Pregúntale a ChatGPT “¿Qué es [nombre de tu empresa]?” y probablemente te dará una respuesta correcta. La IA sabe quién eres.
Ahora pregúntale “¿Qué empresa de [tu sector] recomiendas para [caso de uso específico]?” y es probable que no te mencione. La IA no te recomienda.
Esa diferencia entre reconocimiento y recomendación es el discovery gap. Y es el problema real que explica por qué muchas empresas B2B son invisibles en IA a pesar de tener presencia web.
¿Qué es el discovery gap en motores de IA?
Respuesta directa: El discovery gap es la diferencia entre que un motor de IA sepa quién eres (cuando preguntan específicamente por tu nombre) y que te recomiende (cuando preguntan por soluciones de tu sector). Es la brecha entre reconocimiento de entidad y citabilidad en contexto comercial.
Definición operativa:
Discovery Gap = Score cuando preguntan por categoría - Score cuando preguntan por nombre
Ejemplo:
- Score por nombre: 80/100 (la IA sabe quién eres)
- Score por categoría: 20/100 (la IA no te recomienda)
- Discovery Gap: 60 puntosDos tipos de visibilidad en IA:
| Tipo | Qué mide | Pregunta tipo |
|---|---|---|
| Reconocimiento | La IA sabe que existes | ”¿Qué es [nombre de empresa]?” |
| Descubrimiento | La IA te recomienda en contexto | ”¿Qué empresa de [sector] recomiendas?” |
Una empresa con discovery gap alto es conocida por nombre pero invisible por categoría. Eso significa que los clientes que ya te conocen pueden encontrarte, pero los clientes potenciales que buscan soluciones no te descubren.
¿Por qué el motor puede “saber” quién eres y no recomendarte?
Respuesta directa: Porque los motores de IA tienen información sobre tu empresa en sus pesos (de entrenamientos anteriores o búsquedas web), pero no tienen suficiente contenido estructurado que asocie tu empresa con soluciones específicas de tu sector. La IA puede reconocerte como entidad, pero no tiene razones para citarte cuando alguien pregunta por soluciones.
Mecanismo del discovery gap:
| Escenario | Qué tiene la IA | Resultado |
|---|---|---|
| Reconocimiento sin descubrimiento | Sabe tu nombre, pero no tiene contenido que te asocie con soluciones | Te conoce pero no te recomienda |
| Descubrimiento sin reconocimiento | Tiene contenido educativo que cita soluciones, pero no sabe tu nombre específicamente | Cita soluciones genéricas sin nombres |
| Reconocimiento + descubrimiento | Sabe tu nombre Y tiene contenido que te asocia con soluciones | Te conoce y te recomienda |
Datos relevantes: El 34% de Gemini genera respuestas sin buscar en internet (Strauss et al., 2025 — arXiv:2508.00838). Cuando la IA no busca, depende de lo que ya tiene en sus pesos. Esto favorece a marcas más citadas históricamente y perjudica a empresas con menor presencia de contenido estructurado.
¿Cómo medimos el discovery gap en una auditoría LEBAM?
Respuesta directa: El discovery gap se mide comparando el AEO Score en dos tipos de queries: (1) queries donde se menciona el nombre de la empresa, y (2) queries donde se pregunta por categoría o solución sin mencionar el nombre. La diferencia entre ambos scores es el discovery gap.
Metodología de medición:
| Tipo de query | Ejemplo | Qué mide |
|---|---|---|
| Queries por nombre | ”¿Qué es [empresa X]?” | Reconocimiento |
| Queries por categoría | ”¿Qué empresas de [sector] recomiendas?” | Descubrimiento |
| Queries comparativas | ”[Empresa X] vs [competidor]“ | Contexto competitivo |
Cálculo del discovery gap:
Score por nombre = (Apariciones en queries por nombre / Total queries por nombre) × 100
Score por categoría = (Apariciones en queries por categoría / Total queries por categoría) × 100
Discovery Gap = Score por nombre - Score por categoríaEjemplo real de auditoría:
- Score por nombre: 80/100 (la IA sabe quién es la empresa)
- Score por categoría: 20/100 (la IA no la recomienda)
- Discovery Gap: 60 puntos
Un discovery gap de 60 puntos indica que la empresa es reconocida pero no descubrible. Los clientes que ya la conocen pueden encontrarla, pero los clientes potenciales que buscan soluciones no la descubren.
¿Qué ratio discovery gap hemos observado en empresas B2B españolas?
Respuesta directa: En auditorías LEBAM de empresas B2B españolas, el discovery gap típico oscila entre 40 y 70 puntos. Las empresas con mayor gap (60+ puntos) suelen tener buena reputación offline o presencia en Google, pero carecen de contenido educativo estructurado que las asocie con soluciones específicas en los pesos de los modelos de IA.
Rangos observados:
| Discovery Gap | Interpretación | Patrón típico |
|---|---|---|
| 0-20 puntos | Bajo | Empresa con contenido educativo fuerte |
| 20-40 puntos | Medio | Empresa con presencia pero sin optimización AEO |
| 40-60 puntos | Alto | Empresa conocida pero invisible por categoría |
| 60+ puntos | Crítico | Empresa con reputación offline pero invisible en IA |
Patrón común en empresas con gap alto:
- Posición 1-3 en Google para keywords principales
- Buena reputación en el sector
- Contenido web existente pero no estructurado para IA
- Sin answer blocks, sin H2 como preguntas, sin contenido educativo consistente
Estas empresas son “fantasmas en IA”: existen para quienes las buscan por nombre, pero son invisibles para quienes buscan soluciones.
¿Por qué tus competidores tienen menor discovery gap que tú?
Respuesta directa: Porque tus competidores publican contenido educativo estructurado que los asocia con soluciones específicas. No es que sean más grandes o tengan más presupuesto. Es que su contenido está optimizado para que la IA los cite en contexto de solución, no solo en contexto de nombre.
Comparativa típica:
| Factor | Tu empresa (gap alto) | Competidor (gap bajo) |
|---|---|---|
| Contenido educativo | Escaso o ausente | 5+ posts/mes estructurado |
| Answer blocks | No | Sí, en cada sección |
| H2 como preguntas | No | Sí |
| Consistencia | Publicación esporádica | Calendario fijo |
| Cobertura multi-motor | Un solo motor | 3-5 motores |
| Schema markup | Básico o ausente | Organization + FAQPage completo |
El paper GEO demuestra que estrategias de optimización pueden aumentar visibilidad hasta un 40% (Aggarwal et al., KDD 2024 — arXiv:2311.09735). Tus competidores están aplicando estas estrategias. Tú no.
Investigación reciente sugiere que este patrón de gap entre reconocimiento y descubrimiento es sistemático en motores de IA, no anecdótico. La estructura del contenido, no el tamaño de la empresa, determina el discovery gap.
¿Qué tipos de contenido cierran el discovery gap?
Respuesta directa: El contenido que cierra el discovery gap es contenido educativo estructurado que responde preguntas específicas de compradores en contexto de solución. No es contenido sobre tu empresa. Es contenido sobre problemas que tu empresa resuelve, escrito de forma que la IA pueda extraerlo y citarte como fuente.
Tipos de contenido que cierran el gap:
| Tipo de contenido | Ejemplo | Impacto en discovery gap |
|---|---|---|
| Guías de solución | ”Cómo resolver [problema] en [sector]“ | Alto |
| Comparativas | ”[Opción A] vs [Opción B] para [caso de uso]“ | Alto |
| FAQ estructuradas | ”¿Cuánto cuesta [servicio]?” con answer block | Alto |
| Casos de uso | ”Cómo [empresa tipo] usó [solución] para [resultado]“ | Medio-Alto |
| Contenido educativo | ”5 errores comunes al [acción] en [sector]“ | Medio |
Estructura que cierra el gap:
## ¿Cómo resolver [problema] en [sector]?
**Respuesta directa:** [respuesta 30-80 palabras]
[Contexto, datos, ejemplos — 200+ palabras]
### ¿Por qué es importante?
[Párrafo de contexto]
### Errores comunes
- Error 1
- Error 2
- Error 3Este formato permite a la IA extraer tu contenido como fuente citable cuando alguien pregunta por soluciones. El contenido promocional (“nuestro producto es el mejor”) no cierra el gap porque la IA lo descarta.
¿Cuánto tarda en cerrarse el discovery gap?
Respuesta directa: El discovery gap comienza a cerrarse en 4-8 semanas tras implementar cambios estructurales en el contenido, siempre que los motores de IA tengan búsqueda web activa. El cierre completo (gap <20 puntos) requiere 12-16 semanas de publicación consistente de contenido educativo estructurado.
Timeline de cierre del gap:
| Semana | Acción | Discovery Gap esperado |
|---|---|---|
| Semana 0 | Auditoría baseline | Gap inicial (ej: 60 puntos) |
| Semanas 1-4 | Implementar answer blocks + H2 como preguntas | Sin cambio medible aún |
| Semana 6 | Re-auditoría | Gap reducido 10-15 puntos |
| Semana 8 | Re-auditoría | Gap reducido 20-25 puntos |
| Semana 12 | Análisis completo | Gap reducido 30-40 puntos |
| Semana 16 | Evaluación final | Gap <20 puntos (objetivo) |
Factores que aceleran el cierre:
- Publicación consistente (5+ posts/mes)
- Contenido educativo estructurado con answer blocks
- Cobertura multi-motor (medir en 5 motores)
- Consistencia entre fuentes externas (web, LinkedIn, directorios)
Factores que ralentizan el cierre:
- Publicación esporádica
- Contenido promocional en lugar de educativo
- Medir en un solo motor
- Inconsistencia entre fuentes
El cierre del discovery gap no es instantáneo. Requiere consistencia en la publicación de contenido estructurado y medición sistemática del progreso.
¿Cómo cerrar el discovery gap en tu empresa?
Respuesta directa: El discovery gap se cierra publicando contenido educativo estructurado que asocie tu empresa con soluciones específicas de tu sector. No es cuestión de tamaño ni presupuesto: es cuestión de estructura (answer blocks, H2 como preguntas), consistencia (5+ posts/mes) y medición sistemática en múltiples motores de IA.
El discovery gap es el problema real de visibilidad en IA. No es que la IA no sepa quién eres. Es que no tiene razones para recomendarte cuando alguien pregunta por soluciones de tu sector.
Cerrar el discovery gap requiere contenido educativo estructurado que asocie tu empresa con soluciones específicas. No es cuestión de tamaño ni de presupuesto. Es cuestión de estructura, consistencia y medición.
El paper GEO demuestra que estrategias de optimización pueden aumentar visibilidad hasta un 40% (Aggarwal et al., KDD 2024 — arXiv:2311.09735). La pregunta no es si puedes cerrar el gap. La pregunta es si vas a medirlo.
Referencias:
- Strauss, I., Yang, J., O’Reilly, T., Rosenblat, S., & Moure, I. (2025). The Attribution Crisis in LLM Search Results. arXiv:2508.00838
- Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. KDD 2024. arXiv:2311.09735