Cómo medir la visibilidad en búsqueda con IA

Qué cuenta como una medición

La visibilidad en búsqueda con IA se mide ejecutando un conjunto fijo de preguntas de compradores en una superficie de respuesta con nombre, muchas veces durante un periodo, y contando con qué frecuencia las respuestas mencionan, recomiendan y citan tu marca. El resultado es un conjunto de tasas con tamaño de muestra, seguidas en el tiempo, por superficie y por mercado. Cualquier cosa menor es una anécdota.

Una captura de pantalla de una respuesta no es una medición. Muestra lo que un modelo produjo una vez, para una persona, en una ubicación, con los resultados de búsqueda que recuperó ese minuto. Haz la misma pregunta otra vez y las marcas nombradas pueden cambiar. OpenAI documenta que sus APIs son no deterministas por defecto y que, incluso con una semilla fija, "el determinismo no está garantizado". Las respuestas con búsqueda web suman una segunda fuente de variación: los resultados de búsqueda detrás de ellas se mueven cada día.

Por eso la unidad de medida no es una respuesta. Es una tasa sobre muchas respuestas muestreadas, con las condiciones registradas: qué superficie, qué modelo, qué ubicación, qué día.

Elige prompts que reflejen preguntas reales de compradores

Los prompts que monitoreas deciden lo que aprendes. Si son los nombres de tus propios productos, descubrirás que los asistentes conocen tu producto. Esa no es la pregunta. La pregunta es si un comprador que todavía no te conoce recibe tu nombre en la respuesta.

Construye el conjunto a partir de las preguntas que la gente realmente le hace a un asistente en cada etapa: qué es una categoría, qué opciones existen, cuál se ajusta a una restricción, cuánto cuesta, si está disponible en su país. Una empresa de software de nómina en México monitorearía prompts como "qué software de nómina cumple con el CFDI en México" y "mejor sistema de nómina para una empresa de 50 empleados en México", no "nuestro producto es bueno".

• Escríbelos en el idioma del mercado, como los formularía un comprador local, no como traducciones de una lista de palabras clave en inglés. El vocabulario, las regulaciones y los competidores cambian por país; mira cómo cambian las respuestas de IA por país.
• Agrúpalos por intención (preguntas de categoría, de comparación, de ajuste) para leer tasas por grupo en lugar de un solo número mezclado.
• Mantén el conjunto estable. Cambiar prompts a mitad de la serie rompe la comparación. Agrega los nuevos como un grupo aparte con su propia fecha de inicio.

Tasa de menciones, tasa de recomendación, cobertura de citas

Cada prompt se ejecuta repetidamente. Cada ejecución es una observación. A partir de las observaciones calculas tres tasas, y responden tres preguntas distintas.

• Tasa de menciones: la proporción de respuestas en las que tu marca aparece nombrada. Te dice si el asistente sabe que existes en este contexto.
• Tasa de recomendación: la proporción de respuestas en las que tu marca se presenta como una opción que el comprador debería considerar, no solo nombrada. Una mención dentro de "otras alternativas que quizá conozcas" no es una recomendación.
• Cobertura de citas: la proporción de respuestas que enlazan a una página tuya como fuente. Las superficies con búsqueda web lo exponen: la documentación de Google dice que sus funciones de IA muestran enlaces a las fuentes, y el grounding con búsqueda de la API de Gemini devuelve las URL citadas junto con la respuesta.

Una marca puede ser mencionada con frecuencia, recomendada rara vez y citada nunca. Cada brecha apunta a una corrección distinta, y por eso un solo "puntaje de visibilidad" mezclado esconde más de lo que muestra.

Tamaño de muestra e incertidumbre. Una tasa calculada sobre cuatro respuestas dice poco. Si un prompt se ejecutó 40 veces y tu marca fue recomendada en 12, reporta "12 de 40" o "30% sobre 40 respuestas", y trátalo como una estimación con un rango alrededor. A medida que crece el conteo, el rango se estrecha. Cualquier herramienta que muestre una tasa sin su tamaño de muestra te pide confiar en un número que no puedes verificar.

Por superficie, por mercado, y quién más está en la respuesta

Las superficies no son intercambiables. Una respuesta de la API con búsqueda web de OpenAI, una de Gemini con grounding de Google Search, una de la API de búsqueda web de Perplexity y un AI Overview en una página de resultados de Google las producen modelos distintos sobre recuperaciones distintas. Reporta cada una como su propia serie, con el proveedor nombrado. No las promedies, y no llames "ChatGPT" a un resultado de API: lo que una persona ve en la aplicación para consumidores es otra cosa, y una medición por API no la reemplaza.

Los mercados tampoco son intercambiables. El mismo prompt hecho desde México y desde Colombia, en el español de cada país, se recupera de fuentes distintas y responde con marcas distintas. Mide cada mercado donde vendes como su propia serie. Si empiezas con uno, la página del mercado México muestra cómo se ve una línea base de un solo mercado.

Monitorea a los competidores y a las fuentes, no solo a ti. Registra cada marca que aparece en cada respuesta, para ver a quién recomiendan cuando no te recomiendan a ti, y registra cada dominio citado, para ver en qué publicaciones, directorios y sitios de comparación se apoya el asistente en este mercado. De esas listas salen la mayoría de las correcciones: un directorio que lista al competidor y no a ti, un sitio de reseñas con datos desactualizados de tu producto, una página de categoría que nunca escribiste en el idioma local. La guía sobre cómo aparecer en las respuestas de IA explica qué hacer con ellas.

Distinguir un cambio real del ruido

Como las tasas se mueven solas, la parte más difícil de medir es saber cuándo pasó algo. Un ejemplo inventado: una tasa de recomendación que pasa de 25% a 35% entre dos ejecuciones semanales de 40 respuestas cada una está dentro del rango que esperarías solo por el muestreo. Un salto el día en que un proveedor cambió su modelo es un cambio en el instrumento, no en tu visibilidad.

Una disciplina que funciona se ve así:

1. Registra una línea base antes de cambiar nada: varias semanas de ejecuciones, por superficie y mercado, para saber cuánto oscilan las tasas en reposo.
2. Anota la fecha de publicación de cada cambio que hagas, con qué se cambió y dónde.
3. Define una ventana de observación por adelantado, suficientemente larga para que el cambio sea rastreado y recuperado, y compara la ventana contra la línea base, no contra la mejor semana suelta.
4. Anota los cambios del proveedor. Cuando una versión del modelo o el comportamiento de búsqueda cambia dentro de tu ventana, marca la comparación en lugar de confiar en ella.
5. Usa un lenguaje cuidadoso. "Probablemente positivo", "sin cambio claro" e "inconcluso" son resultados honestos. Una mejora después de un cambio es evidencia de que ayudó, no una prueba, porque nadie controla lo que responde un asistente.

Cómo mide VozRadar

VozRadar está construido alrededor del método de arriba. Para un mercado elegido, descubre prompts localizados de compradores y, una vez que los apruebas, los ejecuta cada semana en superficies de respuesta con nombre: la API de OpenAI con búsqueda web, Gemini con grounding en Google Search, la API de búsqueda web de Perplexity, y Google AI Mode y AI Overviews capturados de los resultados de búsqueda. Cada respuesta se guarda como una observación, etiquetada con la superficie, el modelo y la ubicación que la produjeron; un resultado de API se etiqueta como tal, no como la aplicación para consumidores.

La tasa de menciones, la tasa de recomendación y la cobertura de citas se reportan como probabilidades con su tamaño de muestra y un rango de incertidumbre, nunca como una posición, y cada agregado enlaza a las respuestas que hay detrás. Los competidores y las fuentes citadas se registran por mercado. Cuando publicas una corrección, el Registro de experimentos guarda la línea base, la fecha de publicación y la ventana de observación, y reporta el resultado como evidencia, no como prueba. La página de metodología explica el modelo, los umbrales y un ejemplo con números. VozRadar está en prelanzamiento con lista de espera; la página Acerca de describe qué afirma y qué no.