Una proporción creciente de usuarios formula su búsqueda de un medio de pago, una billetera digital o un servicio financiero directamente a un asistente conversacional de inteligencia artificial en lugar de a un buscador tradicional. Este trabajo examina en qué medida los proveedores fintech argentinos se encuentran preparados para ser identificados y citados por esos motores. Se evaluaron 31 sitios de proveedores fintech, seleccionados del directorio público de socios de la principal cámara del sector, distribuidos en medios de pago, cripto y activos digitales, infraestructura y tecnología, y un grupo de otros servicios financieros y adyacentes. El puntaje global promedio fue de 31 sobre 100, sin que ningún dominio alcance el nivel de preparación para motores generativos y con solo un 12.9% en el nivel de ajustes puntuales. El criterio más deficitario fue la cobertura de subpreguntas (22/100) y el menos deficitario, la especificidad temática (48/100). Un 38.7% de los sitios no presentó ningún dato estructurado (schema.org). Como complemento, se ejecutó un experimento de campo: se le formularon a ChatGPT, Gemini y Perplexity las preguntas que haría un usuario real interesado en contratar un servicio fintech, siguiendo el marco de medición de visibilidad ante IA del IAB. Ninguna de las 31 empresas de la muestra fue nombrada en ninguna de las 9 tomas realizadas. Se concluye que, pese a tratarse de un sector nativo digital, el fintech argentino exhibe un rezago estructural frente a la capa de descubrimiento generativo, con una preparación desigual entre categorías —los proveedores de otros servicios financieros y de infraestructura muestran puntajes relativos más altos que los de cripto y activos digitales— y una capa de descubrimiento por IA que, en la práctica, no nombra a ninguna de ellas.
* Sobre las 31 empresas de la muestra, en 9 tomas a ChatGPT, Gemini y Perplexity. Ver sección 4.4.
Durante dos décadas, la visibilidad de un sitio web estuvo determinada por su posicionamiento en los motores de búsqueda tradicionales. La adopción masiva de asistentes conversacionales basados en grandes modelos de lenguaje ha introducido una segunda capa de descubrimiento: una proporción creciente de usuarios formula su consulta a un motor generativo que responde de manera sintética, citando un conjunto reducido de fuentes en lugar de ofrecer una lista de enlaces. En el sector financiero digital esto no es hipotético: preguntas como "qué billetera virtual conviene para enviar dinero al exterior" o "qué plataforma uso para invertir en cripto en Argentina" son exactamente el tipo de consulta que hoy se le hace a un asistente de IA antes que a un buscador.
Este cambio da lugar a una disciplina específica, la optimización para motores generativos (Generative Engine Optimization, GEO), cuyo objeto es maximizar la probabilidad de que el contenido de un sitio sea recuperado y citado por un motor de inteligencia artificial. A diferencia de la optimización para buscadores, la GEO privilegia la capacidad del contenido de ser interpretado, fragmentado y atribuido de manera programática.
No se dispone de un diagnóstico sistemático sobre el grado de preparación del sector fintech argentino frente a esta transición. El presente trabajo busca cubrir ese vacío mediante la medición de una muestra de proveedores del sector, y complementarla con un experimento que observa qué ocurre en la práctica cuando se le hacen a tres motores generativos las preguntas que un usuario real haría.
El instrumento empleado evalúa ocho criterios, ponderados según su peso relativo. Cada uno se apoya en fuentes que publican su método y sus datos: investigación revisada por pares, estándares técnicos oficiales y documentación oficial de los propios motores. Todas las referencias figuran enlazadas al final de este trabajo:
Los criterios de densidad de datos, relevancia directa pregunta-respuesta y autoridad y confianza se apoyan en Aggarwal et al. (KDD 2024); frescura y actualización y estructura del contenido, en Chen, Wang, Chen y Koudas (Universidad de Toronto, Workshops del EDBT/ICDT 2026); marcado técnico, en la especificación Schema.org / JSON-LD con Dang et al. (Universidad de Nantes, Semantic Web Journal 2025) como referencia del alcance del marcado en la web; especificidad temática, en Yu, Yang, Ding y Sato (Universidad de Tokio, 2026); y cobertura de subpreguntas, en Xie et al. (NAACL 2025).
Se conformó una muestra de 31 dominios de proveedores fintech, seleccionados del directorio público de socios de la principal cámara del sector, con variedad de categorías (medios de pago, cripto y activos digitales, infraestructura y tecnología, y otros servicios financieros y adyacentes). El listado completo se presenta en el Anexo A.
El análisis se realizó con Nostos, un motor de evaluación GEO que asigna a cada dominio un puntaje de 0 a 100 en cada uno de los ocho criterios descritos, así como un puntaje global y un nivel de preparación en cuatro categorías.
| Nivel | Descripción | Rango |
|---|---|---|
| Nivel 1 | Listo para IAs | 80–100 |
| Nivel 2 | Ajustes puntuales | 55–79 |
| Nivel 3 | Reestructuración parcial | 30–54 |
| Nivel 4 | Reconstrucción necesaria | 0–29 |
Cada dominio fue analizado en una única medición durante agosto de 2026. Para cada dominio, el instrumento examina la página principal, un conjunto de páginas internas adicionales y el sitemap del sitio, a partir de los cuales evalúa las señales estructurales, de marcado y de actualización accesibles públicamente. El puntaje de cada criterio resulta de la agregación de esas señales a nivel del dominio, no de una única página.
Nostos incorpora un mecanismo de detección en dos capas para identificar contenido que un sitio construye dinámicamente mediante JavaScript, sin necesidad de ejecutarlo. La primera capa reconoce la huella de más de veinte proveedores conocidos de widgets de reseñas, redes sociales, chat y reservas, mediante el análisis de las referencias a scripts externos e inline presentes en el documento. La segunda capa aplica heurísticas estructurales —contenedores vacíos con identificadores característicos y patrones de shell propios de frameworks de aplicaciones de página única (React, Vue, Angular, Next.js, Svelte)— como mecanismo de contención para proveedores no catalogados en la primera capa. Cuando se detecta contenido bajo este criterio, el sistema lo reporta explícitamente como presente pero no legible por sistemas automatizados, en lugar de asumir su inexistencia.
Como complemento al puntaje GEO, se ejecutó un experimento directo: formularle a tres motores generativos (ChatGPT, Gemini y Perplexity) las preguntas que haría un usuario real interesado en contratar un servicio fintech, y registrar si nombran a alguna empresa de la muestra. El protocolo sigue el marco de medición de visibilidad ante IA publicado por el IAB. Se definieron tres preguntas fijas —una de recomendación abierta, una de intención de compra concreta y un pedido de listado—, formuladas al conjunto del sector dada la diversidad de categorías que integra la muestra, con condiciones fijas en cada toma: chat nuevo sin historial ni personalización, la geografía escrita dentro de la pregunta, primera respuesta tomada sin repreguntar, mismo modo de búsqueda anotado por modelo, y fecha y hora registradas. Las tomas se corrieron manualmente y cubrieron el 100% de la muestra (31 empresas) en un total de 9 tomas. Conforme al propio marco del IAB, una toma única por pregunta y modelo es una medición direccional, no estadísticamente representativa; así se trata en este trabajo.
El puntaje global promedio de la muestra fue de 31 sobre 100. Ningún dominio alcanzó el nivel de preparación para motores generativos, y 4 (12.9%) alcanzaron el nivel de ajustes puntuales. El puntaje máximo observado fue de 71 y el mínimo, de 1.
Los promedios por criterio, ordenados de mayor a menor deficiencia, fueron: cobertura de subpreguntas 22/100, marcado técnico 26/100, relevancia directa pregunta-respuesta 27/100, densidad de datos 28/100, frescura y actualización 33/100, estructura del contenido 34/100, autoridad y confianza 38/100, especificidad temática 48/100.
a) Marcado técnico ausente en casi cuatro de cada diez sitios. El 38.7% de los dominios (12 de 31) presentó un marcado técnico nulo (0/100). El puntaje máximo observado en este criterio fue de 85/100.
b) Severidad de los problemas. De las 217 incidencias detectadas en los 31 análisis, 37.8% se clasificó como crítica y 42.9% como importante — un 80.6% del total no corresponde a ajustes cosméticos sino a carencias estructurales que requieren intervención sustantiva.
c) Diferencias por categoría. Se agruparon los proveedores en cuatro categorías según su actividad principal declarada en el directorio de socios de la cámara. Con esa salvedad, y sobre subgrupos de distinto tamaño, el bloque de otros servicios financieros y adyacentes (seguros, servicios legales especializados, gestión de inversiones) registra el promedio más alto (42/100) y cripto y activos digitales, el más bajo (26/100) — con infraestructura y tecnología y medios de pago en posiciones intermedias.
Sobre las 31 empresas de la muestra, en 9 tomas (3 preguntas × 3 modelos), ninguna (0%) recibió mención alguna: las 31 (100%) no fueron nombradas ni una sola vez, en ninguna pregunta ni en ningún modelo. Las respuestas de los tres motores se concentraron, de forma consistente, en un grupo reducido y recurrente de marcas ya establecidas fuera del padrón de la cámara analizada, con el mismo patrón repetido en las tres preguntas y en los tres modelos.
El resultado fue uniforme dentro de la muestra: ni el proveedor con el puntaje GEO más alto (71/100) ni ningún otro apareció nombrado en ninguna toma, lo que sugiere que, en este sector, la mención de un motor generativo responde a un reconocimiento de marca construido fuera del propio sitio web, más que a la calidad de su contenido evaluada por el puntaje GEO.
El resultado más contundente de este trabajo es que el puntaje promedio del sector (31/100) no se traduce en preparación real en ningún caso: ni un solo dominio alcanza el nivel de listo para IAs, y menos de uno de cada ocho (12.9%) llega siquiera al nivel de ajustes puntuales. Tratándose de un sector que por definición opera en un entorno digital nativo, la ausencia de estructura legible por máquina no puede atribuirse a una brecha tecnológica de base, sino a que el contenido del sitio no fue pensado, hasta ahora, para ser consumido por un motor de IA en lugar de por un usuario humano navegando manualmente. La desconexión resulta particularmente notoria en este sector: nadie le confía su dinero a una billetera digital, un exchange o una plataforma de inversión sin antes buscar una opinión de confianza, y esa opinión, cada vez con más frecuencia, se le pide primero a un asistente de IA antes que a un buscador o a un conocido. Que el propio sector responsable de construir esa confianza todavía no haya adaptado su contenido para ser la fuente que ese asistente cita, es una desconexión entre el negocio y su propia capa de descubrimiento.
El desglose por criterio ofrece una pista sobre la naturaleza de ese rezago. El criterio menos deficitario del estudio —especificidad temática, con 48/100— describe un atributo que la mayoría de los proveedores fintech posee de forma casi automática: por su propia naturaleza, cada sitio está delimitado a un nicho concreto (pagos, crédito, cripto, seguros) y no dispersa su contenido en temas ajenos. Pero el criterio más deficitario de todos —cobertura de subpreguntas, con 67.7% de la muestra por debajo de 30— describe algo que no se resuelve solo con foco temático: si el sitio anticipa y responde, de forma explícita y estructurada, las preguntas concretas que un usuario se hace antes de confiarle su dinero a una plataforma (qué regulación tiene, cuánto tarda una transferencia, qué pasa si algo falla). Tener un nicho claro no equivale a tener esas respuestas escritas.
La diferencia por categoría es consistente con esa lectura: el bloque de otros servicios financieros y adyacentes, que incluye actores con mayor trayectoria institucional, registra el promedio más alto del estudio; cripto y activos digitales, la categoría de mayor rotación de proyectos dentro de la muestra, registra el más bajo. La brecha no parece deberse a la disponibilidad de recursos técnicos —ambos tipos de proveedor operan sitios modernos— sino al tiempo que cada categoría lleva construyendo contenido institucional citable.
El experimento de menciones agrega una capa práctica a este diagnóstico: no se trata solo de que el fintech argentino tenga, en promedio, un puntaje GEO bajo, sino de que ese rezago tiene una traducción observable inmediata. En las nueve tomas realizadas, ninguna de las 31 empresas de la muestra fue nombrada por ningún motor consultado, mientras que las mismas preguntas sí devolvieron, de forma consistente, un grupo reducido de marcas ya instaladas fuera del padrón de la cámara. Esto sugiere que, en un sector donde la confianza y la regulación pesan tanto como en fintech, el reconocimiento previo de marca domina la respuesta del motor, y que ningún proveedor de la muestra —independientemente de su puntaje GEO individual— logró todavía disputarle ese lugar.
Este estudio presenta limitaciones que conviene explicitar; ninguna de ellas invalida sus resultados, sino que delimita el alcance de sus conclusiones. Primero, la muestra proviene del directorio de una única cámara nacional —que agrupa a 367 socios en total— y cubre 31 de ellos distribuidos en cuatro categorías agregadas; no constituye un censo de la cámara ni resulta directamente extrapolable al universo de empresas fintech argentinas fuera de ese padrón. Segundo, el instrumento de medición es de desarrollo propio (véase 3.4); si bien sus criterios se apoyan en investigación publicada y estándares técnicos oficiales, y su aplicación es consistente y reproducible, no constituye un estándar de industria consensuado. Tercero, se trata de una medición transversal en un único momento, que no capta la evolución temporal; las cifras describen el estado del sector en agosto de 2026. Cuarto, la agrupación por categoría se realizó según la actividad principal declarada en el propio directorio de socios, agrupando las categorías de menor tamaño para evitar que un promedio calculado sobre pocos sitios individualice el puntaje de un proveedor puntual. Quinto, el experimento de menciones se ejecutó con una toma única por pregunta y modelo — conforme al propio marco del IAB utilizado, esto lo vuelve una medición direccional y no estadísticamente representativa, útil para ilustrar un patrón puntual y no para cuantificarlo con precisión estadística; además, al formular las preguntas al conjunto del sector y no por categoría, el experimento no permite distinguir si la ausencia de mención varía entre medios de pago, cripto, infraestructura u otros servicios financieros. El valor comparativo de la medición de puntaje GEO no depende de estas limitaciones, dado que todos los dominios fueron evaluados con el mismo instrumento, los mismos criterios y en el mismo período.
El sector fintech argentino exhibe un rezago estructural en su preparación para ser identificado y citado por los motores generativos de inteligencia artificial, pese a operar en un entorno nativo digital. Con un puntaje promedio de 31 sobre 100, ningún dominio en el nivel de preparación y un 38.7% de la muestra sin ningún dato estructurado, el sector presenta una debilidad transversal en la estructura y el marcado de su contenido, más marcada aún en la cobertura de las preguntas concretas que un usuario se hace antes de decidir. El experimento de menciones traduce ese diagnóstico a la práctica: ninguna de las 31 empresas de la muestra fue nombrada cuando se simuló la pregunta real de un usuario, en ninguna de las nueve tomas realizadas. Este diagnóstico, antes que un señalamiento, delimita una oportunidad: la capa de descubrimiento por inteligencia artificial se encuentra, en el fintech argentino, todavía mayormente inexplorada.
Se listan a continuación, en orden alfabético, los 31 dominios que integran la muestra analizada, sin el puntaje individual de cada uno. Este criterio aporta transparencia metodológica —permite la reproducción independiente de la medición— sin exponer a ningún proveedor a un ordenamiento nominal de puntajes.
← Ver todos los estudios sectoriales de Nostos
Nostos analiza cualquier sitio web con los mismos ocho criterios de este estudio, gratis y en menos de un minuto.
Analizar mi sitio →