El cambio es sutil: algunos medios están trasladando parte de su contenido de las páginas dirigidas a las personas a canales destinados a las máquinas, porque los asistentes se están convirtiendo en una de las principales vías de descubrimiento. Cuando un asistente virtual responde a una consulta, suele dar prioridad a fragmentos estructurados o bloques legibles por máquinas. Los medios se dieron cuenta de que, al insertar afirmaciones patrocinadas o metadatos prioritarios en esas capas exclusivas para máquinas, podían influir en las respuestas de los asistentes sin alterar lo que ven las personas. La motivación combina ingresos —nuevo inventario publicitario—, control —presencia destacada en las respuestas— y experimentación por parte de medios que buscan desesperadamente otras formas de monetización ante la caída de los CPM de los banners.

Hay distintas formas técnicamente viables de hacerlo: bloques JSON-LD condicionales que solo se sirven a solicitudes que coinciden con las firmas conocidas de asistentes; HTML alternativo que se entrega mediante la detección del agente de usuario; puntos de acceso de API específicos que devuelven «resúmenes para asistentes» seleccionados; y fuentes enriquecidas de grafos de conocimiento con atributos patrocinados. La sofisticación de las implementaciones varía: la simple detección del agente de usuario es barata, pero poco robusta; las fuentes basadas en tokens ofrecen más control, aunque requieren integrar a los medios con las plataformas. La procedencia es un factor clave: si el agente consume fuentes verificadas de los medios o extrae bloques estructurados, reforzados para mostrar anuncios pero sin procedencia, determinará la pérdida de confianza cuando se abuse de la práctica.

Las plataformas reaccionan porque los anuncios dirigidos a agentes incumplen las expectativas de transparencia y de clasificación basada en méritos. Si los asistentes ofrecen recomendaciones patrocinadas sin indicarlo, se erosiona la confianza de los usuarios y aumenta la exposición legal. Por eso, los proveedores aplican varias defensas: consideran de baja calidad el contenido exclusivo para máquinas que no está verificado, exigen tokens de verificación a los medios o dan prioridad al contenido que aparece tanto en los canales para personas como en los destinados a máquinas. Estas políticas reducen la explotación inmediata, pero también pueden perjudicar usos legítimos, como las fuentes de accesibilidad o las API estructuradas para desarrolladores. El reto fundamental es prevenir los abusos sin frenar la innovación de desarrolladores y medios.

Las consultas GEO y las recomendaciones locales son especialmente vulnerables: un pequeño impulso visible para los agentes puede colocar a un negocio entre los primeros resultados de las búsquedas «cerca de mí». Esto cambia la forma en que los profesionales del marketing distribuyen sus presupuestos: en lugar de pujar por palabras clave o aparecer en mapas, algunos podrían invertir en datos estructurados destinados a máquinas y en inserciones de pago en fuentes de grafos de conocimiento. Para los equipos de producto y los inversores, este cambio obliga a replantearse los indicadores clave de rendimiento: la calidad de las visitas derivadas por la IA, las conversiones posteriores y el riesgo para la marca pasan a ser métricas centrales. A su vez, los organismos reguladores y las asociaciones de consumidores exigirán normas de transparencia que permitan auditar las recomendaciones de los asistentes e indicar cuándo las han influido inserciones pagadas.

Las defensas se dividen en tres áreas prácticas: detección, procedencia y políticas. Las herramientas de detección rastrean sitios para identificar fuentes condicionales, bloques de datos estructurados ocultos o respuestas específicas para ciertos agentes de usuario, y señalan las anomalías. Las soluciones de procedencia utilizan tokens criptográficos de los medios o fuentes firmadas para que las plataformas puedan verificar su autenticidad. Las medidas de política incluyen exigir que se revelen los contenidos de pago dirigidos a máquinas, crear listas de sitios excluidos de las plataformas por manipulación deliberada y auditar los datos que alimentan los grafos de conocimiento. A corto plazo, los operadores deberían instrumentar la supervisión y preparar un plan de respuesta que equilibre la integración necesaria con las plataformas con los riesgos reputacionales y de cumplimiento normativo que entrañan las inserciones no declaradas.