Los motores de respuestas de AI rompieron la métrica que ancló las búsquedas durante dos décadas: la posición promedio de las palabras clave. Cuando un asistente responde a una pregunta, a menudo no hay una lista de posiciones que ocupar y, con frecuencia, tampoco hay clics que contar. Medir la visibilidad de la AI significa adoptar nuevas unidades diseñadas para un sistema probabilístico e impulsado por la recuperación de información, y ser honestos sobre los límites reales: rara vez existe un feed oficial de lo que ven los usuarios, por lo que una medición creíble se basa en el muestreo, no en la verdad absoluta. Así se construye un hábito de medición que resiste el escrutinio.
Mide cuatro cosas y mantenlas separadas
La visibilidad de la AI no es un solo número. La Presencia indica si la respuesta menciona tu marca en absoluto. La Citación, si tu URL aparece como fuente enlazada. El Sentimiento es cómo te describen cuando apareces, desde una opción recomendada hasta una advertencia de precaución. El share of voice es la frecuencia con la que apareces en comparación con los competidores mencionados en las mismas preguntas. Estos elementos parecen ser gestionados por distintas partes del flujo de respuesta y suelen evolucionar de forma independiente, de modo que un motor puede citar tus datos en una nota al pie mientras nombra a un competidor en la recomendación.
Trátalo como algo probabilístico: mide tasas, no posiciones
Una página de resultados de búsqueda es lo suficientemente determinista como para muestrearla una sola vez. Una respuesta generada se extrae de una distribución de probabilidad, y el hecho de que se active la recuperación en tiempo real puede cambiar de una ejecución a otra, por lo que el mismo prompt puede devolver marcas y citas diferentes entre sesiones. Como consecuencia, una sola comprobación no te dice casi nada. La unidad significativa es una tasa a lo largo de muchas muestras del mismo prompt en el tiempo, razón por la cual las capturas de pantalla aisladas son anécdotas, no mediciones.
No existe un feed oficial, por lo que el método consiste en el muestreo y los conjuntos de prompts
Para la mayoría de las respuestas de AI destinadas a consumidores no existe una API pública que devuelva exactamente lo que ve un usuario y, allí donde existen APIs para desarrolladores, estas pueden diferir del producto de consumo en cuanto a modelo, recuperación y personalización. Por lo tanto, una medición creíble se basa en un conjunto de prompts fijo y documentado (las preguntas reales que hacen los compradores) ejecutado con una frecuencia regular. Mantén el conjunto lo suficientemente estable para poder compararlo mes a mes y lo bastante grande como para que una racha de suerte no altere el total. Cambiar de prompts constantemente destruye la tendencia que intentas observar.
Las respuestas conectadas a la web y las basadas en la memoria de entrenamiento no se interpretan de la misma manera
Cuando la navegación o la recuperación están activas, la respuesta refleja lo que el motor obtuvo en tiempo real, por lo que el contenido fresco y rastreable puede influir en ella rápidamente. Cuando el motor responde únicamente a partir de los datos de entrenamiento, estás viendo un reflejo más lento de cómo se describía tu marca en la web en el momento del entrenamiento. Estos dos modos pueden no coincidir para una misma marca, y las palancas para cambiar cada uno de ellos difieren; por lo tanto, siempre que puedas, toma nota de si una respuesta estaba conectada a la web antes de interpretar el resultado.
La atribución es indirecta, así que triangula los efectos posteriores
Gran parte de la influencia de las respuestas de AI deja poco o ningún rastro de referencia: una mención dentro de la respuesta sin clic no deja nada, y algunas interfaces como el AI Mode de Google eliminan el referente, aunque algunos motores conectados a la web (Perplexity en un clic de citación, AI Overviews como tráfico orgánico normal de Google) sí pasan referentes estándar, por lo que las analíticas estándar subestiman la influencia de la AI en lugar de perderla por completo. Una mención puede definir la lista de opciones de un comprador y no producir nada en tu informe de tráfico hasta que más adelante busque tu nombre. La solución práctica es la triangulación: combina el muestreo directo de visibilidad de AI con el volumen de búsqueda de marca, el tráfico directo y los datos de "¿cómo nos conociste?". Ninguno es una prueba por sí solo, pero juntos muestran si la presencia en la AI se está traduciendo en demanda, y evitan atribuir en exceso un buen mes a tu último cambio de contenido.
- Separa la presencia, la citación, el sentimiento y el share of voice: se deciden en diferentes etapas y pueden moverse en direcciones opuestas, por lo que una sola cifra combinada oculta la historia real.
- Mide tasas a lo largo de muchas muestras, no posiciones. Las respuestas generadas son probabilísticas, por lo que una captura de pantalla es una anécdota y una tasa de éxito por prompt a lo largo del tiempo es una métrica.
- Rara vez existe un feed oficial de lo que ven los usuarios reales, así que basa la medición en un conjunto de prompts fijo y versionado con preguntas reales de compradores ejecutadas con una frecuencia constante.
- Distingue, siempre que puedas, las respuestas conectadas a la web de las basadas en la memoria de entrenamiento, ya que pueden no coincidir para una misma marca y responder a palancas diferentes.
- Gran parte de la influencia de la AI deja poco o ningún rastro de referencia y las analíticas estándar la subestiman (aunque algunos motores conectados a la web sí pasan referentes), así que triangula el muestreo con la búsqueda de marca y las señales de tráfico directo, y evalúa el progreso a lo largo de un trimestre, no de un solo mes con datos dispersos.