Una proporción creciente de viajeros formula su búsqueda de alojamiento, agencia o actividad directamente a un asistente conversacional de inteligencia artificial en lugar de a un buscador tradicional. Este trabajo examina en qué medida los prestadores turísticos argentinos se encuentran preparados para ser identificados y citados por esos motores. Se evaluaron 42 sitios de prestadores turísticos comerciales, obtenidos del directorio público de socios de la principal cámara de turismo del país, distribuidos en agencias de viajes y operadores turísticos, hoteles, casas de tango y un grupo de rubros menores. El puntaje global promedio fue de 20 sobre 100, sin que ningún dominio alcance el nivel de preparación para motores generativos, y con un 62% de la muestra sin ningún dato estructurado (schema.org). El criterio más deficitario fue la cobertura de subpreguntas (13/100) y el menos deficitario, la especificidad temática (34/100). Como complemento, se ejecutó un experimento de campo: se le formularon a ChatGPT, Gemini y Perplexity las preguntas que haría un viajero real sobre dos de los rubros de la muestra, siguiendo el marco de medición de visibilidad ante IA del IAB. De 32 prestadores cubiertos por ese experimento, el 78% no fue nombrado ni una sola vez en ninguna de las 12 tomas realizadas. Se concluye que el turismo argentino exhibe un rezago estructural en su preparación para la capa de descubrimiento generativo, y que ese rezago tiene una traducción directa y medible en la práctica: la gran mayoría de los prestadores, sencillamente, no existe para una IA a la que un viajero le pide una recomendación.
* Sobre una submuestra de 32 prestadores de dos rubros, en 12 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 turismo esto no es hipotético: preguntas como "a qué hotel voy en Bariloche" o "qué agencia me conviene para viajar a Mendoza" 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 turístico argentino frente a esta transición. El presente trabajo busca cubrir ese vacío mediante la medición de una muestra de prestadores 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 viajero 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 42 dominios de prestadores turísticos comerciales, obtenidos del directorio público de socios de la principal cámara de turismo del país, con variedad de rubros (agencias de viajes y operadores turísticos, hoteles, casas de tango, transporte, aerolíneas, tiempo compartido). 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 viajero real, y registrar si nombran a algún prestador de la muestra. El protocolo sigue el marco de medición de visibilidad ante IA publicado por el IAB. Se definieron tres preguntas fijas por rubro —una de recomendación abierta, una de intención de compra concreta y un pedido de listado— 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. Se cubrieron dos rubros de la muestra —agencias de viajes y operadores turísticos, con las tres preguntas completas, y hoteles, con la pregunta de recomendación— sobre un total de 32 prestadores. 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 20 sobre 100. Ningún dominio alcanzó el nivel de preparación para motores generativos, y solo uno (2.4%) alcanzó el nivel de ajustes puntuales. El puntaje máximo observado fue de 69 y el mínimo, de 0.
Los promedios por criterio, ordenados de mayor a menor deficiencia, fueron: cobertura de subpreguntas 13/100, relevancia directa pregunta-respuesta 14/100, densidad de datos 16/100, marcado técnico 18/100, estructura del contenido 19/100, frescura y actualización 21/100, autoridad y confianza 29/100, especificidad temática 34/100.
a) Marcado técnico ausente. El 62% de los dominios (26 de 42) presentó un marcado técnico nulo (0/100). Ninguno de los 42 sitios superó 72/100: ni siquiera los mejores casos marcan de forma completa.
b) Severidad de los problemas. De las 294 incidencias detectadas en los 42 análisis, 42.2% se clasificó como crítica y 41.8% como importante — un 84% del total no corresponde a ajustes cosméticos sino a carencias estructurales que requieren intervención sustantiva.
c) Diferencias por rubro. Se agruparon los rubros de menor tamaño (transporte, aerolíneas y tiempo compartido) en un solo bloque para evitar que un promedio calculado sobre uno o dos sitios individualice el puntaje de un prestador puntual. Con esa salvedad, y sobre subgrupos pequeños, hoteles registra el promedio más alto (26/100) y agencias de viajes y operadores turísticos, el más bajo (17/100) — con casas de tango y el bloque de rubros menores en un punto intermedio.
Sobre los 32 prestadores cubiertos por el experimento (22 agencias de viajes y operadores turísticos, con las tres preguntas completas — 9 tomas—, y 10 hoteles, con la pregunta de recomendación — 3 tomas—, un total de 12 tomas), 7 (21.9%) recibieron alguna mención en al menos una de las tomas y 25 (78.1%) no fueron nombrados ni una sola vez, en ninguna pregunta ni en ningún modelo.
La relación entre el puntaje GEO propio y la probabilidad de mención no fue clara en ningún sentido: el puntaje promedio de los 7 prestadores mencionados (22/100) no fue ni claramente mayor ni claramente menor que el de los 25 no mencionados (19/100) o el del conjunto cubierto por el experimento (19/100) — una diferencia pequeña, y sobre una submuestra de apenas 7 casos, que no permite afirmar que optimizar el sitio actual cambie la probabilidad de aparecer nombrado. En al menos un caso, un mismo prestador fue el único mencionado por los tres modelos en una misma pregunta, pese a tener uno de los puntajes más bajos de su rubro — una señal de que, cuando aparece una mención, puede deberse tanto a reconocimiento de marca o trayectoria construido fuera del sitio web como a la calidad de ese sitio. Cuando Perplexity mencionó a algún prestador de la muestra, en la mayoría de los casos lo hizo citando una fuente de terceros (un padrón oficial, una guía de viajes, un sitio de reseñas) en lugar de citar directamente el sitio del propio prestador.
El resultado más contundente de este trabajo no es el puntaje promedio en sí, sino lo que ese puntaje predice: cuando se simula la pregunta real de un viajero, casi ocho de cada diez prestadores de la muestra cubierta por el experimento no aparecen. El puntaje GEO deja de ser una métrica abstracta y pasa a describir, con bastante fidelidad, quién existe y quién no existe para un cliente potencial que hoy delega esa búsqueda en una IA.
El desglose por criterio ofrece una pista sobre por qué. El criterio menos deficitario del estudio —especificidad temática— y el segundo menos deficitario —autoridad y confianza— describen atributos que muchos prestadores turísticos poseen de forma genuina: trayectoria, certificaciones, años de operación, un dominio de conocimiento acotado. Pero el criterio más deficitario de todos —cobertura de subpreguntas, con 95% de la muestra por debajo de 30— describe algo distinto: si el sitio anticipa y responde, de forma explícita y estructurada, las preguntas concretas que alguien se hace antes de decidir. Un prestador puede tener autoridad real y no tener ni una sola de esas respuestas escritas de forma que una IA pueda extraerlas. Esa brecha —entre lo que el prestador es y lo que su sitio web comunica de forma legible por una máquina— es, en términos prácticos, la misma brecha que separa a los 7 mencionados de los 25 invisibles.
Desde una perspectiva estratégica, un rezago generalizado configura una ventana de diferenciación temprana: en un escenario donde prácticamente ningún prestador está preparado, la adopción anticipada de prácticas GEO permite capturar visibilidad en un espacio de baja competencia.
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, por lo que sus resultados no son directamente extrapolables al universo de prestadores turísticos 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, el experimento de menciones cubrió solo dos de los rubros de la muestra (agencias de viajes y hoteles, este último solo con la pregunta de recomendación) sobre 32 de los 42 prestadores, 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 y no para cuantificarlo con precisión. 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 turismo argentino exhibe un rezago sistemático en su preparación para ser identificado y citado por los motores generativos de inteligencia artificial. Con un puntaje promedio de 20 sobre 100, ningún dominio en el nivel de preparación y un 62% de la muestra sin ningún dato estructurado, el sector presenta una debilidad transversal en la estructura y el marcado de su contenido. El experimento de menciones traduce ese diagnóstico a la práctica: casi ocho de cada diez prestadores cubiertos nunca son nombrados cuando se simula la pregunta real de un viajero, sin que el propio puntaje GEO alcance por sí solo para explicar quién sí aparece. Este diagnóstico, antes que un señalamiento, delimita una oportunidad: la capa de descubrimiento por inteligencia artificial se encuentra, en el turismo argentino, mayormente inexplorada.
Se listan a continuación, en orden alfabético, los 42 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 prestador 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 →