Definición
La visibilidad en LLM es el grado en que los grandes modelos de lenguaje como ChatGPT, Claude, Gemini y Perplexity mencionan una marca, citan sus páginas y la describen con precisión al responder a los prompts relevantes. Se mide, no se intuye: los equipos la cuantifican como tasas de mención y de cita sobre un conjunto definido de prompts, con seguimiento por modelo a lo largo del tiempo.
El mecanismo: dos puertas hacia la respuesta de un LLM
Una marca se vuelve visible en la salida de un LLM a través de dos mecanismos distintos, y cada uno responde a un tipo de trabajo diferente.
Datos de entrenamiento. Los pesos del modelo codifican lo que leyó durante el entrenamiento. Si una marca se describe de forma coherente en la web pública, la documentación, los sitios de reseñas y la prensa que entraron en el corpus, el modelo puede nombrarla y describirla sin consultar nada. Esta puerta se mueve despacio: refleja años de cobertura acumulada y solo se actualiza cuando se reentrena a los modelos.
Recuperación en vivo. Cuando un modelo está conectado a la búsqueda o a la navegación, obtiene páginas actuales en el momento de responder y sintetiza a partir de ellas. Esta puerta se mueve rápido: una página rastreable que responde a la pregunta de forma directa puede empezar a aparecer como fuente en cuestión de semanas. Requiere que los user agents de IA no estén bloqueados, que el contenido se renderice sin ejecución de JavaScript y que la página exponga su respuesta con la claridad suficiente para poder extraerla.
La mayoría de las respuestas reales combinan ambas cosas: el modelo enmarca la categoría a partir del conocimiento de entrenamiento y extrae los detalles concretos de las páginas recuperadas. Una marca nombrada en el texto es una mención de IA; una URL de fuente adjunta es una cita de IA. La visibilidad en LLM es el agregado de ambas señales.
Un ejemplo práctico
Un ejemplo hipotético: un proveedor de analítica pregunta a cuatro modelos “cuáles son las mejores herramientas de analítica de producto para startups”. ChatGPT y Gemini nombran al proveedor a partir del conocimiento de entrenamiento, pero citan un recopilatorio de terceros; Perplexity omite por completo al proveedor porque su página de comparativas bloquea el user agent PerplexityBot; Claude lo nombra, pero describe un modelo de precios que el proveedor retiró hace un año. Esa única prueba revela tres problemas de visibilidad distintos: una brecha de citas (las páginas propias no son la fuente citada), una brecha de recuperación (un rastreador bloqueado) y una brecha de precisión (un encuadre desactualizado de los datos de entrenamiento que las páginas actuales deben corregir con la claridad suficiente para que la recuperación lo sobrescriba).
Cómo medir la visibilidad en LLM
Define un conjunto estable de prompts que refleje las preguntas reales de los compradores, ejecútalo contra cada modelo monitorizado con una cadencia determinada y registra por cada respuesta: menciones de la marca, menciones de la competencia, URLs de fuentes citadas y notas sobre el encuadre. Informa de tasas y tendencias, nunca de respuestas aisladas, porque las salidas varían con la formulación, el muestreo y el estado de la recuperación. Segmenta por modelo, ya que la visibilidad suele ser fuerte en uno y estar ausente en otro, y vuelve a ejecutar la medición después de cada arreglo desplegado para poder atribuir el movimiento. El método repetible está documentado en la metodología de seguimiento de visibilidad en IA; en AEO Goal, el seguimiento de visibilidad en IA ejecuta este bucle en ChatGPT, Claude, Gemini y Perplexity, y señala dónde diverge cada modelo.
Visibilidad en LLM frente a términos adyacentes
frente a visibilidad en IA. La visibilidad en IA es el término más amplio: incluye las respuestas de los LLM más las experiencias de búsqueda potenciadas con IA, como Google AI Overviews y Microsoft Copilot, que fusionan un índice de búsqueda con la generación. La visibilidad en LLM es la etiqueta precisa cuando el alcance se limita a las salidas de modelos de tipo conversacional.
frente a Share of Model. Share of Model es el consolidado comparativo: tu cuota de respuestas relevantes frente a la competencia. La visibilidad en LLM describe la presencia de una marca; Share of Model la posiciona frente al conjunto.
frente a LLM SEO. El LLM SEO (y la práctica más amplia, la optimización para motores de respuesta) es la actividad de mejorar estas cifras. La visibilidad en LLM es el estado que se mide; el trabajo de optimización es lo que lo cambia.
Dónde encaja en un programa de AEO
La visibilidad en LLM es la capa de diagnóstico de un programa de AEO: te dice qué modelos conocen la marca, en qué fuentes confían y dónde domina la competencia la conversación. Los arreglos que señala son trabajo de AEO estándar, acceso del rastreador, respuestas directas, coherencia de entidad y evidencia digna de ser citada, priorizados según la puerta (datos de entrenamiento o recuperación) tras la que se sitúa la brecha. Las brechas de recuperación son las victorias rápidas, porque una página corregida puede cambiar la siguiente respuesta; las brechas de datos de entrenamiento son el juego a largo plazo, construido a través de una cobertura duradera de terceros. El cambio de medición más amplio se aborda en AEO frente al SEO tradicional.
Términos relacionados
Entre los términos relacionados están visibilidad en IA, mención de IA, cita de IA, Share of Model y optimización para motores de respuesta.