Aprender el sistema
Aprende qué responden las métricas de visibilidad, influencia e ingresos y sus límites.
Construir el modelo
Etapa 02 · Diagnosticar
Medición base: establece la visibilidad real
Antes de cambiar contenido, separa respuestas observadas, analítica, datos declarados e inferencias comerciales.
Resultado
Medir consultas, citas, cuota de respuesta, visitas cualificadas y Pipeline sin falsa certeza.
- Requisito
- Completar o repasar la etapa anterior: Fundamentos GEO
- Esfuerzo
- 60–90 min + una sesión de trabajo
- Entregable
- Consultas versionadas, registro de evidencia, diccionario de métricas e incógnitas.
Aprender → Hacer → Probar
Hacer el trabajo
Crea una muestra repetible con motor, mercado, fecha, respuesta y fuentes.
Crear el entregable
Probar el resultado
Haz que otra persona reproduzca el método y explique sus límites.
Revisar evidencia
Concept boundaries
Query set
A versioned sample of buyer questions used to observe answers under declared collection conditions.
It is a sample, not a census of every prompt buyers may use.
Answer role
The brand's function in a response, such as absent, mentioned, cited, compared, or recommended.
The categories describe the captured answer; they do not prove persuasion or revenue.
Evidence log
A record of the prompt, engine, market, date, answer, sources, method, and reviewer notes.
A log supports reproducibility only when the collection method and missing data are retained.
Core lesson
01
Separate visibility, behavior, and commercial evidence
A reliable baseline uses several evidence layers without pretending they are interchangeable.
Captured answers can show observed presence and citation. Website analytics can show attributable visits and on-site behavior. CRM records can show known opportunities and revenue. Self-reported process data can show whether a team follows an operating practice.
The layers can inform one another, but a gap remains between them. Dark traffic, changing answers, consent, attribution windows, and small samples make that gap part of the report rather than something to hide.
- Assign every metric to one evidence layer.
- Write what the metric cannot answer.
- Keep raw observations available behind summaries.
02
Design a sample another person can rerun
Consistency matters more than a large dashboard that cannot be reproduced.
Define buyer stage, market, language, query wording, engine or surface, account state when relevant, and collection date. Version the query set when a question changes instead of silently overwriting it.
Use the same classification rules across runs. When reviewers disagree, preserve the disagreement and refine the rule; do not force a clean score by changing categories after seeing the answer.
- Freeze the initial query-set version.
- Write a role-classification rule with examples.
- Have a second reviewer classify a small sample independently.
Decision framework
The evidence ladder
What strength of claim can this observation support?
- 01
Observed
Was the answer or event directly captured?
Report exactly what occurred under the recorded conditions.
- 02
Repeated
Was the same method rerun across declared times or reviewers?
Discuss stability or variance within the sample.
- 03
Connected
Can the observation be linked to a separate behavior or CRM record?
Report the connection and attribution rule, not assumed causality.
- 04
Causal
Was a valid design used to isolate the change?
Make causal claims only when the design actually supports them.
Worked non-client example
A team captures a brand citation in several answers and sees an increase in direct visits during the same period.
- The citation captures are timestamped.
- Direct traffic increased in analytics.
- No visitor-level link joins the answers to those sessions.
Report answer presence and direct-traffic movement as parallel observations, then add a self-report or tagged journey where appropriate.
Timing alone does not connect the two datasets.
The evidence supports monitoring and a better attribution design, not a claim that the citations caused the traffic change.
Reusable work template
Baseline evidence log
Store raw captures before calculating summary metrics.
- 01
Query ID and version
Use a stable identifier and retain previous wording.
- 02
Collection context
Record engine, surface, locale, market, date, and relevant account state.
- 03
Answer capture
Preserve the response or a reviewable extract and cited sources.
- 04
Brand role
Classify using a written absent/mention/citation/comparison/recommendation rule.
- 05
Linked evidence
Reference analytics or CRM records only when the linking rule is declared.
- 06
Unknowns
List sampling, personalization, tracking, and attribution limitations.
Failure modes and corrections
Changing prompts between runs
The dashboard compares results collected with different wording but labels them as a trend.
The measurement changed with the subject.
Version prompts and compare only compatible samples.
Compressing all roles into one score
Mentions, citations, and recommendations receive an unexplained blended value.
The score hides the behavior that should drive the next decision.
Show role counts and source captures before any composite.
Backfilling certainty
Unknown answers, missing captures, or dark traffic disappear from the report.
The baseline looks cleaner while becoming less auditable.
Keep an explicit unknown state and report denominator changes.
Practice exercise
Build and rerun a baseline sample
Use a small set of real questions from one buyer stage and one market.
- 01Freeze the query wording and classification guide.
- 02Capture answers and cited sources under declared conditions.
- 03Ask a second reviewer to classify a subset.
- 04Rerun the sample and explain variance without claiming causality.
Proof artifact
A versioned query set, raw evidence log, metric dictionary, and baseline note with unknowns.
Completion rubric
- A teammate can reproduce the method.
- Raw captures support every summary.
- Unknown and missing states remain visible.
- Claims stay within the evidence ladder.
BIBLIOTECA DE LA ACADEMY
Explora la biblioteca completa
Elige una etapa y usa el tema y la intención para escoger la profundidad adecuada.
considerationhubsearchable
Guía resumida para elegir una herramienta de visibilidad en IA: del objetivo de negocio a las fuentes
La mayoría de los equipos empieza por el lugar equivocado. Este es el mapa completo para pasar de una necesidad concreta a una implementación útil.
Leer artículodecisiondatasearchable
¿Cómo justificar la inversión en GEO? Cuatro niveles de atribución, desde la IA hasta el negocio real
La inversión en GEO no puede justificarse preguntando únicamente si una IA menciona la marca. Hay que desglosarla en cuatro niveles: recuperación, citas, clics y resultados comerciales.
Leer artículoconsiderationdataboth
¿Cuánto tarda el GEO en dar resultados? Plazos e hitos de un proyecto real
El GEO avanza en tres etapas: las primeras menciones suelen aparecer entre las semanas 4 y 8; la visibilidad puede cuantificarse entre las semanas 8 y 12; y las oportunidades comerciales llegan entre las semanas 12 y 24. Muchos proyectos se abandonan antes de alcanzar ese umbral.
Leer artículoconsiderationdataboth
¿Qué extensión y antigüedad debe tener un artículo para que la IA lo cite? Lo que revelan 500 artículos
Es falso que cuanto más extenso sea un contenido, más probabilidades tenga de ser citado por la IA. Los datos muestran una curva en U invertida y que la actualidad solo resulta decisiva para determinados tipos de consulta.
Leer artículoawarenessdatashareable
¿Qué fuentes cita Google AI Overviews en Taiwán? Informe de referencia para B2B SaaS
Las páginas citadas por Google AI Overviews y los tres primeros resultados orgánicos coinciden menos de lo que suele suponerse. Este benchmark del mercado B2B de Taiwán analiza qué tipos de fuentes selecciona la IA y qué factores favorecen su citación.
Leer artículoawarenessdatashareable
Chino tradicional frente a simplificado: un estudio con datos propios sobre las fuentes que cita la búsqueda con IA
Ante una misma pregunta, las respuestas en chino tradicional y simplificado solo comparten una mediana del 18 % de sus fuentes. La presencia de una marca taiwanesa en el ecosistema simplificado no garantiza que aparezca en las respuestas en tradicional.
Leer artículoTarea de prueba
Tarea de prueba: Medición base
Haz que otra persona reproduzca el método y explique sus límites.
- 01Guardar evidencia inicial — Aprende qué responden las métricas de visibilidad, influencia e ingresos y sus límites.
- 02Completar entregable — Crea una muestra repetible con motor, mercado, fecha, respuesta y fuentes.
- 03Revisar contra resultado — Haz que otra persona reproduzca el método y explique sus límites.
Entregable
Consultas versionadas, registro de evidencia, diccionario de métricas e incógnitas.
Biblioteca de apoyo
Profundiza el tema
El núcleo sigue abierto; algunos whitepapers avanzados mantienen su acceso actual.
Whitepaper6 capítulos · 2026.06
Whitepaper de las tres capas de métricas GEO
Tasa de cita, cuota de respuesta y contribución al pipeline — qué mide cada una, cómo se obtienen los datos y por qué el tráfico no debería ser un KPI. Incluye las definiciones de campos del reporte.
Whitepaper de las tres capas de métricas GEOInforme6 capítulos · 2026.06
Share of Model: convierte tu presencia en la IA en una cifra comparable con tu competencia
Cuando los clics desaparecen, la frecuencia con la que la IA te menciona o te cita frente a tus competidores se convierte en el nuevo KPI. Este informe te da los datos de referencia de Share of Model para 2026 y cómo convertirlos en un cuadro de mando competitivo que puedas llevar a una presentación y comparar con tus rivales.
Share of Model: convierte tu presencia en la IA en una cifra comparable con tu competenciaGuía6 capítulos · 2026.06
El 57% del tráfico es "directo/desconocido": la guía de atribución para recuperar el tráfico oscuro
Las recomendaciones de IA borran el referrer y Google fusiona el AI Mode dentro de organic, así que en GA4 simplemente no ves tu tráfico de IA. Esta guía te enseña a usar server-side GTM y un framework agent-to-pipeline para recuperar el tráfico de IA que desaparece en "directo/desconocido" y conectarlo con tu CRM y tu lead scoring.
El 57% del tráfico es "directo/desconocido": la guía de atribución para recuperar el tráfico oscuroInforme6 capítulos · 2026.06
90% menos tráfico, 5 veces más ventas: no juzgues el tráfico de IA por los clics
La IA recorta los clics, pero te envía visitantes que convierten varias veces más. Este informe ordena los datos de conversión enfrentados de 2026 y te ayuda a replantear el pánico de "la IA me roba el tráfico" como el argumento de "la IA me trae a gente que compra más".
90% menos tráfico, 5 veces más ventas: no juzgues el tráfico de IA por los clicsAplica la etapa con una herramienta
Query Evidence Lab
Crea una muestra repetible con motor, mercado, fecha, respuesta y fuentes.
Límite de evidencia
Use the output for the decision it describes; do not treat a technical scan, self-assessment, or planning model as proof of live AI citations.
APLICAR
Pasa a la siguiente decisión revisable
Usa herramienta o servicio solo si su evidencia coincide con la decisión.