante el mismo prompt. Por eso es recomendable tratar cada medición como una muestra orientativa dentro de una serie temporal, y prestar más atención a la tendencia observada en mediciones repetidas que al resultado de una única consulta.
