Cómo medir la visibilidad en IA: KPIs, métricas y prompts

Que la IA te cite no es lo mismo que te mande tráfico. Cómo medir la visibilidad en IA: qué mirar, qué ignorar y por qué el prompt lo decide todo.

La medición es, sinceramente, la parte que más me apasiona y la que peor se hace en la industria. Casi todos los reportes de visibilidad en IA que reviso miden lo fácil, no lo que mueve la aguja. Esta guía es la forma en que medimos de verdad: qué mirar, qué ignorar, y cómo evitar el autoengaño de un número que suena bien pero no dice nada.

El error de medir la IA con sesiones

El tráfico referido por IA existe, pero es el piso del impacto, no el techo. Las personas descubren, comparan y validan una marca dentro de la conversación, muchas veces sin llegar al sitio. Medir solo las sesiones que llegan es como juzgar una conversación por las veces que alguien pidió tu número: pasó mucho antes de eso.

Si la cita casi no genera clic, entonces medir el impacto solo por el clic deja fuera la mayor parte del valor. Por eso la presencia en la respuesta hay que registrarla como un activo en sí mismo, distinto de la visita.

Aparecer no es una cosa: son seis escalones distintos

Acá está, para mí, el problema más serio de la medición actual. Casi todas las herramientas del mercado dicen medir visibilidad, pero no aclaran en qué capa cuentan. Y hay al menos seis capas entre que un motor recupera tu página y que alguien llegue a tu sitio. Contar en una y reportar como si fuera otra es lo que produce esos tableros llenos de datos que no sirven para decidir.

Los porcentajes salen de medir más de 61.000 pares de respuesta y página en julio de 2026. Lo que dicen es que nueve de cada diez páginas recuperadas se quedan al fondo del panel, detrás de un clic, sin promoverse nunca ni recogerse en el texto. Están técnicamente visibles y son prácticamente invisibles.

El síntoma más fácil de detectar es este: cuando un ranking de visibilidad lista a arXiv o a Reddit entre los sitios más visibles en ChatGPT, está delatando que no distingue una página recuperada de una citada. En el corpus medido, arXiv apareció más de dos mil seiscientas veces y se citó diez, sin abrirse nunca. Y no es por llegar sin fragmento: en las ciento diecisiete ocasiones en que sí llegó con fragmento, se citó cero veces.

El punto ciego que arruina la atribución por UTM

Hay un detalle técnico que conviene conocer antes de confiar en el informe de tráfico referido. ChatGPT añade el parámetro utm_source con el valor chatgpt.com al 95% de los enlaces que muestra, y en modo instantáneo a todos. Pero hay una familia que se escapa siempre: las páginas que el modelo abrió y leyó él mismo nunca llevan ese parámetro.

El sesgo es sistemático y va en una sola dirección. Una página que el modelo se molestó en abrir tiene un 74% de probabilidad de ser citada, frente al 7% de una que solo recuperó. Es el mejor caso posible, y es exactamente el que tu analítica no va a atribuir a ChatGPT. Si mides el impacto de la IA contando sesiones con UTM, estás subestimando precisamente lo que mejor funciona.

Del lado de Google el punto ciego es de otro tipo. Search Console suma los clics y las impresiones de las AI Overviews dentro del rendimiento general y no los separa en ningún informe, así que la consola no responde cuánto de tu tráfico viene de la respuesta generada. Para aislar esa capa hay que salir de Search Console, con un rank tracker que marque la presencia de AI Overview en cada consulta o con las herramientas que ya reportan menciones, citas y páginas citadas por separado.

El mecanismo completo, con los dos almacenes de OpenAI y qué ve realmente el modelo de una página, lo desarrollo en cómo funciona ChatGPT Search.

Dos preguntas distintas: ¿aparezco? y ¿vendo?

Antes de armar cualquier tablero conviene separar dos planos que casi siempre se mezclan. Uno mide el negocio; el otro, la visibilidad. Confundirlos es la razón por la que tantos reportes de IA se ven llenos de datos y no sirven para decidir nada.

Los del plano de negocio son la estrella polar: si suben, todo lo demás valió la pena. Los de visibilidad son direccionales, ayudan a explicar el movimiento y a detectar problemas temprano, pero no son el fin. Un share of voice altísimo que no mueve una sola venta es una métrica de vanidad con mejor marketing.

Entre los dos planos cabe una tercera capa, la de diagnóstico, que es la que explica por qué la visibilidad está donde está: si el contenido existe, si es recuperable, si la entidad es consistente, si hay terceros que corroboren. Aleyda Solis la llama readiness y ordena el conjunto así: presencia dice dónde apareces, readiness dice por qué se ve así y negocio dice si eso vale algo. Cada capa le entrega una hipótesis a la siguiente, y esa es la diferencia entre tres informes sueltos y un diagnóstico.

Un volumen chico que convierte varias veces mejor cambia la aritmética del caso de inversión: el canal se defiende por calidad de la visita y no por cantidad de sesiones. Es también la razón para conectar el plano de negocio desde el primer día, aunque la cobertura de lo atribuible sea baja.

Recuperación, cita y recomendación no son lo mismo

La primera pregunta es la obvia: ¿aparezco en las preguntas donde mi marca debería aparecer, o solo en las fáciles? Pero aparecer tiene capas, y no todas valen lo mismo. Conviene medirlas por separado, porque una marca puede estar en una y quedarse afuera de la siguiente.

• Recuperación: el modelo usa la información de tu sitio para construir la respuesta, aunque no te nombre. Es la base, la señal de que tu contenido entró al proceso.
• Cita: el modelo referencia un pasaje o una parte concreta de tu contenido. Ya es presencia visible.
• Recomendación: el modelo te menciona dentro de las opciones que recomienda. Es la forma más valiosa de ser considerado por un LLM, y la única que de verdad mueve una decisión.

Las dos listas además se ganan con cosas distintas. Las marcas más mencionadas son nombres con décadas encima (3M, John Deere, Boeing) y puntajes de autoridad parejos entre sí. Entre las fuentes más citadas hay directorios, marketplaces y sitios de referencia con perfiles dispares: la más citada por ChatGPT tiene un puntaje de autoridad de 17, apenas rankea en Google y no aparece en ninguna lista de fuentes citadas de las superficies de Google, porque su tráfico viene de Bing, DuckDuckGo y Yahoo. La autoridad del dominio se parece más a la mención que a la cita.

Y ninguna de las dos se convierte sola en tráfico. En ese mismo sector las AI Overviews pasaron de cubrir el 38% del volumen de búsqueda medido en enero de 2026 al 57% en julio, y las visitas desde asistentes de IA y AI Mode sumaron el 0,48% del total de sesiones. Contar menciones esperando que aparezcan como sesiones es pedirle a la métrica algo que no hace.

Y hay una capa aparte que puede arruinar todas las anteriores: la exactitud. Puede que te recuperen, te citen y te recomienden, pero si el modelo entrega información equivocada de tu negocio, omite algo por falta de datos o repite algo obsoleto que ya no representa lo que tu marca quiere comunicar, tienes un problema igual de serio. Que hablen bien de ti no sirve de nada si lo que dicen está mal.

No promedies motores: cada uno pesa distinto

Un número único de visibilidad en IA, promediado entre motores, es la forma más rápida de perder la señal. Imagina una marca con 40% de citación en ChatGPT, 35% en Gemini, 30% en Claude y 90% en Perplexity: el promedio simple da 48,75% y no sirve para decidir nada, porque el 90% viene del motor que menos audiencia aporta.

Del lado del uso la foto apunta igual. Entre siete asistentes de IA medidos en mayo de 2026, ChatGPT concentró el 53,9% de las visitas web, Gemini el 27,9% y Claude el 9,2%; Perplexity y Copilot quedaron en 1,3% cada uno (Similarweb). En doce meses ChatGPT bajó de 76,4% a esa cifra y Gemini subió desde cerca del 9%, así que el reparto se mueve rápido y conviene releerlo cada trimestre.

La forma que uso es por niveles. En el primero, ChatGPT y Gemini medidos por separado, y Claude cuando la audiencia es B2B, técnica o profesional. En el segundo, las superficies de Google: AI Overviews y AI Mode no son un asistente más, son una capa de IA dentro del buscador dominante, y mezclarlas con el resto borra la diferencia. En el tercero, Perplexity, Grok y los que vayan apareciendo: se miran para detectar movimientos, no para promediar.

A qué motores dedicar el presupuesto de medición depende también de a quién le vendes. En la medición de YouGov de agosto de 2026, ChatGPT es el preferido en todas las generaciones (44,4% entre la generación Z, 24,5% entre los boomers), Gemini rinde mejor en la generación X con 22,8% y Claude marca 10,6% entre la generación Z contra 1,4% entre los boomers. Una marca de público joven y una de público mayor no tienen por qué medir la misma cartera de motores.

Separar lo que se ve, lo que se infiere y lo que se supone

No toda la visibilidad en IA se puede atribuir con la misma confianza. La medición honesta clasifica cada señal según cuánto se puede probar, y las reporta por separado.

• Lo que se ve, del lado del negocio: sesiones y conversiones que llegan con referrer o UTM desde una respuesta de IA. Poca cobertura, pero máxima confianza.
• Lo que se ve, del lado del modelo: el tracking de prompts. Registrar qué responde el modelo a un conjunto fijo de preguntas es un dato objetivo y reproducible, no una inferencia. No es una venta ni una sesión, pero es una medición directa de tu visibilidad, y por eso vale tanto como un UTM: no depende de que alguien haga clic.
• Lo que se infiere: señales que acompañan a la influencia sin probarla. El lift de búsqueda de marca en Search Console, el tráfico directo a páginas que aparecen en respuestas, y una pregunta simple en el formulario de contacto: ¿cómo nos encontraste?
• Lo que se supone: estimaciones con supuestos sobre las capas anteriores. Sirven para armar el caso de inversión, nunca para reportar resultados como si fueran hechos.

El detalle que casi nadie cuida: cómo se plantea el prompt

Acá está, para mí, la diferencia entre una medición seria y un dashboard bonito. La mayoría de estas mediciones se hace por API, preguntándole al modelo. Y el prompt no es un detalle de la medición: es el instrumento. Un instrumento mal calibrado no da error, da una lectura falsa con toda seguridad.

Un ejemplo de lo que vemos en Milimetrix. Con un cliente, sin tocar una sola línea de su contenido, solo rediseñando cómo planteábamos los prompts de medición, la foto cambió por completo. Pasamos de respuestas genéricas y sesgadas a información mucho más realista, específica y comparable entre semanas. El mismo modelo, la misma marca, la misma ventana de tiempo. Lo único distinto era la pregunta. Ahí quedó claro que quien mide con prompts flojos no está midiendo su visibilidad, está midiendo el sesgo de su propia pregunta.

Estos criterios son los que usamos para que el prompt no contamine la lectura:

• Fijar la geolocalización: país y, si aplica, ciudad. Una marca chilena medida sin país compite contra el mundo.
• Obligar al modelo a recomendar o comparar, no solo a describir.
• Partir de problemas reales del usuario, no de keywords genéricas.
• No nombrar marcas en el prompt: si las mencionas tú, dejas de medir y empiezas a sugerir.
• Variar perfiles y necesidades para cubrir distintos tipos de usuario.
• Empujar al modelo a buscar información actualizada, para que responda buscando en la web y no desde sus datos de entrenamiento.
• Correr varias paráfrasis de la misma pregunta: si la marca aparece con una redacción y desaparece con otra, eso es ruido y no visibilidad.
• Incorporar las restricciones que usa un comprador real (presupuesto, tamaño de equipo, industria, integraciones, país, requisitos de cumplimiento), porque son las que la gente escribe de verdad.

La paráfrasis vale más de lo que parece. El tracker de Latent Space, que corre seis variaciones de prompt sobre siete modelos en 161 categorías (septiembre de 2026), encontró una opción dominante en todos los modelos en apenas 28 de esas categorías; en el resto la elección cambia de un modelo a otro y, en los modelos más antiguos, también entre redacciones de la misma pregunta. Los modelos nuevos son más estables ante el cambio de redacción, y eso sube el valor del trabajo de AEO: cuando la respuesta deja de ser azarosa, ganarla rinde más.

El mismo tracker deja una advertencia para quien mide categorías de software: los modelos tienden a recomendar los productos de su propio laboratorio. Si mides con un solo modelo y compites con quien lo fabrica, parte de lo que estás midiendo es ese sesgo.

Por dónde empezar a medir

No hace falta medir todo el primer día. Conviene armar un conjunto acotado de preguntas que cubra el recorrido completo, de la que recién descubre la categoría a la que ya está por comprar, y empezar por donde hay más para ganar rápido: los temas donde la marca ya es relevante pero la IA todavía no tiene una buena fuente a la que enlazar. Esas victorias tempranas dan tracción y, sobre todo, compran la confianza para pelear después los temas difíciles. Y como siempre en SEO, lo que importa no es la foto de un día sino el evolutivo: registrar cómo se mueven las menciones en el tiempo y marcar los hitos (contenido, PR, técnica) para poder atribuir efectos.

Como referencia de tamaño, una marca de un solo producto suele resolverse con 30 a 60 prompts repartidos por etapa del recorrido; con segmentación fuerte de perfiles, entre 50 y 100; una marca multiproducto necesita más de 100, y una compañía con varias verticales pasa de 250. Los prompts se agrupan por tema y la visibilidad se lee a nivel de tema, no de prompt suelto: la respuesta individual varía entre sesiones y solo la agregación por tema da una línea de tendencia confiable.

Qué le pido a una herramienta de medición

Aparecen plataformas nuevas todo el tiempo (Trakkr, Profound, Batwise, SearchBrand.ai, entre otras). Más allá del nombre, les pido siempre lo mismo:

• Una capa analítica de verdad, no solo dashboards: poder segmentar, cruzar y exportar los datos.
• Volumen de prompts suficiente: como el modelo es probabilístico, sin muestra la señal es ruido.
• Varios motores y ponderables: ChatGPT domina, pero medir uno solo deja la foto a medias, y promediarlos todos por igual entrega un número que no distingue un motor masivo de uno marginal.
• Integraciones: GA4, Search Console, Looker Studio, salida a CSV o carga a una base, idealmente automática.
• Visibilidad de fuentes: de dónde saca la información el modelo y qué sitios influyen en cada recomendación. Ahí está lo accionable.
• Que distinga una página recuperada de una citada. Es el filtro que más herramientas reprueba, y sin él los números no son comparables ni consigo mismos.

Esta guía es parte del pilar sobre AEO y GEO, donde explico por qué la visibilidad en IA se juega en cada respuesta.

Y para conectar estas señales con el negocio, más allá del tráfico, está la guía sobre cómo medir el impacto real del SEO.

Preguntas frecuentes sobre medición en IA

Lo que de verdad importa

Medir la IA no es sumar dashboards. Es tener el criterio para distinguir la cita del tráfico, la presencia de la venta, y lo que se ve de lo que se supone. La herramienta ayuda, pero el que decide qué preguntar y cómo leerlo sigue siendo el que sabe.

En Milimetrix somos expertos en AEO y montamos la medición de visibilidad en IA por motor, conectada al negocio y cuidando lo que casi nadie cuida: cómo se plantea cada prompt. Si quieres un tablero que no te mienta, hablemos.