El estudio de Vaer AI para Lightspeed sobre recomendaciones de compra
Lightspeed Commerce publicó el 29 de septiembre de 2026 un estudio hecho por Vaer AI, la consultora de búsqueda con IA de Tom Wells. El trabajo parte de 20.000 prompts de compra fijos en 10 categorías de producto y cuatro ciudades: Los Ángeles, San Francisco, Nueva York y Montreal. Los prompts eran neutros, sin palabras como «local», «independiente» o «gran cadena». El análisis se hizo entre junio y agosto de 2026 y se repitió en varias tandas.
Las tiendas se clasifican por facturación. Grande es más de 1.000 millones, mediana entre 50 y 1.000 millones de dólares y pequeña menos de 50 millones. Según Lightspeed, el clasificador se comparó con una revisión manual y con un segundo modelo, y coincidieron en el 99,5% de los casos en la división entre grande y pequeña.
El estudio tiene tres fases. En la primera, sin búsqueda web, midió ChatGPT y Gemini con 200.000 respuestas, es decir, lo que el modelo recomienda con lo que aprendió en el entrenamiento. Como primera recomendación, ChatGPT elige una gran cadena el 63% de las veces y Gemini el 70%; la tienda pequeña se queda en el 15% y el 10%. Cuando el duelo es directo, una gran cadena frente a una tienda más pequeña, la grande gana el 90-94% de las veces. Unas diez cadenas (Home Depot, Best Buy, Target, Amazon o Walmart, entre ellas) suman el 40-44% de todas las recomendaciones.
Por ciudades, Los Ángeles es la más sesgada, con un 70-77% de gran cadena como primera recomendación, y Montreal la que menos, con un 57-62%. Tom Wells lo explica así en la nota: "The bias toward national retailers begins in training, and while live search introduces more variety, it doesn't eliminate the problem". Es decir, el sesgo empieza en el entrenamiento y la búsqueda en vivo lo reduce sin quitarlo.
Qué cambia cuando la IA busca en la web
La segunda fase repite los prompts con búsqueda activada en ChatGPT, AI Mode y AI Overviews: 260.000 respuestas y unos 2,5 millones de enlaces. La cuota de gran cadena como primera recomendación queda en el 58% en ChatGPT, el 52% en AI Overviews y el 46% en AI Mode. Ojo con la comparación, porque Gemini solo está en la fase sin búsqueda y AI Mode y AI Overviews solo en la fase con búsqueda. El 90-94% y el 46-58% no miden las mismas plataformas ni la misma métrica.
AI Overviews es el que menos sitio deja al comercio pequeño. Según Vaer, dos de cada tres respuestas de compra de AI Overviews no nombran ninguna tienda pequeña o local, y Lightspeed lo concreta en un 68%. Por categorías, en AI Overviews una tienda pequeña aparece en el 45% de las respuestas de juguetes, el 38% de mascotas y solo el 17% de electrónica. El estudio no nombra las otras tres categorías.
El sesgo crece cuanto más concreta es la búsqueda. Cuando el usuario solo está explorando, la gran cadena es la primera recomendación en el 40% de los casos y la tienda pequeña en el 30%. Cuando busca por marca, la gran cadena sube al 60% y la pequeña baja al 10%. Vaer también miró las búsquedas internas de ChatGPT: escribe el nombre de una tienda en ellas entre el 30% y el 67% de las veces, según la fase de compra, y cuando lo hace es una cadena grande o mediana en el 96-98% de los casos.
El efecto de añadir «local» o «independent» al prompt
La tercera fase repitió una muestra de prompts añadiendo «local» o «independent». Con «independent», la cuota de tiendas pequeñas entre las nombradas pasa del 30-34% al 77-79% en las tres plataformas. Con «local» el cambio es menor, de 13 a 19 puntos.
La nota de Lightspeed da otra cifra, que la presencia de grandes cadenas baja del 44% al 9% con «independent». Según el gráfico de Vaer, ese 44-9 es el porcentaje de grandes cadenas entre las fuentes citadas en AI Mode, los enlaces, y no entre las tiendas recomendadas. En AI Overviews la misma métrica baja del 44% al 14% y en ChatGPT del 43% al 28%.
Lo que el estudio de Lightspeed no mide
La muestra es de cuatro ciudades de Estados Unidos y Canadá, así que no hay datos de España ni de búsquedas en español. Tampoco se publican las versiones de los modelos, si se usaron por API o por la interfaz, el listado de prompts ni los intervalos de confianza, que la nota dice que existen. El informe técnico completo solo se da bajo petición.
El estudio mide qué tienda recomienda la IA, no si esa recomendación acaba en una compra. «Pequeña» significa menos de 50 millones de facturación, que no equivale a tienda de barrio. Y no separa cuánto del sesgo es del modelo y cuánto de que las grandes cadenas tienen más páginas, reseñas y enlaces; la explicación por el entrenamiento es una hipótesis del autor.
Hay interés comercial en las dos partes. Lightspeed vende TPV y software de comercio electrónico al comercio independiente, pagó el estudio y lo acompaña de una campaña y de sus propios productos de IA. Vaer vende consultoría de visibilidad en IA. Las cifras pueden ser correctas, pero el estudio no es independiente aunque la nota lo llame así.
Mi lectura
Que una tienda pequeña no esté en la «memoria» de los LLMs es lo normal, y si la IA no sale a buscar a internet, no aparece en la respuesta. Una gran superficie tiene marca, reconocimiento y un ecosistema digital trabajado durante años. Lo que me parece más útil del estudio es que, en cuanto la IA busca, las grandes cadenas pierden visibilidad, sobre todo en los productos de Google. Seguramente pesa mucho la cercanía de la tienda al usuario que busca, y ahí cuentan una ficha de Perfil de Empresa cuidada, las reseñas, la presencia en los listados y foros que cita la IA y un catálogo que se pueda rastrear. Lo de las búsquedas internas de ChatGPT con nombres de tienda va en la misma línea, y lo puedes ver tú mismo con el query fan-out de ChatGPT.