Cómo medir la visibilidad de tu marca en las respuestas de IA (y por qué la cifra es la que es)

Alguien abre ChatGPT y escribe «mejor herramienta de analítica respetuosa con la privacidad para una tienda Shopify en España». Recibe tres nombres, una frase sobre cada uno y un par de enlaces. Hace clic en uno. Ese es todo el proceso de compra: sin página de resultados, sin scroll, sin segunda opinión.

Si tu marca es una de las tres, acabas de ganar un cliente. Si no lo es, no has perdido una posición: nunca estuviste en la sala. Y tu panel de analítica no te dirá nada, salvo que el tráfico «Directo» creció un poco el mes pasado.

En resumen:

• La visibilidad en las respuestas de IA es la proporción de preguntas de compradores en las que un modelo nombra tu marca, medida por pregunta, por modelo y por competidor.
• Haz 20–30 preguntas reales de compradores, tres veces cada una, en cada modelo que te interese, y muestra la dispersión junto a cada media.
• Sigue siete cifras: tasa de mención, posición, tasa de enlace, tasa de recomendación, índice de dominancia, exactitud y varianza.
• Antes de escribir páginas nuevas, comprueba que los rastreadores de IA pueden leer tu sitio de verdad. La baja visibilidad suele tener una causa técnica.
• Mide también el segundo eje: las visitas que llegan desde asistentes de IA, como canal propio en tu analítica.

Esta guía trata de medir esa sala: si estás dentro, en qué lugar, quién está a tu lado y cuántas personas pasan de la respuesta a tu web. Está pensada para profesionales de marketing y responsables de sitios web, no para científicos de datos, y todo lo que contiene se puede hacer a mano con unas pocas preguntas antes de automatizar nada.

Qué significa realmente «visibilidad en las respuestas de IA»

La visibilidad en las respuestas de IA es la proporción de preguntas de compradores que un modelo responde nombrando tu marca. Se mide por pregunta, por modelo y por competidor: si la marca aparece o no, en qué posición, con o sin enlace, y quién aparece a su lado.

Esa última parte importa. En un buscador tienes diez enlaces azules y una posición entre ellos. En una respuesta de IA hay dos o tres nombres, o ninguno. No existe una «segunda página» desde la que escalar. O el modelo tiene tu marca entre sus opciones para esa pregunta, o no la tiene, y el motivo no suele ser el que crees.

Empieza por preguntas, no por palabras clave

Las listas de palabras clave no sirven como materia prima aquí. Nadie escribe «herramienta analítica RGPD» en ChatGPT. La gente hace una pregunta con una situación concreta detrás, y esa situación cambia la respuesta.

Así que el primer paso es una lista de escenarios de demanda: las preguntas que tus compradores hacen de verdad, agrupadas según quién pregunta y qué busca. Con veinte o treinta escenarios se cubre la mayoría de los negocios. Así se ve un fragmento para una empresa que vende sillas de oficina ergonómicas:

Hay tres cosas que hacer bien. Escribe las preguntas como las teclearía una persona, incluidas las torpes. Incluye los escenarios en los que esperas perder: son los que te enseñan algo. Y mantén la lista estable entre mediciones. Si cambias las preguntas cada mes, no estás midiendo cambios, estás midiendo tus propias ediciones.

Haz cada pregunta más de una vez

Esta es la parte que casi todo el mundo se salta, y es la que decide si tus cifras significan algo.

Los modelos de lenguaje no son deterministas. Haz la misma pregunta tres veces y obtendrás tres respuestas distintas: a veces con tu marca en las tres, a veces solo en una. Una única ejecución es lanzar una moneda al aire y presentarlo como informe.

La solución es aburrida: haz cada pregunta varias veces por ejecución (tres es un mínimo razonable) y muestra la dispersión junto a la media. Tu tasa de mención no es «58 %», es «58 % ± 9 puntos». Si el mes que viene sale un 63 %, sabes que está dentro del ruido. Si sale un 78 %, sabes que algo ha pasado.

Una regla útil: el crecimiento solo cuenta cuando es mayor que la dispersión. Cualquiera que haya presentado alguna vez una diapositiva con un «+8 %» que se esfumó en la siguiente ejecución entenderá por qué.

Siete cifras que merece la pena seguir

Una vez que tienes las respuestas, hay que convertir texto en números. Estas siete cubren casi todo lo que preguntará un equipo de marketing, y cada una tiene una definición sencilla que puedes calcular a mano con un conjunto pequeño.

El índice de dominancia merece una explicación. Una forma de construirlo: cada respuesta da a una marca hasta cuatro puntos, uno por aparecer, uno por ser la primera, uno por el enlace y uno por la recomendación. Tu índice son tus puntos divididos entre los puntos de todas las marcas en esas mismas respuestas, multiplicado por 100. Sumando todas las marcas da 100, así que funciona como una cuota de mercado y se lee igual. Si el tuyo es 45 y el de tu competidor más cercano es 31, sabes a quién recurre primero el modelo.

Lo aplicamos a nuestra propia marca el 2 de octubre de 2026: siete escenarios, cuatro modelos, tres repeticiones, 84 respuestas. EuroMetrics obtuvo un índice de dominancia de 7, frente a 32 de Plausible y 20 de Matomo, con un 21 % de cuota de voz y un enlace en el 18 % de las respuestas. No es halagador, y es justo el tipo de cifra que necesitas antes de decidir qué arreglar.

Sigue las siete por modelo, no solo como media. Algunos modelos añaden fuentes a casi todas las respuestas y otros casi nunca. Una «tasa de enlace» combinada oculta esa diferencia y, con ella, la decisión de dónde invertir.

Guarda las respuestas, no solo los porcentajes

Guarda cada respuesta completa, con todos los enlaces que generó el modelo. Parece un detalle de almacenamiento. Es la decisión más útil de todo el método, por tres motivos.

Primero, cualquier cifra se puede rastrear hasta el texto que la produjo. Cuando alguien pregunta por qué ha bajado la exactitud, abres las respuestas y lees en qué se equivocó el modelo. Normalmente es un precio antiguo, un producto descatalogado o una afirmación de un competidor citada como un hecho.

Segundo, ves quién ocupó tu lugar. En las respuestas en las que falta tu marca, el modelo citó algo: un comparador, una ficha en un marketplace, un hilo de Reddit, la guía de un competidor. La lista de esas páginas, ordenada por frecuencia de aparición, es tu lista de tareas fuera de tu web. En nuestra propia ejecución, 140 de las 184 fuentes citadas junto a alguna de las marcas analizadas aparecieron solo junto a competidores. Esa lista es también la única respuesta honesta a «por qué ellos y no nosotros».

Tercero, el histórico se recalcula gratis. Añade un competidor que habías olvidado, o una grafía de la marca que el modelo usa y que no habías previsto, y todas las ejecuciones anteriores se vuelven a puntuar a partir de las respuestas guardadas. Sin ejecuciones nuevas, sin cortes en la línea de tendencia, sin coste.

Por qué la cifra es la que es

Aquí viene la parte incómoda. La baja visibilidad casi siempre tiene una causa técnica, y es invisible desde un navegador: el sitio te parece correcto porque tú no eres un rastreador de IA.

Antes de escribir una sola página nueva, haz siete comprobaciones. Responden al «por qué» además de al «cuánto».

Acceso

1. ¿Admite robots.txt a cada rastreador de IA por separado? GPTBot y OAI-SearchBot, ClaudeBot, PerplexityBot y Googlebot son identificadores distintos, y una regla escrita para uno no dice nada de los demás.
2. ¿Qué devuelve realmente el servidor cuando el visitante es un rastreador de IA? Un cortafuegos o una capa de protección contra bots puede bloquear a un rastreador que robots.txt permite, y no te lo va a avisar.

Contenido

1. ¿Recibe el rastreador tanto texto como ve una persona? La mayoría de los rastreadores de IA no ejecutan JavaScript; Googlebot sí. Si las descripciones de tus productos se renderizan en el cliente, el rastreador se lleva el esqueleto.
2. ¿Se puede leer el texto sin JavaScript: titulares, precios, direcciones, en el HTML que envía el servidor?

Marca

1. ¿Indica el marcado de quién es este sitio, de forma que una máquina pueda verificarlo? Una entidad Organization con nombre, logotipo y enlaces a tus otros perfiles marca la diferencia entre «un sitio sobre sillas» y «el sitio de esta empresa».
2. ¿Las direcciones de tus tiendas u oficinas aparecen como texto, o están escondidas dentro de un widget de mapa que el rastreador no puede leer?

Convenciones

1. Las señales más recientes: llms.txt, versiones en Markdown para agentes, cabeceras Content Signals. Conviene conocerlas, pero ninguna sustituye a las seis anteriores. Google afirma en su guía sobre funciones de IA generativa que no utiliza este tipo de archivos.

Las comprobaciones 1, 3 y 4 se hacen en un terminal en menos de un minuto. Descarga una página de producto dos veces, una como navegador y otra como rastreador, y cuenta las palabras:

curl -sA "Mozilla/5.0 (Windows NT 10.0) Chrome/128.0" https://example.com/product | wc -w
curl -sA "GPTBot/1.2 (+https://openai.com/gptbot)" https://example.com/product | wc -w

Si la segunda cifra es una fracción de la primera, has encontrado tu problema antes de encontrar a tu competidor. Para una sola página y sin terminal, nuestro comprobador SEO gratuito revisa de una vez el acceso de los rastreadores de IA, robots.txt y el marcado schema.

Un ejemplo real de nuestras mediciones de este septiembre: un sitio de comercio minorista servía a un rastreador de IA el 22 % del texto que ve una persona, y ni una sola línea de marcado que dijera a qué empresa pertenecía. Desde fuera, era un sitio como cualquier otro. Desde el punto de vista del modelo, apenas existía.

El segundo eje: quién llegó de verdad

Todo lo anterior mide lo que dicen los modelos. No te dice si alguien actuó en consecuencia, y esa es la pregunta que te hará tu director financiero.

El tráfico de los asistentes de IA llega con referente la mayoría de las veces: chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai. Casi todas las herramientas de analítica lo archivan como «Referencia» junto a un blog cualquiera, o lo pierden en «Directo» cuando se elimina el referente. En ambos casos no puedes ver las plataformas de IA como fuente de tráfico, así que tampoco ves sus páginas de destino, su comportamiento ni sus conversiones.

Hay dos cosas que arreglar. Pon los referentes de IA en su propio canal, separado de la búsqueda orgánica y de las referencias genéricas. Y acepta el límite con honestidad: algunos asistentes no envían referente, así que este canal es un suelo, no un techo. Lo que sí puedes decir es «al menos esta cantidad de personas llegó desde respuestas de IA, y esto es lo que hicieron», que es más de lo que la mayoría de los equipos puede decir hoy.

Pon los dos ejes uno junto al otro y el panorama se vuelve accionable. Sube la tasa de mención y el tráfico de IA se queda plano: el modelo te nombra pero no te enlaza, así que trabaja la tasa de enlace. La tasa de mención se queda plana y el tráfico de IA sube: el modelo envía gente a una página que no esperabas, así que ve a mirarla. Suben las dos: los cambios han funcionado; ahora escribe el caso de éxito.

Tres cosas que conviene decir desde el principio

Toda medición honesta tiene límites, y es mejor exponerlos al principio que en el tercer informe mensual.

Todavía no se puede medir todo. ChatGPT, Claude, Gemini, Perplexity y Google AI Overview se pueden medir preguntándoles. Algunos asistentes regionales hoy no son accesibles a través de ningún proveedor de datos, así que se quedan fuera de las cifras hasta que lo sean.

Los bloques de IA no aparecen en todas las búsquedas. Google muestra un AI Overview para algunas preguntas comerciales y una fila de resultados de compra para otras. Eso es un resultado de la medición, no un error de medición. Fija los objetivos de cobertura sobre la proporción de búsquedas en las que el bloque existe.

Los modelos cambian. Se sustituyen los sistemas de recuperación, cambian los formatos de respuesta, un modelo empieza a enlazar más o menos. Una línea de tendencia que atraviesa una actualización del modelo necesita una nota al pie. Guardar las respuestas completas (ver arriba) es lo que hace posible esa nota.

Una rutina mensual que cabe en una tarde

1. Congela la lista de escenarios. Entre veinte y treinta preguntas, agrupadas por segmento e intención. Cámbiala solo cuando cambie el negocio.
2. Haz cada pregunta tres veces en cada modelo que te interese, el mismo día de cada mes. Guarda las respuestas completas.
3. Calcula las siete métricas por modelo, con la varianza junto a cada una. Compara con el mes anterior; ignora todo lo que quede dentro de la dispersión.
4. Lee las respuestas en las que no apareces y apunta las páginas citadas en tu lugar. Esos son tus objetivos de contacto y de contenido.
5. Repite las siete comprobaciones técnicas en las páginas que el modelo debería citar. Corrige y vuelve a medir.
6. Revisa el canal de IA en tu analítica: visitas, páginas de destino, conversiones. Relaciona cualquier movimiento con las métricas anteriores.

Hazlo a mano durante un mes y sabrás más sobre tu visibilidad en IA que la mayoría de tus competidores. Después, vas a querer automatizarlo.

Cómo lo hace EuroMetrics

El módulo AI Visibility aplica este método por ti. Plantea tus escenarios de demanda a ChatGPT, Claude, Gemini, Perplexity y Google AI Overview de forma programada, varias veces cada uno, y guarda cada respuesta con sus fuentes. Calcula la tasa de mención, la posición, los enlaces, las recomendaciones, la exactitud y la dominancia por modelo, por escenario y por competidor, con la dispersión junto a cada cifra y una lista de las páginas que ocuparon tu lugar. Las comprobaciones técnicas se ejecutan sobre las páginas que deberían citarse. Y como vive dentro de tu analítica de tráfico, las visitas de los asistentes de IA aparecen como canal propio junto a la búsqueda, con sus páginas de destino y conversiones.

Un producto, dos ejes: si estás en la respuesta y qué te ha aportado estar ahí.

¿Quieres ver cómo aparece tu marca en las respuestas de IA?
Solicita una primera medición →

Preguntas que nos hacen

¿Es lo mismo que AEO o GEO?

AEO (optimización para motores de respuesta) y GEO (optimización para motores generativos) son el trabajo de hacer que las páginas tengan más probabilidades de ser citadas. Lo que describe esta guía es la medición que te dice si ese trabajo tiene algún efecto: el marcador, no el manual de jugadas. Necesitas los dos, y el marcador debería ir primero.

¿Cuántos escenarios y repeticiones necesito de verdad?

Para una sola marca en un mercado, 20–30 escenarios, cada uno preguntado tres veces en cuatro o cinco modelos, dan una imagen mensual estable: unas 300–450 respuestas por ejecución. Con menos escenarios las cifras dan saltos; con menos repeticiones no significan nada. Más es mejor solo cuando el primer conjunto ya es estable.

¿Puedo hacerlo con la app de ChatGPT en lugar de con la API?

Para una primera impresión, sí, y es una buena forma de desarrollar intuición. Para una línea de tendencia, no: la app añade personalización y memoria que cambian las respuestas entre usuarios y sesiones, así que dos personas que hacen la misma pregunta obtienen marcadores distintos. Medir exige las mismas condiciones neutras cada vez.

¿Por qué los modelos discrepan tanto?

Usan índices de búsqueda distintos, reglas de recuperación distintas y costumbres distintas a la hora de enlazar. En nuestra propia ejecución del 2 de octubre de 2026, Claude y Perplexity añadieron fuentes a 21 de 21 respuestas cada uno, mientras que Gemini lo hizo en 15 de 21. Por eso las métricas se siguen por modelo: una media entre ellos oculta precisamente las diferencias sobre las que actuarías.