Cómo elige hoteles la IA: rating, precio y posición bajo auditoría
Una auditoría causal en 12 modelos cuantifica qué señales cambian de verdad una recomendación hotelera y cuáles apenas cuentan.
Muestra efectos causales de señales de reputación en recomendaciones de LLM: una puntuación alta eleva la selección 31,6 puntos porcentuales y el precio alto la reduce 30,0, por encima de otras variables. Evidencia además un sesgo operacional por la posición en la lista que vale aproximadamente 12 dólares por noche, útil para priorizar estrategias de GEO vinculadas a la visibilidad y para auditar por qué se recomienda un hotel.
Este artículo resume qué hicieron los autores, qué observaron y qué se puede concluir sin convertir un resultado experimental en una promesa comercial.
Qué investigó el estudio
El estudio audita con un experimento controlado qué señales de reputación (y también la posición del listado) hacen que una IA recomiende un hotel concreto, midiendo el efecto promedio en la probabilidad de elección en 12 modelos y con miles de consultas simuladas.
La referencia analizada es Whose hotel does the AI recommend? An algorithm audit of reputation signals in LLM-assisted hotel selection, de M. S. A. Baig, S. A. Gillani, A. Ali. La fuente original está enlazada al final para consultar el método y el contexto completos.
Resultados principales
- El rating domina: cuando el hotel tiene el “top rating”, la probabilidad de recomendación sube en +31.6 puntos porcentuales (pp)
- El precio domina pero al revés: un precio “alto” reduce la probabilidad de recomendación en -30.0 pp
- Otras señales tienen efectos menores: certificación eco sube +11.6 pp y el volumen de reseñas sube +8.3 pp; affiliation/cadena apenas penaliza -1.8 pp y la respuesta de la gerencia es +0.1 pp (prácticamente cero)
- La “list position” importa aunque no tenga contenido: estar en el primer puesto da una ventaja de ~+12 USD por noche (aprox. una décima parte de un “paso” de rating), con heterogeneidad fuerte entre modelos (alguno llega a una ventaja 10 veces mayor)
- Las razones que da el modelo no coinciden perfecto con lo que realmente pesa: la concordancia “stated vs revealed” es positiva (Spearman de +0.59 a +0.85 según el modelo), pero con un problema claro: citan la marca más de lo que realmente influye (porque su efecto revelado es casi nulo)
Qué significan estos resultados
Con datos experimentales causales, el estudio muestra que las IAs no “reproducen” fielmente el patrón humano de señales (donde rating y volumen/valencia suelen mandar) sino que sobreponderan la certificación eco y prácticamente ignoran la respuesta de la gerencia, y además son sensibles a un factor puramente de posición (listado) aunque no aporte información del hotel.
La lectura correcta no es que exista una fórmula universal para “ganar” una respuesta. El resultado muestra qué señales movieron el sistema dentro del diseño evaluado y ayuda a formular mejores hipótesis para una auditoría real.
Aplicación para SEO y GEO
- Rating y precio deben tratarse como datos estructurados, consistentes y fáciles de recuperar en todas las fuentes relevantes.
- La certificación ambiental tuvo un efecto material; no basta con poseerla, debe aparecer de forma verificable en páginas accesibles.
- El orden de presentación introduce sesgo. Una auditoría debe registrar también la posición de cada opción, no solo la recomendación final.
Para un consultor SEO/GEO, el mensaje del estudio es que en hotelería la IA responde sobre todo a rating y precio, y que la certificación eco puede pesar más en IA de lo que cabría esperar por evidencia humana; además, el orden/posición del contenido donde “aparece” tu propiedad puede mover la recomendación por encima de señales sin cambiar la calidad real. Como las IAs usan razones que sobre-atribuyen a marca, lo que afirman importar no siempre coincide con lo que realmente impulsa la elección.
Qué no demuestra
El experimento aísla variables para estimar efectos causales. Esa fortaleza también limita su realismo: una reserva real incorpora ubicación, disponibilidad, imágenes y preferencias que pueden interactuar entre sí.
También conviene separar tres métricas: que una página sea recuperada, que aparezca citada y que la marca termine recomendada. Son fases relacionadas, pero no equivalentes.
Conclusión final
Con datos experimentales causales, el estudio muestra que las IAs no “reproducen” fielmente el patrón humano de señales (donde rating y volumen/valencia suelen mandar) sino que sobreponderan la certificación eco y prácticamente ignoran la respuesta de la gerencia, y además son sensibles a un factor puramente de posición (listado) aunque no aporte información del hotel.
En resumen
- El estudio aporta evidencia medible sobre una parte concreta de la visibilidad en respuestas generativas.
- Los resultados deben validarse por motor, consulta, sector y momento.
- La estrategia útil combina contenido verificable, fuentes accesibles y seguimiento continuo de respuestas y citas.
Fuente del estudio
Whose hotel does the AI recommend? An algorithm audit of reputation signals in LLM-assisted hotel selection. M. S. A. Baig, S. A. Gillani, A. Ali, 15 jun 2026.
Preguntas frecuentes
¿Qué señal pesó más al recomendar hoteles?
El rating alto elevó la elección en 31,6 puntos porcentuales y el precio alto la redujo en 30 puntos.
¿Las reseñas influyen?
Sí. El volumen de reseñas aumentó la probabilidad de recomendación, aunque menos que rating y precio.
¿Importa el orden del listado?
Sí. La posición produjo una ventaja medible incluso sin añadir información sobre el hotel.
Mide tu visibilidad en IA con Bee LLM
Comprueba si ChatGPT, Gemini, Perplexity, AI Overviews y otros motores mencionan tu marca, con qué fuentes y frente a qué competidores.
Probar gratisSigue leyendo: métricas de visibilidad en IA · cómo eligen fuentes los LLM.