La visibilidad de una marca en la IA se puede medir, y los resultados suelen diferir mucho de lo que la propia empresa imagina. Al establecer la primera línea de base para clientes B2B SaaS, encontramos una brecha recurrente: el equipo de marketing estaba convencido de que la marca «debía aparecer cuando alguien preguntaba por el tema en ChatGPT». Sin embargo, al probar un conjunto de preguntas representativas, la tasa de citación solía quedarse en un porcentaje de un solo dígito, mientras que la competencia aparecía de forma constante. No se trata de una impresión, sino de un dato que puede volver a medirse.
¿Por qué una consulta aislada no demuestra nada?
Las respuestas de los motores generativos tienen un componente aleatorio. Si formula tres veces la misma pregunta, pueden cambiar tanto la redacción como las fuentes citadas. Que ayer su marca apareciera al consultar desde su propia cuenta podría deberse al historial de navegación o, sencillamente, a una muestra favorable. Concluir que «ya tenemos visibilidad» a partir de una sola cuenta, una sola consulta y una sola formulación equivale a lanzar un dado una vez y decidir que está trucado. Para hablar de resultados, el método de medición debe ser fijo y reproducible.
Los cuatro indicadores clave de la visibilidad en IA
La visibilidad no se resume en una sola cifra, sino en un conjunto de indicadores complementarios. Observar solo uno puede generar un optimismo o un pesimismo injustificados. En nuestras auditorías GEO seguimos estos cuatro indicadores, definidos de forma que cualquier equipo pueda aplicar el mismo enfoque.
- Tasa de citación (Citation Rate): proporción de respuestas en las que la IA menciona explícitamente o cita su marca o contenido dentro de un conjunto fijo de preguntas representativas. Es el indicador más directo.
- Cuota de voz del modelo (Share of Model Voice): proporción de menciones que obtiene su marca frente a la competencia dentro del mismo conjunto de preguntas. Responde a una cuestión sencilla: ante la misma consulta, ¿qué marca destaca más para el modelo?
- Contexto y posición de la mención: ¿la IA recomienda su marca en primer lugar, la incluye en una lista o solo la menciona como contrapunto o en una nota secundaria? Cada posición tiene un valor comercial muy distinto.
- Trazabilidad de la fuente: ¿la respuesta enlaza con su sitio web o con un contenido concreto, o se limita a nombrar la marca? Una fuente trazable aumenta la posibilidad de que esa exposición genere tráfico y posteriores interacciones.
Para que la comparación sea fiable, fije primero la línea de base
El mayor riesgo de una comparación antes y después no está en el resultado final, sino en el punto de partida. Si la línea de base no se establece con rigor, cualquier crecimiento posterior carece de valor. Por eso fijamos tres elementos: las preguntas, las condiciones del motor y de la cuenta, y el tamaño de la muestra. El conjunto suele incluir entre 40 y 80 temas sobre terminología, comparativas, problemas concretos y consultas relacionadas con la marca; una vez aprobado, no se modifica. Cada pregunta se ejecuta varias veces en un entorno limpio y se registran los resultados de distintos motores, como ChatGPT, Perplexity, Gemini y Google AI Overviews. Los resultados suelen variar entre motores, por lo que basarse en uno solo puede llevar a conclusiones equivocadas.
¿Qué revela una comparación después de 30 días?
Un cliente del sector de las herramientas para desarrolladores permite ilustrar cómo interpretar el informe comparativo. Para establecer la línea de base, formulamos 60 preguntas en cuatro motores y repetimos cada una cinco veces. Antes de la intervención, la tasa global de citación de la marca rondaba el 11 %. En las consultas comparativas —por ejemplo, «¿Para qué tamaño de equipo son adecuados X e Y?»— era prácticamente nula, y la trazabilidad de las fuentes resultaba todavía menor: la mayoría de las respuestas se limitaba a mencionar la marca, sin incluir ningún enlace. El modelo sabía que la empresa existía, pero no disponía de suficiente material citable para incorporarla a sus recomendaciones.
Durante los 30 días siguientes, abordamos las carencias estructurales de las páginas comparativas, explicamos con párrafos claros el posicionamiento y los casos de uso del producto, y corregimos varios problemas técnicos que impedían a los rastreadores acceder al contenido. Al repetir la prueba con las mismas preguntas y en idénticas condiciones, la tasa global de citación subió al 27 %. La presencia en consultas comparativas pasó de ser casi inexistente a mantenerse estable, y también aumentaron las referencias trazables. Lo importante no es que una cifra resulte atractiva, sino que los cuatro indicadores avancen a la vez en la misma dirección: así se reduce la posibilidad de que el resultado sea fruto del azar.
La señal más fiable de que la visibilidad está creciendo es el avance simultáneo de varios indicadores independientes bajo un método fijo, no el salto de una sola métrica en una consulta aislada.
No se deje engañar por una sola consulta: los errores de medición más comunes
Hemos visto demasiados equipos presentar una captura de pantalla como prueba de éxito y, dos semanas después, usar otra para afirmar que han retrocedido. Las respuestas generativas fluctúan; tomar decisiones con capturas aisladas equivale a dejarse llevar por el ruido. El segundo error consiste en observar un único motor: Perplexity suele mostrar fuentes, mientras que ChatGPT puede limitarse a mencionar la marca. Si solo analiza el motor que ofrece los mejores resultados, sobreestimará su visibilidad. El tercer error es formular únicamente las preguntas en las que espera aparecer. Una métrica construida de ese modo puede crecer, pero no representa el mercado real.
También conviene distinguir entre visibilidad y conversión. Una cita de la IA se sitúa en la parte alta del embudo: aumenta las posibilidades de entrar en la lista de consideración, pero no garantiza una venta. Por eso analizamos por separado los indicadores de visibilidad y el comportamiento posterior en el sitio web. Así evitamos atribuir cambios de rendimiento al aumento de la exposición, o viceversa, sin pruebas que lo respalden.
De la medición a la acción
Medir no aumenta la visibilidad por sí solo; permite localizar la brecha. Puede que el modelo no conozca su marca, que la conozca pero no encuentre material citable, o que el contenido exista pero no pueda rastrearlo. Son tres causas distintas y requieren soluciones diferentes. Aplicar la medida equivocada puede hacerle perder una temporada entera. Con una línea de base estable y unos indicadores bien definidos, podrá evaluar el efecto real de cada ajuste técnico o de contenido. Eso es precisamente lo que hace la monitorización de visibilidad en IA de Tenten: transforma esa visibilidad en una curva que puede interpretar y seguir a lo largo del tiempo. Si quiere saber cuál es su situación y qué tipo de brecha debe resolver, puede solicitar un diagnóstico GEO de 30 minutos. Prepararemos una línea de base a partir de las preguntas reales de su mercado.
