Cómo eligen las IA sus fuentes: qué muestran nuestras mediciones

En síntesis

Las citas de una respuesta de IA muestran las fuentes presentadas al lector, no la fórmula interna con la que se eligieron. Nuestros estudios permiten observar frecuencias, diferencias entre modos y límites de medición. No revelan los criterios secretos de los motores. Para interpretar una respuesta hay que separar la página citada, la afirmación que respalda y la presencia efectiva de la marca. Son resultados distintos y necesitan pruebas distintas.

¿Cómo eligen las IA sus fuentes? Nuestras mediciones no reconstruyen esa decisión de principio a fin. Lo que podemos examinar es su resultado visible. Esta distinción cambia la lectura de una auditoría: un enlace a LinkedIn no demuestra que el motor favorezca siempre LinkedIn ni que esa página haya determinado toda la respuesta. Podemos comprobar lo que se muestra. No vemos todos los documentos considerados y después descartados.

Dos conjuntos de datos responden a preguntas distintas

El barómetro de visibilidad en IA abarca 6.820 respuestas, 104 auditorías completas y 65 marcas, entre septiembre de 2025 y junio de 2026. Incluye 44 modelos distintos. Su objeto es la visibilidad de las marcas, con diferentes submuestras según la medición. No ofrece un desglose completo de las fuentes utilizadas para elaborar cada respuesta.

El estudio de fuentes citadas sobre marcas analiza 123 auditorías y 7.264 respuestas. Excluye los sitios propios de las marcas auditadas y cuenta cada fuente una sola vez por auditoría. Sus porcentajes describen la proporción de auditorías en las que una fuente externa aparece al menos una vez. No son porcentajes de las 6.820 respuestas del barómetro.

¿Por qué insistimos en el denominador? Porque equivocarse cambia la decisión. Que LinkedIn aparezca en el 37 % de las auditorías del estudio de fuentes no significa que el 37 % de todas las respuestas de IA se basen en LinkedIn. Tampoco significa que el 37 % de las marcas obtengan allí una recomendación. Cada resultado debe conservar el alcance de la población realmente medida.

Una cita no descubre toda la cadena de selección

Conviene distinguir varias posibilidades: una información puede ser accesible, un documento puede consultarse, su contenido puede contribuir a una respuesta y un enlace puede mostrarse. Esta separación es un marco de análisis, no una descripción verificada de la arquitectura de un motor concreto. La lista final de referencias no permite reconstruir, por sí sola, cada una de esas etapas.

Faltan, entre otras cosas, los candidatos que no se conservaron. Si tu página no aparece, esa observación no permite saber si era inaccesible, no figuraba en un conjunto de resultados, se consideró poco adecuada o simplemente no se mostró. Afirmar que el motor la rechazó por falta de autoridad sería adelantarse a las pruebas. La ausencia de un enlace no explica el motivo de esa ausencia.

La situación inversa exige la misma cautela. Una URL visible es una observación que se puede registrar y comprobar. Afirmar que explica toda la respuesta requiere otra prueba. Una respuesta puede relacionar varias afirmaciones con varias referencias. El enlace más destacado no tiene por qué respaldar el detalle que el lector necesita verificar.

Qué dicen realmente las frecuencias observadas

Algunos resultados del estudio de 123 auditorías bastan para mostrar la diversidad de las fuentes presentadas:

• LinkedIn aparece en el 37 % de las auditorías y Wikipedia en el 35 %.
• Trustpilot aparece en el 32 % de las auditorías.
• Pappers, un servicio francés de información empresarial, aparece en el 24 %.
• YouTube aparece en el 23 % y Reddit en el 21 % de las auditorías.

No es una clasificación de fiabilidad. Un registro empresarial puede documentar la identidad jurídica. Una reseña recoge una experiencia. Un vídeo puede mostrar un uso. Que compartan un conjunto de datos no hace que sus pruebas sean intercambiables. Para comprender la respuesta, pregunta qué tipo de afirmación se asocia a cada fuente, en vez de tratar cualquier referencia como una recomendación equivalente.

También importa el componente francés de la muestra. La frecuencia de Pappers no predice el papel de los registros en otro país. Traducir este artículo al español no convierte los datos en un estudio del mercado español o latinoamericano. Las cifras siguen describiendo el corpus publicado, con sus límites originales. Esa precisión evita trasladar automáticamente una prioridad de un mercado a otro.

El modo nativo y la búsqueda web no son la misma condición

En el barómetro, 63 auditorías permiten comparar ambos modos. La puntuación media de visibilidad es de 63,4 sobre 100 en modo nativo, sin búsqueda web, y de 70,5 sobre 100 con búsqueda web. Son puntuaciones de visibilidad. No son tasas de citación de un dominio ni, desde luego, tasas de clic.

Estas medias muestran mediciones distintas bajo las dos condiciones en esa submuestra. No prueban que añadir búsqueda mejore cada respuesta ni que una página recién publicada vaya a citarse. Tampoco permiten atribuir la diferencia a LinkedIn, Wikipedia u otro servicio. Esa atribución no se midió en la comparación publicada.

AI Labs Audit documenta un modo dual que compara respuestas nativas y respuestas con búsqueda web. Para esta pregunta, su utilidad es separar las condiciones de observación. Comparar una captura sin búsqueda con otra que sí la utiliza y llamar a la diferencia efecto del contenido confunde el diagnóstico. El modo debe acompañar al resultado, no quedar relegado a una nota olvidada.

Ser fuente y recibir una recomendación son resultados distintos

Una marca puede aparecer sin un enlace a su sitio. Un sitio puede citarse para respaldar un dato sin que se recomiende a su propietario. Una respuesta también puede mostrar varias fuentes y no mencionar nunca a la empresa que se está midiendo. Reunir estos casos en un único indicador de visibilidad, sin más explicación, oculta diferencias necesarias para decidir.

El resultado de presencia espontánea del barómetro procede de una submuestra de 657 respuestas sobre 13 marcas con extracción de entidades. Registra 106 menciones, aproximadamente un 16 %. Esa cifra no describe las 6.820 respuestas en su totalidad. Tampoco mide la proporción de enlaces citados que pertenecen a las marcas auditadas. Ninguna de esas interpretaciones usaría el denominador correcto.

Nuestra posición es clara: un indicador limitado con un denominador comprensible resulta más útil que una puntuación grande que mezcla resultados diferentes. Un equipo puede querer corregir un dato empresarial, ser citado por su conocimiento o aparecer en una recomendación. Son objetivos distintos. El informe debe indicar cuál se ha probado y qué evidencia permitiría constatar un cambio.

Examinar la relación entre una afirmación y su enlace

Pensemos en un ejemplo didáctico, no en un caso documentado de un cliente. Una respuesta afirma que una empresa opera en una ciudad, ofrece un servicio y recibe buenas reseñas. Muestra un registro y una plataforma de opiniones. El registro podría respaldar la identidad jurídica sin confirmar el servicio actual. Las reseñas podrían documentar opiniones sin demostrar la disponibilidad de ese servicio.

La comprobación se realiza afirmación por afirmación. Abre la página exacta. Busca el fragmento que respalda lo dicho. Comprueba que corresponde a la entidad adecuada, que su fecha encaja y que la respuesta no ha ampliado su alcance. Convertir una opinión individual en un juicio general es un problema de interpretación aunque el enlace funcione.

Si no encuentras el pasaje, registra que el respaldo no está establecido. Eso no demuestra que el motor no consultara otra información. Si la página no responde, registra el fallo y las condiciones de la comprobación. Un problema temporal de acceso no basta para afirmar que la IA inventó la URL. Mantén la incertidumbre en lugar de sustituirla por una etiqueta más llamativa.

Probar una hipótesis sin inventar una explicación causal

Imagina que corriges una descripción antigua en un perfil que administras. La siguiente prueba cita ese perfil. ¿Has demostrado que la corrección provocó la cita? No. El resultado es compatible con esa hipótesis, pero también podrían haber cambiado el modelo, sus herramientas, la pregunta o los resultados disponibles.

Para que la comparación sea interpretable, conserva la pregunta exacta, el idioma, el mercado solicitado, el modelo declarado, el modo y la fecha. Archiva la respuesta y sus URL. Repite las observaciones en condiciones lo más similares posible. Estas son precauciones de medición propuestas aquí, no la descripción de un experimento causal ya realizado en nuestros estudios publicados.

Define también el éxito antes de interpretar el resultado. Si buscas corregir un dato, comprueba si desaparece el error. Si buscas una cita, comprueba la página presentada. Si buscas una recomendación, examina la mención espontánea y su contexto. Una evolución en uno de estos resultados no demuestra una mejora en los demás.

Qué hacer cuando sigue sin conocerse el motivo de la elección

Empieza por los errores que puedas demostrar y para los que exista una vía legítima de corrección. Una dirección obsoleta en tu sitio o una descripción desactualizada en tu perfil requieren acciones concretas. Una clasificación general de fuentes no justifica reseñas falsas, perfiles inventados ni menciones fabricadas en comunidades. La exactitud es un objetivo defendible sin fingir que controlamos las decisiones del motor.

Conserva también las observaciones negativas. Una página corregida que sigue sin aparecer es un resultado, no algo que deba ocultarse. Recuerda que disponer de información exacta no garantiza su inclusión en una respuesta. Documentar ese límite ayuda a que la siguiente decisión sea menos arbitraria y evita sustituir las pruebas por un relato cómodo de éxito.

Para los datos y sus perímetros, vuelve a los dos estudios enlazados. Nuestro veredicto es deliberadamente más limitado que una fórmula universal: las mediciones muestran fuentes presentadas y diferencias de visibilidad, no todas las reglas de selección de los motores. La pregunta más útil no es qué plataforma prefiere la IA, sino qué parte de esta respuesta permite verificar realmente la evidencia citada.