Cómo se mide la visibilidad de marca en IA: qué marcas recomienda ChatGPT
Si una marca sale en 60 de cada 100 respuestas, ¿su visibilidad es del 60%? Depende de cuántas veces ese modelo cite marcas. Cómo separar las dos cosas antes de hablar de GEO.
Javier Nogales CDO 4 min de lectura
Si una persona pregunta a una IA qué compañía eléctrica elegir para una segunda vivienda, el modelo puede recomendar una o varias marcas. Si pregunta por una tarifa para un coche eléctrico, la lista puede cambiar: una marca que antes encabezaba las recomendaciones quizá ni siquiera aparezca. ¿Qué significa entonces estar bien posicionado en las respuestas de una IA?
Esta es una de las preguntas que estudiamos en AI Brand Intelligence (AIBI), el observatorio de Cirentis sobre la presencia de marcas en las respuestas de ChatGPT, Claude y Gemini. Cada semana se consulta un banco fijo de preguntas de consumidor por sector, mediante API y sin navegación web. Se observa quién aparece, en qué contextos y con qué argumentos. El panel es público y se puede mirar ahora mismo.
Las cinco marcas más citadas en cada sector, con su variación respecto a la semana anterior. Los porcentajes se recalculan cada semana: esto es la foto de un momento, no una clasificación estable.
Qué estamos contando cuando decimos «visibilidad»
Para medir la presencia en los grandes modelos de lenguaje (LLMs) necesitamos definir qué contamos. Si una marca aparece en 60 de 100 respuestas, su visibilidad observada es del 60%. Ese porcentaje describe las respuestas al banco de preguntas utilizado. No significa que el 60% de los consumidores conozca la marca o la prefiera.
Además, algunos LLMs nombran marcas con frecuencia, mientras que otros responden más veces con criterios generales. Una marca puede aparecer menos en el segundo modelo sin tener una menor presencia relativa entre las respuestas que sí citan marcas.
El mismo 60% no significa lo mismo en dos modelos
Veamos un ejemplo hipotético con las mismas 100 preguntas para dos LLMs. El modelo A cita alguna marca del catálogo analizado en todas sus respuestas y nuestra marca aparece en 60. El modelo B solo cita marcas de ese catálogo en 50 respuestas, y la nuestra aparece en 30.
| Modelo A | Modelo B | |
|---|---|---|
| Respuestas que citan alguna marca del catálogo | 100 de 100 | 50 de 100 |
| Respuestas en las que aparece nuestra marca | 60 | 30 |
| Visibilidad total | 60% | 30% |
| Visibilidad entre las respuestas que citan marcas | 60% | 60% |
La visibilidad total es del 60% y del 30%. Sin embargo, entre las respuestas que nombran marcas del catálogo, ambos la incluyen en el 60%.
Es una identidad sencilla de probabilidad. Si M denota el evento «aparece nuestra marca», incluida en el catálogo analizado, y C denota «aparece alguna marca del catálogo», para un mismo conjunto de preguntas y siempre que haya respuestas con marcas:
P(M) = P(C) × P(M | C)
La primera probabilidad responde a cuántas veces aparece la marca en total. La probabilidad condicionada ayuda a separar esa presencia de la propensión general del modelo a citar marcas. Conviene mirar las dos: en el ejemplo, la marca sigue apareciendo en menos respuestas del modelo B. El ajuste permite entender la diferencia, no hacerla desaparecer.
El banco de preguntas decide el resultado
El diseño del banco de preguntas también importa. Preguntar «¿qué opinas de la marca X?» ya introduce su nombre en la conversación. Por eso el índice principal de AIBI utiliza preguntas de recomendación que no nombran marcas en el enunciado. Las preguntas críticas se analizan por separado: aparecer cuando se pregunta a quién evitar requiere otra interpretación.
No solo si apareces: cómo apareces
También importa cómo se habla de cada marca. Ser la primera citada, aparecer de pasada o figurar con una advertencia aportan información distinta. AIBI permite revisar el orden de aparición y los argumentos asociados a cada marca. Que un competidor aparezca ligado al ahorro y otro al servicio abre una hipótesis sobre su posicionamiento en el modelo.
Antes de preguntarse cómo ganar visibilidad en IA
Para mí, el valor de este observatorio está en entender en qué situaciones aparece una marca y cómo se presenta frente a sus competidores. Un porcentaje agregado puede ocultar que apenas se menciona para una necesidad relevante.
Buena parte de lo que hoy se discute bajo la etiqueta de GEO —generative engine optimization, el equivalente del SEO para las respuestas de los modelos— empieza por ahí: no por cómo subir un número, sino por saber qué número se está mirando. Por eso, antes de preguntarnos cómo ganar visibilidad en IA, conviene hacer una pregunta más concreta: cuando alguien plantea una necesidad que nuestra marca puede resolver, ¿aparece entre las alternativas?