La visibilidad de la búsqueda mediante IA se ha convertido en la nueva métrica de vanidad y la mayoría de los equipos miden el número equivocado. Las herramientas de visibilidad de IA que se multiplican en el mercado cuentan la frecuencia con la que un modelo te menciona o te cita cuando alguien escribe un mensaje. Ese número se siente como un progreso porque se parece al seguimiento de clasificación que hemos realizado durante 20 años. No es lo mismo, y la brecha entre lo que cuentan estas herramientas y lo que realmente mueve su negocio sigue ampliándose. Esta es una guía de las métricas que importan en la búsqueda de IA, las que solo parecen importantes y cómo diferenciarlas, elaborada a partir de seis conversaciones de podcasts de No Hacks con personas que se ganan la vida haciendo esto y los datos que llegaron este mes.
Por qué la visibilidad de la IA es el número equivocado
La forma dominante de medir la búsqueda de IA en este momento es el seguimiento rápido y, como la mayoría de los equipos lo usan, es el instrumento equivocado. El discurso es familiar: una herramienta escribe un conjunto de indicaciones en ChatGPT, Perplexity y AI Overviews de Google, e informa con qué frecuencia aparece su marca. Parece un seguimiento de clasificación, por lo que se vende. Cada semana recibo más presentaciones de empresas que crearon uno y quieren participar en el podcast. Hay muchos más de los que el mercado necesita, y la atención se dirige hacia lo más visible y obvio para contar, sea o no lo que importa.
Jono Alderson, un consultor técnico de SEO, expresó la objeción de esta manera cuando apareció en el programa. “En lugar de ello, debemos intentar influir en cómo nos percibe la máquina. Y eso no es un seguimiento rápido, que es lo que todo el mundo está haciendo en este momento”, afirmó. “Hay un lugar para eso, pero es mucho más pequeño de lo que creo”. Su diagnóstico de por qué estos paneles no funcionan es aún más claro: “Es copiar y pegar la modalidad actual de seguimiento de rangos en algo nuevo. Realmente no encaja, pero es mejor que nada”.
El seguimiento rápido también se basa en una suposición sobre el comportamiento del usuario que en su mayoría no está fundamentada. Inventa una lista de mensajes que espera que escriban sus clientes y luego se compara con ellos. Para la mayoría de las marcas, esa lista tiene poco que ver con lo que la gente real realmente pregunta, y un mensaje de IA no es una palabra clave. Si basa esas indicaciones en datos de búsqueda reales, se encontrará con un segundo problema: la IA está corrompiendo esos datos más rápido de lo que usted puede leerlos.
Tengo una razón de primera mano. El año pasado, ayudé a investigar una filtración extraña: los mensajes ChatGPT de usuarios reales aparecían dentro de Google Search Console, el informe que los propietarios de sitios web utilizan para rastrear el tráfico de búsqueda. Trabajé en ello con el consultor de análisis Jason Packer, quien publicó los hallazgos en Quantable y Ars Technica, y una larga lista de medios lo cubrieron. Lo rastreamos hasta un cuadro de mensaje con errores que hacía que ChatGPT buscara casi siempre, con una URL de ChatGPT liderando las consultas que luego Google tokenizaba, por lo que los sitios web clasificados para esos términos veían mensajes privados de extraños en sus paneles. Mi propia preocupación en ese momento, que citó Ars Technica, era que la filtración estaba contribuyendo a la “boca de cocodrilo” en Search Console, el patrón en el que las impresiones aumentan mientras los clics disminuyen.
La filtración fue la versión visible de un problema que ahora está en todas partes y es imposible de ver. Los sistemas de inteligencia artificial recurren a Google constantemente para fundamentar sus respuestas, desplegando un solo mensaje en varias consultas paralelas y leyendo resultados que ningún ser humano ve jamás. Cada una de esas búsquedas llega como una impresión en las páginas que se clasifican para ella. Entonces, cuando sus impresiones aumentan pero sus clics no, eso no es una demanda humana en aumento. Una proporción cada vez mayor son máquinas que buscan en nombre de alguien y consumen la respuesta sin siquiera hacer clic. Puedes observar la misma distorsión en los datos de tendencias de búsqueda y volumen de palabras clave, donde las curvas suben y dejan de decirte qué parte de la demanda es incluso humana. Search Console es un lugar ruidoso y con fugas para leer el comportamiento de la IA, y los instrumentos que la mayoría de la gente utiliza miden un número que la IA está ocupada inflando. Detrás de casi todo esto sigue estando la búsqueda web, con la conexión a tierra y la distribución de consultas haciendo el trabajo. Google creó informes de visibilidad de IA directamente en Search Console, que le indica hacia dónde cree que se dirige, pero el informe muestra impresiones, no clics de IA. Te entrega el número que la IA infla y retiene el que te permitiría comprobarlo.
Ser citado no es ser recomendado
La distinción más importante en la medición de búsquedas de IA es que una cita no es una recomendación. Una cita es cuando un modelo nombra su página como fuente debajo de su respuesta. Una recomendación es cuando el modelo le dice al usuario que te elija. La mayoría de las herramientas cuentan el primero y le permiten asumir que significa el segundo. No es así.
Lily Ray obtuvo las respuestas de AI Overview para 100 consultas sobre “lo mejor” de software empresarial en tres puntos de control, en abril, mayo y junio de 2026. Cuando se citó como fuente la propia lista de autopromoción de una marca, esa marca quedó fuera de la recomendación real. 69% del tiempo224 de las 323 listas de autopromoción citadas. Google leía la página y luego recomendaba a los competidores nombrados en ella. Por otra parte, el equipo de Jeff Oxford en Visibility Labs probó 20.000 respuestas de ChatGPT y descubrió que las recomendaciones de productos cambiaban un 80,2% una vez que se activaba la búsqueda, con sólo una débil correlación de 0,4 entre ser citado y recomendado. BrightEdge, al observar cinco motores, encontró la misma forma desde otro ángulo: la superposición de fuentes entre pares de motores osciló entre el 16% y el 59%, pero el conjunto de marcas recomendadas se mantuvo en una banda más ajustada del 36% al 55%. Y el análisis de Kevin Indig de 3,7 millones de citas encontró que el 91% de las URL citadas aparecen en un solo motor, por lo que ni siquiera la huella de sus citas viaja.
Alisa Scharf, directora de IA de Seer Interactive, llevaba más tiempo argumentando lo mismo. “Las citas son una métrica aún peor que la visibilidad de la página uno”, me dijo, “porque no necesariamente indican que su marca se mencione en esa respuesta. Lo consideramos como un indicador adelantado, similar a estar en la página dos o tres de Google”. Ella dispuso los niveles como una jerarquía: “Está la cita donde se menciona tu página web. Está la mención donde tienes tu marca en la respuesta. Pero rara vez ChatGPT o Claude dicen específicamente que deberías elegir X”. Ese último paso, la recomendación, es el que vale la pena, y es el que las puntuaciones de seguimiento rápido tratan como lo mismo que una nota al pie.
Malte Landwehr, que dirige productos y marketing en la plataforma de búsqueda de inteligencia artificial Peec AI, tuvo el ejemplo más claro de hasta qué punto pueden separarse las citas y las recomendaciones. Describió un caso en el que una herramienta ahora desaparecida se convirtió en una de las fuentes más citadas detrás de las respuestas de ChatGPT en su categoría. “No ganaron visibilidad como marca”, dijo. “Pero ahora tienen poder sobre qué marcas recomiendan los LLM”. Ser la fuente y ser la elección no son la misma medida.
Pregunte una vez, mida el ruido
Una sola medición de una respuesta de IA es casi inútil, porque la respuesta es diferente cada vez que se pregunta. Esta es la parte del papel de los paneles de control de seguimiento: le muestran un número como si fuera estable.
Rand Fishkin, que dirige la firma de investigación de audiencias SparkToro, realizó el estudio que lo cuantificó. “Cuando preguntas no obtienes respuesta”, me dijo. “Obtendrás una entre miles o potencialmente millones de respuestas, y cada vez que preguntes, será diferente. Cada persona que pregunte obtendrá una lista diferente, una cantidad diferente de elementos, un orden diferente y un conjunto diferente de recomendaciones”. ¿Qué tan diferente es eso? “Para obtener dos listas de marcas iguales en una respuesta, en promedio, necesitarías preguntarle a Claude o ChatGPT 1500 veces antes de obtener dos respuestas con la misma lista de marcas en el mismo orden”.
Ese número es todo el argumento en contra de la medición de un solo disparo. Esto no significa que la visibilidad de la IA sea inmensurable. Significa que debe medirse de la forma en que se mide una encuesta, no de la forma en que se verifica una clasificación. Fue explícito en que la señal está ahí si haces el trabajo: “Si preguntas la cantidad correcta de indicaciones, la cantidad correcta de veces, con cierta variabilidad, puedes obtener un número estadístico que es básicamente más o menos 5%, o más o menos 1% si te esfuerzas mucho”. El instrumento está bien. El problema es que la mayoría de las herramientas lo ejecutan una vez y llaman al resultado una clasificación.
Qué medir en su lugar: presencia y recomendación
El número que reemplaza el seguimiento de mensajes es la presencia: con qué frecuencia se le nombra en el espacio de respuesta, se compara si esa presencia se convierte en una recomendación y una acción.
Rand Fishkin la llamó la única versión honesta del número. “El porcentaje de visibilidad es el número real que una herramienta de seguimiento de IA debería brindarle”. dijo. “No es como el seguimiento de clasificación de Google. Es más como cuando las marcas en el siglo XX solían encuestar a los consumidores y decían, ¿has oído hablar de los zapatos Nike, has oído hablar de los zapatos Adidas?”. Wil Reynolds, el fundador de Seer Interactive, agregó el detalle de instrumentación que casi nadie rastrea: no solo si apareces, sino la composición de la respuesta a lo largo del tiempo. “Si realiza un seguimiento de la visibilidad y no realiza un seguimiento de cosas como la cantidad de palabras o marcas mencionadas por modelo y mensaje a lo largo del tiempo”, dijo, “no sabría que en noviembre ChatGPT duplicó la longitud de la respuesta”. Cuando la respuesta se duplica, su visibilidad bruta puede aumentar sin que nada haya cambiado realmente. No te volviste más valioso. La misma persona está viendo más palabras.
Hay una advertencia más dura detrás de todo esto, y es sobre la que fue más directo: la visibilidad sólo cuenta si está ligada al resultado. “Puedes ser visible. Eso es genial”, dijo. “Pero alguien realmente tiene que tomar medidas para que usted gane dinero con esa visibilidad. Si no comparas esas dos métricas entre sí, eres el tonto.“
Realizo estas mediciones con mi propia marca y el resultado es la prueba más clara que tengo de que el trabajo mueve la métrica. En este momento, AI Overviews de Google recomienda No Hacks como el mejor podcast para la estrategia web de AI. Hace un mes no lo hicieron. No llegué allí subiendo a un panel de seguimiento rápido. Llegué allí cambiando lo que los sistemas saben sobre mi entidad, lo cual es un ejercicio completamente diferente. Y el marcador honesto tiene que tener en cuenta qué indicaciones estás midiendo. Con Search Console, tienes una idea aproximada y fundamentada de las consultas que clasificas. Con el seguimiento de avisos, usted comienza con avisos que usted inventó y puso en una lista, que no se basa en lo que realmente está sucediendo para la mayoría de las marcas. Mida el porcentaje de recomendaciones si puede, pero sepa que su calidad depende completamente de si las indicaciones detrás de ellas son reales.
La misma métrica de vanidad que ya vivimos
A la industria de las búsquedas le llevó casi dos décadas aceptar que las impresiones y los clics eran, por sí solos, números vanidosos, porque, al final, no tenían por qué significar ingresos. Hemos estado aquí antes. La visibilidad de la IA por el bien de la visibilidad es la misma trampa cuando se usa ropa nueva. Podría ser una marca. No es la métrica lo que importa, y es una muy buena métrica de vanidad precisamente porque es fácil de hacer subir.
Wil Reynolds, cuyo episodio se tituló en torno a este punto exacto, siguió el bucle directamente. “Al principio, la métrica de vanidad eran las clasificaciones”, dijo, “y luego la gente decía, espera, tengo que obtener tráfico de esas clasificaciones, y luego necesito que ese tráfico se convierta en un negocio. Así que para mí es simplemente una regurgitación de lo que hicimos hace años”. Jono Alderson fue más allá y argumentó que, para empezar, la atribución precisa con la que nos consolamos nunca fue real: “la muleta y las mentiras que nos hemos dicho a nosotros mismos durante la última década, que podemos atribuir claramente el porcentaje de impresiones a los clics, a las acciones y a los ingresos. Nunca ha sido cierto y se está volviendo menos cierto”. El trabajo, reformulado, es más antiguo que cualquiera de las herramientas. Como él dijo, hace dos décadas, podríamos haber decidido que nuestro trabajo era influir en cómo la gente percibe la marca.
Comience con la precisión de la marca
La métrica a construir primero es la precisión de la marca: si la IA describe correctamente su entidad. El porcentaje de recomendaciones viene después. Si el modelo contiene datos erróneos sobre usted, cada número posterior está construido sobre arena, porque recomienda, o se niega a recomendar, una versión de usted que no es real.
Aquí es donde comienza la claridad. Significa coherencia de marca en todas las plataformas, que otras personas te describan de la misma manera y una respuesta coherente a las preguntas básicas sobre quién eres y qué haces. Duane Forrester, quien ayudó a lanzar Schema.org y creó Bing Webmaster Tools, planteó el objetivo como ser la fuente confiable en lugar de la de alto rango. “Tu objetivo debe ser ser visto como el canónico para cualquiera que sea tu pregunta”. dijo. “No clasificaciones, sino que tú eres la fuente de conocimiento”. Su lectura sobre por qué esto se agrava fue que la máquina es perezosa de una manera útil: “Cuesta dinero, ciclos y tokens generar confianza. Entonces, si he hecho todo ese trabajo y confío en ti, y eres una buena respuesta, y mi consumidor está contento con esa respuesta, ¿por qué cambiaría?”
Alisa Scharf convirtió esto en una medición que realmente se puede ejecutar, a la que ella llama auditoría de precisión de marca. “Se elabora una lista de criterios objetivos”, dijo. “No puede ser, queremos clasificar como mejor X para Y. Tiene que ser: cuándo se fundó, dónde se encuentra, qué vende, contra quién compite. Y toma esa lista de consultas y ve, para cada modelo, qué es lo que constantemente hace bien y qué es lo que constantemente hace mal”. Esa es la auditoría. Ejecute sus propios datos no negociables en cada motor según un cronograma y califique el modelo según su precisión, no según si lo halagó con una mención.
Dos puntos ciegos: límite de entrenamiento y datos de plataforma
La medición honesta tiene que nombrar sus puntos ciegos, y la búsqueda por IA tiene dos grandes. El primero es el límite de datos de entrenamiento. Una parte significativa de las respuestas proviene de lo que el modelo ya aprendió antes de que se activara cualquier conexión a tierra, congelada en una fecha que usted no controla, y todavía no tenemos una manera clara de medir si el trabajo que hacemos hoy está moviendo esas respuestas integradas. Puede estar optimizando mucho contra una versión del conocimiento del modelo que está obsoleta durante meses.
El segundo son los datos de la plataforma, y aquí importa la forma del mercado. Las empresas modelo de frontera tienen pocas razones para entregarle datos de uso. No existe un mundo obvio donde OpenAI o Anthropic expongan cómo su modelo decidió qué recomendar. Las empresas que podrían brindarle algo son aquellas que tienen un ecosistema más grande que proteger: Google está agregando impresiones de IA a Search Console, y Microsoft presenta una versión de esto a través de Bing Webmaster Tools, porque ejecutan tanto el modelo como una superficie de medición que se beneficia de su atención. Son datos débiles y son algo más que nada. Si las empresas modelo exclusivas alguna vez abren esto es una verdadera pregunta abierta, y en gran medida cuán mensurable se vuelve la búsqueda de IA depende de la respuesta.
Sepa quien eres
¿Sabes quién eres y qué quieres que la gente piense de ti? ¿Está comunicando con tanta claridad, y en suficientes lugares diferentes, que los sistemas de inteligencia artificial pueden formar una imagen precisa de su entidad en lugar de una suposición? Sea claro y sea coherente. Suena casi demasiado simple para escribirlo, y sin embargo, en un esquema, las páginas de su sitio web, cada perfil social y cada lugar donde se le menciona tienen que decir lo mismo sin ambigüedades sobre quién es usted, cómo se llama su empresa y quién está detrás de ella.
Hay una razón por la que esto se está convirtiendo en el núcleo determinista del trabajo, no en el suave borde de marca del mismo. Un tribunal alemán responsabilizó recientemente a Google por declaraciones falsas que generó su descripción general de IA sobre una empresa, basándose en el razonamiento de que la respuesta de IA es el propio discurso de Google. Aquí hay una tesis que aún no puedo probar, y quiero dejar claro que es una especulación: una plataforma que ahora está legalmente comprometida por lo que su IA dice sobre usted tiene un fuerte incentivo para mostrar solo las entidades en las que confía. Imagine un umbral de confianza, una puntuación de certeza interna, donde si el sistema está lo suficientemente seguro de quién es usted, lo incluye, y si no lo está, lo deja afuera en lugar de correr el riesgo de equivocarse. El número exacto está inventado. La dirección parece correcta. Y si es correcto, entonces lo más importante que puedes medir no es la frecuencia con la que apareces. Es cuán segura está la máquina de conocerte, porque esa certeza está a punto de decidir si apareces o no.
Más recursos:
Esta publicación se publicó originalmente en No Hacks.
Imagen de portada: N Universe/Shutterstock
