Audiencia secundaria: Revenue

El canal de distribución que más impacta el margen del hotel se está erosionando en una fase que no aparece en ningún reporte: la conversación con la IA que ocurre antes de que el viajero abra una OTA.

En abril de 2026, Skift Research analizó cómo los modelos de lenguaje citan a Hyatt cuando un viajero les pregunta sobre esa cadena. La fuente más citada no era Hyatt.com. Era NerdWallet — un sitio de finanzas personales — con 13.6% de las menciones. Más que el sitio oficial de la cadena.

Hyatt opera programas de marketing digital entre los más desarrollados del sector hotelero global. Tiene décadas de inversión en SEO, contenido y posicionamiento digital. Y en la fase de inspiración del viajero que usa IA, pierde visibilidad frente a un medio que no pertenece a la industria. La razón no es que NerdWallet sea mejor fuente sobre Hyatt que Hyatt. Es que NerdWallet publica contenido en formatos que los modelos de lenguaje consumen con eficiencia. Hyatt, en gran medida, no.

Si eso le ocurre a Hyatt, la pregunta para cualquier hotel en México no es si el problema existe. Es si alguien lo está midiendo.

Lo que los dashboards actuales no registran: las recomendaciones de la IA

La distribución hotelera tiene una anatomía conocida: el viajero busca en Google, aterriza en una OTA o metabuscador, compara tarifas, hace clic y reserva. Cada paso tiene métricas. Cada canal tiene costos. La industria lleva veinte años optimizando esa cadena.

Lo que está cambiando es que esa cadena tiene ahora un paso previo que ocurre antes de la búsqueda de tarifa: la conversación con un asistente de IA. Cuando alguien pregunta a ChatGPT “¿qué hotel me recomiendas en Tulum para una escapada en pareja en octubre?” o a Gemini “¿dónde quedarme en CDMX si voy por negocios tres noches?”, el modelo construye una respuesta con la información que tiene disponible. Esa respuesta decide qué propiedades entran en consideración. Y frecuentemente, incluye un enlace para reservar.

Este es el canal cero. No es la primera posición en el metabuscador. Es la recomendación que ocurre antes de que el viajero llegue al metabuscador.

El problema operativo es que ese canal no aparece en ningún dashboard de distribución convencional. No está en el reporte de mix de canales. No está en el análisis de CPA. No tiene una línea en el presupuesto de marketing. Y mientras no se mide, no se gestiona.

Por qué las OTAs ya están ganando en ese canal

El incentivo que tienen Booking.com y Expedia para aparecer bien posicionadas en respuestas de LLMs es el mismo que las llevó a dominar el SEO hace quince años: capturar el clic antes que el hotel y cobrar comisión sobre la reserva. La diferencia es que en esta ocasión el hotel ni siquiera sabe que apareció.

Los modelos de lenguaje construyen sus respuestas con las fuentes que tienen disponibles en formato estructurado y actualizado. Las OTAs publican contenido hotelero — imágenes, reseñas, tarifas, políticas, atributos de habitación — en formatos que los modelos consumen con facilidad. El sitio web de un hotel independiente en Guadalajara o de una cadena boutique en la Riviera Maya, en la mayoría de los casos, no.

El resultado es predecible: cuando un LLM recomienda un hotel, el enlace adjunto suele apuntar a la ficha de Booking o Expedia, no al sitio del hotel. La comisión sigue fluyendo. Y el hotel no tiene forma de detectarlo porque el modelo no aparece como referente en Google Analytics ni en el reporte de canales del PMS.

Hotelrank.ai, plataforma de analítica de visibilidad en IA adquirida recientemente por Lighthouse, midió este fenómeno de forma sistemática. En su estudio sobre el modo IA de Google publicado en 2026, documentó que cuando ese canal genera una recomendación hotelera, el 79% del tráfico permanece dentro del propio entorno de Google (perfil de negocio), el 16.3% va a sitios directos de hoteles y apenas el 3.6% a OTAs. Los datos corresponden a un modo específico de Google y no son extrapolables a todos los LLMs: en Gemini convencional, la plataforma detecta citas a OTAs en entre 37% y 45% de las respuestas sobre viajes, según versión del modelo. Lo que revelan en conjunto es que la distribución de visibilidad varía sustancialmente entre plataformas y entre versiones de un mismo modelo — y que nadie en la industria hotelera latinoamericana lo está midiendo.

Qué hace Hotelrank.ai y qué revela su integración en Lighthouse

Hotelrank.ai opera desde una premisa técnica directa: si los LLMs son ya un canal de descubrimiento para el viajero, hacen falta herramientas que midan ese canal con la misma granularidad con que se mide el posicionamiento en OTAs o el rendimiento en Google Hotel Ads.

La plataforma lanza consultas estructuradas a modelos como ChatGPT y Gemini — del tipo “mejores hoteles de negocios en [ciudad]” o “hoteles para fin de semana romántico en [destino]” — y analiza en qué posición aparece una propiedad, con qué atributos la describe el modelo y qué tipo de enlace acompaña la recomendación: sitio directo u OTA. El resultado es un índice de visibilidad en IA por propiedad y destino, con seguimiento competitivo incluido.

La adquisición por Lighthouse no es un movimiento accidental. Lighthouse — anteriormente OTA Insight — es uno de los proveedores de revenue intelligence más utilizados en la industria hotelera, con presencia consolidada en LATAM. La integración de Hotelrank.ai en su plataforma Connect AI convierte lo que era una herramienta de analítica de LLMs en una capa de gestión activa: los hoteles podrán no solo medir su visibilidad en IA sino alimentar a los modelos con tarifas y disponibilidad en tiempo real para influir en las recomendaciones que reciben los viajeros.

El movimiento tiene dos lecturas. La corporativa: Lighthouse está apostando que la visibilidad en LLMs se convierte en categoría de producto de revenue intelligence en los próximos 24 meses. La operativa: si un proveedor al que ya suscriben muchos hoteles en México y LATAM incorpora esta métrica en su dashboard habitual, el umbral de adopción para empezar a medir este canal se reduce de forma significativa.

El problema real no es tecnológico: es de estructura de datos

La cobertura de este tema tiende a presentarlo como un reto de adopción tecnológica: los hoteles deben implementar MCP (Model Context Protocol), el estándar emergente que permite a los LLMs acceder a datos oficiales de una propiedad en tiempo real — tarifas, políticas, disponibilidad, características de habitaciones. Eso es correcto en términos técnicos. Pero la adopción de MCP es la solución a un problema anterior y más básico.

El problema de fondo es que los hoteles latinoamericanos llevan años cediendo el control de su información operativa a las OTAs porque ahí estaba el tráfico. La descripción más completa y actualizada de una propiedad boutique en Mérida o de un hotel de playa en Huatulco vive, en la mayoría de los casos, en Booking.com — no en el sitio del hotel. Las políticas de cancelación más accesibles están en Expedia. El historial de reseñas más visible está en Tripadvisor.

La descripción más completa y actualizada de una propiedad boutique en Mérida o de un hotel de playa en Huatulco vive, en la mayoría de los casos, en Booking.com — no en el sitio del hotel.

Turismo Inn Insights

Esa cesión fue una decisión comercial racional en el contexto de la distribución digital de los años 2010. En el contexto de los LLMs, reproduce exactamente la misma lógica de dependencia, pero en una capa anterior y con una diferencia crítica: el hotel ni siquiera sabe que está cediendo presencia. Skift documentó en enero de 2026 que más del 60% de la información hotelera publicada en internet presenta inconsistencias o datos desactualizados. Para el mercado mexicano, la cifra es probablemente mayor — y cuando un LLM construye una respuesta sobre una propiedad en Oaxaca o en Los Cabos, trabaja con esa calidad de información.

El resultado práctico: el modelo puede recomendar el hotel con una tarifa incorrecta, una política de cancelación equivocada o una descripción que mezcla atributos de otra propiedad. El hotel no lo sabe hasta que el huésped llega con una expectativa que no puede cumplirse.

Lo que esto significa para la venta directa en México

La Riviera Maya concentra una de las mayores densidades de resorts vacacionales del Caribe. Los Cabos compite con destinos del Mediterráneo por el segmento de lujo norteamericano. CDMX aparece con regularidad en rankings internacionales de viaje de ciudad. Y ninguno de estos destinos tiene hoy contenido institucional optimizado para alimentar respuestas de LLMs.

Cuando un viajero europeo o de mercados asiáticos — que operan crecientemente en modo conversacional con asistentes de IA — pregunta a ChatGPT o Gemini sobre hoteles en México, el modelo construye su respuesta con lo que encuentra: listings de OTAs, artículos en blogs de viaje, reseñas de Tripadvisor, contenido en medios anglófonos. No con datos oficiales de los hoteles. No con información actualizada de los destinos.

La consecuencia directa es pérdida de mercado emisor de alta rentabilidad sin que exista una métrica que la capture. El mix de distribución del hotel muestra correctamente cuántas reservas llegaron por Booking, cuántas por el motor directo, cuántas por el canal corporativo. No muestra cuántas reservas potenciales no llegaron porque el hotel no entró en la conversación que las habría generado.

Hay un patrón histórico que conviene tener presente. Cuando los metabuscadores y las OTAs empezaron a capturar tráfico de forma masiva a mediados de los años 2000, la industria hotelera mexicana llegó tarde a entender el fenómeno — y pagó ese retraso con una dependencia de OTAs que, para hoteles independientes, hoy promedia entre 40% y 60% de las reservas totales. Esa estructura no surge de una mala decisión puntual. Surge de no haber medido el desplazamiento hasta que la dependencia ya estaba consolidada.

El canal cero es una oportunidad para no repetir ese patrón. La diferencia con los años 2000 es que las herramientas de medición existen desde el inicio del fenómeno, no una década después.

La consecuencia estructural

La consolidación de los LLMs como canal de descubrimiento hotelero no va a ocurrir de forma uniforme ni simultánea. El viajero que hoy reserva directamente en Booking no desaparece mañana. Pero hay un segmento — de mayor ingreso, con patrones de planificación más complejos, proveniente de mercados digitalmente avanzados — que ya usa agentes de IA en la fase de inspiración. Ese segmento es el que más le importa al sector hotelero en términos de ADR y TRevPAR.

Lo que está cambiando no es el canal donde se completa la reserva. Es quién controla la información que alimenta la recomendación previa a esa reserva. Hoy, esa información la controlan en gran medida las OTAs, los medios de viaje y las plataformas de reseñas — porque son quienes publican contenido estructurado que los modelos consumen.

La pregunta para un GM o director comercial en México no es si adoptar o no herramientas de visibilidad en IA. Es si el hotel va a esperar a que la dependencia en este canal sea tan profunda como la dependencia en OTAs antes de empezar a medirla. Esa decisión no es tecnológica. Es comercial.