El primer número duro de la erosión del search: qué mide el estudio de Bocconi y por qué la curva importa más que el porcentaje
Por qué este estudio es distinto
Desde que ChatGPT Search ganó tracción, el debate sobre su impacto en el tráfico orgánico se alimentó principalmente de correlaciones internas de plataformas, declaraciones de parte interesada, y análisis de tráfico de publishers individuales. Lo que faltaba era un estudio con diseño causal, datos de clickstream independientes, y horizonte temporal suficiente para distinguir efecto de adopción de cambio estructural.
El paper de Qiaoni Shi, Kai Zhu y Kai Gu de Bocconi llena ese hueco con datos de Comscore: clickstream de navegación de escritorio en Estados Unidos entre octubre 2024 y julio 2025, con acceso a ChatGPT Search como variable de tratamiento. El diseño les permite comparar comportamiento de búsqueda antes y después de la exposición, controlando por la curva de adopción. El resultado central, una reducción del 9,4% en queries semanales de búsqueda tradicional con efecto que sube a 17% a las 20 semanas, no es una correlación observacional: es una estimación con diseño quasi-experimental sobre datos de comportamiento real.
La cobertura del estudio fue recogida por Search Engine Journal el 13 de julio a través de Matt G. Southern, pero la fuente primaria es el preprint en arXiv, que permite examinar la metodología directamente.
El hallazgo que más cambia la urgencia
Los números de reducción de búsquedas son significativos, pero lo que realmente cambia el cálculo estratégico es la forma de la curva: el efecto no se estabiliza, se profundiza. Eso tiene una implicación directa para cualquier equipo que haya observado caídas moderadas de tráfico orgánico y las haya atribuido a un ruido estacional o a un ajuste de algoritmo de Google. Si parte de esa audiencia migró a búsquedas vía AI chat y el comportamiento de esos usuarios se refuerza con el tiempo, la tendencia no va a revertirse sola.
El segundo hallazgo, que ChatGPT produce clics salientes en apenas el 5,2% de las sesiones de conversación, complementa el primero de manera precisa. No es solo que la gente busca menos en Google: es que cuando buscan en ChatGPT, la respuesta se queda en la conversación. El modelo de web que funcionó durante 25 años asumía que el motor de búsqueda era un intermediario que enviaba tráfico. ChatGPT está diseñado para responder, no para referir. Shi, Zhu y Gu llaman a esto "answering without referring", y es la tesis central del paper: el acuerdo económico implícito de la web, atención a cambio de tráfico, se está reescribiendo desde la capa de acceso a la información.
En nuestra nota sobre el nacimiento del Answer Engine Marketing ya planteamos la mecánica de fondo, pero en ese momento el argumento se apoyaba en lógica de producto y señales tempranas. Este estudio da el primer número externo, con metodología clara, que permite ir más allá de la intuición.
Para quién cambia algo esta semana
Esta nota tiene sentido leerla dos veces para operaciones con alta dependencia de tráfico orgánico como primer canal de adquisición: ecommerce con largo historial SEO, SaaS regional con funnel que empieza en búsqueda informacional, fintech con contenido educativo como motor de captación. En esos perfiles, el riesgo no es abstracto. Si el 9% de las queries que antes llegaban a Google ya no están generando impresiones, una parte de esa audiencia nunca llega al sitio, no importa cuánto mejore el ranking.
Para operaciones donde paid media ya es el canal principal de adquisición y orgánico aporta menos del 20% del volumen, el impacto inmediato es menor, aunque la implicación de largo plazo aplica igual: si la demanda migra y no hay presencia en AI answers, el SEM tendrá que compensar con mayor inversión para capturar la misma intención comercial que antes llegaba por sí sola. El costo de adquisición sube estructuralmente.
Para equipos con audiencias en LATAM específicamente, hay una razón de cautela que desarrollamos más abajo: la extrapolación directa de este estudio tiene límites geográficos.
Lo que el estudio no responde, y por qué importa antes de concluir
Tres limitaciones son relevantes para leer estos datos sin sobreajustar.
La primera es geográfica: el estudio usa clickstream de escritorio en Estados Unidos. ChatGPT Search tiene distintas tasas de adopción en LATAM, donde el acceso a planes de pago de ChatGPT es menos extendido y los hábitos de búsqueda en mobile, que domina en la región, pueden diferir. Extrapolar el 9,4% o el 17% a una operación en Argentina, México o Colombia es un supuesto, no un dato. Eso no invalida la dirección del efecto, pero sí la magnitud.
La segunda es de desagregación: el paper reporta el efecto promedio sobre las búsquedas tradicionales en general, no sobre segmentos de intención o categorías de industria. Es razonable asumir que el impacto es asimétrico: búsquedas informacionales y de comparación son más substituibles por AI chat que búsquedas transaccionales con alta urgencia. Saber cuánto pesa cada segmento en la base orgánica propia es el trabajo que cada operación tiene que hacer con sus propios datos.
La tercera es de causalidad: la reducción medida aplica a usuarios con acceso amplio a ChatGPT Search, no a la población general. A medida que la adopción se masifica, el efecto agregado puede ser diferente, tanto mayor como menor, dependiendo de cómo los nuevos usuarios integren la herramienta versus cómo lo hacen los early adopters del estudio.
Estas limitaciones no anulan el argumento central, pero sí definen el perímetro de lo que los datos prueban y lo que sigue siendo inferencia.
Qué vale la pena revisar en tu operación antes de decidir si esto te aplica
Sin afirmar qué está corriendo ningún equipo en particular, hay un conjunto de análisis que tiene sentido hacer para saber si este fenómeno ya está afectando una operación específica, antes de cambiar inversión o estrategia.
El primer paso es desagregar el tráfico orgánico por tipo de intención. Si Google Search Console muestra caídas de impresiones en queries informacionales (guías, comparaciones, preguntas de "cómo" o "qué es") que no se explican por cambios de ranking, eso puede ser señal de migración a AI search, no de pérdida de posición. Vale la pena separar ese segmento del orgánico transaccional para ver si el patrón es diferente.
El segundo análisis útil es revisar el tráfico desde fuentes de AI search directamente. En nuestra nota sobre el Source Group de GA4 y el canal AI Assistant documentamos cómo GA4 ahora agrupa ChatGPT, Perplexity y otras fuentes de AI search como canal separado. Tener esa lectura disponible permite medir cuánto tráfico llega desde esas fuentes, incluso si es una fracción del orgánico total.
El tercer ejercicio es evaluar el potencial de presencia en AI answers para las categorías propias. Eso implica hacer queries representativas del cliente ideal en ChatGPT, Perplexity y Gemini, y auditar si la marca o el dominio aparecen citados, en qué posición, y con qué framing. En nuestra nota sobre cómo medir ads en ChatGPT mencionamos el marco de Paid Share of Voice que Profound empezó a medir para AI search, que puede servir como punto de partida para entender la exposición actual.
Lo que no recomendamos es mover presupuesto de SEM a experimentos de AI search basándose solo en el estudio de Bocconi sin antes entender cuánto del orgánico propio ya migró. El análisis previo define si el problema es urgente o es algo a monitorear este trimestre.
Desarrollado con IA. Revisado por humanos. Si algún dato envejece mal, culpen al ecosistema, no a nosotros.