“¿Cómo se mide la visibilidad en IA?” Cuidado con esta pregunta, porque el mercado te va a ofrecer un score. Un dashboard con un número del 0 al 100, una posición, una calificación. Aquí está el problema con los scores: esconden sus insumos. No los puedes auditar, no los puedes reproducir, y cuando el número se mueve no vas a saber por qué. Una medición que no se puede desarmar es decoración.
La alternativa es más vieja y mejor: tasas. El conteo de un evento definido sobre una población definida, impreso con su denominador. Todo lo que necesitas para medir la visibilidad en IA cabe en ese formato.
Léelo una vez y puedes correr la medición tú mismo: cuatro tasas, tres capas, tres tipos de asistente, cada uno reportado por separado con su denominador.
Las cuatro tasas
Hazle un banco de preguntas reales de comprador a los asistentes que cubre el estudio, varias veces cada una, y lee cada respuesta. Para cada marca, cuenta cuatro cosas:
- Mencionada. La marca aparece en una respuesta a una pregunta que nunca la nombró. El piso: presencia en la conversación de la categoría.
- Recomendada. El asistente la sugiere activamente. Que la incluyan entre ocho no es que te digan que la compres.
- Nombrada como la mejor. La respuesta la distingue en lugar de agruparla. La forma de presencia más fuerte y más rara.
- Con ruta de compra. La respuesta dice dónde comprarla. El proxy honesto más cercano a la intención de compra, sin necesidad de analytics.
Cada una es una tasa con su denominador. De nuestra muestra inventada, una marca de bloqueador medida contra Bloqsol y Dermalux: Mencionada 26%, 103 de 396 respuestas. Recomendada 11%, 44 de 396. Nombrada como la mejor 3%, 12 de 396. Con ruta de compra 7%, 28 de 396.
Un porcentaje sin población detrás es decoración. ¿26% de qué? De 396 respuestas, cada una leída. Ahora sí lo puedes auditar.
Las tres capas, nunca promediadas
El banco tiene tres capas, y responden preguntas distintas:
- Las preguntas sin marca nunca la nombran. Miden la presencia espontánea, la única forma honesta de saber si apareces por cuenta propia.
- Las preguntas con marca preguntan directamente por ti: qué cree el modelo, adónde manda a los compradores, qué crítica llega adjunta.
- Las preguntas competitivas mapean quién domina la conversación, cara a cara y en comparaciones que ocurren sin ti.
Cada capa tiene sus propios números. Mézclalas y cada cifra se mueve por razones que nadie puede explicar. Los promedios entre capas son donde los scores se van a esconder.
Los tres tipos de asistente
La misma marca mide distinto según cómo funciona el asistente, así que los tipos se reportan por separado:
| Tipo de asistente | Tasa de mención (muestra inventada) |
|---|---|
| Llamada solo de memoria | 9%, 12 de 132 respuestas |
| Busca y luego responde | 22%, 29 de 132 respuestas |
| Google AI Mode | 31%, 41 de 132 respuestas |
La lectura: la conciencia dentro de la memoria del modelo es débil; la web abierta es lo que carga a la marca. Mezcla los tres en un solo número y pierdes justo ese hallazgo. Una regla más: los asistentes que no muestran fuentes se registran con su propio estatus, nunca se cuentan como cero, porque contarlos como cero corrompe silenciosamente cada comparación.
Por qué esto le gana a un score
Tres consecuencias prácticas:
- Lo puedes auditar. Cada cifra se rastrea hasta respuestas guardadas que puedes leer.
- Lo puedes reproducir. Volver a correr el mismo banco congelado da números comparables, así que las tendencias significan algo.
- Lo puedes accionar. “Recomendada está baja, busca-y-responde nos está cargando, la página del retailer es la fuente más citada” es un plan. “Nuestro score pasó de 61 a 64” es un encogimiento de hombros.
Todo lo de arriba es el método en versión corta; la versión completa, incluyendo cómo se construye el banco y qué no te puede decir el estudio, vive aquí: /es/metodologia/.