Estudio de Visibilidad en IA para Restaurantes 2026: 551 Respuestas de ChatGPT, Gemini y Perplexity

Preguntamos 551 veces a ChatGPT, Gemini y Perplexity dónde comer, en doce ciudades de Estados Unidos, tal como lo escribe un comensal: mejor pizza, mejor brunch, un sitio para llevar a un cliente. Cada pregunta dos veces, porque la respuesta cambia. El objetivo era averiguar qué hace que nombren a un restaurante cuando la respuesta entera es un puñado de nombres. Los datos son estadounidenses; el mecanismo no lleva pasaporte, porque los tres motores son el mismo producto aquí y allí, y hacen lo mismo antes de contestar: buscan en la web en ese instante y resumen lo que encuentran. Lo que volvió parece menos un ranking y más una tragaperras con buena memoria. Las palancas que mueven esa tragaperras no son las que suele nombrar el marketing de restauración.

TL;DR: Qué mostraron 551 respuestas sobre visibilidad en IA para restaurantes

• La misma pregunta, hecha dos veces, devuelve una lista distinta. Las dos respuestas coincidieron el 46,7% de las veces.
• Los tres motores son tres canales separados. Solo el 4,8% de los nombres entró en las tres listas.
• Reddit es la fuente más leída por goleada. Se citó en el 58% de todas las respuestas.
• Tres de cada cuatro respuestas de ChatGPT llevaban anuncio. Gemini y Perplexity no llevaban ninguno.
• Una ficha completa no separa a nadie. Tanto los más nombrados como los nombrados una sola vez tenían una, al 97%.
• Las fotos son el verdadero divisor. Los más nombrados tenían casi cuatro veces más que los nombrados una sola vez.

La visibilidad en IA de un restaurante es la frecuencia con la que un motor lo nombra cuando alguien pregunta dónde comer, medida como tasa a lo largo de preguntas repetidas y no como un sí o un no. Esa definición hace trabajo de verdad aquí. Consultado una vez, un restaurante aparece o no aparece. Ese resultado no dice casi nada. Consultado veinte veces en tres motores, sale un número que se puede seguir, comparar entre locales y mover. Una respuesta suelta es el tiempo. La tasa es el clima.

Las ocho preguntas que hace de verdad un comensal

Cada pregunta de abajo se le hizo a ChatGPT, a Gemini y a Perplexity, en las doce ciudades, dos veces cada una. Están escritas como las teclea un comensal, no como busca un profesional de marketing, y se eligieron para cubrir el rango de ocasión y de precio donde los restaurantes compiten de verdad.

En el estudio se hicieron en inglés, en las ciudades estadounidenses. Más abajo tienes la versión en español para lanzarla en tu mercado.

Las dos últimas pesan más de lo que parece. Las preguntas de la uno a la seis tiran casi por completo hacia casas de autor e independientes, que no es donde opera la mayoría de los grupos. Comer bien y barato y comer de madrugada son la franja en la que las marcas con varios locales aparecen, y de ahí salieron las respuestas más raras del estudio.

¿Por qué la IA nombra restaurantes distintos cada vez?

Hazle a un motor la misma pregunta gastronómica dos veces y vuelven dos listas parecidas, pero distintas. En los 269 pares repetidos, las dos respuestas compartieron de media el 46,7% de sus nombres.

Esto no es un informe de errores. Estos motores no guardan una tabla clasificatoria de restaurantes como un índice de búsqueda guarda la posición de una página. Cada pregunta manda al motor al mercado otra vez, y lo que hubiera fresco ese día acaba en la respuesta. La bolsa de Gemini fue la que más cambió. ChatGPT y Perplexity fueron más estables, Perplexity en parte porque nombrar a tan poca gente facilita coincidir consigo mismo.

Para quien opera, la consecuencia es práctica y algo molesta. Comprobar la visibilidad en IA una vez no dice nada. Una ausencia puede ser un problema real o puede ser que alguien preguntó un martes. La tasa de aparición en una docena de preguntas es el único número que merece apuntarse.

¿ChatGPT, Gemini y Perplexity recomiendan los mismos restaurantes?

El solape entre motores es mucho menor de lo que supone la mayoría de los planes de marketing. Contando solo las combinaciones en las que los tres motores respondieron a la misma pregunta sobre la misma ciudad, nombraron 2.158 nombres entre todos y coincidieron en 103. Eso es un 4,8%, menos de un nombre de cada veinte. Los tres motores coinciden como coinciden los críticos gastronómicos: en que la comida existe, y poco más.

Por parejas, el cuadro se mantiene. ChatGPT y Gemini compartieron alrededor de una quinta parte de sus nombres; con Perplexity el solape bajó a cerca de una décima. Hacia donde estén convergiendo estos sistemas, no es el uno hacia el otro.

También se comportan distinto dentro de la respuesta. ChatGPT nombra unos diez restaurantes y los ordena por ocasión, como un conserje con una lista plastificada. Gemini escribe columna de revista, un número parecido de nombres con barrio y currículo del chef adjuntos. Perplexity es ese amigo que responde a “dónde comemos” mandándote tres reportajes: en una cuarta parte de sus respuestas se negó a elegir, describiendo qué publicaciones mantienen listas en lugar de escoger dentro de ellas. Veintitrés veces no nombró absolutamente a nadie.

Así que “¿estamos visibles en la IA?” es la pregunta equivocada. Son tres respuestas, y apenas se conocen entre sí.

Qué tienen en común los restaurantes que más nombra la IA

Saber a qué restaurantes nombran no dice nada sobre por qué. Así que los 36 restaurantes más nombrados de las doce ciudades se analizaron frente a 34 nombrados una sola vez en las mismas ciudades, usando los datos de su ficha de Google.

El grupo de control importa aquí. No son restaurantes de los que nadie ha oído hablar. Son casas reales, en los mismos mercados, que al menos un motor sí sacó, una vez. El cruce es campeón contra subcampeón, no campeón contra las páginas amarillas. Eso hace la comparación más difícil de ganar, y significa que lo que aun así separa a los dos grupos está haciendo trabajo de verdad.

• Fotos en la ficha

  3.979

  1.044

  Cada foto es un cliente o un operador sumando pruebas. La mayor brecha del estudio.

• Reseñas en Google

  2.559

  1.178

  El volumen funciona como suelo, no como factor de ranking. Casi la mitad de los poco nombrados está por debajo de mil.

• Valoración media

  4,6

  4,5

  Prácticamente igual. Por encima de un 4,4 aproximado el número deja de aportar información.

• Atributos rellenados

  50

  47

  Los dos grupos rellenan casi todo. Esto es el precio de la entrada, no la ventaja.

• Enlace de reserva en la ficha

  67%

  47%

  Veinte puntos de diferencia. Ser reservable viaja junto a ser recomendado.

• Enlace de carta en la ficha

  86%

  76%

  Brecha menor, misma dirección: los motores prefieren un sitio que puedan describir en concreto.

• Ficha reclamada

  97%

  97%

  Idéntico. Reclamar tu ficha no te distingue de nadie; no reclamarla solo te saca de la lista.

• Por debajo de 1.000 reseñas ↓

  11%

  47%

  La división más limpia de toda la comparación.

El resultado no es lo que predice el manual de siempre.

La completitud es el precio de la entrada, no la ventaja: la ficha reclamada estaba al 97% en los dos grupos. En descripción, horario, web y atributos los dos grupos quedan a pocos puntos el uno del otro, todos cerca del techo. Cada restaurante de esta muestra ya había hecho la higiene de ficha, y a la mitad aun así solo lo nombraron una vez en 551 respuestas. El consejo de “completa tu Perfil de Empresa en Google” describe el precio de la entrada, no la butaca.

La prueba acumulada es la ventaja, y las fotos cargan con más que las reseñas. Los restaurantes más nombrados tenían una mediana de 3.979 fotos en su ficha; los nombrados una vez tenían unas mil. Las reseñas mostraron la misma inclinación, con la mitad de pendiente. Cuatro mil fotos son cuatro mil pequeños testimonios sobre la sala, los platos y quién come ahí, y ningún calendario de marketing las produjo. Las produjeron los clientes.

La valoración media, ese número que muchos hosteleros se miran más que la tensión, casi no hizo nada: los dos grupos quedaron a una décima de punto. Casi nada en lo alto de la escala, eso sí, porque los dos grupos ya rondaban el 4,5. La nota funciona como el portero: decide quién entra, y dentro nadie vuelve a pedir el carnet. MyPlace registró la misma forma en febrero de 2026. Los restaurantes que vio recomendados llevaban más del triple de reseñas que los que se saltaba, y pasadas unas 4,4 estrellas la valoración dejó de separar a nadie. Tómalo como segunda lectura y no como confirmación, ya que MyPlace vende software de relación con el cliente y le interesa que el volumen de reseñas importe. Dos mediciones apuntando en la misma dirección sigue valiendo algo. No es una prueba.

La división más limpia de toda la comparación fue el volumen de reseñas. Entre los restaurantes más nombrados, el 11% estaba por debajo de las mil. Entre los nombrados una vez, el 47%. Así que el volumen es un suelo que superar y no una puntuación que maximizar, y por encima de ese suelo está la economía de las 4,5 estrellas, donde compiten de verdad los grupos de restauración.

¿De dónde salen las recomendaciones de restaurante de la IA?

En las 551 respuestas se citaron 1.113 dominios distintos. La concentración en la parte alta es lo accionable.

Cada motor tiene su propio hábito de lectura, lo bastante marcado como para planificar sobre él. Gemini citó Reddit en tres cuartas partes de sus respuestas. Perplexity leyó Tripadvisor en el 86% de las suyas, con The Infatuation como crítico favorito. ChatGPT se repartió más, citando prensa local y sacando el detalle operativo de las plataformas entre bastidores.

Ese último detalle merece una pausa. Cuando ChatGPT nombraba un restaurante, le grapaba datos estructurados de negocio al nombre, y tres de cada cuatro veces esos datos venían de Yelp, con OpenTable y Resy detrás. Es decir, la lista editorial decide a quién se menciona, mientras que las plataformas de reserva y reseñas deciden qué sabe la respuesta: horario, carta, si aparece un enlace de reserva.

Casi nada de eso es la web del propio restaurante. Una página de local puede ser la mejor de su mercado y quedarse igualmente fuera de la conversación, una mesa puesta con esmero en un comedor donde los motores de IA casi nunca entran, porque la respuesta se está montando con un hilo de foro sobre pizza y una lista de julio.

La lista de sitios cambia al cambiar de país; la forma de esos sitios, no. En España el papel de Reddit se reparte entre foros, hilos y comentarios donde se habla de comer en tu ciudad, el de Time Out lo ocupan las guías y las cuentas locales que publican listas de lo mejor, y el de OpenTable lo ocupa la plataforma de reservas que use tu mercado. Averigua cuáles son las tuyas lanzando las preguntas y apuntando lo que cita el motor.

Cuándo recomienda cadenas la IA, y la pregunta en la que nunca lo hace

Las marcas con varios locales sí aparecieron, pero no de forma uniforme, y el patrón es lo bastante nítido como para planificar sobre él. En los 4.312 nombres, las cadenas reconocibles supusieron el 2,1%. Abierta por pregunta, esa media esconde la historia real.

Ni un solo local de cadena apareció en los 490 nombres de la pregunta sobre cenar con un cliente, en ninguna ciudad, en ningún motor. Los motores tratan una cadena como respuesta a un problema de logística, dar de comer a los niños, comer barato o encontrar algo abierto tarde, y nunca como respuesta a una ocasión. Para un grupo que opera un concepto premium dentro de una cartera, esa es la restricción con la que discutir.

El extremo barato también produjo los resultados más raros del estudio. Charcuterías de supermercado y el patio de comidas de un club de almacén salieron como recomendación, siempre en las preguntas de comer barato o de madrugada, nunca en otro sitio. Siete veces en 4.312 nombres, la respuesta de un motor a “dónde como” fue, en la práctica, un supermercado.

Cuando la IA recomienda un restaurante que ya no existe

Analizar los 72 restaurantes sacó a la luz algo que el texto de la respuesta jamás revelaría. A dos los recomendaron para Dallas, donde el local en cuestión ya había cerrado: Pizzeria Testa, cuyo restaurante de Greenville Avenue cerró en 2025, y Baker’s Ribs, cuya dirección recomendada ya no aparece en la página de ubicaciones de la propia empresa. Las dos marcas siguen operando en el área, desde otra dirección. Las fichas sobrevivieron a los comedores, y los motores siguieron mandando gente a cenar allí.

Los dos venían además del grupo nombrado una sola vez, lo que es un consuelo moderado: las apuestas seguras y repetidas de los motores aguantaron. Y localiza el fallo con precisión. La cola de una respuesta de IA, el cuarto y el quinto nombre, es donde se pierde la exactitud, y el comensal no tiene forma de saber que está leyendo la cola.

En cuarenta locales, eso es un problema de operaciones disfrazado de checklist. Pluspoint es una plataforma de reputación y marketing local para marcas con varios locales, que reúne fichas, reseñas, mensajes de clientes y publicaciones sociales de cada dirección en un solo sitio. El solape con este estudio no es una casualidad de marketing. Son los mismos registros que lee un motor cuando decide a quién nombrar.

ChatGPT ya vende publicidad dentro de las recomendaciones de restaurante

De las 189 respuestas de ChatGPT, 141 llevaban un espacio patrocinado junto a las recomendaciones orgánicas. Tres de cada cuatro. Gemini y Perplexity no mostraron ninguno.

Los anunciantes eran una tropa extraña. DoorDash encabezó con 39 inserciones, y Domino’s al menos tiene que ver con cenar. Luego se pone raro: Hilton, webs de reserva de hotel, un marketplace de excursiones, un servicio de limusinas, un software de contabilidad, una empresa que vende maletas y camisas de lino. Qué hace un software de contabilidad al lado de una recomendación de cena es un misterio. Varias respuestas llevaban dos o tres anuncios a la vez.

Los anuncios iban etiquetados, y no hay nada oculto en ellos. Lo que importa es la dirección del asunto. A la búsqueda le llevó cosa de una década pasar de resultados limpios a una pantalla cuya parte de arriba está comprada. Las respuestas de IA están corriendo la versión comprimida de eso, y la respuesta mide un hueco de ancho. La recomendación orgánica merece construirse ahora, mientras sigue siendo casi toda la respuesta.

Cuanto más específica la pregunta, más corta la lista

Haz la pregunta más simple y recibes la lista más larga: “mejores restaurantes en [ciudad]” devolvió unos diez nombres. Cada pregunta más específica devolvió entre seis y ocho.

Esto va contra el consejo habitual de perseguir la cola larga. En la búsqueda clásica una consulta específica es más fácil de ganar, porque menos páginas apuntan a ella. En una respuesta de IA una consulta específica es más difícil de aparecer, porque la lista es más corta y el motor quiere pruebas de que ese restaurante cumple la condición. A veces no encuentra ninguna. A nadie lo recomiendan para una cena familiar porque su campo de categoría diga “restaurante”. Lo recomiendan porque una reseña cuenta que el camarero trajo ceras para pintar sin que nadie las pidiera.

El dinero, qué incómodo, está en las preguntas específicas. Una cena con cliente es una mesa de seis un jueves, reservada por alguien que no va a comparar precios, y es exactamente la pregunta en la que el motor devuelve cuatro nombres en lugar de doce. Cuatro nombres. Uno puede ser el tuyo.

Cómo conseguir que la IA recomiende tu restaurante: cuatro pasos

Quita las doce ciudades y los tres motores, y el estudio dice una cosa. La IA recomienda los restaurantes sobre los que otras personas ya han escrito, fotografiado y discutido, filtrados por las plataformas en las que cada motor confía. Los campos de ficha que tú controlas resultaron ser el precio de la entrada, y el orden más allá de la puerta lo fija la prueba que dejan otros: reseñas, fotos, hilos, listas.

Es un embudo brutal. Miles de restaurantes operan en cada uno de esos mercados, unas pocas decenas entraron en las respuestas, y a casi la mitad de los nombrados los nombraron exactamente una vez, para no volver. Nadie compra su plaza en esa lista corta. Las butacas van al puñado de sitios que la web sigue sacando por su cuenta. Ahí no hay atajo, que es también lo que hace defendible una butaca una vez hecho el trabajo paciente y poco lucido.

1. 1

   2 de 72 recomendaciones analizadas apuntaban a un local que ya había cerrado.

   Qué hacer Ordena la ficha. Corrige cada listado en cada plataforma y empieza cazando locales cerrados y duplicados.

2. 2

   3,8× de diferencia en fotos entre los restaurantes más nombrados y los nombrados una sola vez.

   Qué hacer Acumula pruebas. Pide una foto en cada solicitud de reseña y lleva cada local por encima de las mil reseñas.

3. 3

   58% de las respuestas citaron Reddit. Tripadvisor y las listas de lo mejor de la ciudad aportaron casi todo lo demás.

   Qué hacer Trabaja las páginas que no son tuyas. Trata Tripadvisor, las plataformas de reserva y la prensa gastronómica local como canales.

4. 4

   46,7% de coincidencia cuando al mismo motor se le hizo la misma pregunta dos veces.

   Qué hacer Mide la tasa. Lanza las ocho preguntas cada mes en cada motor y cuenta apariciones, no capturas.

A partir de 551 respuestas registradas en ChatGPT, Gemini y Perplexity en doce ciudades de EE. UU., del 30 de julio al 3 de agosto de 2026.

Cuatro pasos, en este orden.

1. Deja cada registro en orden, incluidos los muertos

Cada local necesita una ficha reclamada y correcta en Google, en Tripadvisor y en la plataforma de reservas que use el mercado. No porque esos sitios manden tráfico, cada vez mandan menos, sino porque son lo que citan los motores. Un local que falta en Tripadvisor es casi invisible para Perplexity, que lo leyó en seis de cada siete respuestas.

La exactitud tiene un filo más afilado de lo que supone la mayoría de auditorías. Este estudio pilló a los motores recomendando locales cerrados, así que un registro viejo es peor que un hueco: es una respuesta equivocada entregada a un comensal con tu nombre encima. Barre primero locales muertos, direcciones que han cambiado y fichas duplicadas, en todas las plataformas, no solo en Google. Hacerlo a mano, plataforma por plataforma, es donde una lista se convierte en un sistema: Pluspoint mantiene una sola ficha por local y reparte los cambios, así una dirección corregida llega a todas partes y no a un único panel. Y luego mantén la visión honesta de lo que compra todo esto. Quita los motivos para dejarte fuera. No aporta un motivo para elegirte.

2. Aumenta el montón de pruebas, fotos primero

El volumen de reseñas importa hasta un suelo, y ese suelo parece rondar las mil. Pasado ese punto el recuento deja de separar a nadie, y la valoración deja de trabajar a tu favor en torno al 4,5. Las fotos importan más de lo que el sector actúa como si importaran; fue la mayor brecha de toda la comparación. Así que engancha una petición de foto a cada solicitud de reseña que ya envías, y sirve algo que merezca la foto, porque un plato fotogénico es marketing que se mueve solo.

Las palabras importan tanto como el recuento. Para que un motor afirme que un sitio es “bueno para ir con niños” tiene que existir una frase en algún lado que lo diga, lo que significa que las reseñas que nombran el plato, la ocasión y la sala son la materia prima de cada recomendación. Pregunta al cliente por la visita, no solo por las estrellas.

3. Trabaja las páginas que no son tuyas

El hábito de lectura de cada motor es un canal. Perplexity trata Tripadvisor como escritura sagrada. Gemini vive en Reddit. ChatGPT cita prensa local y saca sus datos operativos de las plataformas, así que una carta desactualizada allí se convierte en una respuesta desactualizada. Trata a quien publica listas de lo mejor de tu ciudad, de la guía grande a la cuenta que sigue todo el mundo, como prensa, porque esas listas deciden a quién se menciona siquiera.

Los foros merecen su propia frase de cautela. Un hilo no se compra, y la forma más rápida de salir en uno por los motivos equivocados es que te pillen plantando elogios. Un foro huele una nota de prensa a través de la pantalla. Preséntate como dueño, responde preguntas, arregla lo que la gente se queja, y deja que los habituales discutan por ti. La misma lógica que rige aparecer más en ChatGPT rige toda la pila: el motor se cree la web, así que cambia la web.

4. Sigue la tasa, no la captura

Lanza un conjunto fijo de preguntas por mercado, por motor, con una periodicidad, y registra con qué frecuencia se nombra cada local. Dos veces por pregunta como mínimo, porque una respuesta suelta es cara o cruz. Sigue la tasa a lo largo de los meses, con la misma disciplina que hizo útil el seguimiento de posiciones hace veinte años. Y apunta qué fuentes cita cada respuesta, porque esa lista te dice dónde va el esfuerzo del mes que viene.

Aquí tienes el conjunto de preguntas del estudio, en español. Cambia la ciudad y lánzalo.

Los mismos cuatro pasos, partidos en piezas que un equipo puede marcar de verdad:

Lanzar las preguntas cada mes, por mercado, es la mitad de medir. La otra mitad es tener qué cambiar cuando vuelven los números: fichas que siguen siendo exactas en cada plataforma, peticiones de reseña y de foto que salen de verdad, y un registro de lo que dijeron los clientes. Ese es el trabajo que Pluspoint lleva para marcas con varios locales, y la comparativa de plataformas de experiencia del cliente para restaurantes cubre en qué se diferencian las herramientas para quien esté valorando opciones.

Preguntas frecuentes

Cómo se hizo el estudio

Doce ciudades, elegidas por volumen medido de prompts en IA y no por población: Nueva York, Chicago, Houston, Las Vegas, Nashville, Charlotte, Seattle, Los Ángeles, Dallas, Miami, Boston y Atlanta. San Francisco era la siguiente candidata y quedó excluida por la misma regla.

Las ocho preguntas están listadas enteras cerca del principio, y se hicieron en inglés. Tres motores (ChatGPT, Gemini y Perplexity), cada uno con la búsqueda web activa, alcanzados por los endpoints de IA de DataForSEO entre el 30 de julio y el 3 de agosto de 2026. Cada pregunta se hizo dos veces para medir la repetibilidad.

Ese plan pedía 576 respuestas y produjo 551. Por motor: ChatGPT 189, Perplexity 192, Gemini 170. El déficit de Gemini está en Boston y Atlanta, donde el endpoint rechazó de forma intermitente el parámetro de búsqueda web. Recogerlas sin él habría mezclado respuestas de memoria, sin base en la web, con datos que sí la tienen, así que esas celdas están ausentes en lugar de equivocadas. Catorce llamadas fallidas se descartaron en vez de contarse como respuestas vacías, porque contar un fallo como “la IA no nombró a nadie” inventaría un hallazgo. Toda comparación entre motores se calcula solo sobre las celdas en las que respondieron los tres, así que los recuentos desiguales no pueden sesgarla.

De cada respuesta registramos los restaurantes nombrados y su orden, cada dominio de fuente citado, si la respuesta llevaba anuncio y el texto completo. Los nombres se normalizaron dentro de cada ciudad, de modo que “Pequod’s” y “Pequod’s Pizza” cuentan una vez, mientras que Nobu Houston y Nobu Las Vegas siguen separados. Quedan 4.312 huecos de nombre en 1.917 restaurantes distintos. Los sitios mencionados como contexto, y no ofrecidos como un lugar donde comer, quedaron fuera.

Para la comparación de ganadores, los tres restaurantes más nombrados de cada ciudad se analizaron frente a tres nombrados una sola vez en la misma ciudad, usando datos de ficha de Google consultados el 4 de agosto de 2026. Dos no se pudieron asociar a ninguna ficha y salieron de todas las cifras. Otros dos parecieron cerrados a primera vista y, comprobados de nuevo, seguían operando, así que una ficha ausente nunca se leyó como un restaurante cerrado. Tres campos recogidos durante el análisis se descartaron por inservibles: el nivel de precio de Google no sigue el precio, su recuento estructurado de platos mide lo que Google ha absorbido y no el tamaño de la carta, y su recuento de temas de reseña está limitado a diez.

Qué no muestra este estudio

Mide respuestas de API, no la aplicación de consumidor con sesión iniciada. Un comensal real trae ubicación, historial de conversación y un perfil personalizado, y todo eso mueve la respuesta.

Es una instantánea de una semana, y estos sistemas cambian cada mes. Mide si nombran a un restaurante, no si alguien reservó después; atribuir una mesa a una respuesta de IA sigue prácticamente sin resolver.

La comparación de ganadores se apoya en 70 restaurantes. Eso sostiene una dirección y una mediana, no una prueba de significación, y nada de lo anterior debe leerse como tal. También muestra solo correlación: los restaurantes con más fotos se nombran más a menudo, y este estudio no puede decir si las fotos lo causaron o si ambas cosas vienen de ser popular. La lectura honesta es que estar escrito, fotografiado y reseñado en volumen es lo que los motores alcanzan a ver, sea lo que sea que lo haya producido.

Esos límites merecen decirse con todas las letras, porque los hallazgos útiles sobreviven a todos ellos. La respuesta es inestable. Los motores no se ponen de acuerdo entre sí. Lo que leen, en buena parte, no es tuyo. Y los campos de ficha en los que más se concentra el marketing de restauración resultaron ser lo único que no separó a nadie de nadie.