Por Hussam Sufan · 27 de mayo, 2026 · 10 min
Hasta hace poco, buscar en Google era un acto de exploración: escribías palabras clave, revisabas 3 o 4 resultados, volvías atrás, ajustabas la query. Hoy la dinámica es otra. Un usuario le escribe a ChatGPT una pregunta larga, rica en contexto, y recibe una respuesta completa sin salir de la interfaz. No hay click. No hay visita. No hay sesión en tu GA4.
El buscador tradicional funciona como un bibliotecario: te entrega una lista de libros para que investigues por tu cuenta. Los Answer Engines son otra cosa. Se comportan como un asistente con formación de posgrado que, además de identificar las zapatillas que buscas, te recomienda la mejor opción para tu caso, tu presupuesto y tu talla. Te ahorra pasos, te ahorra visitas, y te entrega una decisión casi final.
A medida que los usuarios adoptan estos chatbots, la forma de escribir consultas cambia también. Ya no son dos o tres palabras sueltas. Son preguntas largas, ricas en contexto, tipo conversación. La personalización del resultado es tan alta que el usuario puede resolver en una sola interacción lo que antes le tomaba ocho clicks y tres búsquedas distintas.
¿Qué tan rápido crece esto? La data de consultoras con clientes en e-commerce, finanzas y educación en Latinoamérica muestra que el tráfico referido desde LLMs todavía es bajo en términos absolutos (entre 0,02% y 0,03% de las sesiones totales), pero crece a un ritmo de 5x al año. ChatGPT concentra el 95% de ese tráfico. Y por ahora, a diferencia de Google, no hay anuncios compitiendo en esa interfaz.
No todas las consultas son iguales ante la IA. Las preguntas informativas ("qué es una cuenta corriente", "síntomas de la diabetes", "requisitos para estudiar ingeniería") son las que los LLMs resuelven con mayor facilidad. Y son las que dejan de generar visitas a tu sitio.
Los sectores más expuestos son salud, educación y sitios de noticias. El e-commerce y los servicios financieros están en una zona intermedia: las fases de investigación ya se resuelven dentro del chatbot, pero la transacción todavía requiere visitar un sitio. Eso puede cambiar cuando los Answer Engines integren shopping directo, algo que OpenAI ya está probando con feeds de producto.
Para negocios estacionales (un retailer con pico en febrero-marzo, por ejemplo), el impacto se concentra en los periodos de mayor búsqueda informativa previa a la compra. Por eso, idealmente, se calcula sobre un año completo para capturar estos ciclos.
Avinash Kaushik, referente en analítica digital y autor del blog Occam's Razor, publicó a finales de 2025 un modelo de forecasting de pérdida y recuperación para la era de los Answer Engines. Su premisa: las empresas van a perder hasta un 30% de su tráfico orgánico y un 15% del pagado durante 2026 si no toman acciones de AEO.
La lógica del modelo es clara: no todo tu tráfico orgánico está igual de amenazado. El riesgo depende de la intención de búsqueda detrás de cada keyword. El modelo clasifica las consultas en cuatro tipos y les asigna un porcentaje de pérdida potencial:
| Tipo de consulta | Ejemplo | Riesgo | Pérdida potencial |
|---|---|---|---|
| Informativa | "qué es una cuenta corriente" | Alto | 60% |
| Comercial | "mejor banco para pymes en Chile" | Medio-alto | 35% |
| Transaccional no-brand | "abrir cuenta corriente online" | Moderado | 15% |
| Marca / Navegacional | "Tenpo cuenta digital" | Bajo | 5% |
¿Por qué las informativas pierden tanto? Porque la IA puede responderlas completas. No hay razón para hacer click. ¿Por qué las de marca pierden poco? Porque si alguien busca "Falabella" o "Scotiabank", la intención es ir a ese sitio, y el LLM lo respeta. La lección estratégica: el brand marketing nunca fue tan importante como ahora.
No necesitas un equipo de data science. Necesitas Search Console, GA4 y un spreadsheet. Estos son los pasos:
Si todo esto suena a mucho Excel, tranquilo. La calculadora de abajo hace los pasos 3 al 7 automáticamente. Y acá va un shortcut para el paso 2:
Eres un experto en SEO y análisis de intención de búsqueda. Te voy a adjuntar un archivo CSV/Excel exportado de Google Search Console con una lista de keywords (queries) y sus clicks. Tu tarea es clasificar CADA keyword en exactamente una de estas 4 categorías de intención de búsqueda: 1. INFORMATIVA — El usuario busca aprender o entender algo. Incluye preguntas tipo "qué es", "cómo funciona", "diferencia entre", "guía de", "tutorial", definiciones, conceptos, síntomas, explicaciones. 2. COMERCIAL — El usuario está investigando opciones antes de decidir. Incluye "mejor", "top", "comparativa", "vs", "opiniones de", "recomendaciones", "alternativas a", reviews. 3. TRANSACCIONAL NO-BRAND — El usuario quiere realizar una acción (comprar, contratar, descargar) pero NO menciona una marca específica. Incluye "comprar", "precio de", "contratar", "descargar", "cotizar", "reservar", "abrir cuenta". 4. MARCA / NAVEGACIONAL — El usuario menciona una marca específica o busca ir a un sitio particular. Incluye el nombre de nuestra marca, nombres de productos propios, o variaciones de nuestra URL. INSTRUCCIONES: - Devuelve una tabla con 3 columnas: keyword | clicks | categoría - NO cambies el texto de las keywords ni los clicks - Si una keyword es ambigua, clasifícala según la intención MÁS PROBABLE - Al final, incluye un resumen con los totales de clicks por categoría y el porcentaje de cada una CONTEXTO DE MI NEGOCIO (ajusta según corresponda): - Industria: [COMPLETAR] - Nombre de marca: [COMPLETAR] - Productos/servicios principales: [COMPLETAR] El archivo adjunto contiene las queries exportadas. Clasifícalas todas.
Copia este prompt, pégalo en ChatGPT (o Claude, o Gemini) y adjunta el CSV exportado de Search Console. En menos de un minuto tendrás las keywords clasificadas para ingresarlas en la calculadora.
Ingresa los datos que obtuviste de Search Console y GA4 (o los que te generó el prompt anterior). La calculadora aplica el modelo de Kaushik y te muestra tu pérdida proyectada en sesiones y revenue, más el potencial de recuperación con acciones AEO.
Basada en el modelo de pérdida de Avinash Kaushik, adaptado para LATAM
Clicks por categoría (Search Console)"qué es", "cómo funciona", "diferencia entre"
"mejor", "comparativa", "cuál recomiendan"
"comprar", "contratar", "precio de"
"tu marca + producto", búsquedas directas
Canal orgánico, reporte de sesiones
Revenue atribuido al canal orgánico
Calcular la pérdida es solo la mitad del ejercicio. El mismo modelo propone 6 acciones de recuperación y 6 tácticas de crecimiento, cada una con un porcentaje estimado de ganancia.
La primera es adaptar contenido existente para que funcione como respuesta de IA: preguntas en los H2, respuestas directas en el primer párrafo de cada sección, y en e-commerce, contenido que responda preguntas dentro de PDP y PLP.
La segunda es implementar schemas JSON-LD (producto, FAQ, HowTo, organización, review y aggregate rating), con una recuperación estimada del 4%. La tercera es construir autoridad temática sólida: biografías de autores, datos estructurados de organización, y feeds de producto bien armados. Aporta un 3%.
Luego viene optimizar las consultas de marca para controlar los resultados enriquecidos, crear contenido comparativo donde tu marca destaque, y generar guías prácticas con casos de uso y beneficios diferenciadores que la IA pueda usar al responder consultas comerciales.
Agrupar contenidos en topic clusters. Crear contenido por caso de uso específico (no solo por keyword). Escalar autoridad con contenido de terceros y link building editorial. Incorporar video y audio (los LLMs indexan transcripciones de YouTube). Integrar reseñas como contenido propio dentro del CMS, no como embeds que la IA no puede leer. Y preparar el sitio para comercio vía IA con feeds de producto completos y estructurados.
Para los equipos de PPC: el modelo estima pérdidas del 15-20% en tráfico pagado. Las recomendaciones son evolucionar el copywriting hacia respuestas útiles, migrar presupuesto hacia Performance Max y alimentar las plataformas con first-party data.
Calcular la pérdida potencial es el primer paso. El segundo es saber qué dicen hoy las IAs sobre tu marca. ¿Apareces cuando alguien le pregunta a ChatGPT por tu industria? ¿Qué dice Gemini de tus competidores? ¿Qué fuentes citan cuando responden?
Herramientas como SearchBrand permiten consultar múltiples LLMs en tiempo real, ver si tu marca aparece, identificar qué fuentes están siendo citadas y monitorear tu score de visibilidad a lo largo del tiempo y contra la competencia. Para marcas en LATAM que recién están evaluando su posición en este nuevo canal, ese diagnóstico inicial es el punto de partida antes de cualquier acción de recuperación.
Ver también: Las mejores herramientas AEO 2026.
Este artículo se basa en el micro-training de la comunidad SearchBrand, presentado por Cristóbal y Catalina de D2B. Los porcentajes de pérdida y recuperación siguen el modelo publicado por Avinash Kaushik en Occam's Razor. Los datos de tráfico referido desde LLMs provienen de la base de clientes de D2B (e-commerce, finanzas, educación).
Según el modelo de Avinash Kaushik, las empresas pueden perder hasta un 30% de su tráfico orgánico durante 2026. Las consultas informativas son las más afectadas con hasta un 60% de pérdida potencial, mientras que las de marca tienen un riesgo bajo del 5%.
Las informativas responden preguntas ("qué es"). Las comerciales comparan opciones ("mejor X para Y"). Las transaccionales no-brand buscan acción sin marca ("comprar"). Las de marca incluyen tu nombre. Puedes automatizar la clasificación exportando tus queries de Search Console y usando el prompt incluido en este artículo.
Parcialmente. Implementar schemas estructurados, construir autoridad temática y crear contenido comparativo puede recuperar entre un 10% y 15% del tráfico perdido. La clave es lograr que los Answer Engines te citen como fuente.
Clicks por categoría de intención desde Search Console (informativas, comerciales, transaccionales, marca), las sesiones orgánicas totales de GA4 y los ingresos atribuidos al canal orgánico. Todo del mismo periodo.
Es un framework publicado en Occam's Razor que clasifica el tráfico orgánico por intención y asigna porcentajes de pérdida potencial a cada tipo. También propone tácticas de recuperación con porcentajes estimados de ganancia.