El tráfico de LLM es un punto ciego en tu analítica. Aquí te explicamos por qué.

Tu canal de IA está creciendo. Tu analítica no está al día.

ChatGPT, Gemini, Claude, Perplexity y otros LLM están generando más tráfico del que crees. El volumen no llega a cuentagotas, está acelerándose a un ritmo que empieza a rivalizar con canales establecidos. Algunos analistas estiman que el tráfico de referencia de IA podría superar al de búsqueda tradicional para 2028. Creemos que, en algunos sitios, ya está ocurriendo.

Este artículo explica por qué, usando pruebas prácticas en dispositivos móviles y de escritorio, modos de depuración de navegador, registro de peticiones del lado del servidor y otras técnicas en tres plataformas líderes de LLM: ChatGPT, Gemini y Claude.

Primero, entiende dónde están tus usuarios

Antes de entrar en qué se rompe y cuándo, ayuda comprender la escala del problema por tipo de dispositivo.

El móvil es la plataforma dominante para el tráfico web. Según Cloudflare Radar, que rastrea peticiones HTTP a través de una red que maneja más del 20% de todo el tráfico web global, los dispositivos móviles representan aproximadamente el 50% de todas las peticiones web. Ese número debe tratarse como un suelo: la red de Cloudflare transporta un volumen significativo de tráfico de API, servicios B2B y herramientas para desarrolladores, todo lo cual se inclina mucho hacia el escritorio. El tráfico web orientado al consumidor es considerablemente mayor en móvil. En las cuentas de GA4 con las que trabajamos día a día, el móvil suele representar entre el 70% y el 90% del total de sesiones. El tráfico de escritorio es real, pero secundario.

El móvil es donde la atribución de LLM falla de forma más completa. El dispositivo que la mayoría de tu audiencia usa es el dispositivo donde la medición está más rota.

Qué probamos

Para entender exactamente dónde se rompe el rastreo, ejecutamos pruebas prácticas en dispositivos móviles y de escritorio usando las apps nativas y los navegadores web de ChatGPT, Gemini y Claude. Las pruebas se llevaron a cabo en un iPhone con la última versión de iOS, un dispositivo Android con la última versión de Android, un Mac con la última versión de macOS y un PC con Windows con la última versión de Windows.

Para cada escenario analizamos si los parámetros UTM estaban presentes, si se pasaba un referer al sitio de destino y si la identidad de sesión persistía cuando un usuario se movía desde la interfaz del LLM a un navegador estándar.

Esto es lo que encontramos.

Los resultados de un vistazo

Móvil: donde está la mayor parte del tráfico y donde el rastreo se rompe

La tabla anterior cuenta la historia con bastante claridad. Para las apps móviles hay poca o ninguna señal rastreable. ¿Pero por qué?

La respuesta es la vista web, y vale la pena entender qué significa eso realmente antes de entrar en los detalles de cada plataforma.

Cuando un usuario toca un enlace dentro de una app móvil de LLM, ya sea ChatGPT, Gemini o Claude, el enlace normalmente se abre en un navegador integrado y aislado llamado vista web. Esta vista web no comparte cookies, datos de sesión ni identidad con el navegador nativo del dispositivo. Cualquier estado de rastreo que se establezca dentro de esa vista web queda atrapado allí.

La consecuencia práctica: cuando un usuario termina de navegar dentro de la app del LLM y luego abre su navegador habitual del dispositivo para seguir investigando o convertir, no hay continuidad. Sin identidad compartida. Sin traspaso. Esa visita se convierte en tráfico directo sin atribuir.

ChatGPT en móvil es la más rastreable de las opciones probadas. La app envía utm_source=chatgpt.com en los enlaces salientes, y técnicamente existe un camino hacia la atribución, pero depende de una secuencia de eventos que no es muy probable. Para que ese UTM sobreviva hasta una conversión, el usuario tendría que tocar el enlace dentro de ChatGPT, ser llevado a la vista web integrada en la app y luego tocar explícitamente “Abrir en el navegador” para entregar la sesión a su navegador nativo antes de continuar. Ten en cuenta que este recorrido solo conserva la sesión en dispositivos Android. En iOS, incluso este truco rompe la continuidad de la sesión.

En la práctica, alguien te descubre dentro de ChatGPT. Lee sobre ti, tal vez toca para ir a tu sitio brevemente y sigue adelante. Más tarde, quizá una hora después, quizá dos días después, te busca en Google o simplemente escribe tu URL directamente, y ahí es cuando puede empezar el proceso de convertir. Esa sesión no lleva rastro de la interacción con ChatGPT que lo inició todo. El UTM desapareció. El referer desapareció. GA4 lo registra como directo o búsqueda orgánica, y ChatGPT no recibe crédito. Y sí, esto es cierto incluso si tienes funciones de rastreo como Google Signals habilitadas en tu propiedad de GA4.

Gemini y Claude en móvil no envían ni parámetros UTM ni referer en ningún escenario probado. Las sesiones desde estas plataformas caen como tráfico directo puro. No hay señal que las conecte de vuelta con el LLM que las impulsó.

Un matiz que vale la pena señalar: si un usuario descubre un sitio y convierte dentro de la vista web, hay continuidad interna de sesión dentro de ese contexto aislado. La vista web sí retiene sus propias cookies entre sesiones, por lo que un recorrido completado íntegramente dentro de la app es teóricamente medible. Las limitaciones estándar del rastreo por cookies siguen aplicándose, y con qué frecuencia los usuarios completan un bucle de conversión completo dentro de la vista web de una app es, en sí misma, una cuestión abierta que vale la pena explorar.

Escritorio: mejor, pero aún inconsistente

El escritorio ofrece condiciones de rastreo más favorables que el móvil, pero el panorama sigue siendo fragmentado según la plataforma e interfaz que uses.

A diferencia del móvil, las apps de LLM de escritorio no atrapan los enlaces en vistas web aisladas. Entregan los enlaces salientes directamente al navegador predeterminado del usuario. Así que el problema del aislamiento de la vista web no se aplica en escritorio. Lo que sí sigue aplicándose es si la plataforma se molesta en enviar UTM o un referer, y en ese frente los resultados son mixtos.

ChatGPT en escritorio (app nativa) envía utm_source=chatgpt.com en los enlaces salientes, el escenario de escritorio más fiable de cualquier plataforma probada. ChatGPT en el navegador envía un referer pero ningún UTM.

Gemini no tiene app de escritorio en Mac o Windows. Todo el uso de Gemini en escritorio pasa por el navegador. Gemini en el navegador envía un referer pero ningún UTM, la misma historia que ChatGPT en el navegador.

Claude es el más débil en todos los escenarios de escritorio. La app nativa de escritorio no envía ni UTM ni referer. Claude en el navegador tampoco envía ninguno. Cada sesión de Claude en escritorio cae como tráfico directo completamente sin atribuir, independientemente de cómo haya llegado el usuario.

El problema acumulativo: incluso una buena atribución no siempre llega a la conversión

Supongamos por un momento que el rastreo funciona. El UTM está poblado, el referer está presente, la sesión es atribuible. Podrías pensar que estás cubierto.

No lo estás.

El camino desde una interacción con un LLM hasta una conversión completada rara vez es una única sesión. Un usuario descubre algo a través de ChatGPT en su móvil durante el día. Hace clic en el enlace, llega a la página, navega unos minutos. Se va sin convertir. Dos días después vuelve en su portátil para continuar. En ese momento, el UTM original puede haber caducado, el dispositivo puede ser diferente, las cookies pueden haber desaparecido.

La caducidad de cookies, los recorridos entre dispositivos y los caminos multisesión rompen la atribución de forma independiente cada uno. Juntos, se aseguran de que incluso la fracción de sesiones referidas por LLM que se etiquetan correctamente en el primer punto de contacto rara vez reciba crédito por la conversión final.

Este no es un problema exclusivo del tráfico de LLM. Pero golpea más fuerte aquí porque el descubrimiento asistido por LLM tiende a ocurrir antes en el recorrido de consideración: la gente está investigando y explorando, no lista para comprar. La brecha entre esa primera visita influenciada por IA y la conversión final es más larga que una ventana típica de clic de pago a conversión, lo que empeora el problema multidispositivo.

Qué significa esto para tus datos

Pongamos algunos números aproximados a esto. El objetivo no es una falsa precisión: es un rango razonable que te ayude a entender la escala de lo que probablemente estás perdiendo.

Empieza con la división por dispositivo. Cloudflare Radar sitúa el tráfico web móvil global en torno al 50% de todas las peticiones HTTP, y ese número se inclina a la baja para audiencias orientadas al consumidor, porque la red de Cloudflare transporta una mezcla pesada de tráfico de API y de desarrolladores. En las cuentas de GA4 con las que trabajamos, el móvil suele ubicarse entre el 70% y el 90% de las sesiones. Usamos el 70% aquí para mantenernos conservadores.

Luego está la cuestión de cómo usa realmente la gente los LLM en sus móviles. No todo el mundo usa la app nativa. Algunos acceden a ChatGPT, Gemini o Claude a través de su navegador móvil, y el uso del navegador es significativamente más rastreable. Dos supuestos delimitan el rango.

Supuestos base usados en ambos casos:

• División móvil/escritorio: 70% móvil, 30% escritorio
• Tasa de supervivencia de señal en app: 20% de los clics desde apps móviles transmiten con éxito una señal útil (por ejemplo, un usuario de Android que toca “Abrir en el navegador” o una conversión que ocurre dentro de la vista web)
• Desgaste del camino de conversión: penalización del 25% aplicada por pérdida de señal debido a saltos entre dispositivos y cookies caducadas
• Factor Google AIO: una parte del descubrimiento influenciado por IA ahora ocurre a través de Google AI Overviews y AI Mode, que GA4 registra como búsqueda orgánica estándar sin forma de separarlo

El rango

Los supuestos anteriores son estimaciones, siéntete libre de introducir cifras que reflejen mejor tu propia audiencia o tus suposiciones. Usa una división móvil diferente, una proporción app/navegador diferente, una tasa de desgaste diferente. El modelo no pretende ser preciso. Pretende mostrar que, sin importar qué números razonables elijas, la conclusión es la misma: hay una infranotificación sustancial ocurriendo, y la brecha es lo bastante grande como para importar.

Con nuestros supuestos, el rango va desde aproximadamente 2.5x en el extremo optimista hasta 5x en el extremo más pesimista, y potencialmente más alto una vez que consideras las sesiones orgánicas de Google influenciadas por LLM que son imposibles de separar con la analítica estándar.

Si tu panel muestra que el 1.5% de tus sesiones provienen de LLM, es probable que entre el 4% y el 8% de esas sesiones procediera en realidad de LLM, y ese número está creciendo rápidamente. Ese es un canal entero escondido en tus informes de Directo y Orgánico.

¿Puedes arreglarlo?

Parcialmente. No hay una solución completa, pero existen mejoras significativas disponibles para equipos dispuestos a invertir en analítica y rastreo más sofisticados.

El rastreo del lado del servidor y el registro de peticiones pueden capturar señales que el JavaScript del lado del cliente se pierde por completo. Las herramientas de device fingerprinting pueden mantener una identidad probabilística entre contextos de vista web y navegador en el mismo dispositivo, cerrando parcialmente la brecha de aislamiento que el rastreo estándar basado en cookies no puede cruzar. Ninguno de los enfoques te lleva a una medición total, y ninguno resuelve el problema multidispositivo sin un estado de usuario logueado que ancle ambas sesiones.

La respuesta honesta: nunca obtendrás una medición total. La arquitectura de los sistemas operativos móviles, las políticas de referer de las plataformas de LLM y la naturaleza de los recorridos multisesión y multidispositivo trabajan en contra. Pero eso no es lo más importante que hay que entender sobre este canal.

El objetivo de la medición no es un recuento perfecto de cada conversión: es un entendimiento direccional lo bastante bueno para tomar decisiones. No necesitas atribuir cada conversión asistida por LLM para saber que este canal está creciendo, que tu cuota en él es algo que puedes influir, y que los cambios relativos que hagas en tu estrategia de visibilidad de IA se reflejarán en tus números. Si tu tráfico referido por LLM se duplica después de reestructurar tu contenido para una mejor cita por IA, ese movimiento es significativo tanto si puedes atar cada venta a una sesión de chat concreta como si no.

Este artículo no es un argumento para rendirse con la medición. Es un argumento para no permitir que una medición imperfecta se convierta en una excusa para la inacción. Los equipos que tratan la visibilidad de IA como un canal de crecimiento serio ahora mismo, no cuando la atribución sea más limpia, no cuando GA4 se ponga al día, sino ahora, son los que están construyendo una ventaja que será difícil de cerrar.

Metodología

Las pruebas se llevaron a cabo en un iPhone con la última versión de iOS, un dispositivo Android con la última versión de Android, un Mac con la última versión de macOS y un PC con Windows con la última versión de Windows. Linux no se probó directamente, pero se espera que siga patrones similares. Cada plataforma de LLM, ChatGPT, Gemini y Claude, se probó a través de su app nativa (cuando estaba disponible) y a través del navegador del dispositivo. Para cada escenario analizamos si los parámetros UTM se poblaban, si se pasaba un referer al sitio de destino y si la identidad de sesión persistía cuando la navegación pasaba de la interfaz del LLM al navegador predeterminado del dispositivo. Se usó el registro del lado del servidor para complementar las observaciones del lado del cliente.

Esta investigación refleja el comportamiento de las plataformas en el momento de la prueba (12 de abril de 2026). Las plataformas de LLM actualizan sus apps e interfaces web con frecuencia, y el comportamiento de rastreo puede cambiar.

La conclusión

Los canales de IA no son una consideración futura. Están activos ahora, creciendo y dando forma a decisiones a gran escala. El problema es que la infraestructura que la mayoría de equipos usa para medir estos canales se construyó para un mundo en el que un clic producía un referer fiable y una cookie que duraba lo suficiente para ver una conversión.

Así no funciona el tráfico de LLM.

Trata las cifras de tu canal de IA como una infranotificación significativa. Las sesiones que puedes ver son las que lograron sobrevivir a cada capa de pérdida de rastreo. Las que no, son mucho más numerosas, e incluyen personas que te encontraron, se dejaron influir por lo que una IA dijo sobre ti y convirtieron sin dejar ningún rastro que pudieras seguir.

Preguntas frecuentes

¿Por qué mi GA4 casi no muestra tráfico proveniente de Claude o Gemini?

Porque ambas plataformas no envían parámetros UTM ni referer en la gran mayoría de los escenarios que probamos. En móvil, los enlaces se abren en vistas web integradas y aisladas dentro de la app que nunca se conectan a tu entorno analítico estándar. En escritorio, Claude no envía nada ni en la app ni en el navegador. Gemini envía un referer en el navegador pero ningún UTM. Sin uno u otro, la mayor parte de este tráfico cae en GA4 como directo o simplemente no se contabiliza.

ChatGPT muestra algo de tráfico en mis informes. ¿Significa que se está rastreando con precisión?

No del todo. ChatGPT es la más rastreable de las tres plataformas que probamos. Añade utm_source=chatgpt.com en varios escenarios, y su app de escritorio lo hace de forma fiable. Pero en móvil, el camino hacia la atribución es estrecho y depende de la plataforma. El UTM puede sobrevivir si el usuario toca “Abrir en el navegador” dentro de la vista web, pero eso solo funciona en Android. En iOS, ese traspaso no conserva la sesión en absoluto. La identidad se pierde cuando el usuario sale de la vista web, independientemente de cómo salga. Así que incluso en el mejor caso necesitas que el usuario esté en Android, usando la app, y tocando explícitamente “Abrir en el navegador” antes de seguir navegando. Eso es una pequeña porción de tu tráfico móvil real de ChatGPT. Los números que ves en GA4 son reales, pero representan una fracción de lo que ChatGPT está impulsando realmente.

¿Este problema solo afecta a los usuarios de móvil?

El móvil es donde es más grave, pero el escritorio tampoco está limpio. Claude en escritorio no envía nada en todos los escenarios probados, app o navegador. Gemini en escritorio envía un referer pero ningún UTM, que puede o no clasificarse correctamente según tu configuración de GA4. La app de escritorio de ChatGPT es el único punto fiable. Así que incluso si tu audiencia estuviera entera en escritorio, seguirías perdiéndote una parte significativa del tráfico influenciado por LLM.

¿Qué es una vista web y por qué causa problemas de rastreo?

Una vista web es un navegador integrado en la app que se abre cuando tocas un enlace dentro de una app móvil. Parece un navegador, pero está aislado del navegador real de tu dispositivo. No comparte cookies, datos de sesión ni identidad con Safari o Chrome. Así que cualquier rastreo que se dispare dentro de una vista web queda atrapado allí. Cuando el usuario abre después su navegador real para continuar su recorrido, se ve como un visitante nuevo sin historial.

Si la conversión final ocurre dentro de la vista web de la app, ¿se rastrea?

Puede que sí, pero no es limpio. La conversión tiene que ocurrir dentro de la vista web para que la cadena de atribución se sostenga. El usuario no necesita haber pasado todo su recorrido allí, pero ese paso final sí. La pega es que iOS representa la mayoría del tráfico móvil para la mayoría de las audiencias, y en iOS la vista web está sujeta a las restricciones de cookies de WebKit, incluida Intelligent Tracking Prevention. Esas restricciones pueden limitar o romper la continuidad de la que dependes. Así que, aunque este escenario es teóricamente rastreable, en la práctica es la opción menos rota disponible y no un camino fiable.

¿Puedo solucionar esto con rastreo del lado del servidor?

El rastreo del lado del servidor ayuda, pero no lo resuelve todo. Puede capturar señales que el JavaScript del lado del cliente se pierde, incluidos datos de referer que nunca llegan a GA4. Las herramientas de device fingerprinting también pueden ayudar manteniendo una identidad probabilística entre contextos de vista web y navegador en el mismo dispositivo. Pero ninguno de los enfoques resuelve el problema multidispositivo, y ninguno te da una medición completa. Te acercarás de forma significativa a la verdad, pero no llegarás del todo.

¿Cuánto se subestima realmente el tráfico de conversión asistido por LLM?

Según nuestro análisis, en un rango de 2.5x a 5x, dependiendo de tu audiencia y de cómo usen las plataformas de LLM. La estimación conservadora (Caso A) asume que la mitad de los usuarios de móvil accede a los LLM a través del navegador, donde el rastreo funciona en gran medida, lo que produce aproximadamente una subestimación de 2.5x tras contabilizar las pérdidas del camino de conversión. La estimación más realista (Caso B) asume que el 80% de los usuarios de móvil están en la app nativa, donde el rastreo esencialmente falla, produciendo una subestimación de 4 a 5x. Ambas estimaciones son probablemente aún conservadoras, porque una parte creciente de lo que GA4 clasifica como Google orgánico es en realidad tráfico influenciado por LLM que llega a través de AI Overviews y AI Mode, tráfico que es imposible de separar con la analítica estándar.

¿Debería invertir más en visibilidad de IA si no puedo medir los resultados?

Sí, podría decirse que incluso más, no menos. El hecho de que no puedas medir el impacto total de este canal no significa que el impacto no exista. Significa que tus herramientas actuales están poco cualificadas para verlo. Las sesiones que sí llegan a tus informes ya muestran un engagement significativo. Las que no, son órdenes de magnitud más numerosas. Tratar este canal como poco importante porque los números parecen pequeños es exactamente la conclusión equivocada que se puede sacar.