Si ChatGPT menciona tu marca, tienes una observación sobre ChatGPT bajo unas condiciones concretas. Todavía no tienes una conclusión sobre el mercado. Yo compararía varias experiencias de IA para localizar dónde cambia la respuesta al comprador y qué evidencia merece la siguiente inversión.
Mapa de evidencia: comparar unidades equivalentes
| Fuente / diseño | Muestra y periodo | Qué mide | Límite de interpretación |
|---|---|---|---|
| Índice Semrush | 126 M prompts de EE. UU.; enero–abril 2026 | Patrones de fuentes por industria | No empareja tus preguntas |
| Preprint académico | 117 preguntas de producto; septiembre 2026 | Solapamiento de dominios mostrados | Inglés; Países Bajos; preprint |
| Recogida académica | 1.755 previstas; 1.536 respuestas | Disponibilidad por condición | Hay que tratar los datos ausentes |
| Panel propio propuesto | 10 preguntas × 4 superficies × 3 repeticiones = 120 | Diagnóstico de respuestas elegidas | Diseño; no investigación recogida |
El benchmark publicado muestra diferencias relevantes
El anuncio de Semrush de junio de 2026 describe un análisis de 126 millones de prompts de búsqueda con IA de Estados Unidos, entre enero y abril de 2026, en ChatGPT, Gemini, Google AI Mode y Google AI Overviews, con benchmarks de 22 sectores. Publica medias redondeadas de 15 fuentes citadas por respuesta en ChatGPT y tres en Gemini. Solo 36 marcas mantuvieron presencia en el top 100 de las cuatro plataformas durante todos los meses del estudio. Semrush, 2026 AI Visibility Index announcement, June 26, 2026
Estos resultados justifican medir por plataforma. No establecen el resultado de tu marca, categoría o audiencia española. El anuncio resume el estudio y no ofrece aquí un dataset descargable de respuestas individuales: sus medias no permiten reconstruir una comparación emparejada de tus preguntas. Mi vinculación con Semrush figura en la biografía; este artículo utiliza su informe público.
Compara experiencias, no nombres intercambiables
Modelo, producto y superficie de búsqueda son unidades diferentes. Registra producto, modelo visible si aparece, modo y si hay búsqueda activada. AI Overviews y AI Mode son experiencias distintas de Google. Que no aparezca un resumen es una observación diferente de un fallo al recoger el resultado.
Google explica que ambas experiencias pueden usar modelos y técnicas diferentes y mostrar respuestas y enlaces distintos. ChatGPT puede buscar automáticamente cuando necesita información actual, o el usuario puede activar búsqueda. Ocultar esas condiciones puede convertir una diferencia de modo en un supuesto problema de marca. Google Search Central, AI features and your website OpenAI Help Center, Searching the web with ChatGPT
Elige superficies según lo que sepas de tu audiencia y de la decisión. Un panel de cuatro es una propuesta inicial útil para investigar varias experiencias, no una obligación universal. Un recorrido de compra más acotado y documentado puede justificar menos plataformas.
Un panel manejable exige reconocer el trabajo
Propongo empezar con diez preguntas distintas de comprador, sin nombrar la marca, cuatro superficies elegidas y tres repeticiones: 120 observaciones previstas por ronda. Es el cálculo del diseño, no una muestra ya recogida. No incluye comprobaciones de identidad que sí nombran la marca; mantenlas en otro panel.
Cubre definición, comparación, alternativas, adecuación a un caso y elección. Usa dos preguntas realmente distintas por intención si tu decisión requiere las cinco. Redacta los paneles de inglés y español de forma nativa y analízalos por separado. Traducir palabras no demuestra una demanda equivalente ni un ecosistema de fuentes comparable.
Versiona las preguntas antes de ver resultados. Mantén mercado, idioma y contexto de cuenta; usa sesiones nuevas con las mismas reglas y guarda fecha y orden de recogida. Conserva respuesta completa y URLs visibles. Tres repeticiones ayudan a observar variabilidad, pero no son tres compradores independientes. Recoger y revisar lleva tiempo: no hay una promesa universal defendible de hacerlo en una hora.
Mide señales distintas con denominadores explícitos
Registra mención cuando aparece la marca. Registra recomendación cuando se presenta como adecuada para el caso planteado. Registra cita cuando hay un enlace a una fuente y distingue dominio propio, página concreta y fuente externa. Revisa la exactitud factual por separado.
Calcula cada tasa sobre observaciones válidas de esa superficie y ronda. Conserva fallos y explica exclusiones. En AI Overviews, registra las búsquedas válidas sin resumen como resumen no mostrado y publica por separado su frecuencia de aparición. No cuentes todos los casos sin resumen como respuestas que excluyen tu marca.
Supón, de forma hipotética, que aparece en 18 de 30 respuestas válidas de una superficie y en seis de 30 de otra. Publica 18/30 y 6/30 con sus condiciones. Agruparlo como 24/60 borraría la diferencia que querías investigar. Ninguna de esas muestras pequeñas estima cuota de mercado.
Convierte la diferencia en una intervención concreta
Si una respuesta describe mal las condiciones de tu producto, revisa las fuentes que sostienen el error y corrige los hechos públicos correspondientes. Si una comparación omite una opción relevante, comprueba si tu evidencia explica encaje y contrapartidas. Si la página es útil pero no se recupera, revisa acceso y elegibilidad antes de rehacer toda la biblioteca.
Asigna un responsable de evidencia y una intervención con fecha de revisión. Conserva el panel y documenta cambios importantes de producto o modo. Una mejora posterior sigue siendo observacional: nuevas fuentes, cambios de plataforma, competidores o variabilidad también pueden explicarla.
Puedes conservar contenido si la evidencia es correcta y no aparece una carencia importante. Amplía el panel cuando falte una pregunta o experiencia relevante del comprador. Busca un diagnóstico defendible, sin perseguir el dashboard más grande.
Una auditoría emparejada explica por qué no basta una captura
Un preprint académico de septiembre de 2026 seleccionó 117 preguntas de productos físicos validadas manualmente entre 2.528 consultas comerciales. Planteó tres repeticiones en cinco condiciones: interfaz y API de ChatGPT, interfaz y API de Gemini, y AI Overviews de Google. De 1.755 observaciones previstas, 1.536 produjeron respuestas. La recogida utilizó preguntas principalmente en inglés e IP de Países Bajos. No es una encuesta representativa de compradores. arXiv, 2026 (preprint)
El trabajo presenta un solapamiento medio de dominios mostrados, medido con Jaccard, del 5,4 % entre ChatGPT y Gemini, 5,2 % entre ChatGPT y AI Overviews y 9,8 % entre Gemini y AI Overviews. Entre repeticiones dentro de cada interfaz fue 26,0 %, 29,8 % y 45,9 %, respectivamente. Miden similitud de conjuntos de fuentes, no probabilidad de cita ni cuota de mercado. arXiv, 2026 (preprint)
La implicación operativa es que repetir una pregunta dentro de una interfaz puede cambiar las fuentes visibles. Una captura demuestra lo que apareció una vez bajo esas condiciones. No establece la respuesta estable que verá toda la audiencia. Repetir mejora el diagnóstico y mantiene la incertidumbre sobre comportamientos más amplios.
Es un preprint, no una validación que pueda presentar como revisada por pares. Las preguntas generales de producto, el mercado y las fechas limitan su traslado a otra categoría. Sirve porque documenta un diseño emparejado y observaciones ausentes. No clasifica al mejor asistente para cualquier negocio.
Un panel de APIs no equivale automáticamente al de interfaces
El mismo estudio registra un solapamiento medio de dominios entre interfaz y API del 12,0 % para ChatGPT y del 14,8 % para Gemini. No permite establecer que los modelos subyacentes fueran idénticos. Conserva esa distinción al contratar un informe automatizado: la facilidad de recoger una API no demuestra equivalencia con lo que ve el comprador. arXiv, 2026 (preprint)
Pregunta al proveedor qué producto, modelo, recuperación, contexto de cuenta y ubicación observa. Aclara si recoge citas mostradas, fuentes recuperadas o metadatos de grounding. Esas capas pueden contener URLs diferentes. Una URL recuperada no demuestra que se citara de forma visible ni que causara la recomendación.
Si monitorizas una API, etiqueta los resultados y valida un subconjunto relevante contra la interfaz de consumo. Separa ambas series. Una API puede aportar un diagnóstico repetible sin convertirse en una estimación injustificada de exposición del consumidor.
Hacer reproducible el cálculo de solapamiento
Jaccard divide los dominios compartidos entre los dominios distintos de cualquiera de las dos respuestas. En un ejemplo hipotético, una cita alpha.example y beta.example; otra, beta.example y gamma.example. Un dominio compartido entre tres distintos produce 33,3 %. El ejemplo explica la métrica, no aporta evidencia recogida.
Normaliza de forma consistente antes de calcular. Resuelve redirecciones cuando sea posible, retira parámetros de seguimiento y diferencia comparar páginas de comparar dominios registrables. Varias URLs de un editor pueden ser varias páginas y un solo dominio. Conserva las URLs originales para revisar qué eliminó la normalización.
Si ambos conjuntos están vacíos, el denominador es cero. Informa del caso por separado en lugar de asignarle acuerdo perfecto. Una respuesta no recogida es ausente. Una respuesta válida sin fuentes mostradas tiene un conjunto vacío observado. Son estados con significados distintos.
Las medias también necesitan una regla de agregación. Comparar una media de fuentes de un estudio industrial amplio con una mediana de preguntas de producto mezcla poblaciones y resúmenes. Fecha, configuración y definición de fuente pueden explicar las cifras. No son referencias intercambiables para tu marca.
Separar disponibilidad de la respuesta y rendimiento de marca
En la auditoría académica, Google produjo 134 AI Overviews sustantivos y analizables entre 351 búsquedas, un 38,2 %. Es disponibilidad del resumen en esa muestra. No puedes etiquetar todo lo demás como exclusión de marca. Primero informa de si apareció la experiencia; después evalúa el contenido de las respuestas válidas. arXiv, 2026 (preprint)
Utiliza cuatro estados: respuesta válida, búsqueda válida sin resumen, fallo de recogida y campo de evidencia ausente. Dentro de una respuesta válida, registra por separado ausencia de mención y ausencia de cita visible. Esta jerarquía evita que un fallo técnico reduzca silenciosamente la tasa de marca.
Por pregunta, conserva producto e interfaz, modelo visible si se conoce, mercado, idioma, momento de recogida, repetición, estado, respuesta completa, URLs visibles y comprobaciones factuales. Escribe desconocido cuando no sepas el modelo. Que una respuesta generada se describa a sí misma no verifica de forma independiente qué modelo la sirve.
Resume por preguntas sin tratar repeticiones como personas independientes. Si calculas incertidumbre, considera la agrupación por pregunta y publica el método. Tres repeticiones de diez preguntas no crean treinta necesidades de comprador diferentes. Mantén la tabla por pregunta para que un agregado favorable no oculte un fallo importante.
Un workflow de corrección con criterios de salida observables
Clasifica la carencia antes de repartir trabajo. Una condición de producto incorrecta requiere corregir el hecho y revisar la fuente. Una comparación sin fundamento exige criterios y evidencia. Una página inaccesible necesita revisión técnica. Son intervenciones con responsables diferentes.
Define un criterio observable: la especificación pública muestra el límite correcto, la comparación documenta una excepción o la URL resulta accesible y elegible. Repite después el panel fijo para observar cambios. La evidencia pública corregida es un entregable verificable; la recomendación universal no lo es.
Mantén un registro de cambios de página, evidencia, producto y condiciones de recogida. Si mejora la respuesta, describe la asociación y las explicaciones alternativas. Si no mejora, revisa las fuentes citadas y las carencias restantes antes de ampliar la monitorización. Más observaciones ayudan cuando responden a una pregunta pendiente.
El siguiente paso
Elige una decisión de compra, documenta las superficies pertinentes y ejecuta un panel versionado. Lleva diferencias, fuentes y errores importantes a la revisión editorial. Corrige la carencia demostrable antes de declarar que tu marca es visible en todas partes.
Fuentes y alcance
Análisis de fuentes públicas, consultadas el 12 de octubre de 2026. Los marcos y ejemplos propuestos no son resultados de un estudio propio. Los datos estadounidenses no se extrapolan a España.
FA