Por qué cada herramienta de visibilidad en IA te da un número distinto

Una agencia abre dos pruebas gratuitas el mismo martes, para el mismo cliente, un estudio contable de doce personas. Una herramienta le dice que la marca aparece en el 8 % de las respuestas. La otra, en el 40 %. Ninguna de las dos explica de dónde sale el número. Y lo incómodo es que las dos pueden estar bien hechas, porque el problema empieza antes: la misma pregunta, al mismo modelo, hecha dos veces seguidas, no devuelve la misma respuesta.

Eso no es una impresión de pasillo. SE Ranking corrió las mismas 10.000 keywords por el Modo IA de Google tres veces el mismo día y comparó los enlaces devueltos: sobre 122.617 enlaces analizados, el solapamiento medio de URLs exactas entre las tres pasadas fue del 9,2 %. En 2.006 keywords, el 21,2 % del total, no coincidió ni una sola URL. Seis keywords de diez mil coincidieron por completo.

Si el sustrato que mides se mueve así, cualquier puntaje construido encima hereda ese movimiento. Esta guía explica por qué pasa, qué encontramos al repetir nuestras propias auditorías y cómo trabajar con un número inestable sin dejar de decidir con él.

Casi nadie publica cómo calcula su puntaje

Prueba un ejercicio corto. Entra a las páginas de cinco herramientas de visibilidad en IA y busca cuántas veces repiten cada prompt antes de promediar, con qué modelo, desde qué país y qué cuentan como "aparición". Vas a encontrar el puntaje en el primer pantallazo y el método en ninguna parte.

El sector reconoce el agujero cuando lo mide. En su índice de 2026, sobre 126 millones de prompts de enero a abril, Semrush encontró que el 45 % de los responsables de marketing no puede medir con precisión la visibilidad de su marca en respuestas generadas por IA, y que solo el 9 % tiene herramientas para seguir todas las métricas relevantes entre plataformas. Nueve de cada cien.

Conviene desarmar acá una creencia extendida: la de que un puntaje de visibilidad en IA se parece a una posición en Google. Una posición orgánica es lo bastante estable como para que dos personas que la consultan el mismo día vean casi lo mismo, y por eso se pudo construir una industria entera de informes alrededor. El dato de SE Ranking dice que en las superficies generativas eso no se sostiene, ni siquiera dentro del mismo día y el mismo motor. Un puntaje sin decir cuántas veces se midió no es un dato: es una anécdota con dos decimales.

Cinco razones por las que la misma pregunta no da la misma respuesta

1. Cada herramienta pregunta otra cosa

Ninguna herramienta te mide contra "toda la IA". Te mide contra una lista de preguntas que alguien eligió, y esa lista es la mitad del resultado. Un panel que pregunta "mejores estudios contables en Montevideo" y otro que pregunta "quién me lleva la contabilidad de una pyme" miden mercados distintos con la misma etiqueta.

Conductor lo cuantificó: 14.000 llamadas a API, diez sectores por siete tipos de intención por cuatro motores, cincuenta corridas por celda. El hallazgo no fue que un sector sea más volátil que otro, sino que el tipo de intención predice la consistencia mejor que el sector. Y el peor de todos es el de compra: de cada diez marcas únicas que aparecían entre dos corridas del mismo prompt, solo cuatro estaban en las dos. El momento en que más te interesa aparecer es el que menos se repite.

2. El modelo cambia debajo mientras mides

Un panel de visibilidad apunta a un blanco que se actualiza sin avisar. Writesonic corrió 631.999 pares prompt-modelo sobre siete plataformas entre marzo y junio de 2026, repitiendo cada prompt un mínimo de diez veces, y midió cuánto rota la primera posición: en ChatGPT, el 52 % de las marcas nº 1 cambia sobre el mismo prompt. En el mismo trabajo, comparando qué fuentes citan ChatGPT, Gemini, Perplexity y AI Overviews para prompts idénticos, solo el 3,8 % de las fuentes aparece en las cuatro, y entre el 72 % y el 73 % de los dominios citados aparece en un solo motor y en ninguno más.

De ahí sale una consecuencia que casi ningún informe respeta: cualquier porcentaje de citación es una fotografía con fecha. Si tu informe de agosto cita un número de mayo sin decir de cuándo es, ya está mintiendo un poco.

3. La persona que pregunta forma parte de la pregunta

OpenAI documenta que ChatGPT reescribe la petición del usuario antes de mandarla a buscar, y que con la memoria activada puede incorporar lo que sabe de esa persona a la reescritura. Alguien que lleva meses hablando de contabilidad para freelancers no genera la misma consulta que alguien que abre la conversación en frío, aunque los dos escriban la misma frase.

Eso rompe la comparabilidad de cualquier medición hecha con una cuenta real: si mides desde tu propio ChatGPT, con tu historial y tus proyectos guardados, estás midiendo tu burbuja. El método básico —ventana limpia, sin sesión iniciada, sin memoria— está en la guía para medir tu visibilidad en IA, y es el paso que más gente se saltea.

4. Desde dónde preguntas cambia quién aparece

La ubicación general derivada de la IP entra en la consulta reescrita, así que dos servidores de medición en dos países no pueden dar el mismo resultado ni queriendo. En nuestras auditorías la diferencia por mercado es enorme: entre los dominios con al menos treinta casos, el 97 % de los estadounidenses quedó sin ninguna mención al preguntar por su categoría, contra el 51 % de los de Ciudad del Cabo.

Ese contraste dice menos sobre geografía que sobre competencia: donde hay miles de rivales por categoría, la probabilidad de que te nombren en una respuesta corta se desploma. La consecuencia operativa alcanza igual. Si tu herramienta pregunta desde Virginia y tu cliente vende en Uruguay, el número que ves no describe el mercado de tu cliente.

5. El modelo tampoco es determinista consigo mismo

Queda el motivo más incómodo, porque no lo arregla ninguna metodología de medición. Thinking Machines Lab publicó en septiembre de 2025 un análisis de por qué los endpoints de inferencia devuelven salidas distintas incluso con temperatura cero. La causa principal, escriben, es que la carga del servidor —y con ella el tamaño del lote de peticiones que se procesan juntas— varía de forma no determinista. Los núcleos de cálculo no son invariantes al tamaño del lote, así que el resultado depende de cuánta gente más estaba preguntando en ese instante.

"Desde la perspectiva de un usuario individual, los otros usuarios concurrentes no son una entrada del sistema, sino una propiedad no determinista del sistema."

Es un problema resoluble: el mismo trabajo publica núcleos invariantes al lote que producen inferencia reproducible. Pero eso se aplica en la infraestructura de quien sirve el modelo, no en la herramienta que lo consulta, y ningún producto de chat masivo publica hoy si lo hace.

Lo que vimos al repetir nuestras propias auditorías

Entre el 14 de mayo y el 28 de julio de 2026 corrimos 2.324 auditorías sobre 2.021 dominios únicos. Cada una lanza preguntas reales contra un modelo con búsqueda web activa y guarda qué fuentes consultó. En 167 dominios el análisis se repitió dos veces o más, con una media de 2,4 corridas, y eso permite el cruce que nadie publica: qué pasa cuando mides dos veces lo mismo.

Entre los 51 dominios que estuvieron visibles al menos una vez, el 56,9 % dio un resultado distinto al repetir, con una oscilación media de 30,8 puntos de tasa de mención. Más de la mitad de las marcas que aparecen alguna vez cambian de posición cuando vuelves a preguntar, y el salto típico es de treinta puntos. Ese es el tamaño real del ruido.

Ahora el matiz honesto, porque ese número se puede inflar con facilidad. Si cuentas los 167 dominios completos, la oscilación media baja a 9,4 puntos y solo el 17,4 % se movió un tercio o más. Suena mucho más estable. No lo es: la mayoría de esos dominios quedó invisible en las dos corridas, y un cero repetido no mide estabilidad, mide ausencia. Promediar los invisibles adentro es la forma más fácil de publicar un titular tranquilizador sobre datos que dicen otra cosa.

Los límites del cruce, en voz alta: un solo proveedor de LLM, un tope de doce dominios de fuentes guardados por análisis, categorías declaradas por el propio usuario y repeticiones que ocurrieron cuando alguien decidió repetir, no en un calendario controlado. Esto no es un experimento de laboratorio, es lo que se ve en producción. Que es donde vive tu informe.

Cuántas veces hay que medir para que el número signifique algo

Lo que sigue es una regla de oficio derivada de la oscilación observada, no un teorema: nadie ha publicado el intervalo de confianza de la visibilidad en IA, y quien te venda un número mágico de corridas como si fuera estadística asentada está adornando. El razonamiento es simple. Si la oscilación típica entre dos corridas de un dominio visible ronda los treinta puntos, una sola corrida no distingue un 20 de un 50. Necesitas suficientes repeticiones para que el promedio deje de estar dominado por una tirada.

1. Congela el conjunto de prompts antes de medir. Escríbelo, féchalo, guárdalo. Si retocas las preguntas después de ver el resultado, lo que mides es tu propia edición. Es el paso que más informes bonitos ha producido y menos decisiones buenas.
2. Repite cada pregunta de tres a cinco veces, en días distintos. Tres corridas separadas por días capturan mejor la variación que diez seguidas en la misma tarde: la versión del modelo y el índice de búsqueda cambian entre días, no entre minutos.
3. Mide siempre en sesión limpia. Ventana privada, sin sesión iniciada, sin memoria, sin proyectos guardados. Y desde una ubicación parecida al mercado del cliente, no a la oficina.
4. Reporta un rango y una mediana, nunca un puntaje suelto. "Entre 20 % y 55 %, mediana 35 %, sobre cinco corridas del 3 al 10 de agosto" aguanta que la discutan. "Visibilidad: 35" no.
5. Fija un umbral de acción. Si el movimiento entre dos cortes es menor que la oscilación que ya observaste, no lo cuentes como cambio. Celebrar ruido te hace repetir la acción equivocada.
6. No compares puntajes de herramientas distintas. No existe una definición común de "share of voice en IA" ni un conjunto público de prompts de referencia. Dos escalas inventadas por separado no se restan.

Y complementa siempre con algo que sí sea contable. El tráfico de referencia desde ChatGPT, Perplexity o Gemini se registra en analítica y no depende del humor del modelo: cómo aislarlo está en la guía de medición en Google Analytics 4. Un panel que se mueve treinta puntos y un contador de sesiones que sube despacio cuentan la misma historia desde dos lados. El segundo es el que firma el cliente.

Qué reportarle a un cliente todos los meses

Para una agencia esto deja de ser un debate metodológico y pasa a ser el problema de qué poner en el PDF de agosto. La salida más frecuente —tres capturas de ChatGPT nombrando al cliente— tiene un defecto fatal: es irreproducible. El cliente abre ChatGPT esa misma tarde, no ve lo mismo, y la reunión se convierte en una discusión sobre si la captura era real.

Un informe defendible cambia el objeto. En vez de prometer un puntaje que sube, entrega evidencia que se puede volver a levantar:

• La lista textual de preguntas, con fecha y cantidad de corridas. Sin eso, nada de lo demás es verificable.
• El rango del mes y el rango del mes anterior, con el umbral de acción marcado.
• Quién aparece cuando el cliente no aparece. Esta es la parte que más se lee y casi nadie incluye: la lista de competidores que ocupan la respuesta es más accionable que cualquier puntaje.
• Qué fuentes citó el modelo al describir la marca. En nuestras auditorías cita 2,65 fuentes en promedio, y en el 26,9 % de los casos ni siquiera aparece el sitio propio del cliente. Cuando eso pasa, el trabajo del mes es evidente y no hay que argumentarlo.
• El tráfico de referencia de IA, que es el único número de la carpeta que no oscila.

Vale la pena mirarse al espejo antes de vender esto. Entre las agencias de marketing digital que pasaron por Inspeccia —treinta casos, muestra chica y hay que decirlo— el 90 % quedó invisible al preguntar por su propia categoría: veintisiete de treinta. El sector que ofrece visibilidad en IA no la tiene. Mal argumento de venta, excelente punto de partida para un caso propio, que es el ángulo que desarrollamos en la guía de visibilidad en IA para agencias.

Lo que un número honesto puede prometer

Medir visibilidad en IA sigue valiendo la pena. Lo que falla es tratarla como una posición en un ranking, porque el objeto no se comporta así y ninguna herramienta puede arreglarlo desde afuera. Lo que sobrevive a la repetición es la estructura de la respuesta más que el puntaje: si te nombran, con qué atributos, citando a quién.

Esa capa es la que se mueve con trabajo, y también la que explica el puntaje cuando el puntaje se mueve. Si quieres el marco completo de por qué la optimización para respuestas generativas juega con reglas propias, está en la introducción al GEO. Lo demás es decir cuántas veces mediste, y decirlo antes de que te lo pregunten.

Preguntas frecuentes