Cómo muestra ChatGPT los negocios locales

Al pedirle a ChatGPT una farmacia, un dentista o un fontanero en una ciudad, la respuesta funciona de otra manera que ante una pregunta general. ChatGPT reescribe la petición en búsquedas web, normalmente muestra un mapa y asocia a cada chincheta una ficha del negocio: valoración, número de reseñas, dirección, horario.

Para un negocio local, eso plantea preguntas prácticas: para qué búsquedas tiene que aparecer, de dónde salen esos datos del negocio y por qué el primer negocio que se muestra no siempre es el mejor valorado. Este artículo recorre cada paso y termina con lo que conviene trabajar.

Las respuestas proceden de 50 conversaciones de ChatGPT en 12 sectores que scaile inspeccionó a nivel de los datos que se envían al navegador. El estudio se hizo en Múnich, con prompts en alemán; cómo se hizo y sus límites están en el anexo técnico.

Los denominadores son distintos: 12 prompts principales con ciudad frente a cuatro negocios cotejados de una sola respuesta. Estos porcentajes describen nuestras pruebas.

Qué pasa al buscar un negocio local

Recorramos un ejemplo real del experimento.

1. La persona hace una pregunta

Escribimos este prompt en una conversación nueva de ChatGPT:

Welche Apotheken in München empfiehlst du?
¿Qué farmacias de Múnich me recomiendas?

El navegador lo envió a través de:

POST /backend-api/f/conversation

Este es el endpoint de conversación que observamos. La pregunta va dentro de messages[].content.parts en el cuerpo de la petición.

2. ChatGPT decide cómo responder

ChatGPT puede responder directamente, pedir una ubicación o buscar opciones. El modelo y el software que lo rodea, el llamado harness, controlan ese comportamiento.

Lo que sí vemos es qué respuesta produce. El stream no muestra la lógica de decisión completa ni separa las decisiones del modelo de las del harness.

3. ChatGPT reformula la pregunta en consultas de búsqueda

Nuestro prompt de farmacias se convirtió en esta cadena de búsqueda en los metadatos visibles:

München Apotheke Hauptbahnhof Marienplatz Öffnungszeiten Apotheke offiziell 2026

ChatGPT añadió ubicaciones concretas (la estación central, Marienplatz), el horario, “oficial” y un año. La consulta aparecía en un campo llamado search_model_queries.

Revisamos ese mismo campo en las 12 ejecuciones principales de recomendación con ciudad. Si se suman los seis prompts con ciudad repetidos, salen 18 conversaciones de búsqueda con ciudad en total; sus recuentos se muestran aparte para que los sectores repetidos no alteren la comparación principal.

Modificador de la consulta	12 ejecuciones principales con ciudad	Las 18 ejecuciones con ciudad
Año 2026	10/12 · 83 %	15/18
Mejor o de confianza	7/12 · 58 %	10/18
Reseñas o valoraciones	6/12 · 50 %	7/18
Guías o instituciones con nombre	3/12 · 25 %	3/18
Horario	1/12 · 8 %	2/18

Cada ejecución cuenta una vez por categoría; las categorías se solapan. 13 cadenas visibles en 12 ejecuciones principales con ciudad. Las consultas observadas no son factores de posicionamiento demostrados.

Los añadidos dependían del sector. La consulta de dentistas incluía jameda y Doctolib, dos portales alemanes de citas médicas. La de restaurantes, Michelin Guide. La de fontaneros, Handwerkskammer, la cámara de oficios alemana.

También cambiaba de idioma: nuestro prompt de hoteles en alemán se convirtió en una consulta en inglés con “luxury”, “boutique”, “central”, “affordable” y “reviews”.

4. ChatGPT llama a una herramienta

En el ejemplo de las farmacias, el stream mostró dos mensajes del asistente dirigidos a web.run. Este es un extracto abreviado del mensaje:

{
  "author": { "role": "assistant" },
  "recipient": "web.run"
}

De las 50 conversaciones, 28 mostraron actividad de búsqueda, con 39 invocaciones visibles de web.run en total. Una invocación visible no es necesariamente una sola consulta de búsqueda por debajo.

Vimos web.run en respuestas con mapa y en respuestas sin mapa. También apareció el campo map_search_model_queries, pero son metadatos, no la prueba de una herramienta de mapas aparte a la que se pueda llamar.

5. ChatGPT devuelve los datos de los negocios y una respuesta

La respuesta normal sobre farmacias situó cinco lugares en el mapa. Su stream incluía fichas estructuradas como esta:

{
  "id": "ChIJ0zyJSvp1nkcRi483DLeru3Y",
  "provider": "serp",
  "name": "Inter Apotheke",
  "address": "Elisenstraße 5, 80335 München, Germany",
  "latitude": 48.1418702,
  "longitude": 11.561119099999999,
  "rating": 4.8,
  "review_count": 130,
  "website_url": "http://www.inter-apotheke.de/",
  "ranking_score": null
}

La respuesta combina recomendaciones escritas con tarjetas de negocio y un mapa. La ficha le da a la interfaz los datos del negocio. ranking_score: null significa que esta ficha no muestra ninguna puntuación de orden.

Una respuesta solo de texto también puede usar la búsqueda web. Cuando pedimos expresamente que no hubiera mapa ni tarjetas de negocio, ChatGPT mostró una llamada web y recomendó seis farmacias en texto.

6. Hacer clic en un negocio abre una petición de detalle aparte

El flujo de detalle observado usaba:

POST /backend-api/sidebar/conversation

Esa petición identifica un negocio concreto por nombre y ubicación o dirección, junto con los ID de conversación y de mensaje. Recupera más detalles sobre ese negocio. La búsqueda por categoría ocurrió en el flujo de conversación descrito arriba.

Prueba de parámetros de ubicación en la petición de conversación

También probamos a añadir este objeto al nivel superior del cuerpo JSON enviado a POST /backend-api/f/conversation:

{
  "map_search_params": {
    "latitude": 48.137154,
    "longitude": 11.576124,
    "latitude_span": 0.05,
    "longitude_span": 0.08,
    "search_here": true
  }
}

Las coordenadas indican un punto público del centro de Múnich. Los nombres de los campos sugieren un área de búsqueda centrada ahí: latitude_span y longitude_span describen su extensión, y search_here parece pedir una búsqueda en esa área. Estas interpretaciones no son un contrato de API documentado ni un filtro de distancia verificado.

Este objeto aporta contexto de ubicación; la petición de búsqueda en sí, como “¿Qué farmacias de Múnich me recomiendas?”, sigue yendo en messages[].content.parts. El fragmento de arriba es un añadido a la petición de conversación completa, no una petición independiente.

Nuestra prueba de parámetros con farmacias se completó y devolvió 11 ID de lugares con descripciones, pero su mapa no se mostró. Eso confirma una respuesta a la petición modificada. No demuestra que cada parámetro influyera en la recuperación, no garantiza resultados dentro del área ni establece una API pública de mapas que funcione.

map_search_params es el objeto de petición que nosotros añadimos en la prueba de parámetros aparte. map_search_model_queries son metadatos de consulta observados en las respuestas. Ninguna de las 50 conversaciones normales del estudio principal añadió este objeto.

Qué búsquedas produjeron mapas

Nuestro panel principal equilibrado prueba tres tipos de prompt en 12 sectores: una recomendación nombrando Múnich, una recomendación sin ciudad y una pregunta de definición. Las repeticiones se cuentan aparte.

Sector	Recomendación + Múnich	Recomendación sin ciudad	Pregunta de definición
Farmacias	Mapa · 5 lugares	Sin búsqueda visible	Sin búsqueda visible
Restaurantes	Mapa · 8 lugares	Sin búsqueda visible	Sin búsqueda visible
Dentistas	Mapa · 6 lugares	Mapa · 5 lugares	Sin búsqueda visible
Fontaneros	Mapa · 5 lugares	Mapa · 5 lugares	Sin búsqueda visible
Asesores fiscales	Mapa · 6 lugares	Sin búsqueda visible	Sin búsqueda visible
Hoteles	Mapa · 6 lugares	Solo búsqueda web	Sin búsqueda visible
Talleres mecánicos	Mapa · 6 lugares	Mapa · 6 lugares	Sin búsqueda visible
Software CRM	Mapa · 5 lugares	Solo búsqueda web	Sin búsqueda visible
Panaderías	Mapa · 6 lugares	Sin búsqueda visible	Sin búsqueda visible
Peluquerías	Mapa · 7 lugares	Sin búsqueda visible	Sin búsqueda visible
Gimnasios	Mapa · 6 lugares	Sin búsqueda visible	Sin búsqueda visible
Floristerías	Mapa · 6 lugares	Sin búsqueda visible	Sin búsqueda visible

36 pruebas principales, una por celda. Búsqueda = llamada visible a web.run; mapa = mapa mostrado.

Hubo mapa en el 100 % (12/12) de las recomendaciones con ciudad, en el 25 % (3/12) sin ciudad y en el 0 % (0/12) de las definiciones.

Incluso los proveedores de software CRM produjeron un mapa cuando el prompt nombraba Múnich. La intención local pesó junto al sector.

Dentistas, fontaneros y talleres produjeron mapas sin ciudad en el prompt. En la respuesta de dentistas, ChatGPT dijo que Múnich era nuestra ubicación aproximada. La captura no establece si esa ubicación salió de una dirección IP o de otra fuente.

En las ocho pruebas más recientes, las cuatro recomendaciones sin ciudad preguntaron dónde queríamos buscar. Las cuatro preguntas de definición respondieron directamente. Ninguna mostró una llamada web ni produjo un mapa. Para esos sectores, las versiones anteriores con ciudad habían producido mapa todas.

Después variamos la formulación del prompt de farmacias:

Prompt traducido del alemán	Llamadas web visibles	Lugares en el mapa
“Farmacia”	0	0; pidió aclaración
“¿Qué farmacias cerca de mí me recomiendas?”	1	5
“Farmacias en Múnich”	1	4
“¿Qué farmacias online me recomiendas?”	2	0
“¿Qué farmacias de Múnich me recomiendas? Responde solo con texto, sin mapa ni tarjetas de negocio.”	1	0
“Muestra farmacias de Múnich en un mapa.”	1	14

Seis variantes exploratorias, una ejecución cada una.

El formato de salida respondió a la instrucción. En una prueba anterior aparte, el 100 % de ocho respuestas por defecto mostró mapa, frente al 0 % de ocho respuestas solo de texto, en cuatro sectores. Eso mide lo que apareció en pantalla; no demuestra que no hubiera una recuperación de lugares oculta.

¿Cuánto se parecen los resultados a Google Maps?

Comparamos por separado los datos de los negocios y la selección de negocios.

Los datos de los negocios coincidieron en nuestras muestras pequeñas

Cuatro de las cinco farmacias de la respuesta normal de ChatGPT aparecían entre los 20 primeros resultados de Google Maps que capturamos. Su valoración y su número de reseñas coincidían en el 100 % de esos cuatro casos.

Negocio	Valoración en ambos	Reseñas en ambos
Inter Apotheke	4,8	130
Apotheke Maxvorstadt	4,7	105
Dr. Beckers Central Apotheke	4,5	270
Barer Apotheke	4,7	116

El quinto negocio no estaba entre los 20 primeros resultados de Google capturados.

Una comprobación anterior de ocho negocios elegidos en ocho sectores también encontró una coincidencia del 100 % en valoraciones, número de reseñas y coordenadas redondeadas a seis decimales. Google se consultó entre 63 y 76 minutos después.

Las listas de negocios eran distintas

Una petición aparte con parámetros de ubicación del mapa añadidos devolvió 11 ID de lugares. De ellos, el 90,9 % (10/11) aparecía entre los 20 primeros resultados orgánicos de Google para la misma formulación de recomendación. Para “Apotheken München” (farmacias Múnich), el solapamiento fue del 54,5 % (6/11).

Consulta en Google Maps	ID de ChatGPT entre los 20 primeros de Google
Misma formulación de recomendación	10/11 · 90,9 %
Consulta corta por categoría	6/11 · 54,5 %

Esta prueba de parámetros devolvió ID y descripciones, pero su mapa no se mostró. Es independiente de las pruebas de chat normales. La zona visible de Google, la configuración de idioma y los momentos de captura no se igualaron del todo. Es un solapamiento de identidad, no una comparación controlada del orden.

El orden también difería. Los tres primeros ID de ChatGPT aparecían en las posiciones 3, 5 y 13 de Google. No podemos atribuir esas diferencias solo a la formulación.

La coincidencia de datos e ID apunta a una conexión con datos de negocios compatibles con Google. No identifica al proveedor ni demuestra una llamada directa a una API de Google. La etiqueta serp no basta para establecer ninguna de las dos cosas.

También encontramos el mismo hotel con dos etiquetas de proveedor: serp y tripadvisor-feed. Ambas valoraciones eran 4,4, pero el total de reseñas era 1.872 en una y 1.078 en otra. Las fichas muestran que puede aparecer más de una fuente de datos.

Yelp tenía los mismos negocios, pero otros totales de reseñas

También cotejamos cuatro negocios con sus páginas de Yelp en directo, por nombre y dirección. Las cuatro direcciones coincidían; tres números de teléfono coincidían una vez normalizado el formato. Las cifras de reseñas eran distintas:

Negocio y fuente en Yelp	Valoración / reseñas en ChatGPT	Valoración / reseñas en Yelp
Inter Apotheke	4,8 / 130	1,0 / 1
Wirtshaus in der Au	4,5 / 6.059	4,2 / 284
Cortiina Hotel	4,5 / 593	4,3 / 28
Brotraum	4,7 / 559	4,7 / 29

Cuatro coincidencias elegidas en farmacias, restaurantes, hoteles y panaderías; no es una muestra aleatoria de cobertura. Páginas de Yelp consultadas en directo el 9 de octubre, después de las capturas de ChatGPT.

Solo una de cuatro valoraciones coincidía, y ninguno de los cuatro números de reseñas. Brotraum muestra por qué la coincidencia de estrellas sola es una prueba débil: ambos mostraban 4,7, pero sus totales de reseñas eran 559 y 29.

Revisamos las 50 conversaciones capturadas. En 146 apariciones de fichas en el mapa, la etiqueta de proveedor era serp en 142, tripadvisor-feed en 1 y estaba vacía en 3. No encontramos URL de Yelp ni campos específicos de Yelp con contenido en los mensajes reconstruidos. Un campo del esquema como yelp_menu_url: null no es una prueba de datos de Yelp.

Estas pruebas establecen que hay negocios en común y datos de reseñas distintos. No descartan un uso indirecto de Yelp en otro punto de la cadena de recuperación.

Lo que revelan las fichas individuales de los negocios

En el estudio completo de 50 conversaciones extrajimos 146 apariciones de fichas en el mapa de 24 conversaciones con mapa. Las 12 recomendaciones principales con ciudad contenían 72 puntos en el mapa, dos de ellos genéricos y sin valoración. En los totales del estudio completo, las apariciones repetidas cuentan por separado.

La valoración más alta no solía ocupar el primer puesto

De las 12 listas principales con ciudad, 11 tenían valoración en todos los puntos del mapa. En 10 de 11 de esas listas completas, un negocio situado más abajo tenía mejor valoración que el primero. Una de 11 seguía un orden descendente por valoración; ninguna de 11 seguía un orden descendente por número de reseñas.

La lista de farmacias empezaba con un negocio valorado con 4,8, seguido de uno con 4,9. La de dentistas empezaba con 4,8, mientras que los dos últimos negocios tenían 4,9.

Estos resultados descartan un orden universal de mejor valoración primero. No dicen cuánto influyen las reseñas en la selección o en el orden.

Un negocio en el mapa no necesita que su sitio web aparezca en los resultados web visibles

De todas las apariciones de fichas en el mapa, 138 tenían URL de sitio web. Solo el 15,2 % (21/138) de esos dominios aparecía también entre las URL de resultados web visibles de esa ejecución. En las 12 listas principales con ciudad, el solapamiento fue del 16,2 % (11/68). Cotejamos los nombres de dominio quitando www.. Son recuentos de apariciones, no de negocios independientes.

En el ejemplo de las farmacias, ninguno de los dominios de los cinco negocios del mapa aparecía en los resultados web visibles. Así que un negocio puede aparecer en el mapa sin esa coincidencia visible con su sitio web. El stream no muestra todos los pasos de recuperación, y páginas de terceros pueden cubrir el mismo negocio.

El mapa y las recomendaciones escritas pueden diferir

En 11 de 12 ejecuciones principales con ciudad, los ID y el orden de los negocios del mapa coincidían con los componentes de negocio de la respuesta. La excepción, la de panaderías, incluía puntos genéricos en el mapa. Aparte, la prueba repetida de CRM incluía seis negocios en la respuesta y cinco en el mapa: Shore aparecía como recomendación adicional en una frase y no estaba en el mapa.

Medir solo las chinchetas del mapa habría pasado por alto esa recomendación. Las menciones en texto, los componentes de negocio, los mapas y las citas merecen recuentos separados.

Las fichas muestran datos útiles, pero ninguna puntuación de orden

Campo en las 146 apariciones de fichas en el mapa	Apariciones con valor
Valoración y número de reseñas, cada uno	97,9 % · 143/146
Teléfono	97,9 % · 143/146
URL del sitio web	94,5 % · 138/146
Horario	93,2 % · 136/146
Puntuación de orden	0 % · 0/146
Reseñas individuales y extractos de reseñas, cada uno	0 % · 0/146

Un total de reseñas no es el texto de esas reseñas. Que falte un campo tampoco demuestra que el servidor no tenga esa información.

Recalculado a partir de cada conversación completada del estudio. Usamos la única respuesta final visible por ejecución y excluimos fragmentos de mensajes ocultos para no contar dos veces.

Repetir los mismos prompts con ciudad cambió la lista corta

El estudio completo incluye dos prompts idénticos de recomendación con ciudad para panaderías, peluquerías, gimnasios y floristerías, además de las repeticiones de farmacias y CRM. Cada ejecución usó un chat temporal nuevo y sin personalización. El modelo de la petición era gpt-6-thinking; la interfaz mostraba Medium.

Las 18 de 18 conversaciones de recomendación con ciudad, repeticiones incluidas, produjeron mapa. Los seis pares de sectores repetidos quedaron así:

Sector	Chinchetas primera / segunda	Fichas compartidas
Farmacias	5 / 6	4
Software CRM	5 / 5	4
Panaderías	6 / 6	2
Peluquerías	7 / 7	4
Gimnasios	6 / 5	2
Floristerías	6 / 6	3

Cotejamos por ID estables del proveedor y, en su defecto, por nombre normalizado exacto y coordenadas redondeadas a cinco decimales. Las sucursales cuentan por separado.

Las dos respuestas de panaderías tenían seis chinchetas, pero solo compartían dos establecimientos físicos. Incluso cuando una marca se repetía, la sucursal elegida podía cambiar: Dompierre pasó de la Türkenstraße a la Tengstraße.

Las cadenas de búsqueda también cambiaron. La primera consulta de panaderías añadió “Sauerteig” (masa madre) y “Brezen” (pretzels). La repetición nombró Julius Brantner, Neulinger y Dompierre. La primera consulta de gimnasios ya nombraba FitX, Fit Star, McFIT, body + soul, Fitness First y Elements. Esas marcas no estaban en nuestros prompts.

Una chincheta no siempre contiene una ficha completa del negocio

La primera respuesta de panaderías situó seis lugares en el mapa. Cuatro llegaron a través de fichas de negocio referenciadas. Los otros dos se pasaron al componente del mapa como nombre y dirección, incluido este objeto:

{
  "id": "gat",
  "name": "Bäckerei Gattinger",
  "address": "Johann-Clanze-Straße 104, 81369 München"
}

El punto devuelto tenía coordenadas y un ID map-widget-point-, pero una etiqueta de proveedor vacía y ninguna valoración ni número de reseñas. No determinamos qué geocodificador aportó las coordenadas.

Es otro motivo para no tomar cada chincheta como prueba de una ficha completa al estilo de Google.

Por qué el mismo prompt puede devolver negocios distintos

Repetimos el prompt exacto de farmacias de Múnich en una conversación nueva. La primera ejecución situó cinco lugares en el mapa y mostró dos llamadas web. La segunda, seis lugares y una llamada.

Cuatro negocios aparecieron en ambas respuestas, de siete negocios distintos en el par. Cambiaron tanto la actividad de búsqueda visible como la selección.

El stream no dice cuánto se debió a la variabilidad de la generación, a cambios en la recuperación o a una lógica de orden oculta. Sí muestra por qué una sola respuesta es demasiado poco para tratarla como un orden permanente.

Qué significa para los negocios locales

Las observaciones señalan el perfil de empresa, el contenido local del sitio web y los directorios de terceros como puntos prácticos de trabajo. No hemos medido cuánto suben las recomendaciones de ChatGPT al cambiarlos.

Mantener al día el Perfil de Empresa en Google

Conviene revisar la categoría, la dirección, el teléfono, el sitio web y el horario, y mantener los horarios especiales, fotos útiles y reseñas auténticas. Los datos que coincidían con Google en nuestras muestras hacen de esto una prioridad razonable.

Google recomienda información completa y exacta y explica que los resultados locales se basan principalmente en la relevancia, la distancia y la popularidad. Es la guía de Google, no una fórmula de orden de ChatGPT verificada. La guía de Google

Escribir contenido para las búsquedas locales que hace de verdad ChatGPT

Nuestra consulta de farmacias añadió la estación central, Marienplatz y el horario. Un negocio con una ubicación o un servicio relevante debería explicarlo con claridad en su sitio web.

Conviene publicar detalles útiles sobre la zona real de servicio, las especialidades, la disponibilidad y el proceso de reserva, y mantener al día los datos que caducan. Que “2026” apareciera en el 83,3 % (10/12) de las ejecuciones principales con ciudad no significa que añadir un año a cada página mejore la posición.

Mantener al día los directorios de terceros relevantes

La consulta de dentistas nombró Jameda y Doctolib, dos portales alemanes; en España, el equivalente serían portales como Doctoralia o, en restauración, TheFork. Las de restaurantes y oficios nombraron otras fuentes. Lo útil es revisar los directorios e instituciones relevantes para cada sector y mantener coherentes los datos del negocio.

Los datos estructurados LocalBusiness también pueden expresar datos como la dirección y el horario. Google documenta su uso; nuestro experimento no probó ningún beneficio en ChatGPT por el marcado schema. Guía de datos estructurados

Medir cada tipo de visibilidad

Repetir prompts realistas y registrar si el negocio se recomienda en texto, aparece en un mapa o se enlaza mediante una cita. Identificar la sucursal correcta por su dirección o su ID de lugar.

Nuestras pruebas muestran que esos resultados pueden diferir. Mejorar la visibilidad empieza por saber qué resultado se está midiendo. El AI Visibility Check gratuito de scaile es un punto de partida para seguir si las respuestas de IA nombran a tu negocio.

Preguntas frecuentes

Anexo técnico

Los dos endpoints cumplen funciones distintas

Petición observada	Función en las capturas
POST /backend-api/f/conversation	Enviar el prompt de la conversación; recibir la respuesta en stream, los metadatos de búsqueda y, opcionalmente, componentes de negocio y de mapa.
POST /backend-api/sidebar/conversation	Recuperar más información sobre un negocio concreto elegido, con su nombre, su ubicación o dirección y el contexto de conversación y mensaje.

Lo siguiente es un extracto abreviado de la petición de descubrimiento normal, no una receta completa para reproducirla:

{
  "action": "next",
  "model": "gpt-6-thinking",
  "history_and_training_disabled": true,
  "temporary_chat_requests_personalization": false,
  "messages": [{
    "author": { "role": "user" },
    "content": {
      "content_type": "text",
      "parts": ["Welche Apotheken in München empfiehlst du?"]
    }
  }]
}

El tema va dentro de messages[].content.parts. El experimento de activación normal no añadió map_search_params. El cuerpo capturado completo también tiene contexto del cliente, un identificador del mensaje padre y otros campos.

Una prueba de parámetros aparte añadió latitude, longitude, latitude_span, longitude_span y search_here dentro de map_search_params. Devolvió 11 ID de lugares y descripciones, pero ningún mapa utilizable. Esa prueba muestra una variación de la petición que se aceptó; no establece una API pública estable.

La petición del panel lateral usaba en cambio category: "generic_entity", generic_entity_params.category: "local_business", el name de un negocio, la dirección o ubicación y los ID de conversación y mensaje. Consulta una entidad elegida; no es el flujo de descubrimiento por categoría medido aquí.

Lo que se puede leer del stream

El tipo de contenido de la respuesta era text/event-stream. Los server-sent events (SSE) entregan actualizaciones a medida que se construye la respuesta. Un evento no equivale a una búsqueda, a un negocio ni a un mensaje terminado.

1. Reconstruir las actualizaciones de los mensajes en lugar de contar instantáneas repetidas como llamadas nuevas.
2. Identificar los mensajes visibles del asistente dirigidos a web.run, y contarlos como invocaciones visibles.
3. Leer los metadatos de consulta y de resultados en los mensajes de herramienta. Los argumentos completos de la herramienta faltaban a menudo.
4. Inspeccionar la respuesta reconstruida en busca de fichas de negocio y componentes de mapa, incluido MapWidgetV2 en estas capturas.
5. Comparar los componentes con la interfaz real. Los 50 resultados con mapa o sin mapa coincidieron con nuestras observaciones en directo. Se conservan instantáneas completas del DOM terminado de 49; la primera ejecución añadida de panaderías tiene un diff local del árbol de accesibilidad y una observación del mapa en la transcripción de la herramienta.

Este es nuestro procedimiento de lectura, no una afirmación de que cada etapa del servidor ocurra en este orden. Las actualizaciones pueden intercalarse, y el cliente solo recibe parte de la actividad del servidor.

Las 50 capturas contenían 4.184 eventos SSE. 28 ejecuciones mostraron actividad de búsqueda, con 39 invocaciones visibles de web.run. 24 produjeron mapas con 146 apariciones de fichas en el mapa. Las 50 terminaron con HTTP 200, [DONE] y message_stream_complete.

Por qué los metadatos de búsqueda en mapas no son un registro completo de la búsqueda en mapas

search_model_queries y map_search_model_queries son campos de metadatos visibles. Sus nombres no establecen endpoints separados a los que se pueda llamar ni implementaciones de herramientas separadas.

En la ejecución de “farmacias cerca de mí”, la única cadena de consulta visible era:

Apotheke Notdienst Deutschland offizielle Apothekensuche aponet

Aparecía en los dos campos. Sin embargo, la respuesta situó cinco farmacias de Múnich en el mapa, aunque esa ciudad no estaba en la cadena visible. En esta ejecución normal no había metadatos de parámetros del mapa. Por tanto, el campo de consulta no se puede tratar como un registro completo de los datos geográficos de entrada de la recuperación.

En otra ejecución, map_search_model_queries contenía una consulta de consejo al consumidor sobre profesionales de oficios y costes de servicios de urgencia. La interpretación más prudente es que estos campos muestran metadatos relacionados con las consultas, de procedencia incompleta. No revelan el algoritmo completo de orden del servidor.

Las 12 reformulaciones principales de búsqueda con ciudad

Cadenas exactas de search_model_queries, contadas una vez por ejecución en cada categoría de palabra clave. Los campos finales map_search_model_queries quedan fuera de la estadística de palabras clave.

Sector	Cadena de búsqueda visible
Farmacias	München Apotheke Hauptbahnhof Marienplatz Öffnungszeiten Apotheke offiziell 2026
Restaurantes	München beste Restaurants 2026 Empfehlungen bayerisch modern Michelin Michelin Guide
Dentistas	München Zahnarzt Empfehlungen Bewertungen jameda Doctolib München Zahnärzte 2026
Fontaneros	München seriöse Sanitärbetriebe Klempner Reparaturen Bewertungen Handwerkskammer
Asesores fiscales	Steuerberater München Kanzlei Privatpersonen Selbständige Unternehmen Empfehlungen Bewertungen 2026
Hoteles	best hotels Munich 2026 luxury boutique central affordable reviews Hotel Torbräu Cortiina Louis 25hours Motel One
Talleres mecánicos	beste freie Autowerkstatt München Bewertungen Empfehlungen 2025 2026
Software CRM	CRM Software Hersteller München CAS? cobra? CentralStationCRM München Anbieter CRM München y München CRM Software Anbieter eigene Software München evalanche update? snapADDY München CRM Anbieter
Panaderías	beste Bäckereien München 2025 2026 Brot Sauerteig Brezen Empfehlungen
Peluquerías	beste Friseure München Empfehlungen 2025 2026 Salons Bewertungen Treatwell
Gimnasios	Fitnessstudio München FitX Fit Star McFIT body soul Fitness First Elements Preise 2026 Standorte
Floristerías	beste Blumenläden München Floristik Empfehlungen 2025 2026

Las reglas de codificación mantienen las coincidencias de texto originales sin distinguir mayúsculas. “Guías o instituciones con nombre” cuenta Jameda, Doctolib, Michelin o Handwerkskammer. Treatwell aparece en la consulta de peluquerías, pero queda fuera de esa categoría fija; se recoge como observación adicional en lugar de cambiar la regla sin decirlo.

Límites del diseño del estudio y lo que no establecimos

El estudio completo contiene 50 conversaciones nuevas recogidas en tres tandas: 34 pruebas iniciales, ocho recomendaciones adicionales con ciudad y ocho pruebas adicionales sin ciudad o de definición. El panel principal equilibrado son 36 conversaciones: 12 sectores × tres intenciones. Las ocho repeticiones son las de recomendación y definición de farmacias y CRM, más una recomendación adicional con ciudad para panaderías, peluquerías, gimnasios y floristerías. Seis variantes de farmacias prueban las formulaciones de palabra clave, cerca de mí, categoría con ciudad, online, solo texto y mapa explícito. Se excluye una prueba previa solo de interfaz.

El modelo de la petición capturada era gpt-6-thinking; la interfaz mostraba un esfuerzo Medium. Las peticiones no incluían un campo explícito de esfuerzo de razonamiento. Fueron chats temporales con la personalización desactivada, en una sola cuenta, sobre todo acerca de Múnich y en alemán. El cliente del navegador indicó client_contextual_info.app_surface: "codex_browser".

El orden de recogida fue fijo, no aleatorio. La tanda inicial usó hasta dos pestañas aisladas a la vez; las ampliaciones se ejecutaron una tras otra. Cada celda principal tiene una prueba. Los totales agregados cubren las 50; las comparaciones principales usan la primera prueba por sector e intención para que los sectores repetidos no pesen más. Estas cifras describen este piloto y no estiman probabilidades de activación en toda la población.

La prueba de formato anterior, la comprobación de ocho negocios en Google y la prueba de parámetros son cohortes separadas. No se suman en una tasa de éxito mayor. Las comparaciones con Google excluyeron los resultados patrocinados, capturaron solo los 20 primeros resultados orgánicos y no igualaron del todo la ubicación, el momento ni el idioma de la interfaz.

Observamos el tráfico visible en el navegador y el comportamiento de la interfaz. No obtuvimos los registros del servidor de OpenAI, los contratos con proveedores, las entradas completas de las herramientas ni los pesos de orden. No hicimos un experimento de optimización causal ni medimos tráfico, leads o conversiones.