La irrupción de los motores generativos de inteligencia artificial (ChatGPT, Gemini, Perplexity, entre otros) como capa de descubrimiento de información introduce un criterio de visibilidad distinto del que rige el posicionamiento en buscadores tradicionales. Este trabajo examina en qué medida las empresas argentinas de desarrollo de software se encuentran preparadas para ser identificadas y citadas por dichos motores, y complementa esa medición con un segundo instrumento: un test de menciones que consulta directamente a tres modelos conversacionales. Se relevó la totalidad de los socios de la principal cámara sectorial del software en Argentina cuyo sitio web se encuentra operativo — 33 de las 42 empresas registradas en su directorio público —, evaluados mediante un instrumento de análisis GEO que puntúa ocho criterios con respaldo en la literatura académica reciente. Los resultados muestran un puntaje global promedio de 31 sobre 100, sin que ningún dominio alcance el nivel considerado "preparado" para estos motores; el 55% de las empresas se ubica en el nivel de reconstrucción necesaria. El criterio más deficitario es la cobertura de subpreguntas (22/100) y el menos deficitario, la especificidad temática (47/100); ambos están además fuertemente correlacionados entre sí, lo que indica que las debilidades se acumulan en los mismos sitios en lugar de compensarse entre criterios. El 39% de las empresas presenta marcado técnico nulo. El test de menciones, realizado sobre las mismas 33 empresas mediante tres preguntas fijas formuladas a ChatGPT, Gemini y Perplexity, no registró ninguna mención de ninguna de ellas en ninguna de las nueve consultas realizadas. La industria argentina del software exhibe, en consecuencia, un rezago sistemático en su preparación para la capa de descubrimiento generativo, con una manifestación práctica inmediata: ninguna de las empresas censadas aparece hoy cuando un comprador potencial consulta a una IA conversacional por proveedores del sector.
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 sus consultas a un motor generativo que responde de manera sintética, citando o nombrando un conjunto reducido de fuentes en lugar de ofrecer una lista de enlaces. En este esquema, la competencia por la atención ya no se dirime únicamente por la posición en un listado, sino por la probabilidad de ser la fuente —o la empresa— que el modelo selecciona para construir su respuesta.
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.
Para una industria como la del desarrollo de software, cuyos clientes formulan cada vez con más frecuencia preguntas de recomendación directamente a un asistente conversacional ("¿qué empresas de software me recomendás en Argentina?"), la pregunta no es solo si el sitio de una empresa está bien construido, sino si esa empresa existe, en la práctica, para el modelo que responde. Este trabajo aborda ambas dimensiones: la preparación técnica del contenido, medida con un instrumento GEO, y el resultado observable de esa preparación, medido mediante consultas directas a tres motores conversacionales.
El instrumento empleado evalúa ocho criterios, cada uno ponderado según su peso relativo en la probabilidad de cita por un motor generativo. Todos se apoyan 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:
La densidad de datos, la relevancia directa pregunta-respuesta y la autoridad y confianza se apoyan en Aggarwal et al. (KDD 2024); la frescura y actualización y la estructura del contenido, en Chen, Wang, Chen y Koudas (Universidad de Toronto, EDBT/ICDT 2026); la cobertura de subpreguntas, en Xie et al. (NAACL 2025); el 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; y la especificidad temática, en Yu, Yang, Ding y Sato (Universidad de Tokio, 2026).
El directorio público de socios de la principal cámara sectorial del software en Argentina agrupa 42 empresas. De ellas, 33 cuentan con un sitio web operativo y enlazado; las 9 restantes no tienen sitio propio o el vínculo publicado no resuelve. Se analizó, por lo tanto, la totalidad de la población con sitio disponible —no una muestra aleatoria de esa población—, lo que equivale a un censo del universo medible dentro del directorio. El listado completo de las 33 empresas censadas 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 una de las 33 empresas fue analizada en una única medición durante agosto de 2026. Para cada dominio, el instrumento examina la página principal y un conjunto de páginas internas adicionales, a partir de las 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 segunda dimensión de medición, cada una de las 33 empresas censadas fue expuesta a un test de menciones: tres preguntas fijas, formuladas de manera idéntica a ChatGPT, Gemini y Perplexity, que reproducen la forma en que un comprador real le pediría a una IA una recomendación de proveedor. Las tres preguntas surgen de plantillas fijas aplicadas al rubro del sector (desarrollo de software a medida):
Cada toma se realizó bajo condiciones fijas: chat nuevo, sin historial ni personalización; la geografía ("en Argentina") escrita dentro de la pregunta, nunca inferida de la ubicación; sin repreguntar, tomando la primera respuesta completa; mismo modo de búsqueda anotado en cada modelo; y fecha y hora registradas por toma. Para cada una de las nueve combinaciones de pregunta y modelo se registró si el nombre de alguna de las 33 empresas censadas aparecía mencionado en el texto de la respuesta. El protocolo del test de menciones se alinea al marco del IAB, Measuring Visibility in the AI Era (agosto de 2026); según ese marco, el nivel de medición de este relevamiento es direccional: una toma única por pregunta y modelo, sin repetición para significancia estadística.
El puntaje global promedio de las 33 empresas fue de 31 sobre 100. Ninguna alcanzó el nivel de preparación para motores generativos. El puntaje máximo observado fue de 67 y el mínimo, de 1.
Los promedios por criterio, ordenados de mayor a menor deficiencia, fueron: cobertura de subpreguntas 22/100, relevancia directa pregunta-respuesta 24/100, densidad de datos 28/100, estructura del contenido 32/100, frescura y actualización 33/100, marcado técnico 33/100, autoridad y confianza 36/100, especificidad temática 47/100.
a) Marcado técnico ausente. El 39% de las empresas (13 de 33) presentó un marcado técnico nulo (0/100), y el 45% (15 de 33) puntuó 5 o menos. Casi la mitad del sector carece, por lo tanto, de los datos estructurados que un motor generativo requiere para interpretar y atribuir su contenido.
b) Los déficits se acumulan, no se compensan. Los dos criterios más débiles del sector —relevancia directa pregunta-respuesta y cobertura de subpreguntas— están fuertemente correlacionados entre sí (r=0,96). Ninguna empresa que falla en responder la pregunta directa de un comprador compensa esa falla cubriendo mejor sus preguntas de seguimiento: ambas debilidades aparecen juntas, en las mismas empresas, en lugar de repartirse de forma pareja en la muestra.
c) Severidad de los problemas. De las incidencias detectadas en los 33 análisis, el 38% se clasificó como crítica y el 44% como importante — un 82% del total no corresponde a ajustes cosméticos sino a carencias estructurales que requieren intervención sustantiva.
d) Diferencias por rubro. Aunque el tamaño de cada subgrupo es reducido, se observa una tendencia: arquitectura y consultoría de software, el grupo de otros servicios especializados e inteligencia artificial registran el promedio más alto (40/100), mientras que las empresas agrupadas bajo experiencia digital, UX y desarrollo mobile registran el más bajo (16/100). La dispersión entre rubros (24 puntos) es más acotada que la observada en el comercio electrónico argentino en un estudio GEO previo de Nostos (37 puntos), lo que sugiere un rezago más homogéneo dentro de la industria del software: ningún subrubro se destaca de forma sustancial por sobre el resto.
De las 33 empresas censadas y analizadas con Nostos, ninguna fue mencionada por ChatGPT, Gemini ni Perplexity en ninguna de las nueve consultas realizadas (tres preguntas por cada uno de los tres modelos). El resultado es uniforme: cero menciones en cada una de las nueve combinaciones de pregunta y modelo, sin excepción.
| Modelo | A · Recomendación | B · Intención de compra | C · Pedido de listado |
|---|---|---|---|
| ChatGPT | 0 / 33 | 0 / 33 | 0 / 33 |
| Gemini | 0 / 33 | 0 / 33 | 0 / 33 |
| Perplexity | 0 / 33 | 0 / 33 | 0 / 33 |
Empresas censadas mencionadas, por toma. Nueve tomas realizadas entre agosto de 2026.
Los tres modelos, ante las mismas preguntas, sí nombraron proveedores de software en Argentina: empresas de mayor escala y perfil corporativo distinto al de la muestra censada aparecieron de forma recurrente en las respuestas. Ninguna de ellas pertenece al conjunto de las 33 empresas analizadas. La ausencia de coincidencias no es, por lo tanto, un resultado de que los modelos se abstengan de nombrar proveedores del sector, sino de que nombran a un conjunto de empresas distinto del censado.
El puntaje GEO y el resultado del test de menciones son consistentes entre sí: un sector con un puntaje promedio de 31 sobre 100, sin ninguna empresa preparada para motores generativos, no logra ser mencionado cuando se lo consulta de forma directa. La debilidad estructural detectada por el instrumento GEO se traduce, en la práctica, en invisibilidad ante los modelos conversacionales. Esto no implica una relación de causalidad estricta —los modelos también ponderan señales externas al sitio propio, como reputación de marca o cobertura en prensa—, pero sí confirma que la preparación técnica del contenido y la aparición efectiva en una respuesta de IA no son fenómenos independientes.
La correlación entre relevancia directa y cobertura de subpreguntas (hallazgo b) sugiere además que la brecha no se distribuye de forma pareja: no hay en la muestra censada un grupo de empresas que compense una debilidad con una fortaleza en el criterio vecino. Quien falla en responder la pregunta directa de un comprador, falla también en anticipar sus preguntas de seguimiento. Se trata de un déficit compuesto, no de fortalezas y debilidades que se equilibran entre sí.
El rezago observado no se concentra en las empresas de menor escala. La población censada incluye compañías de trayectoria y presencia regional, cuyos puntajes se ubican en el mismo rango deficitario que el resto. Esto sugiere que la brecha no obedece a falta de recursos, sino a la ausencia de una práctica todavía incipiente: la preparación deliberada del contenido para la capa de descubrimiento generativo no forma parte, aún, de las rutinas de desarrollo y marketing digital del sector. Desde una perspectiva estratégica, un rezago generalizado configura una ventana de diferenciación temprana: en un escenario donde ninguna empresa censada está preparada ni es mencionada, la adopción anticipada de prácticas GEO permite capturar visibilidad en un espacio de competencia nula.
Este estudio presenta limitaciones que conviene explicitar; ninguna de ellas invalida sus resultados, sino que delimita el alcance de sus conclusiones. Primero, la población censada corresponde a las empresas con sitio web operativo dentro del directorio de una única cámara sectorial; sus resultados no son directamente extrapolables al universo de desarrolladoras de software argentinas que no integran esa cámara. Segundo, el instrumento de medición GEO 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, el test de menciones tomó una única respuesta por pregunta y modelo, sin repetición: según el marco del IAB citado en 3.6, esto arroja un nivel de medición direccional, no una estimación con significancia estadística de la probabilidad de mención en el tiempo. El valor comparativo de la medición no depende de estas limitaciones, dado que todas las empresas fueron evaluadas con el mismo instrumento, los mismos criterios y en el mismo período, lo que hace que las diferencias observadas entre ellas y los promedios agregados sean consistentes entre sí.
La industria argentina del software exhibe un rezago sistemático en su preparación para ser identificada y citada por los motores generativos de inteligencia artificial. Con un puntaje promedio de 31 sobre 100 y ninguna empresa en el nivel de preparación, el sector presenta una debilidad transversal en la cobertura de las preguntas de un comprador real y en el marcado técnico de su contenido. Esa debilidad estructural tiene una correlación directa observable: ninguna de las 33 empresas censadas fue mencionada por ChatGPT, Gemini ni Perplexity en las nueve consultas realizadas, mientras que los mismos modelos sí nombraron proveedores del sector fuera del censo. Este diagnóstico, antes que un señalamiento, delimita una oportunidad: la capa de descubrimiento por inteligencia artificial se encuentra, en la industria argentina del software, no solo mayormente inexplorada, sino actualmente vacía de las empresas que la componen.
Se listan a continuación, en orden alfabético, las 33 empresas censadas, sin el puntaje individual de cada una. Este criterio aporta transparencia metodológica —permite la reproducción independiente de la medición— sin exponer a ninguna empresa 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 →