La búsqueda con IA puede influir en una decisión antes de que alguien llegue a tu web. El error aparece cuando rellenamos ese paso invisible con una explicación cómoda. Yo separaría tres preguntas: qué visita podemos observar, qué influencia declara el comprador y qué resultado podemos atribuir de forma causal.
Mapa de evidencia: comparar unidades equivalentes
| Fuente / diseño | Muestra y periodo | Qué mide | Límite de interpretación |
|---|---|---|---|
| Pew | 900 adultos de EE. UU.; 68.879 búsquedas; marzo 2025 | Clic desde resultados de Google | Asociación por condición de resultados |
| Adobe | Base de >1 billón de visitas a retail en EE. UU. | Conversión de visitantes referidos | Sin N de marzo ni tasas absolutas |
| Registro de adquisición propio | Eventos cualificados en un periodo definido | Referencia observada | No muestra investigación previa |
| Testimonios de compradores | Participantes / población elegible | Influencia recordada | No respuesta y sesgo de recuerdo |
| Experimento propuesto | Población elegible predefinida | Resultado incremental | Exige contrafactual defendible |
El clic es una observación limitada
En el panel estadounidense de Pew Research Center de marzo de 2025, las visitas a Google con un resumen de IA terminaron en un clic sobre un resultado tradicional el 8% de las veces, frente al 15% cuando no había resumen. Las fuentes del resumen recibieron clics en el 1% de las visitas con resumen. El análisis incluyó 900 adultos y 68.879 búsquedas únicas; las páginas de resultados se reconstruyeron al mes siguiente. Son diferencias observadas, no un experimento que estime el efecto causal del resumen. Pew Research Center, Google users and AI summaries, July 22, 2025
El dato hace visible el límite de medición: ver una respuesta y visitar una web son eventos distintos. No demuestra que los clics que faltan se convirtieran en ventas, que todos los usuarios sin clic quedaran convencidos o que tu marca apareciera en sus respuestas. Para eso necesitas otra evidencia.
El tráfico directo no identifica una fuente de IA
Google Analytics define direct / none como tráfico sin una fuente de referencia clara. Su documentación contempla pérdida de información, entrada directa de la URL, documentos sin conexión y bloqueadores de anuncios. Un aumento de ese grupo no identifica qué explicación corresponde a cada visita. Google Analytics, Understand direct / none traffic
Si un asistente envía una visita con un referrer o un parámetro de campaña utilizable, consérvalo. Comprueba la URL de entrada, las redirecciones y que tu implementación de analítica mantenga la información. La visita con una fuente identificable de IA pertenece al informe de referencias observadas. La que no la tiene sigue sin atribuir hasta contar con evidencia adicional.
Google incluye además AI Overviews y AI Mode en el tipo de búsqueda Web de Search Console. El agregado ayuda a evaluar búsqueda, pero no registra limpiamente cada exposición a IA ni separa la adquisición por asistente. Google Search Central, AI features and your website
Trabaja con tres capas de evidencia
La primera es adquisición observada: fuente registrada, visita y acción cualificada. Explica el alcance de sesión y qué consideras conversión. Una sesión atribuida a un asistente identifica una llegada según tus reglas de medición; no recoge toda la influencia previa.
La segunda es influencia declarada: el comprador cuenta que un asistente le ayudó a entender o comparar. Conserva respuesta, fecha y pregunta. Permite varias influencias y la opción de no saber. Publica el número de respuestas y de personas que no respondieron para evitar que una minoría entusiasta represente a todos.
La tercera es efecto incremental: un experimento creíble estima qué cambió por una intervención. Define tratamiento, comparación, resultado y periodo antes de mirar los datos. Si no hay un contrafactual defendible, habla de asociación. Sumar las dos primeras capas no produce la tercera.
Un ejemplo que evita inventar atribución
Imagina un mes con 20 consultas cualificadas. Cuatro tienen una referencia identificable de un asistente; seis personas declaran que la IA influyó en su investigación; dos de esas seis también están entre las cuatro referencias. La unión observada contiene ocho consultas, el 40% de 20, con al menos una de esas señales registradas. No son diez consultas independientes ni un 40% de ingresos causados por IA.
Es un ejemplo hipotético para explicar el cálculo, no un resultado de mi web o de un cliente. Une registros únicamente cuando la persona haya facilitado un identificador adecuado y la recogida esté permitida. Si no puedes hacerlo, muestra las capas agregadas por separado. No supongas que una visita anónima y una respuesta pertenecen al mismo comprador.
Prepara una revisión que puedas defender
Pide al responsable de analítica que pruebe la conservación de la fuente con visitas controladas por el enlace y las redirecciones reales. Revenue operations debe definir la consulta cualificada y gestionar la pregunta opcional sobre investigación. El responsable del estudio conserva por separado el panel de exposición. Muestra pruebas fallidas y respuestas ausentes.
Empieza con las herramientas que ya tienes. Un dashboard nuevo no reconstruye una conversación que nunca observó. Si la captura de fuentes falla, arréglala antes de usar sus variaciones para mover presupuesto. Si pocos compradores responden, mejora la recogida y explica el límite en vez de repartir la influencia desconocida.
Revisa las capas junto con oportunidades cualificadas, ciclo de venta e ingresos. Más menciones puede justificar investigar consideración; más referencias medidas puede justificar mejorar una página de entrada. Ninguna de las dos señales demuestra por sí sola retorno incremental. Para una inversión mayor, diseña un experimento adecuado al ciclo de venta y a otros cambios de demanda.
La calidad de conversión es otra pregunta de investigación
El informe de Adobe de abril de 2026 utiliza una base de medición superior a un billón de visitas a retail en EE. UU. Las referencias desde IA convirtieron un 38 % por debajo del tráfico sin IA en marzo de 2025 y un 42 % por encima en marzo de 2026. El resumen no publica tamaños de los subconjuntos de marzo ni tasas absolutas. Son comparaciones observacionales, no una estimación aleatoria de ventas adicionales. Adobe, 2026
El gráfico fija la conversión del tráfico sin IA en 100 por separado en cada periodo. La IA obtiene así un índice de 62 en marzo de 2025 y de 142 en marzo de 2026. La normalización es un cálculo propio a partir de las diferencias relativas de Adobe. Un índice de 142 no significa una tasa de conversión del 142 %, ni una mejora de 42 puntos porcentuales.
La referencia se reinicia en cada periodo. Estos índices no permiten deducir la variación de la tasa absoluta sin IA, el número de pedidos o la contribución a ingresos. Un canal puede enviar visitantes de alta intención y representar una pequeña proporción del tráfico total. El estudio no describe la mezcla de canales de tu empresa.
La selección de visitantes importa. Quien sigue un enlace después de preguntar por comparaciones detalladas puede estar cerca de comprar. También pueden diferir productos, dispositivos y exposición a campañas. Una tasa observada superior justifica investigar la calidad de las visitas; no demuestra que el asistente causara la compra.
Pew y Adobe observan etapas distintas. El primero mide clics desde resultados de Google en un panel; el segundo, qué hacen los visitantes de retail después de llegar. Menos clics salientes y una conversión superior entre quienes llegan pueden coexistir. Mezclar los porcentajes eliminaría el denominador que da sentido a cada resultado.
Calcular el tamaño de la diferencia observada
Con los porcentajes publicados por Pew, 8 % frente a 15 % son siete puntos porcentuales menos. En términos relativos al 15 %, aproximadamente un 46,7 % menos. Ningún cálculo corrige las diferencias entre consultas con y sin resumen. Etiquétalo como asociación descriptiva, no como reducción causal provocada por la IA.
En tu informe, publica numerador y denominador junto a cada tasa. «Cuatro leads cualificados desde asistentes entre veinte leads cualificados» se puede interpretar. «La IA generó el 20 %» no aclara si hablamos de sesiones, leads, pedidos, ingresos o un experimento. Define primero el evento de negocio y después el nombre de la métrica.
Con volúmenes pequeños, conserva los recuentos. Una conversión adicional puede cambiar mucho el porcentaje de un canal. Indica periodo y retraso de cualificación para no comparar una cohorte reciente incompleta con otra ya madura. Un lead creado ayer quizá no haya alcanzado todavía la etapa medida.
El diccionario mínimo de datos de un informe defendible
Define cualificado antes de mirar el resultado: por ejemplo, un lead que cumple criterios documentados de encaje con el servicio y ha completado el paso de cualificación acordado. Es una definición hipotética, no una regla para todas las empresas. Mantenla entre canales o explica los cambios.
Separa los campos de referencia observada, página de entrada, fecha del evento, fecha de cualificación, identificador único de oportunidad, fuentes de investigación declaradas y ausencia de respuesta. El identificador sirve para deduplicar y no debe exponer datos personales en un informe editorial compartido. Conserva la regla de atribución y la ventana temporal como metadatos.
La pregunta declarativa debe admitir varias fuentes y «no lo recuerdo». Registra cuántas personas elegibles recibieron la pregunta, cuántas respondieron y cuántas mencionaron un asistente. Seis menciones entre veinte oportunidades no equivalen a seis entre ocho participantes. Las respuestas ausentes son desconocidas, no evidencia de ausencia de influencia.
En el ejemplo hipotético de veinte oportunidades cualificadas, cuatro referencias observadas y seis menciones declaradas con dos coincidencias producen ocho oportunidades distintas asociadas. Si solo ocho personas respondieron, informa también de seis entre ocho participantes y una cobertura de ocho entre veinte. La unión de ocho sigue siendo asociación; no representa ocho ventas incrementales.
Valida la recogida con una visita y una conversión de prueba cuando tu configuración lo permita. Comprueba si redirecciones, consentimiento y navegación entre dominios conservan la información esperada. Etiqueta las pruebas y exclúyelas del informe comercial. Una recogida técnicamente correcta puede seguir sin observar investigación previa a la visita.
Experimentar cuando la pregunta de negocio lo exige
Corregir una afirmación de producto puede justificarse con un error factual verificado. Afirmar ingresos incrementales requiere un contrafactual defendible. Define intervención, población elegible, resultado, comparación y ventana antes de interpretar. Cuando sea viable, la asignación aleatoria reduce el sesgo de selección; la viabilidad operativa y la contaminación también necesitan revisión.
No compares expuestos y no expuestos si exposición significa simplemente que alguien eligió usar un asistente. Esa elección puede reflejar interés o intención. Publicar una página y observar después mejores conversiones deja sin resolver estacionalidad, cambios de precio y otras acciones de marketing.
Si no existe un experimento defendible, conserva la etiqueta observacional y toma una decisión proporcionada. Puedes mejorar la evidencia, seguir las referencias cualificadas y recoger contexto sin atribuir ingresos causales. El informe útil indica qué cambiar, quién lo hará y qué observación posterior reforzaría o debilitaría la explicación de trabajo.
El siguiente paso
Lleva un mes de datos a la próxima revisión en tres columnas: adquisición observada, influencia declarada y efecto incremental estimado. Deja como desconocida la evidencia que falta. Puedes decidir con información parcial sin presentar una atribución completa.
Fuentes y alcance
Análisis de fuentes públicas, consultadas el 12 de octubre de 2026. Los marcos y ejemplos propuestos no son resultados de un estudio propio. Los datos estadounidenses no se extrapolan a España.
FA