Distinguibilidad multimodal: cuando la marca se busca no con palabras

A lo largo de todo el corpus AI100 hemos hablado de la visibilidad en el contexto de las consultas textuales: el usuario escribe una pregunta, el modelo formula una respuesta. Pero el mundo de la búsqueda hace tiempo que no se reduce a teclear palabras en un teclado. El usuario fotografía un producto en una tienda y pregunta: «¿cuánto cuesta esto en línea?». Dice en voz alta: «¿qué modelo es este?», mientras apunta la cámara hacia unos auriculares. Sube una captura de pantalla de Instagram y pide: «encuentra algo parecido, pero más barato». Graba un video y añade una pregunta de texto: «¿de qué material está hecho esto?»

Estos no son escenarios exóticos. Google Lens procesa más de 20 mil millones de consultas visuales al mes, y el 20% de ellas está relacionado con compras [1]. AI Mode está integrado con Google Lens: el usuario puede tomar una foto o cargar una imagen, y el sistema, aprovechando las capacidades multimodales de Gemini, analiza toda la escena —los objetos, su contexto, los materiales, los colores, las formas— y formula una respuesta integral [2]. ChatGPT con GPT-4o procesa imágenes, voz y texto simultáneamente. El 27% de los usuarios móviles ya utiliza la búsqueda por voz [3].

Para la marca, esto significa que la optimización textual es una condición necesaria, pero ya no suficiente para la visibilidad. Si su producto no puede reconocerse en una fotografía, si un video en YouTube no tiene transcripción, si el asistente de voz no puede vincular el nombre pronunciado de la empresa con la entidad correcta, pierde a la audiencia que busca no con palabras.

La búsqueda visual funciona de una manera radicalmente distinta de la textual. El usuario no describe lo que busca: lo muestra. Las redes neuronales convolucionales (CNN) transforman la imagen en un vector numérico y la comparan con la base de imágenes indexadas [4]. Esto significa que la calidad, la consistencia y la accesibilidad técnica de las imágenes del sitio influyen directamente en si su producto será encontrado.

Para el e-commerce, las consecuencias son las más evidentes. El comprador ve un vestido en la calle, lo fotografía y Google Lens le muestra en tres segundos productos similares con precios de distintas tiendas online. Si las imágenes de sus productos son de baja calidad, sin textos alt descriptivos, sin Product schema y sin un estilo fotográfico unificado, no entrarán en esa selección. Un competidor con fotos limpias y bien etiquetadas, sí.

La consistencia visual entre plataformas también se convierte en un factor. Google Lens reconoce mejor a las marcas que utilizan el mismo estilo fotográfico en su sitio, en los marketplaces y en las redes sociales. Un repertorio visual heterogéneo dificulta la vinculación con la entidad [5].

Las consultas por voz se diferencian de las textuales no solo por la modalidad, sino también por su estructura. Una persona que habla en voz alta utiliza frases naturales: «¿Cuál es el mejor café cerca de mí que esté abierto ahora?» en lugar de «café cerca abierto». Las consultas en AI Mode son, en promedio, tres veces más largas que las consultas de búsqueda habituales [6]. Esto significa que el contenido optimizado para frases clave cortas puede no coincidir con la forma en que la gente formula sus consultas por voz.

Para la marca, la consecuencia práctica es clara: las secciones de FAQ escritas en formato «pregunta — respuesta directa» funcionan mejor para la búsqueda por voz que los textos largos de marketing. Los datos estructurados (FAQ schema, HowTo schema) ayudan a los asistentes de voz a extraer una respuesta concreta. El nombre de la marca debe ser pronunciable y unívoco: un modelo que no puede vincular el nombre pronunciado «Exco-Data» con la entidad «ExcoData» perderá la marca en una consulta por voz.

Los sistemas de respuestas utilizan cada vez más contenido en video. Las transcripciones de videos de YouTube se convierten en una fuente de citación: si en su video un experto explica en detalle cómo funciona el producto y la transcripción está disponible, el modelo puede extraer de allí un fragmento para su respuesta. Si no hay transcripción, el video permanece invisible para la parte textual del sistema de respuestas.

Google indica explícitamente que AI Mode utiliza análisis multimodal: el sistema trabaja simultáneamente con texto, imágenes, video y contexto [2]. Para una marca que publica videos formativos, reseñas o demostraciones de producto, una transcripción limpia y precisa no es una opción, sino una condición para la detección.

La optimización multimodal no requiere una revolución. Exige ampliar el trabajo habitual hacia nuevos formatos.

Imágenes: alta calidad, nombres de archivo descriptivos y textos alt, Product schema vinculado a productos concretos, un estilo fotográfico unificado en todas las plataformas.

Voz: secciones de FAQ en formato pregunta-respuesta, HowTo schema para instrucciones, nombre de marca pronunciable y unívoco.

Video: transcripciones para cada pieza en YouTube y en el sitio, VideoObject schema, títulos y metadatos descriptivos.

Capa general: el mismo principio que en la visibilidad textual —datos estructurados, legibilidad de máquina, confirmaciones externas—. La multimodalidad no anula estas bases; añade nuevos canales de entrada.