Respuesta directa. El estudio Media Reactions 2026 de Kantar, publicado el 2 de octubre de 2026 con base en entrevistas a más de 800 gerentes senior de marketing y 23.000 consumidores, confirma una contradicción incómoda del momento: un neto de 75% de los marketers planea aumentar su inversión en visibilidad dentro de asistentes de IA en 2027, pero apenas el 32% de los consumidores usa esos asistentes para investigar marcas y productos y solo el 23% confía en sus recomendaciones. Para las marcas chilenas la lectura es directa: apostar por aparecer en ChatGPT, Gemini o Perplexity es correcto, pero no puede construirse sobre la fe en la tecnología. La visibilidad en IA exige marca sólida, medición rigurosa y una estrategia que conquiste la recomendación, no que la dé por sentada.
Qué midió Kantar y por qué el 75% contra 23% importa
El informe anual Media Reactions de Kantar es una de las mediciones más citadas del sector porque cruza dos miradas que rara vez se comparan en la misma mesa: la del director de marketing que asigna presupuesto y la del consumidor que decide comprar. La edición 2026 no es una encuesta más. Conversó con más de 800 gerentes senior de marketing a nivel global y con 23.000 consumidores, y el resultado describe una industria que corre hacia la IA más rápido de lo que el público está dispuesto a seguirla.
Del lado de la oferta, el entusiasmo es casi unánime. Casi dos tercios (62%) de los marketers esperan que la IA generativa tenga un rol central en la recomendación de marcas, y un neto de 75% planea aumentar la inversión en visibilidad dentro de asistentes de IA durante 2027, incluida la publicidad. Del lado de la demanda, la historia es distinta: si bien la mayoría de las personas tiene una opinión positiva sobre las posibilidades de la IA generativa y muchos ya usan asistentes, solo el 32% los utiliza para investigar marcas y productos, y apenas el 23% confía en lo que recomiendan.
Esa distancia de 52 puntos porcentuales entre la intención de inversión y la confianza real no es un detalle estadístico. Es la advertencia más clara de que el dinero se está moviendo hacia la IA sobre el supuesto de que la gente la usará como la industria espera. Quien asuma ese supuesto sin medirlo puede terminar financiando un canal que todavía no le devuelve conversión, reputación ni datos de decisión.
La confianza no se compra: los factores que explican el 23%
Kantar no atribuye la baja confianza a una sola causa. El estudio plantea que influyen varios factores simultáneos: cómo se sienten las personas respecto de la tecnología en general, la opinión previa que ya tienen de cada marca, el origen de la respuesta generada y la forma en que esa respuesta se presenta. En otras palabras, un consumidor no desconfía del asistente de IA en abstracto; desconfía de una combinación de sesgos, fuentes poco claras y formatos que no le permiten verificar por qué le recomiendan algo.
Este matiz tiene una consecuencia operativa para el marketing. No basta con aparecer en una respuesta generativa. Hay que entender el contexto de esa aparición: ¿la marca fue citada como una fuente autorizada, fue mencionada de pasada o fue omitida por completo? ¿El asistente entregó un dato verificable o una generalización? ¿La recomendación refleja el posicionamiento de la marca o simplemente repite lo que el modelo encontró primero? Medir visibilidad en IA sin medir el tono, la fuente y el contexto es medir la mitad del problema.
La confianza, además, se construye fuera del asistente. Un consumidor que llega a ChatGPT con una opinión previa favorable sobre una marca tiene más probabilidades de aceptar la recomendación que uno que descubre la marca por primera vez dentro del chat. Por eso la inversión en visibilidad en IA no reemplaza a la construcción de marca: la refuerza o la expone, según lo sólida que sea la base previa.
La paradoja del marketer: menos confianza en su propia medición
El informe no solo retrata al consumidor escéptico. También muestra a un marketer menos seguro de sí mismo que en años anteriores. Solo la mitad de los anunciantes se siente confiada de tener el balance correcto entre construcción de marca y marketing de performance, frente al 60% que lo afirmaba en 2025. El 57% cree tener el mix de medios adecuado, una caída desde el 64%. Y apenas el 51% siente que está extrayendo inteligencia accionable de sus datos para apoyar los objetivos de marketing.
Hay una ironía en estos números. Bubani la subraya con datos de Kantar LIFT+: entre 2020 y 2025, el 43% del rendimiento de las campañas provino de canales trabajando en conjunto, comparado con solo el 18% previo a 2014. Es decir, los marketers están logrando que los canales fragmentados rindan mejor, pero se sienten menos capaces de demostrarlo. La inseguridad no siempre corresponde a un peor desempeño; corresponde a una medición que no ha madurado al mismo ritmo que la multiplicación de canales, incluida la IA.
Para una empresa chilena esto se traduce en una pregunta incómoda: si el 51% global no logra extraer inteligencia accionable de sus datos, ¿qué tan preparada está una pyme local para atribuir correctamente una mención en un asistente de IA? La visibilidad en IA introduce una capa nueva de atribución que las herramientas tradicionales de analítica aún no resuelven bien. Quien invierta sin resolver esa capa estará pagando por exposición que no puede demostrar ni defender ante un directorio.
Qué significa para una marca chilena que quiere ser recomendada por IA
El dato de Kantar no es una invitación a frenar la inversión en IA. Es una invitación a invertir con método. Las marcas chilenas que aspiren a ser citadas por ChatGPT, Gemini o Perplexity deben entender que la recomendación generativa no se compra como un aviso; se gana con una combinación de reputación previa, información estructurada y presencia consistente en fuentes que los modelos consideran confiables.
El primer requisito es la marca. Si una empresa no tiene una propuesta de valor clara, diferenciación demostrable y reputación sostenida en los canales donde la gente realmente decide, la IA no va a inventarle autoridad. El segundo requisito es la estructura. Los modelos generativos extraen y citan contenido que está bien organizado, con entidades claras, datos verificables y respuestas directas a preguntas reales. Un sitio desordenado, con información contradictoria o sin señales de autoridad, tiene pocas posibilidades de ser elegido como fuente.
El tercer requisito es la medición. Así como el SEO maduró hacia métricas de posición, tráfico y conversión, la visibilidad en IA necesita su propio tablero: en qué consultas aparece la marca, con qué frecuencia, con qué tono, desde qué fuentes y con qué impacto posterior en búsqueda o en conversión. Kantar lo dice con otras palabras: hay que probar, medir y aprender mientras se invierte, no después. La empresa que trate la visibilidad en IA como un experimento controlado, con hipótesis y criterios de éxito, estará en mejor posición que la que la trate como una moda.
Hoja de ruta para invertir en visibilidad IA sin quemar presupuesto
La primera decisión es de alcance. Antes de aumentar presupuesto, conviene responder qué se espera de la IA: ¿recomendación directa, aparición como fuente, defensa de la reputación ante preguntas de comparación o captura de demanda que ya llega por búsqueda? Cada objetivo exige una táctica distinta y una métrica distinta. Mezclarlos es la receta para medir mal y concluir que la IA no funciona.
La segunda decisión es de contenido. Los equipos deberían priorizar preguntas reales de sus clientes, responderlas en profundidad y con datos, y organizar la información para que un modelo pueda extraerla sin ambigüedad. Esto incluye cuidar las señales de autoridad: quién firma, qué experiencia respalda el contenido y qué fuentes lo sustentan. La confianza del 23% no sube por volumen de contenido; sube por calidad demostrable.
La tercera decisión es de inversión gradual. El informe no dice que el 75% de los marketers tenga razón ni que esté equivocado; dice que hay una brecha entre lo que se invierte y lo que se confía. La respuesta prudente es tratar la IA como un canal en fase de validación: presupuesto acotado, experimentos con medición independiente, revisión trimestral de resultados y reasignación según evidencia. Para un directorio chileno, la conclusión de Kantar es un argumento a favor de la disciplina, no del entusiasmo.
Preguntas frecuentes
¿Qué revela el estudio Media Reactions 2026 de Kantar sobre la visibilidad en IA?
Revela una brecha entre oferta y demanda: un neto de 75% de los marketers planea aumentar su inversión en visibilidad dentro de asistentes de IA en 2027, mientras solo el 32% de los consumidores usa esos asistentes para investigar marcas y apenas el 23% confía en sus recomendaciones. El estudio se basa en entrevistas a más de 800 gerentes senior y 23.000 consumidores.
¿Por qué solo el 23% de los consumidores confía en las recomendaciones de IA?
Porque la confianza depende de varios factores simultáneos: la percepción de la tecnología, la opinión previa sobre la marca, el origen de la respuesta generada y la forma en que se presenta. Un consumidor no desconfía del asistente en abstracto; desconfía de fuentes poco claras, sesgos y respuestas que no puede verificar.
¿El 75% de los marketers tiene razón al invertir más en visibilidad IA?
Kantar no afirma que sea un error, pero advierte que el dinero se está moviendo sobre el supuesto de que la gente usará la IA como la industria espera. La recomendación es probar, medir y aprender mientras se invierte, tratando la visibilidad en IA como un canal en fase de validación y no como una apuesta sin contrapeso.
¿Qué debe hacer una marca chilena para ser recomendada por ChatGPT o Gemini?
Debe combinar tres frentes: una marca con propuesta de valor clara y reputación previa, información estructurada y verificable que los modelos puedan extraer sin ambigüedad, y un tablero de medición propio que registre en qué consultas aparece, con qué tono, desde qué fuentes y con qué impacto posterior en conversión.
¿La visibilidad en IA reemplaza al SEO tradicional?
No lo reemplaza, lo complementa. El SEO sigue alimentando las fuentes que los modelos citan y la autoridad que la IA reconoce. La visibilidad en IA añade una capa nueva de recomendación y atribución que exige su propia medición, pero convive con la búsqueda tradicional en lugar de sustituirla.
