Medir la visibilidad en IA: método, no captura

Un cliente pregunta a un asistente de IA por un proveedor de tu servicio. ¿Apareces en la respuesta? Y si es así, ¿con qué frecuencia, en qué preguntas, en qué plataforma? Esa pregunta tiene respuesta, pero no la que se obtiene con una captura y una corazonada. Necesita un método.

El motivo es sencillo: un modelo de lenguaje sortea cada respuesta de nuevo. Quien quiera medir la visibilidad en serio incorpora esa dispersión al método en lugar de ignorarla. Esto es lo que significa en la práctica.

Por qué una captura no prueba nada

Los modelos de lenguaje no responden de forma determinista. Haz la misma pregunta cinco veces y a menudo obtienes cinco respuestas algo distintas, a veces con nombres de empresa completamente diferentes. Una captura congela uno de esos resultados. Dice que te nombraron una vez, o que faltaste una vez, y nada más.

Para decidir es demasiado poco. Aparecer en tres de diez respuestas es una situación muy distinta de faltar en nueve de diez, y ambas pueden producir la misma captura. La única afirmación sólida es una frecuencia sobre muchas repeticiones. Por debajo de eso hay anécdota.

Tres niveles: mención, cita, recomendación

Antes de medir, aclara qué estás contando. "La IA nos conoce" puede significar tres cosas, cada una con un valor de negocio distinto.

• Mención: tu nombre aparece en la respuesta, sin fuente. El modelo te vio durante el entrenamiento.
• Cita: la respuesta remite a una fuente verificable, normalmente tu web o un artículo. Ocurre sobre todo con la búsqueda web activa.
• Recomendación: la IA te presenta activamente como la opción adecuada. Este nivel genera más ingresos y es el más difícil de conseguir.

Si mezclas los tres en un solo indicador, mides al lado de la cuestión. Que te nombren pero nunca te recomienden es un problema distinto de no aparecer. El diagnóstico detrás lo tratamos en ChatGPT recomienda a mi competencia, y el primer autotest en Menciona ChatGPT mi empresa. Este texto va un paso más allá: del sondeo puntual a la medición sistemática.

De la pregunta única a la batería de consultas

Una buena medición no se apoya en una pregunta, sino en una batería que refleje cómo buscan de verdad los clientes. Una sola formulación siempre toca un único fragmento.

Cubre los tipos de intención con que la gente aborda a un proveedor:

• Búsqueda simple: "¿Quién ofrece el servicio X en la región Y?"
• Comparación: "¿Qué proveedores de X existen y en qué se diferencian?"
• Resolución de un problema: "Tengo el problema Z, ¿quién puede resolverlo?"
• Confirmación: "¿Es la empresa A una buena opción para X?"

Formula cada intención de varias maneras y en la lengua de tus clientes. A una empresa española se le pregunta en español, a una exportadora también en inglés o alemán. Las respuestas cambian de forma notable según el idioma, porque las fuentes de base son otras.

La marca casi nunca va en la consulta

El error de medición más habitual es escribir el propio nombre en la pregunta. "Qué hace la empresa A?" recibe respuesta amable de casi cualquier modelo en cuanto la empresa A está documentada en algún sitio. Eso solo mide si el modelo puede producir algo sobre un nombre conocido, y suele poder.

La pregunta importante para el negocio es otra: ¿te nombran cuando nadie aporta tu nombre? Solo la pregunta sin marca refleja la situación de un interesado real que aún no te conoce. Una parte pequeña de preguntas con marca puede estar en la batería para comprobar el nivel de cita, pero el eje se mantiene neutro.

Con búsqueda web o sin ella cambia todo

Que un modelo busque en la web en vivo o responda desde el entrenamiento cambia el resultado de raíz. Con búsqueda web activa, la respuesta toma páginas recuperadas al momento, y cuenta quién es bien localizable hoy. Sin búsqueda web, el modelo responde desde lo que vio en el entrenamiento, un estado de hace meses.

De ahí sale una trampa práctica. La interfaz de chat de muchos proveedores lleva la búsqueda web activada por defecto, la API a menudo no. Quien mide cómodamente por la API ve un cuadro distinto del que ve el cliente que pregunta en la app. Mantén ambos modos separados y anota, por repetición, cuál estaba activo. Si no, comparas peras con manzanas y te extraña la contradicción.

Frecuencias en vez de instantáneas

El resultado de una medición limpia no es un montón de capturas. Es una tabla de proporciones. Para cada pregunta y cada plataforma anotas en cuántas de N repeticiones te mencionaron, citaron o recomendaron.

Así la visibilidad se vuelve una cifra que se puede comparar: en el tiempo, entre plataformas, frente al competidor. Mejora una fuente, mide de nuevo y verás si la proporción sube. Un buen acierto en abril y uno malo en agosto no dicen nada. La evolución de la frecuencia dice mucho. Más sobre este montaje en nuestra página de análisis de visibilidad en IA.

Lo que el método no puede hacer

La honestidad forma parte del método. Una medición da un estado actual con dispersión, no un pronóstico ni una garantía.

• No puede prometer una posición. Los modelos y las fuentes cambian, y cada cifra es una instantánea.
• Solo capta lo que consultas. Una pregunta que ningún cliente hace no mide nada útil, así que todo depende de la elección de la batería.
• Toma una muestra, no examina cada conversación posible. Más repeticiones reducen la incertidumbre, nunca la eliminan.

Estos límites no son un defecto. Son la condición para que las cifras signifiquen algo. Ocultarlos es vender una seguridad que no existe.

Si quieres saber con qué frecuencia los grandes sistemas de IA ya te nombran a ti en vez de al competidor, un proyecto piloto es la vía más rápida a cifras reales. Cómo se combina la medición con un procesamiento local y soberano lo mostramos en IA local. A través de la página de contacto revisamos tu caso.