Visibilidad a través del prisma del idioma y la geografía

En el corpus AI100 ya existe un artículo sobre la «burbuja de respuestas»: el efecto por el que una marca aparece de forma distinta en ChatGPT, Google, Copilot y Perplexity. Pero hay otra capa de diferencias que las empresas advierten con menos frecuencia: la misma marca, la misma plataforma, pero otro idioma de consulta, y la respuesta cambia de forma radical. Una empresa que entra con seguridad en el top-3 de recomendaciones de ChatGPT en inglés puede no llegar siquiera a mencionarse en la respuesta a la misma pregunta en ruso, árabe o japonés.

No es un bug. Es una consecuencia de cómo están construidos los sistemas de respuestas actuales. Un modelo de lenguaje se entrena sobre corpus de textos, y la distribución de esos textos entre idiomas es profundamente desigual. El inglés domina en los datos de entrenamiento de la mayoría de los grandes modelos. Esto significa que, para las consultas en inglés, el modelo dispone de un mapa más denso y más actualizado de entidades, propiedades y relaciones. En los idiomas menos representados, ese mapa es más disperso: algunas marcas están presentes, otras no, y otras sí aparecen, pero con atributos distorsionados.

El problema dejó de ser marginal en el momento en que los sistemas de respuestas salieron del inglés a escala masiva. Google AI Overviews operaba en mayo de 2025 en más de 200 países y en 40 idiomas [1]. AI Mode, lanzado en marzo de 2025 solo en inglés, se expandió hasta casi 100 idiomas para febrero de 2026 a través de tres grandes olas: noviembre de 2025 (35 idiomas), febrero de 2026 (53 idiomas) [2]. ChatGPT atiende a más de 900 millones de usuarios activos semanales en todo el mundo, y una parte significativa de ellos no trabaja en inglés [3].

Para una marca internacional, esto significa que la visibilidad en IA debe comprobarse no en un solo idioma, sino en cada idioma en el que operan sus mercados. Una sola comprobación en inglés no dirá nada sobre cómo aparece la marca en español, alemán o chino.

El primer mecanismo es la asimetría de los datos de entrenamiento. Una marca descrita activamente en medios, reseñas y catálogos en inglés puede estar débilmente representada en el segmento rusófono o arabófono de internet. El modelo la conoce en un idioma, pero literalmente «no la recuerda» en otro. No es un problema de traducción, sino de presencia en las fuentes de un segmento lingüístico concreto.

El segundo es el distinto comportamiento de la extracción web. Cuando un sistema de respuestas utiliza la búsqueda web para complementar la respuesta (como hacen ChatGPT Search, AI Overviews, Perplexity), busca fuentes en el idioma de la consulta. Si la marca no dispone de contenido de calidad en ese idioma, el sistema encontrará competidores que sí lo tienen. El usuario recibirá una recomendación sin su marca, no porque sea peor, sino porque no está presente en ese idioma.

El tercero es la sustitución de categoría a través del idioma. Un mismo producto puede pertenecer a categorías diferentes en culturas lingüísticas distintas. Lo que en inglés se describe como «analytics platform» puede interpretarse en ruso como «servicio de reporting» o «sistema de analítica empresarial», y cada uno de esos términos arrastra un conjunto distinto de competidores y criterios de comparación. El modelo hereda esas diferencias categoriales de los datos de entrenamiento.

El idioma no es la única variable. La geografía también cambia la respuesta. Google AI Mode y AI Overviews tienen en cuenta la ubicación del usuario al formular la respuesta [1]. Perplexity extrae fuentes web teniendo en cuenta la relevancia regional. Esto significa que una misma consulta en inglés desde Londres y desde Singapur puede dar resultados distintos, con competidores distintos, precios distintos y recomendaciones distintas.

Para las marcas con varias versiones regionales del sitio, esto crea una capa adicional de complejidad. Hay que comprobar no solo «si somos visibles en inglés», sino también «si somos visibles en inglés desde Reino Unido», «si somos visibles en inglés desde India», «si somos visibles en alemán desde Alemania y desde Suiza».

El problema se agrava porque las respuestas de los sistemas de respuestas son estocásticas por naturaleza. Según SparkToro, la probabilidad de que ChatGPT o Google AI, tras 100 consultas repetidas, ofrezcan la misma lista de marcas al menos en dos respuestas es inferior al 1% [4]. Cada respuesta es una muestra probabilística, no un resultado determinista. El cambio de idioma y de geografía añade otra capa a esa estocasticidad.

Para el diagnóstico, esto significa que una sola ejecución no basta ni siquiera en un único idioma. Y para una marca internacional, un diagnóstico mínimamente significativo requiere una matriz: varios idiomas × varias plataformas × varias repeticiones.

Para una empresa que opera en varios mercados, el diagnóstico lingüístico y geográfico no es un lujo, sino una cuestión de higiene básica. Este es el mínimo que tiene sentido:

Comprobar la visibilidad en cada idioma en el que la marca quiere ser visible. No dar por sentado que una posición fuerte en inglés se traslada a otros idiomas.

Crear contenido en el idioma objetivo, y no apoyarse en la traducción automática. Los modelos se entrenan con textos humanos, y el lenguaje de la traducción automática a menudo no coincide con el lenguaje de la demanda real en esa cultura.

Asegurarse de que el contorno externo de confianza (reseñas, catálogos, medios sectoriales) cubra los idiomas objetivo. Una marca con 50 reseñas en inglés y cero en ruso será invisible para el modelo ante una consulta en ruso.

Añadir etiquetas multilingües en Wikidata. Es una de las maneras más rápidas de dar a los sistemas de respuestas un anclaje de la entidad en varios idiomas.