Cada vez más decisiones de compra empiezan en una conversación con la inteligencia artificial. Radar by Futture, el primer informe que mide la visibilidad de la banca chilena dentro de la IA, elaborado por la agencia chilena Futture (https://futture.marketing) , encontró que aparecer en la respuesta no garantiza ser el recomendado. Para las marcas, el dato pone sobre la mesa una métrica que hoy casi no se mide: la visibilidad dentro del modelo.

Cómo se midió

Radar llevó 50 preguntas reales de decisión bancaria (abrir una cuenta, pedir una tarjeta, cotizar un crédito hipotecario o de consumo, buscar dónde invertir) a los cuatro motores más usados: ChatGPT, Gemini, Claude y Perplexity. Cada pregunta se repitió en tres rondas por motor, porque la IA no responde igual dos veces, y el ejercicio sumó 589 respuestas válidas. Se registró a quién nombra cada respuesta y en qué orden. En total se midieron 34 actores: los 15 bancos regulados por la CMF y 19 competidores no bancarios, clasificados aparte para no mezclar categorías. El método tiene nombre en la disciplina: Share of Model, con la técnica de Query Fan-Out, la misma que se usa en AEO y GEO para entender cómo los modelos arman sus respuestas.

Aparecer y ser recomendado no son lo mismo

El estudio separa dos señales que suelen confundirse. La visibilidad mide en qué porcentaje de respuestas aparece mencionada una marca. La preferencia mide, entre las marcas mencionadas, cuántas veces la IA la pone en primer lugar, que es su recomendación efectiva.

La distancia entre ambas es grande. Santander es el banco más visible, presente en el 83% de las respuestas, seguido por BCI y BancoEstado con 80% y Banco de Chile con 79%. Pero cuando la IA elige un nombre para poner primero, el líder es BancoEstado, con 38% de preferencia, más del triple que el segundo. Banco Falabella (12%) y Banco de Chile (11%) completan el podio de la recomendación. Futture combinó ambas señales en un Índice Radar, con 40% de visibilidad y 60% de preferencia, donde el líder marca 100. El desglose por producto agrega matices que interesan a cualquier categoría: BancoEstado domina las consultas de hipotecario, consumo y ahorro, mientras que Banco Falabella es el más recomendado en tarjeta de crédito.

Cada motor tiene su propio criterio

No existe una sola IA. ChatGPT concentra su preferencia en BancoEstado de forma extrema (58,7%), mientras que Perplexity corona a Itaú, no a BancoEstado. Claude tiende a nombrar más a los actores digitales. Para una marca, esto significa que la visibilidad no se gana de una vez, sino motor por motor, con criterios distintos en cada uno.

La IA describe tu marca citando a terceros

Uno de los datos más incómodos del estudio es de dónde saca la IA lo que dice. Cerca del 72% de las fuentes que cita al hablar de bancos son de terceros: portales como Rankia, foros como Reddit y comparadores. Solo un 28% proviene del sitio del propio banco. Dicho de otra forma, la conversación sobre cada marca la están escribiendo otros, y gestionar esas fuentes deja de ser un tema secundario.

La base técnica también pesa

Radar cruzó la visibilidad con la salud técnica de cada sitio, porque un sitio que la IA no puede leer bien tiene menos posibilidades de ser citado. Solo 3 de los 15 bancos aprueban Core Web Vitals de campo en móvil, el dispositivo por donde entra la mayor parte del tráfico. Y la mayoría todavía no expone datos estructurados ni un archivo llms.txt, dos señales que empiezan a ordenar cómo los modelos leen un sitio. Hoy pesa más la marca que el marcado técnico, pero esa brecha se va a angostar.

El valor en juego

Futture estimó el valor publicitario equivalente de esta visibilidad. El pool de demanda no asociada a una marca específica en la categoría bordea los US$5,1 millones al año. Cada punto de preferencia, según el estudio, vale entre US$212 y US$849 al mes. Con eso, el líder ya estaría capturando cerca de US$196 mil al año en atención que antes se disputaba en el buscador.

Qué cambia para marketing y las marcas

La banca es el primer sector que Radar analizó en profundidad, pero la lógica aplica a cualquier categoría donde la gente pregunta antes de comprar. Tres implicancias concretas para un equipo de Marketing.

«Aparecer en la respuesta de la IA no es lo mismo que ser el recomendado, y esa diferencia todavía no está en los tableros de marca. La ventaja no está en usar más inteligencia artificial, sino en empezar a medir cómo te lee el modelo mientras la categoría recién se ordena.»

Rodrigo Orellana, Founder & CEO de Futture.

La primera es sumar la visibilidad en IA a los KPI de marca. Es medible, se mueve y hoy queda fuera de casi todos los tableros.

La segunda es mirar la preferencia, no solo la aparición. Estar presente en la respuesta es la puerta de entrada; ser el nombre que la IA pone primero es lo que convierte.

La tercera es trabajar las fuentes que la IA lee. Si la mayor parte de lo que el modelo dice sobre una marca viene de terceros, el contenido propio, la presencia en comparadores y las señales técnicas del sitio pasan a ser parte de la estrategia de marca, y no solo del área de tecnología.

Conclusión

El estudio no dice que las marcas deban abandonar el buscador ni volcarse a la IA de un día para otro. Muestra algo más específico: se está formando un estante nuevo, la respuesta de la inteligencia artificial, donde la marca se decide antes de que la persona visite ningún sitio. Medir cómo aparece cada marca en ese estante, y actuar sobre las causas, es una conversación que a los avisadores les conviene empezar ahora, mientras la categoría todavía se está definiendo.

El estudio completo, con el detalle por banco y la metodología, está disponible en futture.marketing/radar-ia-banca-chile.

Fuentes principales de la nota: Radar, estudio de visibilidad en IA de la banca chilena, elaborado por Futture. Metodología Share of Model con Query Fan-Out: 50 preguntas de decisión, cuatro motores (ChatGPT, Gemini, Claude y Perplexity), 589 respuestas válidas.