La pila de búsqueda de modelos de lenguaje grande (LLM) en 2026: 76 productos repartidos en 6 capas

La búsqueda solía ser un único producto: un cuadro y diez enlaces azules. En 2026 es una pila. Un motor de respuestas redacta la respuesta, una API de búsqueda la alimenta, una base de datos vectorial almacena lo que el modelo ya sabe, una capa del navegador recupera lo que no sabe, un agente actúa en función del resultado y una nueva categoría de herramientas mide si su marca ha aparecido o no.

Hemos elaborado un mapa de esa pila para el tercer trimestre de 2026: 76 productos de 71 empresas y proyectos de código abierto, distribuidos en 6 capas, a partir de la investigación en la que se basa el mapa de mercado trimestral «LLM Search Stack» de Massive.

La presión sobre este sistema se refleja en la forma en que las personas realizan sus búsquedas. En un estudio del Pew Research Center realizado en marzo de 2025 sobre los hábitos de navegación de 900 adultos estadounidenses, el 18 % de las búsquedas en Google generaron un resumen generado por IA. Los usuarios que vieron uno de estos resúmenes hicieron clic en un resultado tradicional en el 8 % de las visitas, frente al 15 % de las ocasiones en las que no aparecía ningún resumen (Centro de Investigación Pew, 2025). Cuando la respuesta aparece en la página de resultados, son menos las personas que abandonan la página. Ese cambio es lo que hace que el resto de la pila cobre importancia desde el punto de vista comercial.

Puntos clave

• La pila de búsqueda de modelos de lenguaje grande (LLM) del tercer trimestre de 2026 abarca 6 capas y 76 productos.
• Los usuarios hacían clic en los resultados tradicionales aproximadamente la mitad de veces cuando aparecía un resumen generado por IA: un 8 % de las visitas frente a un 15 % (Centro de Investigación Pew, 2025).
• La recuperación y el acceso web en tiempo real se sitúan a la cabeza como las capas más importantes, con 15 productos cada una, y resuelven problemas opuestos: lo que un modelo ya sabe frente a lo que es cierto en este preciso momento.
• La optimización generativa de motores de búsqueda (GEO) constituye ahora una categoría en sí misma, con 13 productos en el mercado.

Cómo hemos trazado el esquema de búsqueda de los modelos de lenguaje a gran escala (LLM)

Hemos agrupado los productos en función del papel que desempeñan en el proceso que va de una pregunta a una respuesta, y no según la fase de financiación o la denominación comercial. El mapa se lee de arriba abajo: lo que el usuario ve en primer lugar, luego lo que lo proporciona y, por último, lo que lo mide. Una empresa con varios productos puede aparecer en más de una capa. You.com, por ejemplo, cuenta con un motor de respuestas en la Capa 1 y una API en la Capa 2. Por eso hay 76 productos procedentes de 71 empresas y proyectos de código abierto.

Un producto se ha incluido en el mapa si estaba disponible de forma generalizada en el momento en que realizamos la investigación para esta edición (julio de 2026, revisado de nuevo en octubre de 2026) y su función principal se ajusta a una de las capas. Hemos omitido aquellas entradas que no pudimos verificar en el momento de la publicación. Enumeramos a todos los proveedores de forma imparcial: su inclusión no supone un respaldo, y el orden dentro de una capa no constituye una clasificación. Massive también aparece en el mapa, en la capa de acceso web en tiempo real, y así lo indicamos claramente.

Nivel 1: Motores de respuesta basados en IA

Los motores de respuestas son la interfaz para el usuario de la búsqueda basada en modelos de lenguaje a gran escala (LLM): usted formula una pregunta y obtiene una respuesta por escrito, normalmente con referencias. Esta es la capa a la que se refieren la mayoría de las personas cuando hablan de «búsqueda con IA».

En el mapa: Perplexity, You.com, Andi, Ask Brave, Kagi, Liner, Felo, iAsk, ChatGPT Search, el modo IA de Google, Microsoft Copilot, Grok y Meta AI.

El grupo se divide en dos. Seis de las entradas proceden de empresas que también cuentan con un modelo de vanguardia, un navegador o una plataforma importante: ChatGPT Search, Google AI Mode, Microsoft Copilot, Grok, Meta AI y Ask Brave. Las otras siete (Perplexity, You.com, Andi, Kagi, Liner, Felo e iAsk) son empresas independientes que compiten en aspectos específicos, como la profundidad de la investigación o la privacidad. Para una marca, cada motor constituye un espacio independiente en el que puede describirse de forma positiva, negativa o no describirse en absoluto. Cuando nosotros se ha analizado cómo la inteligencia artificial describe las marcas, el riesgo de quedar excluido era más frecuente que el de ser criticado. Compruebe si un motor de búsqueda muestra sus fuentes. Las fuentes citadas son la única parte de una respuesta sobre la que una marca puede influir directamente.

Capa 2: API de búsqueda optimizadas para modelos de lenguaje grande (LLM)

Se trata de motores de búsqueda diseñados, ante todo, para máquinas. En lugar de mostrar una página de resultados destinada a una persona, ofrecen resultados en forma de texto sin formato, fragmentos o contenidos de página completa que un modelo puede utilizar directamente.

En el mapa: Parallel, Exa, Linkup, Tavily, Brave Search API, You.com API, Valyu, Perplexity Sonar y Seltz.

Las opciones de diseño varían. Algunos gestionan su propio índice, otros reordenan los resultados de un motor de búsqueda más grande y otros muestran el texto completo de la página en lugar de fragmentos. Hemos comparado varios de ellos en Web Search API para agentes de IA. Cómo elegir: Compruebe la actualidad con una pregunta sobre las noticias de ayer y compruebe la ubicación con una pregunta cuya respuesta varíe según el país. Esas dos consultas permiten diferenciar las API más rápidamente que cualquier tabla de características.

Capa 3: Recuperación y búsqueda vectorial

No todas las respuestas requieren el acceso a la web en tiempo real. La generación aumentada mediante recuperación (RAG) permite a un modelo consultar los propios documentos de una empresa, un catálogo de productos o una copia almacenada de páginas web, que se conservan como representaciones vectoriales en un índice vectorial.

En el mapa: Pinecone, Weaviate, Qdrant, Chroma, Zilliz (Milvus), Turbopuffer, Vespa, LanceDB, Cohere, Voyage AI (MongoDB), Mixedbread, Supabase (pgvector), MongoDB Atlas Vector, Redis y Elastic.

Esta capa, junto con el acceso web en tiempo real, es la más extensa del mapa y la más consolidada: incluye bases de datos como Elastic, Redis y MongoDB, que son anteriores a los modelos de lenguaje grandes (LLM) actuales. Abarca tres tipos de productos. Las bases de datos nativas de vectores (Pinecone, Weaviate, Qdrant, Chroma, Zilliz, Turbopuffer y LanceDB) se crearon para las representaciones vectoriales. Los proveedores de representaciones vectoriales y reordenación de resultados (Cohere, Voyage AI y Mixedbread) convierten el texto en vectores y ordenan los resultados. Los motores de búsqueda y las bases de datos consolidados (Vespa, Supabase, MongoDB Atlas, Redis y Elastic) han incorporado la búsqueda vectorial a los productos que sus equipos ya gestionan. El inconveniente para todos ellos es que una capa de recuperación solo está tan actualizada como su última actualización. Nuestra guía sobre Creación de un proceso RAG a partir de datos web en tiempo real explica cómo los equipos evitan que un índice quede obsoleto.

Capa 4: Acceso web en tiempo real e infraestructura del navegador

Cuando una consulta depende del precio de hoy, de los titulares de hoy o de lo que diga una página en un país concreto, el modelo debe ir a buscar esa información. Esta capa se encarga de ello: navegadores alojados, rastreadores, API de extracción de datos y redes de proxies que permiten que las solicitudes procedan de ubicaciones reales.

En el mapa: Massive, Browserbase, Steel, Hyperbrowser, Anchor Browser, Kernel, Lightpanda, Notte, Firecrawl, Crawl4AI, Zyte, Apify, Scrapfly, Browserless y Rebrowser.

Esta capa se divide en tres grupos generales. La infraestructura de navegadores alojados y sin interfaz gráfica incluye Browserbase, Steel, Hyperbrowser, Anchor Browser, Kernel, Lightpanda, Notte, Browserless y Rebrowser. Entre las herramientas de rastreo y extracción que devuelven contenido de página limpio se incluyen Firecrawl, Crawl4AI, Zyte, Apify y Scrapfly. Massive proporciona la red por la que circulan las solicitudes. Los equipos suelen combinar un navegador alojado con una capa de red, una solución de compromiso que ya tratamos en infraestructura de navegadores gestionada para agentes de IA. La aportación de Massive: una red residencial de más de 1 000 000 de dispositivos verificados (Documentos masivos), además de un Web Render API con puntos finales de navegación, búsqueda y chat con IA. El punto final de búsqueda puede esperar a que se cargue la vista general de IA de Google antes de devolver la página (Documentos masivos). Un agente que consulta el precio de un vuelo para un viajero en Madrid necesita que la página se cargue tal y como se hace en España, y no tal y como se hace en un centro de datos de EE. UU.

Nivel 5: Acción agente y uso del ordenador

La búsqueda está pasando de ser una actividad de lectura a una de acción. Los agentes de este nivel hacen clic, rellenan formularios y realizan tareas en un navegador o en un ordenador de sobremesa, utilizando los resultados de la búsqueda como punto de partida.

En el mapa: Skyvern, Browser Use, TinyFish, Airtop, H Company (Surfer H), Bardeen, Simular, Emergence AI, Nova Act (Amazon), Claude Computer Use (Anthropic) y ChatGPT Agent (OpenAI).

Frontier Labs ofrece ahora sus propios agentes de simulación de uso informático junto con los marcos independientes. En cualquier caso, un agente que actúa en la web hereda todos los problemas de acceso propios de la Capa 4: comprobaciones de bots, contenido dependiente de la ubicación y páginas que solo se visualizan en un navegador real. El primero de esos problemas se aborda en Por qué se bloquean los agentes de IA en las direcciones IP de los centros de datos.

Capa 6: Optimización del motor generativo (GEO)

La capa más reciente existe gracias a la primera. Si los compradores consultan un motor de respuestas en lugar de hacer clic en los enlaces, las marcas deben saber qué responden dichos motores. El término procede de un artículo de investigación de 2023, en el que se indicaba que las estrategias de optimización podían «aumentar la visibilidad hasta en un 40 % en las respuestas de los motores generativos» y que su eficacia «varía según los ámbitos» (Aggarwal et al., arXiv, 2023). Las plataformas GEO procesan las consultas en los motores de respuestas, realizan un seguimiento de la frecuencia con la que se menciona o cita una marca y sugieren cambios en el contenido.

En el mapa: Profound, Scrunch AI, Peec AI, Otterly AI, AthenaHQ, Bluefish, Evertune, Gumshoe, Goodie, Trakkr, Knowatoa, Brandlight y Relixir.

GEO presenta un problema de medición inherente: la respuesta de un motor de respuestas puede variar en función de la ubicación, el idioma y la formulación del usuario. La calidad de una puntuación de visibilidad depende de las condiciones en las que se haya medido, por lo que la cobertura en cuanto a ubicación e idioma constituye una forma de diferenciar las herramientas GEO. Un comprador en Múnich y otro en São Paulo pueden obtener respuestas diferentes a la misma consulta. Aquí es donde encaja el punto final de chat con IA de Massive: devuelve respuestas de ChatGPT, Gemini y Perplexity a través de dispositivos reales ubicados en la zona que usted elija, lo cual constituye la base que necesita la medición basada en la ubicación. Nuestro Destacado: punto de conexión de chat con IA muestra las mismas preguntas respondidas de forma diferente según el país.

Lo que nos revela el mapa sobre la búsqueda con modelos de lenguaje a gran escala (LLM) en 2026

Destacan tres patrones.

Las grandes plataformas dominan el ámbito de los consumidores y están entrando en el sector de los agentes. Google, Microsoft, OpenAI, xAI y Meta figuran en la Capa 1, mientras que Amazon, Anthropic y OpenAI aparecen en la Capa 5. Aparte de esas entradas de «laboratorios de vanguardia», casi todos los productos que aparecen en el mapa proceden de una empresa independiente o de un proyecto de código abierto.

La frescura y la ubicación son los puntos débiles comunes. Los motores de respuestas, las API de búsqueda, los agentes y las herramientas GEO necesitan, en última instancia, saber qué se publica en la web en tiempo real, en un lugar determinado. Las capas 1, 2, 5 y 6 dependen todas de la obtención de páginas en tiempo real, y la capa 3 depende de ello cada vez que se actualiza un índice. Por eso, la capa de acceso a la web en tiempo real se conecta con todas las demás capas del mapa.

La medición se está convirtiendo en un producto por derecho propio. Nuestro mapa del tercer trimestre recoge 13 productos cuya función principal es la visibilidad de la IA. A medida que esa capa vaya creciendo, la forma y el ámbito en que una herramienta realice sus mediciones serán tan importantes como lo que mida.

El proceso de búsqueda de un máster en Derecho (LL.M.): en resumen

• Seis niveles, 76 productos. Lea el mapa de arriba abajo: respuesta, suministro, actuación, medición.
• A qué prestar atención en el cuarto trimestre: los laboratorios pioneros se adentran aún más en la acción agencial, y las herramientas GEO compiten en cuanto a dónde y cómo realizan sus mediciones.
• ¿Está desarrollando en esta pila? Compruebe el acceso lo antes posible: una página que bloquee a su agente o le muestre un país incorrecto afecta negativamente a todas las capas superiores.
• Actualizamos este mapa cada trimestre. Envíen sus correcciones y aportaciones al equipo de Massive, y las incluiremos en la próxima edición.

Fuentes

• Pew Research Center, «Los usuarios de Google son menos propensos a hacer clic en los enlaces cuando aparece un resumen generado por IA en los resultados», 2025
• Massive Docs, «Introducción a los proxies residenciales»
• Massive Docs, «Buscar»
• Aggarwal y otros, «GEO: Optimización generativa de motores», arXiv, 2023
• Mapa de mercado exhaustivo de las plataformas de búsqueda basadas en modelos de lenguaje a gran escala (LLM), edición del tercer trimestre de 2026 (investigación interna, julio de 2026)