Cómo usar el mapa de calor de consultas derivadas en AmICited

Cuando un motor de IA responde una pregunta, rara vez responde a las palabras literales que escribiste. En silencio, reescribe tu prompt en un lote de sub-preguntas más pequeñas y relacionadas, investiga cada una y combina los resultados en una sola respuesta. El mapa de calor de consultas derivadas de AmICited hace ingeniería inversa de ese proceso oculto para cada prompt que rastreas, mostrando exactamente qué sub-preguntas está investigando realmente el motor y qué tan bien las cubre cada dominio citado, para que sepas con precisión qué debe abordar tu contenido para ganar la cita.

Qué es el query fan-out

El query fan-out es la técnica que usan los sistemas modernos de búsqueda con IA —Google AI Overviews, AI Mode, ChatGPT, Perplexity y Gemini— para convertir un prompt del usuario en un conjunto de consultas relacionadas antes de generar una respuesta. En lugar de comparar tu prompt con un único índice como hace la búsqueda clásica por palabras clave, el motor lo descompone en preguntas definicionales (“qué es X”), preguntas de comparación (“X vs Y”), preguntas de precio, variantes geográficas, preguntas de procedimiento (“cómo hacer X”) y más. Cada una de esas sub-consultas se investiga de forma más o menos independiente, y los pasajes recuperados se sintetizan luego en la respuesta final, con citas atribuidas a las páginas que aportaron los pasajes más sólidos.

Esto importa muchísimo para la optimización para motores generativos porque significa que una sola página rara vez es citada por “coincidir con un tema” de forma abstracta: es citada porque resulta que contiene respuestas sólidas y específicas a varias de las sub-consultas que el motor generó internamente. Una página que solo aborda el prompt superficial, e ignora los ángulos de comparación, precio o procedimiento que el motor también investigó, perderá citas frente a un competidor cuya página cubra más de ese conjunto derivado. A la inversa, entender el conjunto de consultas derivadas de un prompt te dice, con una precisión inusual, qué añadir a tu página para cerrar la brecha.

El query fan-out también explica por qué dos páginas pueden posicionarse de forma similar en la búsqueda tradicional de Google y, sin embargo, ser citadas a tasas muy distintas por los motores de IA: el posicionamiento tradicional premia coincidir con la consulta, mientras que la citación por IA premia coincidir con la descomposición de la consulta. La autoridad temática general de una página en un tema es, en realidad, un agregado de qué tan bien responde a este conjunto oculto de sub-preguntas, no solo al tema principal. Esta es la brecha que el mapa de calor de consultas derivadas está construido para cerrar: toma las sub-consultas que un motor derivó (que de otro modo nunca verías) y las coloca junto a las páginas que actualmente ganan citas para cada una, convirtiendo un proceso invisible en un mapa visual y accionable.

Dónde encontrarlo

Desplázate hacia abajo en la página de detalle del prompt hasta Consultas derivadas, subtitulado “Las sub-consultas que los motores generativos derivan de este prompt — optimiza tu contenido para estas para ganar citas.” Cada prompt rastreado tiene su propio mapa de calor, generado a partir de las sub-consultas reales observadas para ese prompt, así que la matriz que ves es específica del tema exacto y la redacción que estás monitoreando, no una plantilla genérica.

Qué mide

El mapa de calor es una matriz, y cada eje transmite una señal distinta:

• Las filas son sub-consultas — las preguntas derivadas, cada una etiquetada por tipo (Definicional, Comparación, Geográfica, Precio, Procedimental, etc.). La fila superior marcada con estrella (★) es el propio prompt principal, así puedes ver cómo se relacionan las sub-consultas con la pregunta que realmente estás rastreando.
• Las columnas son dominios — los sitios que están siendo citados, ordenados de izquierda a derecha según su posición de citación promedio en todos los motores, de modo que los dominios citados más arriba y de forma más constante aparecen primero.
• La oscuridad de la celda = cercanía. Las celdas más oscuras significan que la mejor página de ese dominio está más cerca de esa sub-consulta; las celdas más claras indican una cobertura más débil y tangencial.
• Cada encabezado de columna muestra un número: la cantidad de URLs citadas que AmICited encontró de ese dominio a lo largo del conjunto de consultas derivadas.

Leídas en conjunto, las columnas oscuras señalan los dominios que dominan este tema de principio a fin, y las filas oscuras señalan las sub-consultas que prácticamente todos en el conjunto de resultados responden bien, lo que significa que son un requisito básico, no un diferenciador. Las filas que se mantienen claras en la mayoría de las columnas son las interesantes: son las preguntas que el motor está haciendo y que nadie ha respondido de forma convincente todavía.

Cómo usarlo

1. Encuentra filas desatendidas. Las sub-consultas donde la mayoría de las columnas son claras son brechas: preguntas que nadie cubre con fuerza todavía, y tu vía de entrada más fácil. En la práctica son un análisis de brechas de contenido en vivo y específico del prompt: en lugar de adivinar dónde son débiles los competidores, lo ves directamente en la matriz.
2. Iguala la cobertura de los líderes. Para las sub-consultas principales, observa qué dominios están oscuros y abre esas páginas. Fíjate en cómo formulan la respuesta, cuánta profundidad le dan y si es una sección independiente o está integrada en una pieza más larga: ese es el estándar que necesitas superar.
3. Construye una página sólida. Apunta a cubrir las principales consultas derivadas en una sola página bien estructurada en lugar de dispersarlas en publicaciones separadas. Los motores ensamblan las citas a partir de la página que tenga el pasaje más relevante para cada sub-consulta, así que una sola página que domine varias filas acumula mucha más superficie de citación que varias páginas delgadas que dominan una cada una. Es el mismo principio detrás de escribir contenido digno de citación en general: responde la pregunta directamente, cerca del inicio de la sección, antes de añadir detalles de apoyo.
4. Vuelve a generar el mapa tras cambios grandes de contenido para ver cómo se desplaza la matriz. Una vez que publiques o reescribas una página para atacar las filas desatendidas, volver a ejecutar el desglose de consultas derivadas muestra si tu nueva cobertura realmente movió una celda de clara a oscura, lo cual es un ciclo de retroalimentación mucho más directo que esperar un cambio de posicionamiento.

Convertir la matriz en un brief de contenido

El valor práctico del mapa de calor está en que convierte una idea abstracta —“mejorar nuestra visibilidad de IA para este tema”— en un esquema literal. Toma las sub-consultas de las filas superiores, en orden, y úsalas como los H2 o las entradas de FAQ de tu página. Cuando una fila esté etiquetada como Definicional, asegúrate de definir el término en lenguaje sencillo cerca del inicio de la sección, tal como lo haría una entrada de glosario. Cuando una fila esté etiquetada como Comparación, incluye una comparación explícita en lugar de describir tu producto de forma aislada. Cuando una fila esté etiquetada como Procedimental, escribe la respuesta como una secuencia clara de pasos, no como un párrafo narrativo: los motores extraen pasajes paso a paso de forma más confiable que la prosa. Este tipo de cobertura deliberada, sección por sección, es exactamente lo que recomiendan las guías sobre cómo estructurar contenido para la citación por IA , y el mapa de calor de consultas derivadas te dice con precisión qué secciones necesita realmente un prompt determinado, en lugar de dejarte adivinar a partir de una plantilla genérica.

También vale la pena tratar la profundidad de contenido como un problema de cantidad de filas cubiertas, no de cantidad de palabras. Una página que responde a fondo seis de las diez filas derivadas de un prompt, por lo general superará en citas a una página mucho más larga que solo roza cada fila de pasada. El mapa de calor lo hace visible: las celdas más oscuras se agrupan alrededor de páginas que dedican espacio real a una sub-consulta, no de páginas que simplemente mencionan la palabra clave.

Dónde encaja esto en tu estrategia de visibilidad

El mapa de calor de consultas derivadas está dentro de la vista de detalle del prompt precisamente porque está pensado para leerse junto con tus otras métricas a nivel de prompt, no de forma aislada. Si un prompt tiene una visibilidad de IA general sólida pero el mapa de calor muestra varias filas claras, esa combinación normalmente significa que estás ganando citas en las partes fáciles y de alto solapamiento del tema, mientras cedes las sub-consultas más difíciles a los competidores: un punto débil que vale la pena corregir antes de que un rival lo cierre. Si estás rastreando este prompt como parte de un programa de monitoreo más amplio, combinar el mapa de calor con el rastreador de posicionamiento en IA de AmICited te permite observar si cerrar una brecha derivada realmente mueve tu posición de citación en las semanas siguientes, convirtiendo una corrección de contenido puntual en un experimento medible. Para empezar a monitorear estas sub-consultas como prompts por derecho propio, usa Rastrear todos los prompts : esto promueve cada fila derivada a un prompt completamente rastreado, así obtienes su propio historial, su propia tendencia de citación y sus propias alertas, en lugar de depender de una sola instantánea dentro del mapa de calor del prompt principal.