Cómo medimos la visibilidad en la búsqueda con IA

WhoCanFindMe mide dos cosas distintas, y es importante entender ambas:

1. Preparación para IA (la auditoría gratuita). Una puntuación determinista y heurística basada en señales que extraemos directamente de su página pública: reglas del robots.txt, datos estructurados, extraibilidad del contenido, señales de actualidad y salud técnica. Esto se ejecuta en segundos y no cuesta nada porque no requiere llamadas en vivo a ninguna API de IA. Le dice si su página está en posición de ser encontrada por los rastreadores y analizadores de IA.
2. Visibilidad Medida (nivel de pago). Consultas fundamentadas en vivo enviadas a ChatGPT, Perplexity y Gemini, más una consulta de memoria de entrenamiento enviada a Claude (que todavía no tiene una API nativa de búsqueda web), para medir si su marca aparece realmente en las respuestas. Tres motores se basan en recuperación de información; Claude es una comprobación de memoria de entrenamiento. Vea la Sección 4 para el detalle completo.

La distinción importa. Una puntuación de Preparación le habla de los requisitos técnicos previos para la visibilidad en IA; la Visibilidad Medida le habla del resultado real. Piense en la Preparación como «¿está la puerta abierta?» y en la Visibilidad Medida como «¿está entrando gente de verdad por ella?»

La puntuación de Preparación agrega seis categorías de señales. Cada una se puede medir de forma independiente desde su página pública, sin ninguna llamada a una API de IA.

Cada motor de IA pondera las seis categorías de señales de forma distinta, porque tienen arquitecturas de recuperación genuinamente diferentes. En lugar de presentar una única «puntuación de IA», calculamos una puntuación de Preparación por motor y luego las promediamos para obtener la cifra general destacada.

ChatGPT pondera mucho el acceso de los rastreadores porque el 87% de sus citas provienen de los 10 primeros resultados de Bing, y Bing requiere acceso de OAI-SearchBot. Perplexity pondera sobre todo la actualidad y la autoridad porque su proceso RAG de seis etapas filtra de forma agresiva por actualidad y densidad factual. Gemini valora sobre todo los datos estructurados y las señales de autoridad, reflejando el marco E-E-A-T de Google. Claude pone la extraibilidad en primer lugar porque es el motor más selectivo, con un 97.8% de citas provenientes de fuentes establecidas y claramente estructuradas.

Cualquier motor bloqueado en el robots.txt recibe una penalización del 55% en su puntuación combinada (la puntuación se multiplica por 0.45), reflejando que los motores bloqueados no pueden indexar ni citar la página en absoluto.

La puntuación general de Preparación es la media aritmética de las cuatro puntuaciones por motor, cada una limitada al rango [0, 100].

Las puntuaciones de Preparación son una condición necesaria, pero no suficiente, para la visibilidad en IA. La Visibilidad Medida va más allá: enviamos consultas reales a los motores de IA reales y medimos si su marca aparece en las respuestas fundamentadas y citadas.

Por qué consultas fundamentadas, y no sondeos de memoria de entrenamiento

En la mayoría de los grandes motores de IA para consumidores (ChatGPT Search, Perplexity, Google AI Overviews y Copilot), las respuestas se fundamentan en recuperación web en vivo en el momento de la consulta. La memoria de entrenamiento decide si una IA «sabe» que una marca existe; la recuperación en vivo decide si la cita en sus respuestas. El GEO es sobre todo un problema de recuperación de información, por eso preferimos las consultas fundamentadas siempre que el motor las permita.

En ChatGPT, Perplexity y Gemini no usamos prompting de modelo base (preguntarle a la IA qué «sabe» sobre una marca sin búsqueda web). Eso pone a prueba la memoria de entrenamiento congelada, es altamente no determinista, propenso a alucinaciones con marcas menos conocidas, y no refleja lo que los usuarios ven realmente en los motores de consumo fundamentados. Claude es la única excepción: a día de hoy, con la API actual de Anthropic, Claude no tiene ninguna herramienta nativa de búsqueda web comparable a las de OpenAI o Google, así que su puntuación es, por necesidad, una comprobación de memoria de entrenamiento, no una medición fundamentada. Señalamos esto en cada puntuación de Claude, y la cambiaremos a una consulta fundamentada en cuanto Anthropic lance una API de búsqueda web.

Diseño del conjunto de consultas

Construimos un conjunto de consultas curado que cubre tres categorías: consultas de descubrimiento (por categoría, sin nombres de marca), consultas de comparación (etapa de evaluación) y consultas directas de marca. La proporción es aproximadamente 60/30/10: el descubrimiento tiene el mayor peso porque es ahí donde se capta nueva audiencia. Un mínimo de 30 consultas por auditoría ofrece una señal significativa; la auditoría estándar completa usa 50.

Repeticiones y tratamiento estadístico

Una sola ejecución de una sola consulta casi no significa nada. La no determinación de los LLM implica que la misma consulta puede producir citas distintas entre ejecuciones, incluso con temperature=0 (la variación por tamaño de lote a nivel de GPU no se puede eliminar). El estudio GEO de Princeton encontró que se necesitan entre 60 y 100 repeticiones para estabilizar los porcentajes de visibilidad.

Cada repetición envía la misma consulta idéntica de nuevo. No variamos ni parafraseamos el prompt entre repeticiones. Las auditorías de pago estándar ejecutan 3 repeticiones por consulta por motor; la vista previa gratuita/anónima y las repeticiones rutinarias de Agencia ejecutan 1 (una instantánea de muestra única, sin banda). La tasa de citas se calcula como la fracción de ejecuciones en las que se citó la marca (brandCited = true). Usamos el intervalo de puntuación de Wilson para calcular un intervalo de confianza del 95% sobre esta proporción. Esto refleja la consistencia de una ejecución a otra bajo la variabilidad propia del proveedor entre llamadas idénticas, no una muestra de cómo podría variar la cita entre distintas formulaciones de la misma consulta.

Fidelidad entre la API y la interfaz de consumidor

Para ChatGPT, Perplexity y Gemini usamos la API programática de cada motor con la búsqueda web activada. Este es el estándar del sector y el único enfoque escalable, pero introduce diferencias conocidas:

• El ChatGPT.com de consumidor puede incluir personalización e historial de navegación que las API no replican.
• La API de Gemini con fundamentación de Google Search y Google AI Overviews comparten solo ~38.5% de los principales dominios citados, una brecha estructural que revelamos explícitamente en cada puntuación de Google.
• Perplexity documenta una posible divergencia entre su API y su interfaz de consumidor.
• La API de Claude no tiene ninguna herramienta de búsqueda web, así que su puntuación usa la memoria de entrenamiento del modelo en lugar de una llamada en vivo a la API: la mayor brecha de fidelidad de las cuatro, revelada en cada puntuación de Claude.

Señalamos estas limitaciones en cada informe que incluye una puntuación de Visibilidad Medida. Creemos que la transparencia sobre las limitaciones de la medición vale más que una falsa precisión.

Las puntuaciones de visibilidad en IA son estimaciones, no hechos. Hay tres fuentes de volatilidad que afectan a cualquier medición:

1. No determinismo de los LLM. Incluso con temperature=0, las respuestas de la API varían debido a la variación por tamaño de lote a nivel de GPU. Una puntuación puntual sin repeticiones puede variar ±30% en una nueva ejecución. Nuestro motor de Visibilidad Medida repite cada consulta idéntica varias veces e informa de intervalos de confianza de puntuación de Wilson sobre la tasa de citas resultante. Esto mide la consistencia de una ejecución a otra bajo la variabilidad propia del proveedor, no la variación entre distintas formulaciones de la misma consulta, para que pueda ver cuán estable es cada número.
2. Actualizaciones de modelos y algoritmos. OpenAI, Google y Perplexity actualizan sus modelos de forma continua, a menudo sin anuncios públicos. Una puntuación de hace seis semanas puede no reflejar la realidad actual. Mostramos la fecha de medición en cada puntuación y señalamos las puntuaciones de más de 30 días de antigüedad.
3. Variación geográfica y de personalización. La misma consulta produce respuestas distintas según la ubicación, el idioma y el tipo de cuenta. Nuestras mediciones se ejecutan desde ubicaciones estandarizadas. Los resultados para otras zonas geográficas pueden variar.

La puntuación de Preparación (auditoría gratuita) es mucho más estable que la Visibilidad Medida porque comprueba señales deterministas (robots.txt, datos estructurados, contenido HTML), no resultados estocásticos de IA. Un cambio en la puntuación de Preparación refleja un cambio real en su página.

Creemos que la honestidad intelectual sobre los límites de la medición es lo que distingue a una herramienta útil de un generador de puntuaciones que solo parece convincente. Esto es lo que esta herramienta explícitamente no puede decirle:

Nuestra metodología se basa en investigación académica publicada y estudios primarios de profesionales del sector. El campo avanza rápido; reverificamos las estadísticas clave cada trimestre. Etiquetas de solidez de la evidencia: Probado = estudio controlado o replicado en varios estudios; Probable = un solo estudio o fuerte consenso de profesionales del sector con un mecanismo plausible; Anecdótico = ampliamente repetido, sin estudio.