Opinión: una mención de tu marca en IA no cuenta toda la conversación

Muchas herramientas que hacen «prompt tracking» y te muestran una puntuación de visibilidad (Visibility Score) comparten la misma metodología: miden el porcentaje de veces que un determinado LLM menciona tu marca en la respuesta a un determinado prompt a lo largo de varias ejecuciones del prompt. Es decir: si ejecutas 100 veces un prompt y el LLM menciona 45 veces tu marca en sus respuestas, tu puntuación de visibilidad sería del 45 %.

Las carencias de la puntuación de visibilidad

Dejando de lado el hecho de que eso solo mide los prompts que tú le indiques a la herramienta en vez de los prompts que los usuarios realmente hacen (que esa es otra), la principal problemática de esta metodología es que cuando una herramienta solo recoge la respuesta al primer prompt, deja fuera las preguntas posteriores de esa conversación. Conviene comprobar qué mide cada producto antes de interpretar su puntuación.

Por ejemplo: el usuario puede empezar preguntando «mejores gimnasios en Granada por menos de 40 € al mes» y el LLM menciona tu marca en la respuesta (junto a algunos competidores). Entonces la herramienta que mide tu visibilidad en IA lo cuenta como una mención que forma parte de ese 45 % del Visibility Score que puse antes como ejemplo. En principio parece una victoria. Pero en seguida el usuario empieza a refinar su pregunta, esta vez añadiendo la zona concreta de la ciudad, si el gimnasio pide o no cuota de permanencia, el horario de apertura, si quiere que el gimnasio incluya parking, spa u otros servicios, si dejan usar magnesio, etc. Y tras este refinamiento, tu marca ya no aparece recomendada por el LLM en alguna de las respuestas posteriores. ¿Dónde está la supuesta victoria?

Como ves, la pregunta clave no es únicamente si aparecemos en la primera respuesta (que también), sino sobre todo si seguimos siendo una opción cuando el usuario empieza a filtrar alternativas. De ahí la importancia de que las estrategias de contenidos se estructuren creando asociaciones desde la categoría del producto/servicio hacia la marca. No basta únicamente con verificar que los bots de los LLMs no están bloqueados y pueden acceder a tus páginas y procesar y renderizar correctamente el contenido.

¿Cuándo se deciden los usuarios? Los datos arrojan luz

De hecho, datos recientes sobre publicidad en ChatGPT apuntan precisamente a que la profundidad de la conversación cambia el contexto comercial en el que aparece una marca: Similarweb ha observado que, en un informe publicado el 15 de junio de 2026, la mediana del turno en el que aparecían anuncios de algunos de los principales anunciantes pasó aproximadamente de los turnos 7-8 a los turnos 14-22. Similarweb interpreta que ese desplazamiento puede acercar los anuncios a fases de comparación y decisión. El turno de aparición no demuestra por sí solo que el usuario haya decidido comprar.

OpenAI explica que su sistema publicitario utiliza, entre otras señales, el contexto y la intención de la conversación actual. También aclara que los anuncios se seleccionan en un sistema separado y no influyen en las respuestas de ChatGPT.

Estos datos describen anuncios, no la permanencia de marcas en las recomendaciones orgánicas. Mi propuesta para estudiar la visibilidad en IA es que la unidad de análisis no debería ser únicamente el prompt, sino la evolución de la intención a lo largo de la conversación.

Lo bueno es que las marcas pequeñas tienen terreno que pueden disputar: una marca puede no aparecer inicialmente porque el prompt es demasiado genérico, pero entrar en consideración cuando el usuario especifica sus necesidades. Por eso analizar los turnos posteriores puede revelar oportunidades que el tracking de primera respuesta oculta.

Cómo saber si tienes ese problema y qué hacer al respecto

Un seguimiento de primeras respuestas no permite conocer las preguntas posteriores de usuarios reales. Podemos diseñar pruebas de varios turnos, pero sus resultados describirán esas conversaciones de prueba, no todas las conversaciones que mantiene nuestra audiencia. Dicho esto, se supone que conviene conocer bien a tu buyer persona y sus objeciones e inquietudes más frecuentes. Si no, también puedes buscar en Google una consulta comercial que suelan hacer tus clientes y fijarte en la sección «Otras preguntas de los usuarios» (People also ask), como fuente de hipótesis sobre dudas posibles, sin dar por hecho que sean las preguntas que se hacen al LLM, y una vez hayas recogido esas preguntas puedes construir nuevos prompts que incluyan el contexto de la conversación anterior (qué preguntó el usuario, qué marcas aparecieron, qué restricciones añadió y cuál fue la recomendación). Esos nuevos prompts serían mucho más largos y no reproducen perfectamente una conversación real, pero permiten aproximarse al comportamiento de turnos posteriores.

¿Cómo saber si tu problema es que tu marca no es recomendada en las respuestas posteriores al primer prompt? Esto es más complejo de dilucidar y supongo que no hay una única manera de aproximarse a la respuesta, pero yo me fijaría en la siguiente divergencia: si tu herramienta de visibilidad en IA muestra que tienes un Visibility Score decentemente alto para tu sector pero el tráfico de referencia (referral traffic) de los LLMs no es acorde a lo que «se esperaría» para tal visibilidad (y qué se considera «esperable» es algo que tendrás que estimar tú en función del contexto de tu negocio y de tu sitio web) eso puede justificar investigar qué ocurre después de la primera respuesta, pero no permite diagnosticarlo. También pueden influir las consultas elegidas, la ausencia de clics o los límites de atribución. Para comprobar la hipótesis, repetiría conversaciones con las mismas restricciones y registraría en qué turnos aparece la marca, si se recomienda o solo se menciona y si se enlaza.