David Edelman, asesor ejecutivo y profesor en Harvard Business School con más de 30 años trabajando en transformación digital, publicó en abril de 2026 un análisis en Think with Google que merece atención: el recorrido de decisión del cliente IA está comprimiéndose, y la IA generativa es el motor principal de ese cambio. Puedes leer el artículo original aquí.
Lo que sigue es mi lectura del análisis de Edelman desde la perspectiva de alguien que construye sistemas con LLMs — con la capa técnica que su artículo, centrado en marketing, no desarrolla.
El diagnóstico de Edelman: el recorrido de compra ya no es lineal
El customer decision journey que BCG y Google describieron hace un año — ver, hacer scroll, buscar, comprar — ya no ocurre en ese orden, ni con esa cadencia. El recorrido de decisión del cliente IA de 2026 no se parece al funnel de hace cinco años: los consumidores saltan entre plataformas, alternan entre entretenimiento e intención de compra, y actúan de forma mucho más espontánea que antes.
Lo que añade Edelman al diagnóstico es el papel concreto de la IA generativa en marketing y en el comportamiento de compra: acelera los movimientos dentro de ese recorrido y los conecta entre sí. El resultado es paradójico. Las personas toman decisiones más rápidas en compras de alta implicación (un lavavajillas), pero también dedican más análisis a productos de menor riesgo percibido (el jabón para ese lavavajillas), sin que ese análisis adicional frene la compra.
El marco que Edelman llama 4S — streaming, scrolling, searching, shopping — describe cómo las plataformas ya no tienen un rol único. Las redes sociales son motores de descubrimiento. El vídeo es una capa de confianza. Los marketplaces facilitan comparación y decisión, no solo transacciones. Y la búsqueda clásica ha mutado en algo bastante diferente.
Por qué las queries se están volviendo más largas (la explicación técnica que Edelman no da)
Edelman señala que los consumidores ya no escriben palabras clave aisladas. Comparten contexto, restricciones, preferencias, urgencia, a veces emociones. Iteran y refinan. Lo describe como un cambio de comportamiento. Pero hay una razón técnica detrás que vale la pena entender.
Los LLMs tienen un comportamiento bien documentado: mejoran sus respuestas de forma significativa cuando reciben más contexto. Un prompt con restricciones concretas (“necesito un lavavajillas silencioso, mi cocina tiene 60 cm de hueco y tengo tres hijos pequeños”) produce un resultado cualitativamente mejor que una búsqueda de dos palabras. Los usuarios han aprendido esto de forma implícita, a través de la experiencia directa con ChatGPT, Gemini y Perplexity. No conocen el concepto de context window, pero saben que cuanto más explican, mejor respuesta obtienen.
Esto tiene una consecuencia técnica para los sistemas que procesan esas consultas. Un LLM puede descomponer una query larga en múltiples flujos de búsqueda simultáneos, sintetizar los resultados en tiempo real y presentar una respuesta consolidada. Lo que antes requería abrir veinte pestañas y comparar manualmente ocurre ahora en segundos. Una investigación que antes requería tiempo y paciencia se condensa en una única conversación.
El cambio no es solo de velocidad. Es de estructura cognitiva: el usuario delega la síntesis al modelo, y lo que queda en sus manos es la decisión final, no el trabajo de investigación previo. Las marcas ya no compiten como productos dentro de una categoría — son evaluadas como soluciones a la situación específica de cada persona.
Generar, captar y convertir: el nuevo marco y su traducción a GEO
Edelman propone reemplazar el embudo tradicional por tres objetivos de marketing: generar demanda, captar demanda y convertir demanda. El análisis es sólido desde la perspectiva del IA generativa marketing — cómo los equipos de marketing adaptan su estrategia a un entorno donde los LLMs median cada vez más decisiones de compra. Cada objetivo tiene además una traducción directa a lo que en SEO llamamos GEO (Generative Engine Optimization): el conjunto de prácticas que determinan si un sistema de IA te cita, te recomienda o te ignora.
Generar demanda: contenido de situación, no de producto
Edelman describe cómo la demanda se genera ahora en contextos que no encajan con el marketing tradicional: un día en la vida de un creador, una demo, un pódcast, una emisión en directo, una conversación en comunidad. El hilo conductor no es el canal, sino una situación y una mejor manera de avanzar.
Los ejemplos que da son concretos. Glossier replanteó la belleza como “piel real en la vida real” — contenido de usuarios, rutinas, antes/después — y fue percibida como solución a la inseguridad, no como una línea de cosméticos. Nike integró sus productos en apps de entrenamiento y running, donde el calzado forma parte de una solución de bienestar e identidad.
La clave, en palabras de Edelman: enfocarse en la tarea que el usuario quiere resolver y el resultado que le importa. No hablar de características ni de SKU. Mostrar cómo mejora la vida, cómo se reduce la complejidad.
La traducción a GEO es directa: un LLM recupera información de fuentes donde se hablan de situaciones reales, no de fichas de producto. Un foro donde alguien describe su problema y otro responde con experiencia propia tiene más valor semántico para un modelo que una página de producto bien optimizada para keywords. Generar demanda en el mundo GEO significa estar presente en los espacios donde los modelos aprenden qué soluciones existen para qué problemas.
Captar demanda: la auditoría de respuestas es una auditoría GEO
Aquí es donde el análisis de Edelman conecta más directamente con el trabajo técnico de SEO. Describe cómo muchos equipos de marketing están adoptando una “auditoría de respuestas” recurrente: examinar lo que encontraría una persona en redes, búsqueda de vídeo, fichas de tiendas y asistentes de IA para identificar carencias e incoherencias en la presencia de marca.
Esto es exactamente una auditoría GEO. La pregunta no es “¿aparezco en la posición 1 de Google para esta keyword?”, sino “¿qué responde ChatGPT cuando alguien describe mi caso de uso?”, “¿me menciona Perplexity cuando alguien busca una solución a este problema?”, “¿qué información tiene el modelo sobre mi producto o servicio?”
Edelman subraya que el contenido debe ser útil, específico y creíble: comparativas, FAQs, guías, resolución de problemas, vídeos de configuración, políticas transparentes. La profundidad importa: datos de producto que hablen del rendimiento real, compatibilidad, ventajas y desventajas, sostenibilidad, resultados.
El ejemplo de Wirecutter (NYT) es el más ilustrativo: comparaciones contextuales — “ideal para apartamentos pequeños”, “ideal si tienes mascotas”, “ideal si tu presupuesto es limitado”. Legible para personas Y algoritmos. Esa doble legibilidad es la definición operativa de contenido bien optimizado para GEO: estructurado para que un LLM pueda extraer y sintetizar la información relevante para una situación específica.
Convertir demanda: la fricción también existe en los agentes
El tercer punto de Edelman es el más conocido del marketing digital pero el menos desarrollado en el contexto de IA: la conversión no ocurre al final del recorrido. Ocurre donde la confianza es suficientemente alta, lo que puede pasar mucho antes de lo esperado.
Los problemas que describe son los habituales: precios poco claros, procesos complicados, tarifas ocultas, devoluciones confusas, demasiados pasos. El ejemplo de Warby Parker es canónico: prueba en casa, precios transparentes, devolución sencilla. La confianza se genera antes de la compra.
Lo que Edelman no desarrolla, pero que es relevante si construyes productos digitales o vendes servicios online: la fricción también existe en la experiencia de chat y en los agentes IA. Si un usuario está hablando con un asistente y quiere comprar o contratar, y el proceso requiere saltar a un formulario largo o un proceso de onboarding poco claro, la conversión se rompe igual que en un checkout mal diseñado. Los equipos que están pensando en convertir demanda en 2026 tienen que pensar en ese punto de contacto, no solo en el web clásico.
La marca como entidad semántica: lo que los LLMs leen de ti
El punto más importante del análisis de Edelman — y el que tiene más implicaciones técnicas — es su redefinición de marca. No el concepto aislado tradicional. La marca como suma de señales: calidad del producto + experiencia de cliente + creadores y consumidores + reputación en comunidad + claridad y utilidad del contenido. Y añade algo que los equipos de marketing pocas veces escuchan: esa suma influye en cómo perciben la marca tanto las personas como los sistemas automatizados.
Desde una perspectiva técnica, esto es GEO en su sentido más profundo. Un LLM no tiene una ficha de empresa que rellenar — construye una representación de tu marca a partir de todo lo que ha procesado: artículos de prensa, reseñas, foros, documentación, redes sociales, comparativas. Si esas fuentes son coherentes, específicas y asocian tu marca con atributos concretos y situaciones concretas, el LLM puede citarte como solución relevante. Si son contradictorias, escasas o genéricas, el modelo no tiene suficiente señal para incluirte.
En la práctica, esto significa que la marca opera como una entidad semántica en el grafo de conocimiento que los LLMs construyen y actualizan. No basta con tener buena reputación — esa reputación tiene que estar expresada en formatos que los modelos pueden procesar, indexar y recuperar. Un nombre de empresa sin atributos, sin casos de uso, sin contexto de situación, no existe como solución en el espacio de recuperación de un LLM.
“No ganarán las marcas que más ruido hagan. Lo harán aquellas que se posicionen como la solución ideal en cada contexto concreto.”
— David Edelman, Think with Google, abril 2026
La diferencia entre “hacer ruido” y “ser la solución ideal en cada contexto” es exactamente la diferencia entre SEO de keywords y SEO semántico orientado a GEO. Las marcas que están construyendo esa presencia — documentando casos de uso reales, siendo específicas sobre para quién sirven y para qué situaciones, generando señales coherentes en múltiples fuentes — son las que tienen una ventaja estructural a medida que más decisiones de compra pasan por un intermediario IA.
Si quieres auditar cómo está representada tu marca o tu servicio en los sistemas de IA generativa, o si necesitas estructurar tu contenido para captar demanda en este nuevo entorno, hablemos sobre tu proyecto.