Metodología de seguimiento de la visibilidad en IA

Respuesta rápida

AEO Goal mide la visibilidad en IA ejecutando un conjunto de prompts estable y definido por el cliente en los motores de respuesta de IA configurados, con una cadencia por prompt, detectando de forma determinista las menciones de marca y de competidores frente a nombres y alias configurados, excluyendo las filas de marcador de posición y sintéticas, y calculando el Share of Model como las menciones de marca divididas entre el total de respuestas rastreadas. Los informes añaden una variante ponderada por calidad, un intervalo de confianza de Wilson del 95% y un delta respecto al periodo anterior para que los equipos no reaccionen de forma exagerada ante oscilaciones de una sola respuesta.

Esta página está escrita para que un analista pueda rastrear cualquier cifra principal hasta las filas almacenadas y volver a calcularla. Cubre la capa de menciones de la medición; la capa de URL de origen, incluido cómo se verifican las URL citadas antes de que cuenten, está en la metodología de seguimiento de citas en IA.

Cómo se construye el conjunto de prompts

Toda métrica de visibilidad está condicionada por el conjunto de prompts, por eso el conjunto de prompts es explícito y controlado por el cliente en lugar de ser una muestra opaca:

• Los prompts son preguntas del comprador, definidas por marca. Un prompt rastreado es una pregunta que un comprador le haría a un motor de respuesta, asociada a una marca junto con los nombres, alias y competidores nombrados de esa marca. Las herramientas de investigación de prompts pueden proponer candidatos a partir de la categoría, los competidores y el contenido de la marca, pero no se hace seguimiento de nada hasta que un usuario lo añade.
• Los prompts llevan contexto de mercado. Los ajustes de país, idioma y localidad se pueden aplicar por prompt, y los campos de mercado se persisten con cada fila de resultados para que la visibilidad se pueda segmentar por localización. Las asignaciones de mercado varían según el plan y se detallan en la página de precios.
• La estabilidad es el control del analista. El mismo texto de prompt se vuelve a ejecutar en cada ciclo. Editar los prompts a mitad de una ventana cambia la muestra, y eso, no el comportamiento del motor, es la causa más habitual de un salto sorprendente. Compara periodos únicamente entre un conjunto de prompts estable.

Cobertura de plataformas

AEO Goal incluye adaptadores de rastreo para ChatGPT, Claude, Perplexity, Gemini, Google AI Overview, Microsoft Copilot, Grok, Meta AI y DeepSeek. Estas son rutas de plataforma soportadas por el código; la cobertura en vivo de una cuenta concreta es siempre el subconjunto con credenciales configuradas y rutas de rastreo habilitadas, y los informes públicos deben mantener esa distinción.

Cuando falta una clave de proveedor o una llamada falla, el adaptador devuelve una fila de relleno que se descarta antes de la persistencia. Las filas de reserva sintéticas, como las reservas sintéticas de Google AI Overview, se excluyen del Share of Model y del cálculo del rendimiento de citas que ve el cliente. Por tanto, un fallo reduce el tamaño de la muestra en lugar de inyectar respuestas vacías, que es la dirección honesta hacia la que debe apuntar el error.

Cadencia de rastreo

La visibilidad se mide con una programación, no en tiempo real. Cada prompt rastreado tiene su propia frecuencia de comprobación configurada, con cadencias soportadas desde cada hora hasta cada mes, y los flujos de trabajo recurrentes de pago se ejecutan en rutas de programación separadas de los flujos de prueba y de onboarding. Los fallos se aíslan por prompt: un prompt fallido se reintenta en un ciclo posterior, de modo que una caída de un proveedor no bloquea el resto de la cola del cliente.

Para la auditoría, la implicación es que los recuentos de filas por motor dentro de una ventana pueden diferir de forma legítima. Una caída de un proveedor, la incorporación de un prompt a mitad de la ventana o un cambio de cadencia alteran el denominador, y cada uno de ellos es visible en las filas almacenadas.

Detección de marca y competidores

La detección es determinista y auditable. Cada respuesta capturada se coteja con los nombres y alias de la marca y con los nombres de competidores configurados en la configuración del seguimiento. El detector registra si la marca apareció, el recuento de menciones, qué competidores aparecieron, el sentimiento y la posición: rango en la lista cuando la respuesta es una lista estructurada, y posición en la frase cuando es prosa. Se exige una coincidencia literal genuina; una respuesta que solo repite el prompt o que indica explícitamente que la marca está ausente no cuenta como mención favorable.

Esto, deliberadamente, no es una resolución completa de entidades por PLN ni una desambiguación de marcas registradas. Una errata o un alias no configurado pasarán desapercibidos, y completar la lista de alias en la configuración del seguimiento es la mitad de la calidad de detección que corresponde al cliente. El compromiso es intencionado: una regla que un equipo puede inspeccionar y reproducir es mejor que un veredicto de un modelo que no puede.

La fórmula del Share of Model

El Share of Model es el porcentaje de respuestas de IA rastreadas que mencionan la marca:

Como ejemplo resuelto con cifras ilustrativas: si una ventana contiene 200 respuestas rastreadas tras las exclusiones y la marca se detectó en 50 de ellas, el Share of Model es del 25%. Si la mayoría de esas menciones aparecían al final de la respuesta o tenían un tono neutro, la variante ponderada queda por debajo del 25%, porque la ponderación premia la colocación temprana y positiva y otorga cero a las no menciones.

Las exclusiones en el denominador son las definidas más arriba y en la metodología de citas: las filas de relleno nunca se persisten, las reservas sintéticas se excluyen, y las citas verificadas explícitamente como falsas se eliminan, mientras que las verificaciones pendientes siguen contando hasta que se resuelven.

Intervalos de confianza y movimiento

Los informes pueden incluir un intervalo de confianza de Wilson del 95% en torno al Share of Model y un delta frente a la ventana inmediatamente anterior de igual duración. Se usa el intervalo de Wilson porque se comporta de forma sensata con tamaños de muestra pequeños y cerca del 0% o del 100%, que es exactamente donde se sitúan los datos de visibilidad a nivel de prompt.

La regla de lectura es sencilla: el movimiento dentro del intervalo es indistinguible del ruido de muestreo; el movimiento más allá de él, sostenido a lo largo de varios ciclos, es una tendencia. Los conjuntos de prompts pequeños producen intervalos amplios, que es la forma honesta de decir que diez prompts no pueden sostener una conclusión al nivel de un punto porcentual. Los equipos que necesiten intervalos más ajustados deberían añadir prompts o alargar las ventanas en lugar de leer en la cifra más precisión de la que contiene la muestra.

Gestión de mercado y localización

Los prompts rastreados se ejecutan con contexto de mercado persistido, de modo que la visibilidad se puede segmentar por localización a granularidad nacional, estatal o de ciudad, con ajustes de país e idioma. La tarea de rastreo aplica el contexto de mercado al prompt y escribe los campos de mercado en las filas resultantes; la segmentación en el momento de la lectura es un filtro sobre esos campos, no una nueva estimación. Los límites del plan determinan cuántos mercados puede configurar una cuenta.

Datos incluidos en los informes

Cada fila de respuesta rastreada lleva los campos necesarios para volver a calcular cualquier agregado:

Como las filas están limitadas por inquilino y son autodescriptivas, un analista con una exportación puede reconstruir el Share of Model, la variante ponderada y el solapamiento de competidores para cualquier ventana y filtro, que es la prueba práctica de un método reproducible.

Versionado del método

La fecha de lastUpdated en esta página es el marcador de versión del método. Cuando una fórmula, una regla de detección o una regla de exclusión cambia de un modo que podría mover las cifras reportadas, esta página se actualiza para describir el nuevo comportamiento. Los agregados se calculan a partir de las filas almacenadas en el momento de la lectura, de modo que un cambio de regla altera cómo se agrega el histórico, no las filas capturadas en sí; los analistas que comparen rangos largos deberían leer las reglas actuales frente a su ventana.

Limitaciones

Dicho con claridad, porque una metodología de visibilidad que admite la varianza es más útil que una que promete certeza:

• No determinismo. El mismo prompt en el mismo motor puede devolver respuestas distintas con minutos de diferencia. Las respuestas individuales son anécdotas; el método está diseñado para tendencias sobre conjuntos de prompts estables.
• Límites de muestreo. Las métricas describen los prompts rastreados, no todo lo que preguntan los compradores. Los intervalos de Wilson amplios en conjuntos pequeños son el sistema diciéndote que la muestra es escasa.
• Sin control sobre los motores. AEO Goal no garantiza posiciones, citas ni la inclusión en respuestas. Las plataformas de IA de terceros controlan sus propias respuestas y las cambian sin previo aviso.
• La cobertura es configuración. Las credenciales, las rutas de rastreo habilitadas, los mercados y la cadencia moldean la muestra. Las comparaciones entre periodos solo son válidas con una configuración estable.
• Detección limitada por los alias. La coincidencia determinista no capta los nombres que nunca se configuraron.
• Cuidado con Google AI Overview. Las filas reales capturadas cuentan; las filas de reserva local sintéticas se excluyen del cálculo que ve el cliente y nunca deben leerse como medición.

Recomendación para empresas

Trata la visibilidad en IA como una medición de tendencia, no como un veredicto de una sola respuesta. Usa conjuntos de prompts estables, mercados documentados, una cadencia repetible, la divulgación de las plataformas configuradas, citas verificadas e intervalos de confianza antes de tomar decisiones de estrategia o de compra. Lee la metodología de seguimiento de citas en IA para saber cómo se verifican las fuentes citadas, la página de producto de seguimiento de la visibilidad en IA para ver cómo emergen estas métricas en el producto, y AEO frente al SEO tradicional para enmarcar el Share of Model ante partes interesadas acostumbradas a las posiciones de palabras clave.