Al menos el 85% de los restaurantes son invisibles para la IA. Medimos un mercado entero para entender por qué.

Nuestro estudio está publicado en arXiv: Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census. Hasta donde sabemos, es la primera auditoría en el mundo de recomendaciones de locales por IA sobre un mercado completo: no una muestra de marcas conocidas, sino cada café, restaurante y bar de dos mercados — frente a los cuatro asistentes que usan tus clientes.

Este artículo cuenta los resultados en palabras simples, hallazgo por hallazgo, con gráficos. Y si te resulta útil, el informe completo profundiza en cada sección, gratis.

Cómo medimos — y por qué puedes confiar en las cifras

La mayoría de los estudios de visibilidad en IA prueban un puñado de marcas conocidas y reportan quién quedó arriba. Así sabes quién ganó — pero no cuántos perdieron: nadie contó el campo completo. Nosotros fuimos al revés, y esa decisión es la que hace posible cada cifra del estudio.

Primero contamos a todos. Cada café, restaurante y bar del gran Canggu y el gran Ubud — 4,776 locales, cada uno con su perfil público: calificación, cantidad de reseñas, sitio web, nivel de precios, horarios. Ese registro es lo que vuelve medible la palabra nunca.

Preguntamos como preguntan los clientes reales. Nadie escribe «mejor restaurante de Canggu». La gente pregunta con presupuesto, con compañía, con dieta, con una laptop que necesita Wi-Fi. Describimos ocho clientes — nómada digital, pareja en una cita, cena de negocios, mochilero con presupuesto ajustado, familia con niños, vegano, fanático del café, grupo nocturno — y le dimos a cada uno seis formulaciones en ambas zonas: 96 preguntas fijas, escritas y congeladas antes de empezar el estudio y publicadas palabra por palabra en el paper — para que nadie pudiera acomodar la pregunta al resultado.

Preguntamos muchas veces, a cuatro sistemas. ChatGPT, Claude, Gemini y Perplexity — cada uno en su versión viva con acceso a búsqueda, como responden sus apps — durante siete días seguidos, y dos semanas después repetimos todo para verificar que el panorama se sostuviera. Se sostuvo. Salieron 2,208 respuestas y 12,439 menciones de locales, y cada coincidencia dudosa la cotejamos con el registro a mano.

1,407,600 oportunidades de ser recomendado. Ese es el tamaño de la pregunta que le hicimos a los datos: cada local, frente a cada consulta, en cada repetición.

Esos 1.4 millones son el marco estadístico: cada local, en cada pregunta, en cada corrida, apareció en la respuesta o no apareció. Es lo que nos permite decir que un factor sube tus probabilidades con todo lo demás constante — en vez de señalar unos cuantos locales exitosos y adivinar qué tienen en común.

Y después intentamos romper nuestras propias conclusiones. Cada resultado principal se rearmó de tres maneras más: un segundo modelo estadístico independiente con otros supuestos coincidió con el principal en los nueve factores; un bootstrap de 500 corridas sobre preguntas remuestreadas apenas movió las estimaciones; y tres análisis de sensibilidad — quitar el sistema de IA más ruidoso, quedarnos solo con las coincidencias de nombres más confiables, cambiar la definición del resultado — no alteraron ninguna conclusión. La extracción y el cruce de nombres se verificaron contra anotación humana independiente: 97.6% de precisión, 99.1% de exhaustividad. Esas tasas de error también están publicadas.

Somos una empresa que hace software de visibilidad y escribimos sobre visibilidad, así que digamos lo obvio nosotros mismos: justo por eso el estudio está en arXiv y no en un post de marketing. Es abierto — cualquiera puede leer el método, verificar las cifras y decirnos que estamos equivocados.

Hallazgo 1: para la IA, la mayor parte del mercado simplemente no existe

En 2,208 respuestas, los cuatro sistemas dieron 9,791 recomendaciones — y volvieron una y otra vez al mismo círculo estrecho. Solo 689 de 4,776 locales fueron recomendados al menos una vez. El otro 85.6% no fue nombrado nunca — por ningún sistema, en ninguna respuesta, en toda la semana.

La objeción obvia: ¿y si los invisibles son puestos callejeros y locales fantasma que nadie recomendaría de todos modos? Lo verificamos. Entre los locales con al menos cincuenta reseñas de Google — negocios reales con clientes reales — el 72.6% tampoco fue recomendado nunca. La invisibilidad no filtra por calidad: se traga también a la mayor parte del mercado legítimo.

Y el 85.6% es el piso, no un titular inflado. Atacamos nuestro propio censo: lo cruzamos con un conjunto de datos independiente de locales, desarmamos a mano las diferencias y usamos a las propias IA como prueba adversarial — un local que ellas pudieran nombrar y nosotros hubiéramos omitido habría aparecido como mención sin coincidencia. Cada error de conteo que encontramos empuja la tasa real hacia arriba, no hacia abajo. Bajo la definición más amplia razonable del mercado, supera el 92%.

Pero aquí está la parte que vale la pena pensar. Entre los 689 visibles no hay cartel: el local más recomendado de todo el estudio apenas concentra el 1.9% de las recomendaciones, y los cinco primeros juntos, menos del 8%. Estas respuestas no le pertenecen a nadie. No hay que desbancar a ningún monopolista: la verdadera barrera es entrar en la respuesta, no subir dentro de ella.

Hallazgo 2: la IA elige en dos etapas — y nadie lo había medido

Este es el descubrimiento central del estudio, y no habíamos visto esta medición en ningún lado. Una recomendación de IA no es una competencia sino dos, y los factores que ganan la primera casi no se cruzan con los de la segunda.

Puerta uno — entrar en la respuesta. Antes que nada, el sistema tiene que encontrarte en lo que lee. Aquí todo lo decide el rastro digital: tu propio sitio web (1.9× las probabilidades), la cantidad de reseñas (1.6× por paso), el nivel de precios completado (1.5×), las menciones en la web (1.4× por paso). La calificación de estrellas en esta puerta no cuenta nada — estadísticamente indistinguible de cero. Un local de 4.9 con un par de reseñas pierde aquí frente a uno de 4.3 con cientos.

Puerta dos — ser nombrado primero. Dentro de la respuesta, la lógica se invierte. Ahora la calificación es una señal real (1.17× por paso), la cantidad de reseñas sigue ayudando (1.3×), el sitio web sigue contando (1.33×), y la amplitud del rastro en la web deja de pesar. El sistema arma una lista corta con lo que encontró — y la ordena por mérito.

La calificación decide en qué lugar te nombran. El rastro digital decide si existes.

Esto le da la vuelta al consejo habitual de la industria. Subir la calificación de 4.5 a 4.7 es una jugada de la segunda puerta, y la mayoría de los locales no llega ni a la primera. Si la IA no te nombra, el primer sospechoso no es tu cocina ni tu servicio: es tu rastro digital. Y esa es la buena noticia: a diferencia de la calificación, está por completo en tus manos.

Hallazgo 3: las reseñas trabajan en las dos puertas

Lee las dos listas juntas y aparece lo esencial. La mayoría de los factores trabaja en una sola puerta: las menciones en la web y los precios completados te meten, pero no influyen en el orden; la calificación calla hasta que estás adentro. Solo dos factores cruzan ambas puertas — tu sitio web y tus reseñas.

• La cantidad abre la puerta. Cada paso hacia arriba en cantidad de reseñas multiplica por 1.6× tus probabilidades de entrar en una respuesta. En esta etapa los sistemas leen cuánto hay escrito sobre ti, no qué tan alto te calificaron.
• La calificación te ordena adentro. Cuando ya te encontraron, cada paso hacia arriba en estrellas multiplica por 1.17× tus probabilidades de ser nombrado primero — y la cantidad sigue ayudando (1.3×).
• La frescura, muy probablemente, mantiene la puerta abierta. Las reseñas recientes dieron 1.4× — más sobre esto abajo.

Así que la aritmética real no es 4.6 contra 4.9. Es 4.6 con novecientas reseñas contra 4.9 con cuarenta — y el primer local gana dos veces: entra en respuestas donde el segundo ni aparece, y adentro no pierde posición. El sitio web es el otro factor de ambas puertas, y en la entrada es incluso más fuerte. Pero el sitio se hace una vez. Las reseñas tienen que llegar todo el tiempo — y son el único factor que un local lleno de clientes contentos puede mover por ti cada día.

Hallazgo 4: la frescura — lo que casi demostramos

La proporción de reseñas recientes dio 1.41× por paso — un efecto sólido, en la dirección correcta, que pasó el umbral estadístico convencional. El nuestro no lo pasó: corregimos por probar nueve factores a la vez, y el valor p quedó en .054 frente a un umbral de .05.

Lo reportamos tal cual es: muy probable, aunque no demostrado. Esconder este resultado habría sido deshonesto contigo: tanto la dirección como el tamaño encajan con todo lo demás que medimos — y el siguiente hallazgo muestra qué pasa cuando la historia de un local envejece.

Hallazgo 5: la IA no inventa restaurantes — recuerda los que ya cerraron

Pregúntale a cualquiera qué está mal con las recomendaciones de la IA y escucharás una palabra: alucinaciones. Fuimos a buscarlas. De 12,439 menciones de locales, exactamente un nombre — diez menciones, el 0.08% — sobrevivió la verificación como probablemente inventado. El problema famoso, en este mercado, casi no existe.

Encontramos otra cosa: los sistemas recomendaron 93 veces locales cerrados para siempre — 14 establecimientos cuyo cierre confirmamos. El cliente que le cree a esa respuesta llega a una puerta con candado. El mecanismo es el mismo que crea la visibilidad: las reseñas y las menciones en blogs y listas de un café cerrado no desaparecen cuando se cierran sus puertas. El rastro digital sobrevive al negocio.

Y este es el argumento práctico por la frescura, visto desde el otro lado. La historia que la IA lee sobre ti tiene que ser de hoy — y la señal fresca que un local controla por sí mismo es un flujo constante de reseñas nuevas.

Hallazgo 6: qué lee la IA en realidad — 26,993 fuentes

Cada vez que un sistema respondía, registramos qué citaba — 26,993 citas de 986 fuentes. Es lo más parecido que existe a la «lista de lectura» de las recomendaciones de la IA, y es más variada de lo que espera la mayoría de los dueños.

Las grandes plataformas de reseñas están entre las más citadas: TripAdvisor es tercero en el total, y Facebook, Reddit y YouTube entran en los diez primeros. Al lado, revistas regionales, blogs de viajes, listas, guías locales. Y en el primer lugar — el sitio web de un solo local, citado más que cualquier plataforma individual en todo el estudio.

La lectura práctica no es que una fuente le gane a otra. Es que la IA lee todo lo que rodea a un local, y cada una de esas cosas es un documento que puede encontrar. Cada perfil vivo en una plataforma, cada reseña de un cliente, cada guía que te menciona suma uno más. Los locales presentes en muchas fuentes aparecen en muchas respuestas; los locales de los que casi no hay nada en la web, en ninguna. De ahí sale el 85.6%.

Hallazgo 7: el «ranking de la IA» único no existe

Si las recomendaciones de la IA fueran una sola tabla de posiciones, los cuatro sistemas nombrarían más o menos los mismos locales. No lo hacen. Dos sistemas cualesquiera coinciden apenas en el 33–54% de sus top 20, y de los 37 locales que entraron en algún top 20, solo 8 aparecieron en las cuatro listas. Ser famoso en ChatGPT no te hace famoso en Gemini.

Y va más allá: el mismo sistema responde distinto de una vez a otra. Preguntas idénticas repetidas devolvían listas con una coincidencia de apenas 22–45%. Pero cuando repetimos el estudio dos semanas después, el panorama general resultó tan estable como de un día a otro — es ruido alrededor de una señal estable, no deriva.

De ahí sale una consecuencia práctica directa. Preguntarle a ChatGPT por tu local una vez y alegrarte — o asustarte — es medir una moneda al aire. Medir la visibilidad de verdad exige repeticiones, varias formulaciones y varios sistemas. Quien te venda una captura de «tu ranking en la IA» sacada de una sola consulta, te está vendiendo ruido.

Qué esperábamos — y qué se negaron a confirmar los datos

No entramos neutrales — teníamos nuestras hipótesis. Incluida la teoría, popular en este sector, de que figurar en bases estructuradas de puntos de interés alimenta en silencio la visibilidad en IA. Una parte del estudio se diseñó específicamente para probarla. Con el rastro digital habitual ya descontado, el efecto no apareció en ninguna de las dos puertas. En los datos tempranos y sucios se veía claramente positivo; el cruce cuidadoso de nombres lo borró — y esa es la segunda lección que vale la pena pasar: un cruce descuidado fabrica resultados, incluso en estudios que nosotros mismos estuvimos a punto de publicar.

Otra variable se comportó tan raro que la rastreamos hasta nuestra propia recolección de datos, no hasta la realidad — y la excluimos. Ambos episodios están descritos por completo en el paper. Preferimos publicar las hipótesis que no funcionaron antes que tirarlas en silencio: justo esa parte dice en cuáles de las cifras sobrevivientes puedes apoyarte.

Qué tienen en común los locales visibles

Por fuerza de asociación en nuestros modelos — la anatomía medida de la visibilidad, no una receta garantizada:

1. 01Tienen su propio sitio web. El factor de entrada más fuerte por sí solo (1.9×), y los registros de citas muestran por qué: los sistemas leen los sitios de los locales directamente y los citan. No tiene que ser sofisticado — tiene que existir y responder lo que pregunta un cliente.
2. 02Acumulan reseñas sin parar. La cantidad en la puerta (1.6× por paso), la calificación adentro (1.17×), la frescura muy probablemente manteniendo la puerta abierta. El único hábito que trabaja en ambas etapas.
3. 03Sus perfiles están completos. Solo el nivel de precios indicado: 1.5×. Horarios, menú, fotos, atributos: aburrido, pero está en tus manos y está medido.
4. 04Existen en más de una plataforma. Las menciones en guías, blogs y medios locales: 1.4× por paso — y justo a esas fuentes apuntan las citas de la IA.
5. 05No sobrevaloran la calificación. Importa — pero solo después de que te encontraron. Un 4.6 con 900 reseñas le gana a un 4.9 con 40, dos veces.

Léelo, verifícalo, discútelo

Todo lo de arriba es un resumen. El informe completo recorre cada hallazgo con su gráfico y la lógica detrás, en el mismo lenguaje simple de este artículo.

El método completo, las 96 consultas palabra por palabra, diez gráficos y el paquete de replicación están en el paper en arXiv, también en PDF y HTML.

Para citarlo: Pitenin, V. (2026). Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census. arXiv:2608.07069. Comparte y cita con libertad — con el enlace.

Una región y un idioma fueron una decisión consciente: un mercado que se podía censar completo. Lo que sigue: la misma medición en un mercado muy distinto, y el experimento que convierta las asociaciones medidas en causas y efectos. Lo publicaremos igual.