Por que algunas profesiones casi no existen para la Inteligencia Artificial
Porque la Inteligencia Artificial no reconoce entidades desde cero: las construye a partir de datos estructurados, verificables y repetidos en muchas fuentes. Un abogado o un asesor financiero tienen detras colegios, registros publicos y directorios especializados que alimentan ese reconocimiento. Un arquitecto, una clinica de medicina estetica o un consultor independiente muchas veces no tienen ese mismo andamiaje, y por eso, aunque lleven anos trabajando bien, la maquina los describe en generico en lugar de nombrarlos.
El dato que confirma el cambio de habito: casi la mitad ya pregunta primero a una maquina
Segun la encuesta Local Consumer Review Survey 2026 de BrightLocal, el 45% de los consumidores ya usa Inteligencia Artificial para buscar recomendaciones de negocios locales, frente al 6% que lo hacia en 2025. El grupo que mas lo hace es el de 30 a 44 anos, con un 64%. El cambio no es una tendencia futura, ya paso.
El umbral de las 150 resenas que decide si te nombran o te describen en generico
El mismo estudio de BrightLocal identifica un umbral concreto: por debajo de 150 resenas por sede, herramientas como ChatGPT, Perplexity y Gemini tienden a describir el servicio de forma generica, sin nombrar a un proveedor concreto. Por encima de ese umbral, empiezan a citar negocios por su nombre. Esto no depende de la calidad del trabajo, depende de si existe suficiente material estructurado alrededor del profesional para que la maquina se atreva a poner un nombre encima.
22 sectores, y la visibilidad no se reparte igual entre ellos
El AI Visibility Index 2026 de Semrush, ampliado en junio de 2026 hasta analizar 126 millones de consultas reales hechas a sistemas de Inteligencia Artificial en Estados Unidos, establece puntos de referencia en 22 sectores distintos. Los resultados muestran una diferencia clave: en sectores como noticias y medios, las tres marcas mas visibles concentran el 82,9% de toda la visibilidad de la categoria, y en electronica de consumo el 76,9%. En finanzas e industria, en cambio, la visibilidad esta mucho mas repartida entre muchos actores distintos.
Traducido a servicios profesionales: hay categorias donde la Inteligencia Artificial ya tiene un puñado de nombres fijos que repite siempre, y categorias donde el reparto sigue abierto porque el sector no tiene ese mismo nivel de concentracion de datos. Estar en una categoria concentrada por marcas grandes o en una categoria dispersa cambia por completo tus posibilidades reales de aparecer.
Por que abogados y asesores financieros ya tienen el terreno preparado
Una investigacion publicada en 2026 sobre ocho casos reales de despachos de abogados y asesores financieros documento que ChatGPT y Google Gemini priorizan senales muy concretas antes de recomendar a un profesional: colegiacion verificable, anos en ejercicio, especializacion declarada, coherencia del nombre, direccion y telefono en multiples sitios, y perfiles completos en directorios de referencia del sector, como Avvo en el caso legal estadounidense. Un despacho de derecho de familia paso de no aparecer nunca en las recomendaciones de ChatGPT a aparecer en el 60% de las consultas relevantes de su especialidad en solo tres meses, trabajando exactamente esas senales.
Esto no es una casualidad del sector legal. Es la prueba de que cuando existe una infraestructura de datos publica y verificable detras de una profesion, un sistema de Inteligencia Artificial tiene material de sobra para construir una entidad reconocible. El problema aparece cuando esa infraestructura no existe o esta fragmentada.
Arquitectura, medicina estetica y asesoria fiscal: el mismo problema, sin la misma red
Un arquitecto colegiado tiene, en teoria, un registro publico similar al de un abogado. En la practica, ese registro rara vez esta estructurado de forma que un modelo de Inteligencia Artificial pueda leerlo con facilidad, y no existe un equivalente extendido a Avvo para arquitectura en espanol. Una clinica de medicina estetica compite ademas contra una categoria saturada de contenido publicitario y opiniones pagadas, lo que dificulta que la maquina distinga una fuente fiable de una que no lo es. Y una asesoria fiscal pequena, por muy solida que sea su trabajo, rara vez aparece citada en fuentes que un modelo considere autoridad, porque ese tipo de reconocimiento suele reservarse a despachos grandes o a medios especializados.
El resultado es el mismo en los tres casos: no es que la Inteligencia Artificial decida activamente ignorar a estos profesionales, es que no tiene con que construir su ficha, asi que responde con generalidades en lugar de nombres propios.
Esto no es un problema de calidad del trabajo, es un problema de infraestructura de datos
Conviene ser preciso aqui: ningun estudio de los citados dice que estos profesionales trabajen peor. Dice que las senales que una Inteligencia Artificial necesita para nombrarlos no estan disponibles o no estan estructuradas de forma legible. Es la misma logica, a otra escala, que llevo a corregir sesgos en los primeros modelos de generacion de imagenes cuando se descubrio que representaban mejor lo que tenian mas datos de entrenamiento disponibles, y peor lo que tenia menos. Con las respuestas sobre profesionales pasa algo parecido: se recomienda mejor lo que esta mejor documentado.
Que puede hacer un profesional de una categoria con poca cobertura
La primera pregunta no es «como aparezco primero», es «existe siquiera material suficiente sobre mi categoria para que una maquina construya una entidad». Si la respuesta es no, la prioridad cambia: antes de competir por posicion, hay que construir la base de datos estructurados que a otros sectores ya les vino dada por sus colegios y directorios. Eso significa fichas completas y coherentes en cada plataforma donde exista, menciones consistentes de nombre, especialidad y ubicacion, y contenido propio que sirva de fuente verificable.
Este trabajo se cruza con otro problema ya documentado en este periodico, que ChatGPT, Gemini y Perplexity no confian en las mismas fuentes entre si. Un profesional de una categoria poco cubierta tiene que pensar en varias fuentes a la vez, no en una sola.
Los directorios generalistas no reparten el mismo espacio a todos los sectores
Otro estudio de BrightLocal, la Business Listings Visibility Study, analizo 8.000 resultados de busqueda con intencion local y encontro que los directorios de negocios ocupan casi un tercio del total, el 31%. Pero ese espacio tampoco se reparte igual: en busquedas del sector de comida rapida, los directorios aparecen en el 72% de los resultados, la proporcion mas alta de todos los sectores medidos. Cuanto mas estandarizado esta un tipo de negocio en las plataformas que consulta una Inteligencia Artificial, mas facil le resulta a la maquina nombrarlo con confianza.
Una asesoria fiscal, un estudio de arquitectura o una clinica de medicina estetica no tienen ese mismo nivel de estandarizacion en directorios especializados de habla hispana. Existen colegios profesionales, pero sus registros publicos rara vez estan pensados para que un sistema automatizado los lea y los cruce con lo que dice la web del profesional, sus resenas y su presencia en prensa.
Que pasa si tu categoria si tiene infraestructura y tu simplemente no la usaste
No toda la responsabilidad es de la categoria. Dentro de un mismo sector con buena cobertura, como el legal o el financiero, hay profesionales que igualmente quedan fuera porque su ficha en el colegio esta incompleta, su nombre aparece escrito de forma distinta en cada plataforma, o directamente nunca reclamaron su perfil en el directorio de referencia de su gremio. La infraestructura les vino dada, pero no la ocuparon. Es un matiz importante: en una categoria con poca cobertura estructural, el trabajo es construir esa base desde cero; en una categoria bien cubierta, el trabajo suele ser mas simple, ocupar el espacio que ya existe y que otro colega dejo vacio.
Medir antes de construir, para no trabajar a ciegas
Sin medir primero que dice hoy cada Inteligencia Artificial sobre tu categoria y sobre ti, es facil invertir tiempo en corregir lo que ya funcionaba y dejar sin tocar el hueco real. La diferencia entre una categoria bien cubierta y una mal cubierta cambia por completo la estrategia: no es el mismo trabajo pulir una ficha que ya te nombra que construir desde cero la base de datos que te falta.
RADAR mide exactamente en que punto de esa cobertura estas tu, y en tu categoria concreta, antes de decidir donde poner el esfuerzo.
Sobre el autor
Javier G. Amblar suma 27 anos de experiencia en consultoria, comunicacion y estrategia empresarial. Formo a mas de 33.000 profesionales en 55 paises, fue profesor asociado del IE Business School con el Premio a la Excelencia Docente, colaboro con RTVE, Telemadrid, Onda Cero y EsRadio, y es autor del libro Liderazgo (Editatum, 2018). Su comunidad online reune a mas de 500.000 personas y su canal de YouTube supera los 368.000 suscriptores.
Trabaja con profesionales de sectores donde la infraestructura de datos publica es escasa, desde asesorias fiscales hasta consultas de medicina estetica, ayudandoles a construir la base estructurada que las categorias mas grandes ya tienen resuelta desde hace anos.
En RADAR mide de forma continuada como te nombran, o no te nombran, ChatGPT, Gemini y Perplexity, y entrega un plan de trabajo ordenado por impacto real. En Evolution acompana a profesionales con experiencia a convertir su trayectoria en autoridad reconocida y en ingresos mas estables.
