Compartir:
Imagine una escena muy próxima. Un cliente quiere comprar un producto concreto hoy mismo, cerca de casa. No abre Google Maps, no visita cinco webs y no llama a tres tiendas. Se lo pide a su asistente de inteligencia artificial. El agente localiza varios establecimientos, consulta cuáles tienen stock, compara condiciones, revisa opiniones, valida horarios y devuelve dos opciones.
Si puede, incluso inicia la compra o la reserva. El consumidor ha tomado una decisión local sin recorrer el journey digital que las marcas llevan años optimizando. Para las compañías con decenas o cientos de ubicaciones, esta escena anticipa uno de los cambios más relevantes de 2027: cada establecimiento tendrá que estar preparado no solo para ser encontrado por personas, sino para ser entendido y operado por máquinas.
La escena ya no pertenece del todo al futuro.
Google permite en Estados Unidos que su inteligencia artificial llame a establecimientos para consultar disponibilidad, precios o promociones cuando esa información no está accesible digitalmente. El usuario puede pedir a Google que confirme si un producto está disponible cerca y recibir posteriormente un resumen de las llamadas realizadas. Ask Maps, por su parte, está evolucionando hacia una experiencia capaz de interpretar necesidades complejas y activar acciones, mientras Search incorpora capacidades agénticas para localizar servicios, contrastar condiciones y avanzar hacia una reserva, una compra o una gestión concreta.
Lo verdaderamente interesante no es que una IA pueda llamar por teléfono a una tienda. Es lo que esa llamada revela.
Existe una necesidad concreta del consumidor. Existe una empresa potencialmente capaz de resolverla. Y existe, en algún sistema interno, la información necesaria para saber si esa empresa puede hacerlo realmente. El problema aparece cuando esa capacidad no puede ser verificada de forma inmediata por el sistema que está intermediando la decisión.
Ese es el salto relevante.
La próxima batalla no será únicamente disponer de oferta o captar demanda. Será conseguir que las máquinas puedan conectar ambas en tiempo real.
Durante la última década, las marcas han trabajado para conseguir que sus establecimientos fueran digitales. Primero fue necesario aparecer correctamente en Google. Después llegaron la gestión masiva de perfiles, las reseñas, las páginas locales, los datos estructurados y la optimización de cada punto de venta.
El objetivo era conseguir que una máquina pudiera localizar y comprender una tienda. La siguiente etapa exige algo más.
La ubicación tendrá que ser capaz de responder digitalmente.
De una ubicación visible a una ubicación capaz de responder
La conversación actual alrededor del GEO se concentra, en gran medida, en conseguir que Claude, ChatGPT, Gemini o AI Mode mencionen una empresa.
Es lógico, pero conviene distinguir varios niveles porque no todos generan el mismo valor ni significan lo mismo.
Una marca puede influir en una respuesta sin aparecer explícitamente. El modelo puede utilizar información publicada por la compañía para entender una categoría, resolver una duda o construir una respuesta, aunque el nombre de la empresa nunca llegue al usuario. Desde el punto de vista de marca, esto importa: significa que el contenido propio está participando en la formación del contexto que utiliza el sistema.
En un segundo nivel aparece la mención. La marca forma parte de la respuesta y gana presencia dentro de la conversación.
Después está la cita, que añade algo más importante: atribución. El sistema no solo utiliza información de la compañía, sino que la identifica como fuente. Esto convierte a la marca en una referencia dentro de un determinado territorio de conocimiento.
Un nivel superior es la recomendación. Aquí la IA deja de utilizar a la empresa únicamente como fuente de información y comienza a considerarla una posible solución a la necesidad planteada por el usuario.
Y finalmente aparece el nivel más transformador: la acción. El sistema no se limita a recomendar una empresa, sino que intenta interactuar con ella para resolver la tarea.
Podemos pensar, por tanto, en una progresión:
Influencia – Mención – Cita – Recomendación – Acción.
Cada nivel implica una relación distinta entre la marca y el sistema de inteligencia artificial.
Y no todas las empresas necesitan aspirar únicamente al último.
Una compañía energética, por ejemplo, puede querer que sus contenidos sean utilizados para explicar correctamente cómo funciona una tarifa o qué documentación necesita un consumidor para cambiar de compañía.
Una aseguradora puede querer convertirse en la fuente de referencia sobre cómo tramitar un determinado siniestro.
Una entidad financiera puede aspirar a que sus contenidos sean citados cuando un usuario pregunta cómo reclamar un cargo incorrecto.
Una cadena de clínicas puede querer ser directamente recomendada cuando la intención pasa de informativa a transaccional.
Esta distinción es importante porque obliga a abandonar una visión demasiado simplificada de la visibilidad en IA.
No aparecer en el texto final no significa necesariamente no estar presente.
Una marca puede estar ayudando a construir la respuesta sin ser nombrada. Y si controla esa información, la mantiene actualizada y consigue que los modelos la consideren fiable, ya está ocupando una posición dentro de la nueva arquitectura de descubrimiento.
La verdadera cuestión estratégica es decidir en qué niveles quiere competir la marca y qué activos necesita para conseguirlo.
La tienda física empieza a comportarse como una API
Para un consumidor, una tienda es una experiencia.
Para un agente, es esencialmente un conjunto de estados y capacidades que deben poder consultarse.
¿Está abierta? ¿Tiene disponibilidad? ¿Dispone de este producto? ¿Ofrece este servicio? ¿A qué precio? ¿Puede atender hoy? ¿Permite reservar? ¿Puede entregar? ¿Existe alguna restricción? ¿Puede completarse la operación?
Cuantas más de estas preguntas puedan resolverse automáticamente, más útil resulta esa ubicación para un sistema cuyo objetivo ya no es informar, sino completar una tarea.
Por eso algunos de los movimientos tecnológicos más interesantes de 2026 no están ocurriendo únicamente en Search.
Google ha impulsado Universal Commerce Protocol como un lenguaje común para que agentes, retailers y sistemas de pago puedan intercambiar información durante un proceso comercial. Al mismo tiempo, conceptos como Agent2Agent o Model Context Protocol apuntan hacia un ecosistema en el que las máquinas no navegan necesariamente por interfaces diseñadas para humanos, sino que se comunican directamente con otros sistemas.
McKinsey empieza a describir este escenario mediante el concepto de compañías Agent ready: organizaciones cuya arquitectura de datos y APIs permite que agentes externos interactúen de forma segura y eficiente con sus sistemas.
Para una red física, esta idea tiene una consecuencia inmediata.
La tienda debe empezar a diseñarse también para un visitante que nunca cruzará su puerta ni abrirá su web: el agente que representa al cliente.
El gran problema no será la falta de datos, sino su disponibilidad para las máquinas
Paradójicamente, las grandes organizaciones suelen poseer casi toda la información necesaria para responder correctamente a sus clientes.
El problema es que está dispersa entre sistemas y formatos diseñados para funciones diferentes.
El inventario vive en un ERP.
Los clientes, en el CRM.
Los contratos, en un gestor documental.
Las tarifas, en bases internas.
Los horarios, en plataformas locales.
Los productos, en ecommerce.
Los procedimientos, en PDFs.
Las respuestas de atención al cliente, en herramientas de soporte.
Las condiciones legales, en documentos difíciles de relacionar entre sí. El conocimiento práctico, en equipos y personas.
Durante años, esa fragmentación ha sido asumible porque era el propio consumidor quien integraba las piezas, buscaba, leía, comparaba, llamaba, preguntaba e interpretaba.
El agente pretende hacer ese trabajo en segundos.
Y cuando intenta hacerlo, descubre una realidad incómoda: muchas empresas tienen mucha información, pero poca de ella está preparada para ser utilizada como conocimiento operativo por una máquina.
La solución no consiste únicamente en crear más APIs.
También será necesario convertir el contenido no estructurado en conocimiento accesible mediante arquitecturas capaces de recuperar, contextualizar y gobernar información procedente de múltiples fuentes.
Esto implica indexar documentación, enriquecer metadatos, establecer relaciones entre entidades, definir fuentes canónicas, controlar versiones, incorporar capas de recuperación semántica y asegurar que una respuesta generada utilice siempre la información correcta según el contexto.
Para una organización multilocalización, esto adquiere todavía más complejidad.
La política corporativa puede ser única, pero la ejecución puede cambiar por establecimiento.
Una promoción puede existir solo en determinadas regiones.
Un servicio puede estar disponible en unas ubicaciones y no en otras. Una condición contractual puede depender del producto.
Una tienda puede ofrecer capacidades distintas a la siguiente.
El reto consiste en construir una arquitectura donde la IA pueda distinguir correctamente qué información es global, cuál es local, cuál está vigente y en qué contexto debe utilizarse.
De ahí que una de las infraestructuras más importantes para las compañías multilocalización pueda ser lo que podríamos denominar una Location Intelligence Layer.
No una simple base de datos de establecimientos, sino una capa capaz de conectar información estructurada y no estructurada alrededor de cada ubicación: identidad, servicios, productos, disponibilidad, documentación, políticas, reputación, conocimiento y capacidad transaccional.
La marca que consiga construir esa representación tendrá algo mucho más poderoso que cientos de perfiles correctamente optimizados.
Tendrá cientos de ubicaciones que los agentes pueden interpretar con contexto.
La reputación pasa de convencer al consumidor a demostrar capacidades
En este escenario también cambia la función de las reseñas.
Tradicionalmente han sido un mecanismo de confianza. Un consumidor observa una puntuación, lee algunas experiencias y reduce la incertidumbre antes de comprar.
Una IA puede procesarlas de otra manera.
Puede utilizar grandes volúmenes de opiniones para comprobar si determinadas promesas de marca están realmente respaldadas por la experiencia de los clientes.
Una compañía puede afirmar que ofrece rapidez. Otra puede decir que destaca por asesoramiento experto. Otra puede construir su posicionamiento alrededor de la facilidad de resolución.
Las reseñas permiten contrastar esas afirmaciones con evidencia procedente de la experiencia real.
Para una máquina, esa información puede convertirse en una señal de validación.
Esto abre un ámbito de análisis especialmente interesante para las grandes redes: dejar de estudiar únicamente el rating para empezar a entender qué atributos están siendo confirmados espontáneamente por los clientes en cada ubicación.
Una marca puede descubrir, por ejemplo, que su promesa corporativa es homogénea mientras la experiencia percibida varía significativamente entre regiones o establecimientos.
En un entorno agéntico, esa diferencia importa porque la IA no necesita recomendar “la marca” de manera abstracta.
Puede seleccionar una solución concreta basándose en las señales disponibles sobre esa ubicación, ese producto o ese servicio.
2027 puede crear una nueva forma de distribución
Durante décadas, una parte importante de la estrategia comercial consistió en garantizar presencia en los lugares donde ocurría la demanda.
Primero fueron las mejores calles. Después los centros comerciales. Más tarde llegaron Google, los marketplaces y las aplicaciones móviles.
Cada nueva capa de intermediación creó nuevas reglas de distribución. Los agentes pueden convertirse en la siguiente.
Deloitte describe ya el comercio agéntico como un nuevo canal en formación en el que los consumidores delegan tareas a sistemas capaces de buscar, comparar y ejecutar compras.
McKinsey, por su parte, plantea que las empresas deberán prepararse para arquitecturas agent-to-site, agent-to-agent y agent-to-broker-agent, donde la interacción comercial comienza a producirse cada vez más entre sistemas.
Esta evolución puede producir situaciones poco intuitivas.
Una marca con enorme notoriedad pero con información fragmentada, documentación difícil de interpretar y sistemas cerrados puede resultar menos accesible para un agente que otra empresa más pequeña cuyos servicios, condiciones y capacidades estén perfectamente descritos y disponibles.
En ese escenario, ser fácil de entender y utilizar por una máquina empieza a convertirse en una nueva forma de distribución.
La pregunta que deberían hacerse ahora las marcas
Volvamos al consumidor del inicio.
Quiere resolver un problema.
Su agente identifica dos compañías que potencialmente pueden hacerlo.
Sobre la primera encuentra una web atractiva, una gran reputación y mucha notoriedad, pero las condiciones están dispersas entre varias páginas, los documentos relevantes
son difíciles de interpretar y determinadas capacidades solo pueden confirmarse por teléfono.
Sobre la segunda puede acceder a las condiciones actualizadas, identificar qué servicio corresponde exactamente a la necesidad, verificar requisitos, comprobar disponibilidad y entender cuál es el siguiente paso.
¿Qué opción será más fácil de recomendar?
Ese es el tipo de diferencia que puede empezar a importar en 2027. No porque los algoritmos favorezcan deliberadamente a una empresa sobre otra.
Sino porque una de ellas ofrece un entorno de información mucho más fiable, comprensible y accionable.
Por eso, para las organizaciones que gestionan cientos de ubicaciones, productos o servicios, la discusión debería empezar a desplazarse desde la mera visibilidad hacia la Agent Readiness.
No consiste simplemente en publicar mejores contenidos para que una IA los mencione. Tampoco en conseguir más citas.
Implica decidir dónde queremos influir, cuándo queremos ser fuente, para qué queremos ser recomendados y en qué procesos queremos permitir que los agentes actúen.
Y, sobre todo, exige conectar marketing, tecnología, operaciones, conocimiento y reputación alrededor de una representación común y fiable de la compañía.
Durante años hemos digitalizado empresas para que las máquinas pudieran encontrarlas. Después estructuramos información para que pudieran entenderlas.
La siguiente etapa será más exigente.
Tendremos que conseguir que puedan utilizar nuestro conocimiento para resolver problemas reales.
Y cuando eso ocurra, una red de 500 establecimientos dejará de ser únicamente una red física.
Será también una red de 500 nodos de conocimiento y servicio disponibles, o no, para los agentes que empiezan a situarse entre las marcas y sus clientes.
Por STIDi.
Compartir:
