Pregúntale hoy a un buscador de IA “¿qué marca fabrica las mejores zapatillas para correr?” y obtendrás una respuesta. Hazle la misma pregunta mañana, o incluso cinco minutos después, y aproximadamente dos tercios de las fuentes que cita serán distintas. Esto no es un fallo. Así es como funciona la búsqueda con IA.
Lo que obtendrás de esta guía:
- Por qué la visibilidad en buscadores de IA se comporta como una probabilidad y no como un ranking fijo, tal como ocurre en Google
- Una explicación en lenguaje sencillo de cómo miden los investigadores si una respuesta de IA realmente cambió (Jaccard y RBO)
- Seis hallazgos respaldados por datos, cada uno con su propio gráfico: rotación de fuentes, estabilidad de marca, concentración de citas, aleatoriedad del modelo, diferencias entre motores y sensibilidad a los prompts
- Las cifras exactas que importan: cuántas ejecuciones repetidas por prompt y qué ventana de observación necesitas para obtener datos fiables
- Una checklist lista para copiar y usar, que te ayudará a montar una medición GEO en la que realmente puedas confiar
- Preguntas frecuentes sobre ejecuciones, ventanas, motores y métricas
Un nuevo estudio académico deja esto incómodamente claro. En “Don’t Measure Once: Measuring Visibility in AI Search (GEO)” (arXiv, abril de 2026), los investigadores Julius Schulte, Malte Bleeker y Philipp Kaufmann, de la Universidad de St. Gallen (junto con Aurora Intelligence), rastrearon cuatro buscadores de IA en cuatro sectores todos los días durante más de seis semanas. Su conclusión: la visibilidad en buscadores de IA es probabilística, no determinista. Una sola consulta es una instantánea poco fiable, y tratarla como si fuera un ranking de Google te llevará a conclusiones equivocadas. Es uno más de un creciente cuerpo de investigación académica sobre GEO que está transformando la manera en que los profesionales del marketing entienden la visibilidad en IA.
Para el marketing, esto importa más de lo que parece a primera vista. Si comprobar una sola vez si tu marca aparece en ChatGPT o Perplexity y llamas a eso “medición”, podrías estar sobrestimando o subestimando tu presencia real por un margen considerable. La solución no es hacer una consulta mejor, sino cambiar de modelo mental. Hay que medir la visibilidad como una distribución: muchas ejecuciones, muchos prompts, a lo largo de una ventana sostenida.
A continuación repasamos exactamente lo que encontró el estudio, por qué la búsqueda con IA se comporta así, y cuántas mediciones necesitas realmente para que tus cifras tengan algún significado.
Resumen rápido (lo que encontró el estudio):
- Las fuentes citadas rotan mucho. Solo entre el 34% y el 42% de las fuentes que cita un motor de IA se mantienen de un día al siguiente, lo que significa que aproximadamente el 65% de las fuentes cambia a diario.
- Las menciones de marca son más estables, pero siguen siendo volátiles. El solapamiento de marca día a día ronda el 45% al 59%, más fiable que el de las URLs individuales, pero lejos de ser estable.
- Las citas están muy concentradas. Un puñado de dominios acapara la mayor parte de la visibilidad. El coeficiente de Gini medio es de 0.715, y en una escala de 0 a 1 donde 1 significa que un solo dominio acapara todas las citas, se trata de un panorama muy desequilibrado.
- Es la propia aleatoriedad del modelo, no las noticias. Lanzar el prompt idéntico varias veces el mismo día produce la misma rotación, así que la mayor parte de la inestabilidad viene del propio modelo, no de cambios reales en el mundo.
- Una sola ejecución no te dice casi nada. Necesitas al menos 7 ejecuciones por prompt al día para obtener una estimación fiable de visibilidad de marca, y 8 si además rastreas URLs de fuentes individuales.
- Las ventanas cortas engañan. Como las fuentes rotan tan rápido, necesitas una ventana móvil de 2 a 4 semanas para obtener una lectura estable de la visibilidad real de una marca.
Por qué la visibilidad en buscadores de IA no se comporta como los rankings de Google
Si vienes del mundo del SEO, tus instintos están calibrados para un entorno que ya no aplica. En la búsqueda clásica, los resultados están ordenados y son mayormente estables: tu página está en la posición 4 hoy y probablemente en la posición 4 o 5 mañana. Una sola comprobación te da una instantánea justa, y cuando las cosas se mueven, lo hacen de forma gradual dentro de un espectro predecible. Puedes observar la deriva de tu posición y reaccionar.
Generative Engine Optimization (GEO) no funciona así. El GEO es de todo o nada, lo que el estudio llama una dinámica binaria de inclusión y exclusión. En una respuesta dada, tu marca o tu fuente aparece de forma prominente o queda fuera por completo. No existe el consuelo de una “posición 8”. O estás en la respuesta o eres invisible, y cuál de esas dos opciones te toca puede cambiar de una ejecución a otra, impulsado por la forma probabilística en que los modelos de lenguaje grandes generan texto y seleccionan evidencia.
Esa volatilidad se agrava con un segundo problema: un buscador de IA es una caja negra. No puedes ver por qué tu marca fue incluida en una respuesta y descartada en la siguiente. El modelo comprime información de muchas fuentes en una respuesta corta y limitada, y el proceso de selección no es transparente ni reproducible. A diferencia de un ranking SEO, que oscila dentro de un conjunto de posiciones visible, la visibilidad en IA puede desaparecer sin previo aviso ni explicación.
A esto se suma una herramienta ausente. En SEO, los profesionales del marketing cuentan con Google Search Console, una utilidad propia que indica para qué consultas apareces y con qué frecuencia. Los proveedores de LLM no ofrecen un equivalente. Datos básicos, como la frecuencia real con la que la gente hace una pregunta determinada, simplemente no se pueden ver en el ecosistema GEO. Ese punto ciego es precisamente la razón por la que los profesionales del marketing deben construir la medición desde fuera, mediante muestreos repetidos de terceros, y por la que un número de “visibilidad” único y estático es tan fácil de malinterpretar. El resto de este artículo trata sobre cómo hacer esa medición correctamente.
Dentro del estudio: qué hicieron realmente los investigadores
El estudio es refrescantemente concreto, así que vale la pena entender el diseño antes de confiar en las cifras. Los investigadores de la Universidad de St. Gallen (en colaboración con Aurora Intelligence) construyeron un sistema de monitoreo que consultaba a cuatro buscadores de IA todos los días y registraba exactamente qué fuentes y qué marcas devolvía cada uno.
Probaron cuatro motores: ChatGPT, Google Gemini, Google AI Mode y Perplexity. A cada motor se le hizo el mismo conjunto de preguntas en cuatro verticales del mundo real (el estudio las llama “campañas”), elegidas por generar mucho tráfico de búsqueda en el mercado suizo: electrónica de consumo, venta de bienes raíces, artículos deportivos y telecomunicaciones.
Para cada vertical, el equipo redactó 8 prompts, y aquí hay un detalle inteligente: los prompts no fueron inventados. Tomaron palabras clave de SEO de alto volumen, las escribieron en Google y extrajeron las preguntas reales del cuadro “También te puede interesar” (“People Also Ask”) de Google. Eso significa que las preguntas se parecen a lo que la gente real pregunta: consultas conversacionales y de la parte alta del embudo, como “¿qué marca fabrica buenas zapatillas para correr?”, en lugar de simples palabras clave sueltas.
Los motores fueron consultados a diario durante una ventana de 45 a 46 días (del 24 de enero al 20 de marzo de 2026), desde servidores ubicados en Suiza, algo relevante porque influye en cómo la IA personaliza los resultados. En total, el análisis abarcó 4,044 pares de días consecutivos, es decir, cada comparación de “hoy frente a mañana” en todos los motores, prompts y verticales.
Aquí está el diseño de un vistazo:
| Elemento del diseño | Lo que utilizaron |
|---|---|
| Motores de IA | 4 (ChatGPT, Gemini, Google AI Mode, Perplexity) |
| Verticales / campañas | 4 (electrónica de consumo, bienes raíces, artículos deportivos, telecomunicaciones) |
| Prompts por vertical | 8 |
| Ventana de observación | 45 a 46 días (24 de enero a 20 de marzo de 2026) |
| Origen de los prompts | “También te puede interesar” de Google |
Se trata de una gran cantidad de medición repetida, que es exactamente el argumento que el estudio quiere demostrar.
Dos formas sencillas de medir “¿cambió la respuesta?”
Para responder a la pregunta “¿cuánto difirió la respuesta de hoy de la de ayer?”, los investigadores necesitaban una manera de comparar dos listas entre sí. Utilizaron dos métricas, y no hace falta tener conocimientos de estadística para entenderlas.
La similitud de Jaccard simplemente pregunta: de todas las fuentes que aparecieron en ambos días, ¿cuántas aparecieron en los dos? Se cuentan las fuentes compartidas y se dividen entre el número total de fuentes únicas entre los dos días.
Veamos un ejemplo sencillo. Supongamos que la respuesta de hoy cita 5 fuentes y la de mañana también cita 5, pero solo 2 de ellas son las mismas. Las dos respuestas comparten 2 fuentes, y entre ambas mencionan 8 fuentes distintas (5 + 5, menos las 2 contadas dos veces). Así que el puntaje de Jaccard es 2 ÷ 8 = 0.25, lo que significa que solo alrededor de una cuarta parte de las fuentes se mantuvo estable, y aproximadamente tres cuartas partes cambiaron de un día para otro. Un Jaccard de 1.0 significaría listas idénticas; 0.0 significaría ningún solapamiento en absoluto.
El Rank-Biased Overlap (RBO) hace la misma pregunta, pero añade algo que Jaccard ignora: el orden. Ser citado en primer lugar vale más que ser citado en quinto lugar, así que el RBO da un peso extra a la parte superior de la lista. Como exige que los elementos compartidos aparezcan en posiciones similares (no solo que estén presentes en algún lugar), el RBO es siempre el más estricto de los dos. Por eso, en este estudio, el RBO resulta siempre menor que el Jaccard.
Cómo interpretar estas cifras:
- Cuanto más alto, más estable. Un puntaje cercano a 1.0 significa que la respuesta apenas cambió; cercano a 0 significa que se reorganizó casi por completo.
- Jaccard responde a “¿están presentes los mismos elementos?”
- RBO responde a “¿están presentes los mismos elementos y en el mismo orden?”
- La brecha entre ambos te indica cuánto está cambiando el orden, incluso cuando los mismos elementos siguen apareciendo.
Si quieres ver cómo encajan estas métricas junto a otros indicadores, nuestra guía sobre las 10 métricas importantes de visibilidad en IA sitúa los puntajes de solapamiento en el contexto del resto de tu panel de monitoreo.
Hallazgo #1: dos tercios de las fuentes citadas cambian cada día
Si la búsqueda con IA funcionara como Google, hacer la misma pregunta dos días seguidos revelaría prácticamente las mismas páginas. No es así. Cuando los investigadores de St. Gallen rastrearon qué fuentes citaban cuatro motores de IA todos los días durante mes y medio, descubrieron que la lista de fuentes citadas se reorganiza casi por completo de un día al siguiente.
La cifra principal es Jaccard, la proporción de fuentes citadas presentes en ambos días. En las cuatro verticales osciló entre apenas 0.336 para electrónica de consumo y 0.423 para telecomunicaciones, con artículos deportivos en 0.355 y venta de bienes raíces en 0.378. En términos sencillos, un Jaccard de 0.35 significa que solo alrededor del 35% de las fuentes citadas son las mismas al día siguiente, así que aproximadamente el 65% de las fuentes rota y se reemplaza cada día. Telecomunicaciones fue la más estable del grupo, y electrónica de consumo la más volátil, pero ninguna se acercó a la estabilidad.
La situación empeora al tener en cuenta el orden. El RBO, que da más peso a la parte superior de la lista, se situó entre 0.21 y 0.26, notablemente más bajo que el Jaccard. Esa brecha es reveladora. Significa que no solo cambia qué fuentes aparecen de un día a otro, sino también el orden en el que aparecen. Incluso el puñado de fuentes que sí sobreviven al día siguiente suele cambiar de posición, así que la cita “principal” de ayer puede quedar sepultada hoy.
Esta es exactamente la rotación de la que ya hemos hablado en el problema del 7% de solapamiento : una sola consulta es la instantánea de un blanco en movimiento. Si revisas tus citas de IA una vez y registras el resultado, habrás capturado un solo fotograma de una distribución que se reorganiza para mañana por la mañana.
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Hallazgo #2: las menciones de marca son más estables, pero siguen lejos de ser fijas
Las URLs individuales rotan de forma salvaje, pero a los profesionales del marketing suele interesarles algo más general: ¿mi marca se menciona en absoluto? Al agregar desde fuentes específicas hasta nombres de marca se suaviza mucho del ruido, pero incluso a nivel de marca, el panorama día a día está lejos del ranking estable que se esperaría de la búsqueda tradicional.
El Jaccard a nivel de marca se situó entre 0.45 y 0.59, notablemente más alto que el 0.34-0.42 observado para las fuentes. Telecomunicaciones fue la más estable con 0.589, electrónica de consumo muy cerca con 0.557, y artículos deportivos la más baja con 0.453. Así que aproximadamente la mitad de las marcas mencionadas hoy reaparecen mañana, frente a solo un tercio de las fuentes. La presencia de marca es la señal más duradera, por lo que funciona mejor como KPI principal que el seguimiento de URLs individuales.
Vale la pena detenerse en dos detalles. Primero, la venta de bienes raíces quedó excluida por completo del análisis de marca. Los motores solo nombraron una marca específica en el 53.6% de las respuestas sobre bienes raíces (por debajo del umbral del 70% que los investigadores fijaron para que una vertical tuviera suficientes menciones de marca como para analizarla de forma fiable), porque muchos de sus prompts eran preguntas genéricas sobre impuestos e inversión que los LLM responden sin citar ninguna empresa. Incluirla habría contaminado las cifras, así que se descartó.
Segundo, artículos deportivos quedó en el nivel más bajo por una razón concreta: existe un conjunto grande e intercambiable de marcas de zapatillas para correr, así que el modelo tiene decenas de opciones casi equivalentes de las que echar mano y va rotando entre ellas de un día a otro.
E incluso aquí, el orden es inestable. El RBO para marcas se situó apenas entre 0.19 y 0.30, así que el ranking en el que aparecen las marcas todavía cambia mucho. Más estable que el de las fuentes, pero no algo que puedas medir una sola vez y dar por bueno. Este es el argumento a favor de alertas de monitoreo continuo de marca en IA en lugar de comprobaciones puntuales.
Hallazgo #3: unos pocos dominios acaparan casi todas las citas
No todos los dominios citados reciben una porción igual del pastel. En la búsqueda con IA, un pequeño grupo de dominios absorbe la gran mayoría de las citas de IA para cualquier tema dado, mientras el resto se disputa las migajas.
El estudio mide esto con el coeficiente de Gini, un indicador estándar de desigualdad. Va de 0 a 1: un Gini de 0 significaría que todos los dominios reciben citas por igual, y un Gini de 1 significaría que un solo dominio acapara todas las citas. Es la misma matemática que utilizan los economistas para describir la desigualdad de ingresos, aplicada aquí al número de citas.
En todos los motores y campañas, el Gini medio fue de 0.715. Eso es alto. Significa que el panorama de citas está muy desequilibrado, con un puñado de dominios acaparando la mayor parte de la visibilidad en cada tema.
La concentración varía según el motor. Perplexity repartió sus citas de forma más equitativa (Gini de 0.671), seguido de ChatGPT (0.684) y Gemini (0.723). Google AI Mode fue el más concentrado de todos, con 0.782, lo que indica que se apoya más en un grupo reducido de fuentes de confianza.
También varía según el tema. Artículos deportivos fue el menos concentrado (0.680), luego electrónica de consumo (0.713) y bienes raíces (0.718), con telecomunicaciones como el más concentrado, en 0.750.
La conclusión estratégica: para cualquier tema, unos pocos dominios controlan la visibilidad en IA, y el resto es casi invisible. Entrar en ese grupo selecto es donde está la verdadera recompensa, así que tu estrategia de participación de voz en IA debería centrarse en penetrar ese núcleo concentrado en lugar de perseguir una cola larga que la IA rara vez muestra.
Hallazgo #4: es el modelo, no el ciclo de noticias
Si las fuentes rotan de un día a otro, quizá sea simplemente que el mundo cambia, ¿verdad? Se publican artículos nuevos, la autoridad de dominio cambia, los índices se actualizan. Para comprobarlo, los investigadores hicieron un experimento inteligente.
Lanzaron el mismo prompt hasta 10 veces en el mismo día calendario, a los cuatro motores. Misma consulta, mismas condiciones, con minutos de diferencia. Si la rotación día a día viniera de noticias externas y actualizaciones del índice, volver a ejecutar un prompt dentro del mismo día debería devolver fuentes casi idénticas. Bajo los supuestos de la búsqueda tradicional, se esperaría un solapamiento casi perfecto.
Eso no fue lo que ocurrió. El solapamiento de fuentes en el mismo día (Jaccard) se situó entre 0.32 y 0.43 según la campaña, lo que significa que solo alrededor de un tercio de las fuentes citadas coincidió entre dos ejecuciones lanzadas el mismo día. Electrónica de consumo alcanzó 0.327, artículos deportivos 0.321, bienes raíces 0.391 y telecomunicaciones 0.434.
Aquí está la clave: ese rango es prácticamente idéntico al rango día a día de 0.34-0.42. Eliminar el ciclo de noticias como factor no cambió casi nada.
La conclusión es inevitable. La rotación no proviene de actualizaciones externas, cambios de algoritmo, ni de un ciclo de noticias en movimiento. Proviene de la propia aleatoriedad del modelo: la forma probabilística en que una IA genera y selecciona fuentes para cada respuesta. Consulta al mismo motor dos veces seguidas y obtendrás fuentes notablemente distintas, no porque el mundo haya cambiado, sino porque el modelo volvió a lanzar los dados. Por eso una sola medición no es suficiente, y por eso el monitoreo debe promediar múltiples ejecuciones repetidas para tener algún significado.
Hallazgo #5: los cuatro motores no son intercambiables
Es tentador tratar a la “búsqueda con IA” como un bloque monolítico. Los datos dicen lo contrario. Los cuatro motores se comportan de manera tan distinta que asumir que uno refleja a otro te llevará por mal camino.
Al desglosar los resultados de las repeticiones del mismo día por motor, se revela una gran brecha en la consistencia. En fuentes, Gemini fue con diferencia el más consistente, con un Jaccard del mismo día de 0.505, lo que significa que aproximadamente la mitad de sus fuentes citadas se mantuvo estable entre ejecuciones repetidas. ChatGPT fue el menos consistente, con apenas 0.233, un solapamiento de poco más de una cuarta parte. Perplexity (0.282) y Google AI Mode (0.318) quedaron en un punto intermedio.
El panorama de marca reorganiza el ranking por completo. En menciones de marca, Perplexity encabezó la lista (Jaccard de 0.492), seguido de cerca por ChatGPT (0.437), luego Gemini (0.409) y Google AI Mode (0.375). Así que el motor más estable en fuentes no es el más estable en marcas. No existe un único motor “más estable”.
ChatGPT destaca por otra razón. No devuelve ninguna cita en el 57.8% de sus ejecuciones. Más de la mitad de las veces omite la búsqueda web en preguntas definicionales y responde desde su memoria. Pregúntale “¿cuál es la diferencia entre un notebook y un laptop?” y a menudo no citará a nadie en absoluto. Es un comportamiento completamente distinto al de Gemini o Perplexity, que recurren a la web con mucha más frecuencia.
La lección es simple pero crucial: no puedes asumir que el comportamiento de un motor refleja el de otro. Cada uno tiene su propia aleatoriedad, sus propios hábitos de citación y sus propias particularidades. Cualquier programa de monitoreo serio, o Índice de Visibilidad en IA , debe establecer líneas base específicas para cada motor en lugar de mezclarlo todo en un solo número y esperar que se generalice.
Hallazgo #6: el prompt que elijas altera el resultado
Aquí hay un matiz que sorprende a la mayoría: el prompt que elijas importa tanto como cuántas veces lo ejecutes. El estudio midió la consistencia por prompt en cada campaña, y la dispersión es enorme. Algunos prompts devuelven casi las mismas fuentes y marcas en cada ejecución, con un Jaccard superior a 0.8, lo que significa que más del 80% de los elementos se repiten. Otros son casi puro ruido, situándose por debajo de 0.2, donde menos de uno de cada cinco elementos se mantiene estable.
El patrón detrás de esta dispersión es intuitivo una vez que se ve. Las consultas de producto específicas se responden de forma más consistente que las genéricas y amplias. Una pregunta concreta como “¿cuáles son las mejores zapatillas para correr?” atrae un conjunto más ajustado y repetible de marcas y fuentes. Una pregunta vaga, de la parte alta del embudo, del tipo que podría responderse de una docena de maneras defendibles, hace que el modelo recorra un abanico mucho más amplio cada vez.
La conclusión práctica: uno o dos prompts no pueden representar una campaña. Si por casualidad eliges dos prompts consistentes, sobrestimarás tu estabilidad. Si eliges dos erráticos, te convencerás de que toda la categoría es un caos. En cualquier caso, estarás midiendo las peculiaridades de tu selección de prompts, no tu visibilidad real.
La solución es una cartera de prompts amplia y diversa que refleje cómo preguntan los usuarios reales: específicos y amplios, transaccionales e informativos. Promediar entre muchos prompts es la única manera de cancelar este ruido a nivel de consulta y ver la campaña tal como realmente es.
¿Cuántas veces deberías ejecutar cada prompt?
Piensa en una sola consulta como el lanzamiento de una moneda. Nunca decidirías si una moneda está cargada a partir de un solo lanzamiento, y sin embargo una consulta única en un buscador de IA te pide hacer exactamente eso. Como los buscadores de IA son probabilísticos, cada ejecución es una nueva tirada de dados, y la única forma de saber con qué frecuencia aparece realmente tu marca es ejecutar el prompt muchas veces y promediar los resultados. Cuantas más ejecuciones acumules, menor será tu error estándar (EE), el margen de incertidumbre alrededor de tu estimación.
El estudio cuantifica exactamente qué tan rápido se reduce ese margen.
La convergencia es pronunciada al principio y luego se aplana. Una sola ejecución tiene un EE de 0.370, esencialmente inútil. En términos sencillos: una marca cuya tasa de detección real es del 50% podría mostrar cualquier valor entre aproximadamente 0% y 100% en una instantánea de una sola ejecución. No aprenderías nada.
Añade ejecuciones y la niebla se despeja rápido:
| Ejecuciones por prompt | Error estándar | Margen del 95% (±) |
|---|---|---|
| 1 | 0.370 | 0.724 |
| 3 | 0.188 | 0.369 |
| 5 | 0.123 | 0.241 |
| 6 | 0.101 | 0.197 |
| 7 | 0.081 | 0.158 |
| 8 | 0.062 | 0.121 |
El EE baja de la línea de fiabilidad de 0.10 a las 7 ejecuciones para el seguimiento de marca (todavía es 0.101 con seis ejecuciones). La cobertura a nivel de fuente es más ruidosa y necesita 8 ejecuciones para llegar ahí.
Así que la recomendación es concreta: ejecuta al menos 7 veces por prompt al día cuando estés monitoreando la visibilidad de marca, y al menos 8 cuando importe la cobertura a nivel de fuente. Por debajo de eso, sigues lanzando una sola moneda y llamándolo medición. Esta es la diferencia entre un Índice de Visibilidad en IA real y una suposición con suerte.
¿Cuánto tiempo deberías observar? El caso de una ventana de 2 a 4 semanas
Ejecutar cada prompt suficientes veces corrige el ruido dentro de un día. Pero hay una segunda fuente de deriva: las respuestas de IA también cambian de un día a otro, y con aproximadamente el 65% de las fuentes citadas renovándose cada 24 horas, un solo día (o incluso una sola semana) es demasiado corto para separar la señal del ruido. Necesitas una ventana lo suficientemente amplia para que la rotación diaria se promedie.
El estudio midió cómo mejora la precisión de la estimación a medida que se alarga la ventana de observación.
Se aplica la misma lógica de convergencia, solo que a lo largo del tiempo calendario en lugar de ejecuciones repetidas:
| Ventana (días) | Error estándar | Margen del 95% (±) |
|---|---|---|
| 1 | 0.322 | 0.631 |
| 7 | 0.135 | 0.264 |
| 10 | 0.107 | 0.210 |
| 14 | 0.080 | 0.157 |
| 21 | 0.053 | 0.105 |
| 28 | 0.033 | 0.065 |
La estimación cruza por debajo de 0.10 a los 10 días y baja de 0.05 justo alrededor de la marca de los 24 días (es 0.053 a los 21 días y 0.033 a los 28). En términos prácticos: una semana de datos todavía es inestable para rastrear una marca individual, pero un margen de 0.05 significa que una marca citada realmente el 40% de las veces se leerá entre aproximadamente el 30% y el 50%, lo suficientemente ajustado como para confiar en una tendencia. De dos a cuatro semanas es donde las cifras por marca se vuelven genuinamente estables.
La recomendación es una ventana móvil de 2 a 4 semanas. Una ventana móvil cumple una doble función: reúne suficientes días para reducir el margen estadístico, y a la vez promedia silenciosamente las actualizaciones menores de los modelos y las renovaciones del índice que los motores de IA lanzan con regularidad, así que un ajuste puntual un martes no se hace pasar por una tendencia real. Esa es la longitud de ventana que quieres incorporar en cualquier panel de monitoreo o metodología de pruebas A/B de visibilidad en IA antes de sacar conclusiones sobre si tu visibilidad realmente se movió.
Qué significa esto para tu estrategia GEO
El estudio se traduce directamente en un puñado de reglas concretas para cualquiera que gestione un programa GEO . Trátalas como los requisitos operativos de una configuración de medición en la que realmente puedas confiar.
Lanza cada prompt al menos 7 veces al día (8 cuando importen las fuentes). Una sola consulta tiene un error estándar de 0.370 en la tasa de detección de una marca, esencialmente el lanzamiento de una moneda disfrazado de dato. El error baja por debajo de 0.10 a las 7 ejecuciones para la presencia de marca y necesita 8 ejecuciones para la cobertura a nivel de fuente. Por debajo de ese umbral, estás reaccionando al ruido, no midiendo visibilidad.
Cubre cada tema con una cartera de prompts amplia y diversa. El solapamiento a nivel de prompt oscila entre menos de 0.2 y más de 0.8 dentro de una sola campaña, así que uno o dos prompts capturan las peculiaridades de esas frases exactas y no tu posición real. Construye al menos ocho consultas variadas por tema, una mezcla de preguntas de producto específicas y frases amplias tipo “cuál es mejor”, para que tus cifras reflejen la campaña y no un accidente de redacción.
Agrega los resultados en una ventana móvil de 2 a 4 semanas, no en un día o una semana. Con aproximadamente el 65% de las fuentes citadas renovándose a diario, las ventanas cortas no pueden separar la señal del ruido. Las estimaciones por marca solo se estabilizan por debajo de 0.10 de EE a los 10 días y por debajo de 0.05 a los 24 días. Una ventana móvil de dos a cuatro semanas suaviza la rotación diaria y las actualizaciones menores de los modelos en una lectura duradera.
Establece líneas base separadas para cada motor. La concentración de citas va de 0.671 en Perplexity hasta 0.782 en Google AI Mode, y la consistencia de fuentes del mismo día va de 0.233 en ChatGPT a 0.505 en Gemini. Un único umbral para los cuatro motores te confundirá en al menos uno de ellos. Evalúa cada motor según sus propios términos.
Monitorea la presencia de marca y las URLs de fuentes como dos KPI distintos. La estabilidad a nivel de marca (Jaccard de 0.45 a 0.59) supera a la estabilidad a nivel de fuente (0.34 a 0.42), así que la presencia agregada de marca es tu métrica principal más fiable. Pero sigue rastreando las fuentes a nivel de URL también, ya que eso es lo que te indica qué páginas están impulsando realmente tu inclusión.
Limitaciones honestas que conviene conocer
Los autores son refrescantemente transparentes sobre lo que este conjunto de datos puede y no puede decirte, y cada advertencia es una razón más para realizar tu propia medición continua en lugar de apoyarte en un solo estudio.
Es suizo. Todos los datos provienen de servidores en Suiza, con IPs y configuración regional suizas, a través de prompts en alemán. La selección de índice personalizada por geografía y los patrones de citación pueden verse distintos en tu región o idioma, así que trata las cifras exactas como orientativas, no universales.
Es una sola ventana temporal. Todo se ejecuta en un único período de 45 a 46 días (de enero a marzo de 2026). Los motores de IA se actualizan constantemente, así que una instantánea de cualquier ventana fija, incluida esta, puede quedar desactualizada.
ChatGPT a menudo no devolvió nada. ChatGPT omitió la búsqueda web en el 57.8% de las ejecuciones, produciendo cero citas; esas ejecuciones se excluyeron del análisis de fuentes. Tu propia cobertura de ChatGPT será más irregular de lo que sugieren las cifras principales.
La detección de marca se basó en subcadenas. Las menciones se compararon con un léxico fijo, así que se pasaron por alto sinónimos, abreviaturas y paráfrasis. Es probable que la presencia real de marca sea algo mayor de lo medido.
Google AI Overviews quedó excluido por tratarse de un producto distinto. Si AIO te importa, se trata de toda una superficie que este estudio nunca tocó.
Nada de esto socava el hallazgo central; al contrario, lo refuerza. La única manera de saber cómo se comporta la visibilidad en tu mercado, en tu idioma y en este mes es medirla tú mismo, de forma continua.
Cómo poner en práctica la medición repetida
Aquí está la checklist práctica que se desprende del estudio, la configuración mínima viable para una medición GEO sobre la que puedes actuar:
- Ejecuta cada prompt de 7 a 10 veces al día. Siete ejecuciones sitúan la detección de marca por debajo de la línea de fiabilidad; ocho cubren las fuentes; diez te dan margen adicional.
- Mantén una cartera diversa de 8 o más prompts por tema. Combina consultas de producto específicas con frases amplias tipo “cuál es mejor”.
- Rastrea líneas base por motor. ChatGPT, Gemini, Google AI Mode y Perplexity se comportan de forma distinta tanto en consistencia como en concentración de citas, así que evalúa cada uno por separado.
- Usa una ventana móvil de 2 a 4 semanas. Agrega las tasas de detección durante 14 a 28 días para que la rotación diaria de fuentes y las actualizaciones menores de los modelos se diluyan.
- Monitorea la presencia de marca y las URLs de fuentes por separado. La presencia a nivel de marca es tu KPI principal estable; el seguimiento de fuentes te dice qué páginas se ganan la inclusión.
- Vigila la concentración de citas. Un Gini creciente significa que un grupo cada vez más pequeño de dominios controla las respuestas, así que debes saber si estás dentro o fuera de ese grupo.
Hacer todo esto a mano en cuatro motores, docenas de prompts y repeticiones diarias implica muchas piezas en movimiento. Una plataforma de monitoreo de visibilidad en IA como amicited automatiza exactamente este patrón (múltiples ejecuciones, múltiples prompts, seguimiento con ventana móvil en ChatGPT, Gemini, Google AI Mode y Perplexity), de modo que la distribución se calcula por ti en lugar de estimarla a ojo a partir de una sola consulta. Para un panorama más amplio de opciones, consulta la guía de herramientas de seguimiento de citas en IA , y para detectar los cambios en cuanto ocurran, configura alertas de monitoreo de marca en IA .
La conclusión: la visibilidad es una distribución, no un número
La conclusión más importante de este estudio es un cambio de modelo mental. La visibilidad en buscadores de IA no es un ranking fijo que puedas leer con una sola consulta. Es una probabilidad de ser mencionado que solo se revela a lo largo de muchas ejecuciones. ¿Recuerdas la pregunta sobre las zapatillas para correr con la que abrimos este artículo? Pregúntala una vez y podrías ver tu marca; pregúntala de nuevo un minuto después, en condiciones idénticas, y podría haber desaparecido. Los conjuntos de fuentes se solapan apenas entre un 34% y un 42% de un día a otro; incluso las marcas, la señal más estable, solo se solapan entre un 45% y un 59%.
Eso significa que cada número que extraes de una sola comprobación es en realidad una extracción aleatoria de una distribución subyacente, y extraer una sola vez casi no te dice nada sobre la forma de esa distribución. Una marca citada en una ejecución y ausente en la siguiente no ha “caído”; simplemente muestreaste un proceso aleatorio, como una tirada de dados, una sola vez, y confundiste esa única muestra con la verdad.
Así que deja de preguntar “¿me citan?” y empieza a preguntar “¿con qué frecuencia me citan, y cómo está evolucionando eso?”. Las ejecuciones repetidas, los prompts diversos, las líneas base por motor y las ventanas móviles convierten una instantánea ruidosa en una estimación estable y apta para la toma de decisiones. Mide la distribución, no el momento. Ese es todo el juego en la búsqueda con IA.
Rastrea tus prompts en todos los motores de IA
Deja de confiar en una sola consulta. AmICited ejecuta tus prompts una y otra vez en ChatGPT, Perplexity, Gemini y Google AI Overviews, y convierte el ruido en una visión diaria y estable de cómo la IA describe tu marca y hacia dónde crecer.
Comprobación gratuita · prueba de 14 días · sin tarjeta de crédito