Cómo los consumidores realizan compras de alto riesgo en modo IA

Mejore sus habilidades con los conocimientos expertos semanales de Growth Memo. ¡Suscríbete gratis!

El modo AI está comprimiendo el escenario en el que los compradores comparan, rechazan y descubren marcas por sí mismos. Nuestro nuevo estudio de usabilidad de 185 tareas de compra documentadas muestra que el 74% de las listas finales del Modo AI provinieron directamente de la salida de la IA: sin verificación externa, sin triangulación, sin segunda opinión.

Este análisis cubrirá:

• Cómo se ha derrumbado la fase de búsqueda comparativa.
• Qué significa esto para las marcas que compiten en categorías con una alta saturación del modo AI de la competencia.
• Las tres palancas que determinan si tu marca aparece.

Por qué realizamos el estudio

La IA transforma la búsqueda de una lista de resultados a una lista de recomendaciones (lista corta). Hasta ahora, no tenemos idea de cómo tratan los usuarios las listas cortas de IA. ¿Lo toman al pie de la letra o lo validan a fondo?

Es por eso que me asocié con Citation Labs y Clickstream Solutions para registrar usuarios reales y sus interacciones cuando enfrentan compras de alto riesgo. Este estudio de usabilidad de 48 participantes que completaron 185 tareas de compras importantes revela que AI Mode funciona como un entorno de recomendación, no de comparación.

En la búsqueda tradicional, las personas hacen clic en los resultados y comparan entre fuentes para reunir un conjunto de candidatos. En el modo IA, aceptan a los candidatos de la IA y siguen adelante. El 74% de las listas cortas del Modo IA provinieron directamente de la salida de la IA sin verificación externa. En la búsqueda tradicional, más de la mitad de los usuarios crearon su propia lista restringida desde cero.

El estudio cubre cuatro categorías (televisores, computadoras portátiles, lavadoras/secadoras y seguros de automóviles). Los participantes completaron tareas utilizando tanto el modo AI como la búsqueda tradicional en un diseño A/B dentro de los sujetos, produciendo 149 observaciones de tareas en modo AI y 36 observaciones de búsqueda. Los patrones de comportamiento son lo suficientemente consistentes entre categorías y participantes como para tener peso. (El diseño completo del estudio se encuentra al final).

De Garret French, fundador de Citation Labs:

«En el modo IA, los compradores suelen utilizar una síntesis de lista corta para acortar el esfuerzo cognitivo de la búsqueda y comparación estándar. Esto aumenta el valor de los activos de decisión en el sitio y las fuentes de terceros que proporcionan a la IA compensaciones claras, evidencia específica y estructura contextual suficiente para describir la oferta de una marca con confianza».

De Eric Van Buskirk:

La ausencia de frustración por la estrechez es el hallazgo intelectualmente más significativo. 15 % en modo IA frente a 11 % en búsqueda, sin una diferencia estadística significativa. Ese es el hallazgo que descarta la explicación alternativa obvia: que los usuarios aceptaron la lista corta de la IA porque se sentían atrapados. Ellos no retrocedieron. No estaban frustrados. Quedaron satisfechos. Eso hace que la aceptación sea más difícil de descartar.

Esto es lo que pasó.

1. El 88% de los usuarios aceptaron directamente la lista corta de la IA

En las tareas de portátiles y seguros, donde los participantes utilizaron ambas superficies de búsqueda (búsqueda clásica y modo IA), la brecha en la construcción de una lista corta de productos era marcada.

Definiciones:

• IA adoptada: El participante tomó los candidatos recomendados por la IA como su lista corta sin cambios ni verificación externa.
• Construido por el usuario: El participante ignoró las sugerencias de la IA (o la Búsqueda) y reunió su propia lista de candidatos a partir de fuentes independientes.
• AI verificado: El participante comenzó con los candidatos de la IA, pero los cotejó con una fuente externa (el sitio de un minorista, una reseña, la página de un fabricante) antes de finalizar.
• Híbrido: El participante combinó candidatos sugeridos por la IA con al menos un candidato que encontró de forma independiente.

En la búsqueda clásica, el 56 % de los participantes crearon su propia lista restringida a partir de múltiples fuentes. En el modo IA, solo 8 de 147 tareas codificables produjeron una lista corta genuinamente creada por uno mismo. El proceso de comparación del usuario no solo se redujo cuando usó el modo AI. Para la mayoría de los participantes, esto no sucedió en absoluto.

El 64 % de los participantes en el modo AI no hicieron clic en nada durante su tarea. Leían el texto de la IA, a veces revisaban fragmentos de productos en línea y declaraban a sus finalistas. La tasa sin clics varió según la categoría:

Los participantes en seguros delegaron más. Los participantes de lavadoras/secadoras fueron los que más hicieron clic, probablemente porque las decisiones sobre electrodomésticos implican limitaciones físicas específicas (capacidad, compatibilidad de apilamiento, dimensiones) que el resumen de IA no siempre resolvió.

El 36% que interactuó con resultados individuales dentro del Modo IA se dividió en 2 grupos:

• Aproximadamente el 15% del grupo AI Adopted (17 de 117 participantes) fue verificado adentro Modo AI: abrieron tarjetas de productos en línea o ventanas emergentes de comerciantes para verificar un precio o especificaciones, luego regresaron a la lista de AI.
• Otros utilizaron mensajes de seguimiento como herramientas de verificación, solicitando precios a la IA o restringiéndolos según las restricciones.

un separado El 23 % de todas las tareas del modo IA implicaron al menos una visita a un sitio web externo.principalmente minoristas (Best Buy apareció en 10 de 34 tareas con visitas externas) y sitios de fabricantes. El patrón de destino importa: los usuarios abandonaron el modo AI para confirmar un candidato que ya habían aceptado de la lista de AI, no para buscar otros nuevos.

De los 117 participantes que adoptaron directamente la lista corta de la IA, aproximadamente el 85% no mostró ningún comportamiento de verificación interna. Los participantes que crearon sus propias listas tardaron un promedio de 89 segundos más y consultaron más del doble de fuentes.

• «Dado que el primer párrafo dice Lenovo o Apple… vamos con eso», dijo un usuario sobre las computadoras portátiles cuando buscaba a través del Modo AI. La posición uno en la respuesta de la IA fue la decisión completa.
• Otro usuario de AI Mode comentó: «Me gustó más que cualquier otra cosa que haya usado para buscar productos. Hizo que encontrar las opciones fuera mucho más rápido». Consideraron la velocidad como una característica valiosa, no como un atajo.

En la búsqueda clásica, el patrón se invirtió. Casi el 89% de los participantes hicieron clic en algo.

• Un participante de seguros hizo clic en Progressive y GEICO de forma independiente, leyó ambas páginas de destino, consultó un artículo de Experian y luego llegó a una lista corta.
• Un participante de una computadora portátil aplicó filtros de hardware y señaló una discrepancia en la puntuación de la revisión: «Muestra 4,6 de 5 estrellas para las revisiones, pero cuando haces clic en el enlace: aún no revisado». El escepticismo activo ante los datos agregados fue un comportamiento ausente en las transcripciones del modo AI.

2. La mejor opción de la IA se convierte en la mejor opción del usuario el 74% de las veces

Al igual que en la búsqueda clásica, la respuesta principal tiene un peso enorme. El 74% de los participantes eligió el elemento clasificado en primer lugar en la respuesta de la IA como su primera opción. La puntuación media de la elección final fue 1,35. Sólo el 10% eligió algo clasificado en tercer lugar o menos.

La posición uno en la salida de la IA conlleva una gran ventaja debido a su ubicación: dentro de una sección seleccionada que normalmente contiene de dos a cinco elementos, después de que la IA ya haya realizado el filtrado. El primer elemento es la primera elección de la IA. Cuando las personas interactúan con el modo AI, sabemos que leen casi todos los resultados: el primer estudio del modo AI encontró que los usuarios pasan de 50 a 80 segundos leyendo los resultados del modo AI, más del doble del tiempo de permanencia en las descripciones generales de AI. Los usuarios están leyendo atentamente. Simplemente leen dentro de un conjunto que la IA ya ha reducido.

Sin embargo, el 26% de los participantes en este estudio anuló el orden de clasificación. El conductor: el reconocimiento de marca. Vieron una marca más abajo en la lista y la prefirieron independientemente de dónde la ubicara la IA. Las categorías de televisores y portátiles fueron las que más vieron esto, donde los participantes llegaron con preferencias existentes por Samsung, LG, Apple o Lenovo. Pero anular el rango no significó rechazar el resultado de la IA: el 81% de los participantes en el rango anulado todavía eligieron entre el conjunto de candidatos de la IA.

3. Las palabras de la IA se convierten en la señal de confianza

«Travelers y USAA en realidad me dicen cuánto, mientras que State Farm y GEICO dan porcentajes. El solo hecho de saber la cantidad exacta me hace querer elegir Travelers o USAA desde el principio».

Esa cita captura un patrón central en la confianza del modo AI. El formato de la IA dio forma a la decisión: las cantidades en dólares frente a los descuentos porcentuales determinaron qué marcas figuraban en la lista corta.

El encuadre de IA (37%), es decir, cómo la IA habla sobre el producto, y el reconocimiento de marca (34%) fueron los dos principales impulsores de confianza en el modo IA. Corren casi parejos:

• El reconocimiento de la marca lideró cuando los participantes llegaron con preferencias de marca.
• La redacción de AI llenó los vacíos donde los participantes aún no tenían preferencias.

En la búsqueda clásica, el mecanismo de confianza dominante era la convergencia de múltiples fuentes: los participantes generaban confianza verificando si varias fuentes independientes estaban de acuerdo sobre un producto.

Básicamente, los usuarios triangularon. Uno revisó Progressive, luego GEICO y luego un artículo de Experian. Otro comparó las calificaciones de estrellas agregadas con las reseñas del sitio real. Estaban construyendo un caso a partir de aportaciones separadas.

Ese comportamiento estuvo casi ausente en el modo IA (5%). En cambio, el encuadre de la IA (cómo la IA redactó la descripción de un producto) y el reconocimiento de la marca fueron los dos principales impulsores de la confianza.

La división entre estas dos señales siguió de cerca la categoría de producto:

En el caso de los televisores y portátiles, a los que la mayoría de los participantes llegaron con preferencias de marca existentes, predominó el reconocimiento de la marca. En el caso de los seguros y las lavadoras/secadoras, donde los participantes tenían menos conocimientos previos, predominó el encuadre de IA.

Cuando falta una vista previa, la descripción de la IA se convierte en una señal de confianza. En el modo AI, la síntesis es la corroboración. Los participantes trataron el resumen de la IA como si ya se hubiera realizado la verificación cruzada por ellos.

El primer estudio mostró un patrón relacionado desde el lado de la oferta: el modo AI relaciona el tipo de sitio con la intención, mostrando marcas para consultas transaccionales y sitios de reseñas para comparaciones. Este estudio muestra el lado de la demanda del mismo comportamiento: cuando la IA muestra una marca que el usuario ya conoce, el reconocimiento de la marca impulsa la decisión; cuando no es así, el propio marco de la IA cumple ese papel. La coincidencia de tipos de sitio y el mecanismo de confianza se refuerzan mutuamente.

4. Si no estás en la lista, no existes

Los resultados de compra en el modo AI se concentraron mucho. Para las computadoras portátiles, tres marcas capturaron el 93% de todas las opciones finales del Modo AI. En la búsqueda clásica, la distribución fue más amplia: las variantes de HP EliteBook aparecieron tres veces, ASUS una vez y otras marcas obtuvieron una consideración que nunca recibieron en el modo AI.

Surgieron dos problemas distintos:

1. Las marcas que nunca aparecieron en la producción de la IA nunca fueron consideradas. Los participantes no los vieron, por lo que no pudieron evaluarlos. La IA decidió quién figuraba en la lista, no el comprador.
2. Las marcas que aparecieron pero carecieron de reconocimiento enfrentaron un problema diferente: no fueron consideradas seriamente. Erie Insurance apareció en los resultados del modo AI, pero varios participantes lo eliminaron únicamente con el reconocimiento de su nombre. La marca estaba presente pero no había creado suficiente notoriedad para sobrevivir al momento de la selección. Un participante abandonó una marca porque carecía de un hipervínculo en la salida de IA, interpretando esa brecha de formato como una señal de credibilidad: «Ni siquiera hay un vínculo allí».

Otro participante dijo al usar el modo AI: “Ya estoy ansioso por creer que son buenas recomendaciones porque menciona a LG y Samsung, dos marcas que considero muy confiables”. La IA no dijo que esas marcas fueran mejores. El participante lo dedujo por familiaridad.

Los participantes no se sintieron limitados por el grupo más reducido. La frustración por la estrechez apareció en el 15% de las tareas del modo IA y en el 11% de las tareas de búsqueda clásicas, estadísticamente indistinguibles. El conjunto de opciones se redujo, pero la sensación de tener suficientes opciones no cambió. El participante más escéptico del modo IA en el conjunto de comparación, que se quejó de que la IA seguía señalando a «conductores adolescentes, conductores adolescentes, conductores adolescentes», aún así eligió GEICO y Travelers: el resultado consensuado de la IA.

5. Los usuarios salen para comprar, no para investigar

El 23 % de las tareas del modo IA implicaron una visita a un sitio externo, pero tenga en cuenta que estas indicaciones reflejan situaciones de alto riesgo. En la búsqueda estándar, esa cifra fue del 67%.

La diferencia de volumen importa menos que la intención diferencia:

• Los participantes del Modo AI que abandonaron fueron a sitios de minoristas y páginas de fabricantes para verificar el precio o las especificaciones de un candidato que ya habían seleccionado.
• Los participantes de la Búsqueda estándar se fueron para descubrir candidatos: Reddit para opiniones de pares, sitios de revisión editorial para opiniones de expertos, agregadores de seguros para comparar.

En el primer estudio de AI Overviews, descubrimos que el alto riesgo lleva a los usuarios a verificar más las afirmaciones de AI y compararlas con las respuestas de otros usuarios en plataformas UGC (como Reddit).

En este estudio, Reddit apareció en el 19% de las tareas de búsqueda estándar y solo dos veces en las 149 sesiones del modo AI. La capa de opinión de los pares que da forma a una gran parte de la búsqueda tradicional apenas existe en el comportamiento del modo IA.

Hay ironía en ese patrón. Google se apoya en gran medida en el contenido de Reddit para entrenar sus modelos. Sin embargo, la fuente en la que más confían los usuarios en la búsqueda estándar es la que casi nunca visitan cuando la IA sintetiza esas mismas fuentes para ellos.

El primer estudio encontró el mismo patrón en una escala diferente. En 250 sesiones, los clics se “reservaron para transacciones”: las indicaciones de compra generaron el porcentaje de salida más alto, mientras que las indicaciones de comparación generaron la más baja. Los destinos de salida fueron minoristas y sitios de marcas, no fuentes editoriales o de opinión de pares. Seis meses y una tarea diferente asignada después, el patrón se mantiene: cuando los usuarios abandonan el modo AI, lo hacen para comprar.

6. Tres palancas: visibilidad, encuadre y datos de precios

Tres cosas que más me entusiasman del estudio:

Primero, Podemos aplicar el modelo mental de rankings. (más alto = mejor) al modo AI también. La mayoría de los usuarios eligen el primer producto. Ahora, podemos aplicar esto al seguimiento de indicaciones centrándonos más en las indicaciones que conducen a listas cortas y utilizando nuestra posición como objetivo.

Segundo, la confianza triunfa sobre el rango. Lo sabemos desde los primeros estudios sobre el comportamiento de los usuarios que publiqué, pero este estudio refuerza la importancia de generar confianza en los usuarios antes de realizar búsquedas. Es el código de trampa definitivo.

En tercer lugar, ahora sabemos Los compradores confían en las recomendaciones de la IA.. Obviamente, existe un alto riesgo aquí si la IA está equivocada, pero ver qué tan rápido los compradores aceptan la recomendación de la IA también nos muestra qué tan rápido los consumidores adoptan la IA. Realmente es el futuro de la búsqueda.

Tener en mente:

1. La visibilidad en la capa del modelo es el nuevo umbral. Si el modo AI no muestra su marca, tiene un problema de visibilidad en la capa del modelo. Consulta tu propia categoría como lo haría un comprador (es decir, “el mejor seguro de automóvil para una familia con un conductor adolescente”, “el mejor juego de lavadora secadora por menos de $2000”) y documenta qué marcas aparecen, en qué orden y con qué marco. Haga esto en múltiples variaciones de mensajes. Hágalo con regularidad, porque las respuestas de la IA cambian con el tiempo.

2. La forma en que te describe la IA es tan importante como si aparece o no. Las marcas citadas con atributos concretos (modelo específico, precio específico, caso de uso nombrado) ocuparon posiciones más fuertes que las marcas descritas genéricamente. El contenido de su sitio del que extrae la IA no solo afecta si tu apareces, pero también con qué confianza y específicamente tu apareces. Una marca con datos de precios estructurados, especificaciones de producto claras y casos de uso explícitos le brinda a la IA un mejor material con el que trabajar.

3. Para categorías con precios que dependen del contexto, el modo AI crea un problema de falsa confianza. El 63% de los participantes en seguros se consideraron demasiado confiados en los precios. Aceptaron estimaciones de tarifas cotizadas por AI sin verificar si las cifras se aplicaban a su estado real, a su historial de conducción o a su aseguradora actual. Tomaron decisiones de eliminación basadas en números que quizás no se les aplicaron. Cuando los paneles de compras mostraban precios explícitos confirmados por el minorista (lavadora/secadora), el 85 % de los participantes entendieron claramente los precios. Donde no lo hicieron (seguros, computadoras portátiles), la confusión y el exceso de confianza llenaron el vacío. Los datos de precios estructurados a través de feeds de Merchant Center y el marcado de esquemas son la palanca más directa para las marcas que venden productos físicos. Para los servicios, la palanca es editorial: asegúrese de que sus páginas de destino y el contenido de las preguntas frecuentes encuadren los precios como condicionales (“su tarifa depende de X, Y, Z”) para que la IA tenga ese marco del que sacar provecho.

Diseño de estudio

Citation Labs y Clickstream Solutions realizaron esto como un estudio de usabilidad remoto y no moderado con 48 participantes con sede en EE. UU. reclutados a través de Prolific. Cada participante completó hasta cuatro tareas de selección de compras importantes: televisores, computadoras portátiles, juegos de lavadoras y secadoras y seguros de automóviles.

La comparación entre el modo AI y la búsqueda estándar tradicional utilizó un diseño A/B dentro de los sujetos: los participantes utilizaron ambas superficies, no una ni la otra. Los cálculos de significancia se normalizaron para el número exacto de participantes en cada grupo (149 observaciones de tareas en modo AI, 36 observaciones de tareas de búsqueda estándar). Esto es importante porque los grupos son desiguales en tamaño y las comparaciones porcentuales brutas entre ellos exagerarían la confianza sin esa corrección.

Las sesiones se grabaron en pantalla con audio para pensar en voz alta. Analistas capacitados anotaron cada grabación en busca de marcadores de comportamiento (clics, origen de la lista corta, señales de confianza, visitas al sitio externo) y marcadores cualitativos (razonamiento declarado, menciones de marca, señales de frustración). Las 185 observaciones a nivel de tarea proporcionan una base analítica más amplia de lo que sugiere el recuento de 48 participantes, pero los intervalos de confianza siguen siendo más amplios que los de una encuesta a gran escala. Los hallazgos son estimaciones direccionales, no a nivel de población.

Notas sobre la terminología utilizada a lo largo de este informe:

• Lista corta: El conjunto final de marcas que un usuario consideraría comprar.
• IA adoptada: El participante tomó los candidatos recomendados por la IA como su lista corta sin cambios ni verificación externa.
• Construido por el usuario: El participante ignoró las sugerencias de la IA (o la Búsqueda) y reunió su propia lista de candidatos a partir de fuentes independientes. En la Búsqueda, cuando no había AIO presente, no tenían opción de confiar en las sugerencias de la IA.
• AI verificado: El participante comenzó con los candidatos de la IA, pero los comparó con una fuente externa (un sitio minorista, una reseña, una página del fabricante, indicaciones adicionales o interacción con un panel fuera del bloque de texto principal de la IA) antes de finalizar.
• Híbrido: El participante combinó candidatos sugeridos por IA con al menos un candidato que encontró de forma independiente.
• encuadre de IA: Las palabras y estructuras específicas que la IA utilizó para describir un producto, como etiquetas como «mejor por su asequibilidad» o comparaciones de precios explícitas.
• Reconocimiento de marca: El usuario eligió o eliminó una marca basándose en su familiaridad previa, no en la descripción de la IA ni en ninguna investigación externa.
• Confianza en la IA (general): El usuario aceptó el resultado de la IA como creíble sin citar un motivo específico, como una etiqueta o descripción en particular.
• Confianza en la fuente: El usuario confió en una recomendación debido a su procedencia, como un minorista, un fabricante o una publicación nombrada que apareció en los resultados.
• Convergencia de múltiples fuentes: El usuario generó confianza al verificar si varias fuentes independientes coincidían en la misma recomendación.
• Tasa de anulación de rango: la proporción de usuarios que eligieron una marca distinta de la opción mejor clasificada de la IA, independientemente de si permanecieron dentro de la lista de candidatos de la IA.

Imagen de portada: Tapati Rinchumrus/Shutterstock; Paul Poesía/Diario del motor de búsqueda