Lo que un agente de IA necesita saber sobre una sucursal

A principios de este año, una pequeña empresa llamada VOYGR puso a prueba cuatro de los principales modelos de lenguaje con 345 preguntas locales en más de 50 ciudades. Una de ellas pedía cantinas en la Condesa, en la Ciudad de México. Los modelos devolvieron cantinas reales, en el Centro y en Coyoacán. En otra prueba, todas las configuraciones dieron consejos para reservar en un restaurante de Buenos Aires que había cerrado definitivamente. Incluso el modelo con mejor desempeño recomendó un lugar que no existía, que había cerrado para siempre o que estaba en la colonia equivocada 8 por ciento de las veces. VOYGR vende una API de verificación, así que tiene interés en ese resultado. Aun así, los ejemplos coinciden con lo que ha visto cualquiera que administre ubicaciones físicas.

Ya no son casos aislados. La encuesta de consumidores 2026 de BrightLocal encontró que 45 por ciento de los adultos en Estados Unidos había usado una herramienta de IA para pedir una recomendación de un negocio local en el último año, frente a 6 por ciento el año anterior. Google empezó a lanzar Ask Maps, una capa conversacional sobre Maps construida con Gemini, en marzo de 2026 en Estados Unidos e India, con información de más de 300 millones de lugares. Una respuesta que antes era una lista de diez enlaces azules se está convirtiendo en una sola frase, seguida a veces de una acción.

Así que vale la pena hacerse la pregunta con cuidado: ¿qué necesita saber realmente un agente sobre una sucursal para responder bien? Nuestra perspectiva viene de construir Mapboard en WAOF, un estudio de tecnología, producto y creatividad que nació en Monterrey. Mapboard es infraestructura de presencia local para operadores con muchas ubicaciones físicas. Es una perspectiva parcial, y decimos dónde termina.

Los datos declarados son necesarios, pero no bastan

La primera capa es lo que declara el negocio: nombre, dirección, teléfono, categoría, horario regular. Parece resuelto. No lo está. En un estudio de finales de 2025 sobre unas 350,000 ubicaciones en Estados Unidos, SOCi les pidió a ChatGPT, Gemini y Perplexity perfiles básicos de negocios y encontró que los datos de ChatGPT eran correctos 65.5 por ciento de las veces y los de Perplexity 69.8 por ciento, contra 99.2 por ciento de Gemini. La diferencia sigue al acceso. Gemini está montado sobre Google Maps; los demás arman el panorama a partir de un ecosistema fragmentado de directorios, sitios web y sitios de reseñas.

De ahí se siguen dos cosas. Una es que "el" perfil de una sucursal son en realidad muchas copias, mantenidas por distintos actores a distintas velocidades. La otra es que la copia que lee un agente depende de qué agente pregunta. El análisis de Yext de 6.8 millones de citas de IA, recopiladas entre julio y agosto de 2025, encontró que Gemini tomaba 52 por ciento de sus citas de los sitios web de las marcas, mientras que OpenAI tomaba 49 por ciento de los listados. Yext también señala que Gemini usa datos de Google Business Profile sin citarlos, así que el conteo de citas subestima cuánto depende una respuesta del perfil.

Lo que cambia es lo que importa

La segunda capa es donde vive la mayoría de los errores, y no son datos de marketing. Es el estado operativo de la sucursal. Horarios de días festivos. Un cierre temporal por remodelación. Una farmacia abierta 24 horas cuyo consultorio anexo cierra a las nueve. Una gasolinera con el autolavado fuera de servicio. Una tienda de conveniencia que deja de vender alcohol a una hora distinta de la de cierre.

Nada de esto cabe en un perfil que se escribe una vez al año. Todo lo sabe primero alguien de operaciones, normalmente a nivel tienda o distrito, y normalmente mucho antes de que llegue a quien administra el listado. Esta es la brecha detrás de Mapboard. Durante años, las cadenas de retail en México nos dijeron lo mismo: las herramientas de búsqueda local están hechas para equipos de marketing, mientras que los responsables de cientos de ubicaciones físicas necesitan algo distinto. Una ubicación física cambia constantemente. Si su presencia digital no se mantiene al día, un agente dará una respuesta segura y bien formateada que era cierta el mes pasado.

La reputación ya es un filtro, no una calificación

La tercera capa es lo que dicen los clientes. Para una persona, una calificación de 4.1 es un dato más. Para un asistente de IA que elige tres lugares para mencionar, puede ser la diferencia entre aparecer y desaparecer. El Local Visibility Index 2026 de SOCi reporta que ChatGPT recomendó cerca del 1.2 por ciento de las ubicaciones de marcas en su prueba, frente a una tasa de aparición de 35.9 por ciento en el 3-Pack local de Google, y que las ubicaciones recomendadas promediaban 4.3 estrellas. Son mediciones de un solo proveedor con un solo diseño de prueba, pero la dirección coincide con lo que describen las propias plataformas.

Eso vuelve peligroso el promedio de la red. Una cadena que promedia 4.0 tiene sucursales muy por debajo, y son esas las que un agente descarta sin hacer ruido. Lo que un agente necesita no es el promedio sino el patrón: la queja que se repite en una sucursal, la fila en caja en horas pico, el baño que siempre está cerrado. Esos patrones son también justo lo que un equipo de operaciones necesita corregir, y por eso creemos que las reseñas le corresponden tanto a operaciones como a marketing.

¿Qué versión es la verdadera?

La cuarta capa es la que la mayoría de las conversaciones se salta: la procedencia. Las páginas de ayuda de Google explican que reúne información sobre un negocio a partir de reportes de usuarios y contenido con licencia, y que puede actualizar un perfil cuando las fuentes indican que está mal. Cuando un usuario sugiere un cambio que requiere la revisión del dueño, el dueño tiene cuatro días para responder. Después, Google puede publicarlo automáticamente si otra información pública lo respalda. Es un diseño razonable para un mapa del mundo. También significa que la verdad sobre una sucursal se negocia entre el dueño, el público y la plataforma, y un agente que lee el resultado no puede saber quién tocó por última vez cada campo.

Para un operador, eso convierte la precisión de una configuración única en una responsabilidad permanente con nombre y apellido. Alguien tiene que hacerse cargo del registro de cada sucursal y responder cuando se cuestiona.

Dónde debe detenerse un agente y preguntarle a una persona

Si los agentes leen cada vez más las sucursales, cada vez más se les pedirá que las modifiquen: responder reseñas, actualizar horarios, publicar un anuncio en toda una red. Mapboard está evolucionando hacia una forma de trabajo más agéntica, y en su sitio público trazamos una línea con claridad. Su asistente, Orbit, propone respuestas y señala patrones; una persona del equipo edita y aprueba antes de que se publique cualquier cosa, y la ejecución queda registrada. Es más lento que la automatización total. Creemos que por ahora es el intercambio correcto, porque un horario equivocado publicado en mil perfiles no es una errata, son mil respuestas equivocadas.

Hay límites a lo que cubre cualquier herramienta. Hoy Mapboard publica solo en Google Business Profile. El CEO de BrightLocal señala que herramientas como ChatGPT no pueden ver dentro de las reseñas de Google, así que la reputación de una sucursal en otros lugares también importa. Ningún sistema, incluido el nuestro, controla todo lo que lee un agente.

La respuesta corta

Un agente de IA necesita cuatro cosas de una sucursal: qué es, qué puede hacer por ti en este momento, qué ha dicho la gente de ella recientemente y quién respalda esa información. Los modelos están mejorando en la primera. Las otras tres salen de la operación misma. Las empresas cuyas sucursales se describan con precisión serán las que traten esa información como parte de operar la tienda, a cargo de las personas que la operan.