ChatGPT concentra cerca del 80% de las recomendaciones de productos con IA y Google AI Mode el 20%, según Jellyfish

El jueves 1 de octubre de 2026, Jellyfish lanzó las capacidades de Shopping Optimization dentro de su plataforma Share of Model, y publicó junto al anuncio un conjunto de datos que desarma una idea cómoda: que optimizar para la búsqueda con inteligencia artificial es una sola carrera.

El hallazgo central es de distribución. En las categorías analizadas, ChatGPT generó cerca del 80% de las recomendaciones de productos y Google AI Mode alrededor del 20%. La brecha no es estable: va desde menos de 3 a 1 hasta casi 30 a 1 según la categoría, y en electrodomésticos llega a 97% para ChatGPT frente a 3% para Google AI Mode.

¿Qué mide Share of Model Shopping Optimization?

A diferencia del seguimiento clásico de góndola digital y de las primeras herramientas de visibilidad en IA, la plataforma trabaja a nivel de producto individual. Mide qué productos recomienda la IA, en qué posición los ordena, a qué costo, con qué calificación y en cuál retailer compraría. El estudio cubrió los mercados de Estados Unidos, Reino Unido, Australia y Singapur, sobre ChatGPT, Google AI Mode y Alexa for Shopping de Amazon.

¿Qué tan fragmentada está la recomendación?

Los números muestran un anaquel enorme y poco concentrado, lo que cambia el cálculo de cuánta visibilidad puede capturar una marca.

• En moda en Estados Unidos aparecieron 120 marcas, y la más recomendada se quedó con apenas el 7% del anaquel.
• Una sola pregunta de compra llegó a mostrar hasta 290 marcas compitiendo.
• En trajes de hombre en Reino Unido el rango de precios recomendado fue de 27 a 3.295 libras.
• En sillas gamer en Estados Unidos, de 79 a 3.479 dólares.

¿Por qué el surtido del retailer decide si la IA te considera?

Aquí está el dato más útil para quien gestiona canal. El conjunto de tiendas que cada asistente consulta varía de forma radical. En juguetes, Amazon devolvió 177 marcas tomadas casi por completo de una sola tienda, mientras ChatGPT se apoyó en 24 retailers y Google AI Mode en 37. En ropa deportiva en Estados Unidos, ChatGPT consideró 171 retailers y Google AI Mode 126. En trajes de hombre en Reino Unido la diferencia es extrema: 30 retailers en ChatGPT frente a 4 en Google AI Mode.

John Dawson, vice president de estrategia de Jellyfish, lo resumió en el anuncio: las marcas pasaron décadas optimizando productos para motores de búsqueda, marketplaces y góndolas de retail, y el comercio con agentes cambia esa ecuación, porque los asistentes de compra se convierten en participantes activos de la decisión. Agregó que la misma pregunta puede devolver una lista corta de treinta retailers en un asistente y una respuesta cerrada de una sola tienda en otro, de modo que ganar en IA no es una carrera sino muchas. Natasha Wallace, chief solutions officer de Jellyfish, sostuvo que hasta ahora los responsables de marketing tenían poca visibilidad sobre por qué un sistema de IA favorece un producto sobre otro.

¿Qué significa para las empresas en Chile y Latinoamérica?

El estudio no incluyó mercados de Latinoamérica, y esa ausencia es información en sí misma: no existe todavía una medición pública equivalente para Chile, Brasil o México, de modo que nadie en la región puede afirmar con datos propios cuál asistente domina su categoría. Lo que sí es trasladable es el método. Si en mercados maduros la distribución entre asistentes varía hasta 30 a 1 por categoría, asumir que el comportamiento local replica el de Estados Unidos es una apuesta, no un diagnóstico.

Análisis de Revenue Hub

La lectura que importa para un líder comercial B2B no es de retail. Es sobre cómo se presupuesta la visibilidad en IA. El patrón que muestran estos datos es estructural: la respuesta de un asistente depende del conjunto de fuentes que ese asistente decide consultar, y ese conjunto no lo controla la marca. Cuando el anaquel admite hasta 290 competidores y el líder se queda con 7%, la meta de aparecer primero deja de tener sentido económico. La pregunta correcta es si se aparece, en qué contexto de precio y a través de qué intermediario.

La recomendación concreta es ordenar esto en tres pasos antes de aprobar presupuesto de AEO para el próximo trimestre. Primero, elegir las diez preguntas de compra que realmente anteceden a un negocio en el pipeline y medirlas por separado en cada asistente, porque un promedio agregado esconde exactamente la brecha que hace la diferencia. Segundo, revisar la ficha propia donde el asistente la lee: si la información de producto, precio y disponibilidad vive solo en el sitio corporativo y no en los intermediarios que el modelo consulta, el trabajo de contenido no alcanza. Tercero, tratar el resultado como una línea de reporte estable, con una revisión mensual, en lugar de un ejercicio puntual de diagnóstico.

El error que conviene evitar es comprar una herramienta de visibilidad antes de haber definido qué pregunta de negocio responde. La mayoría de los equipos en Chile y Latinoamérica todavía no tiene el dato base de cuánto de su demanda entrante pasa por un asistente, y sin ese denominador cualquier inversión en optimización se evalúa contra una métrica de vanidad. Seguimos esta discusión en la sección de marketing y demanda y publicamos metodología de medición en el blog de Revenue Hub.