El problema del denominador: nadie puede medir la visibilidad en IA y casi todos fingen que sí

Actualizado: 2026-08-29

Respuesta rápida: para enunciar una cuota de visibilidad en IA hace falta saber cuántas veces le citaron y cuántas podrían haberle citado. El segundo número no existe. Nadie sabe cuántas conversaciones relevantes ocurren dentro de los asistentes de IA, qué se preguntó ni qué se respondió. Todo porcentaje de «cuota de voz en IA» que usted haya visto lleva debajo un denominador inventado.

¿Qué perdimos cuando la búsqueda se volvió conversación?

La búsqueda clásica filtra sus propias mediciones. El volumen de consultas lo estiman herramientas con acceso a datos de navegación. Las impresiones y los clics llegan por Search Console. La posición la comprueba cualquiera lanzando la consulta. El denominador es imperfecto pero existe, y toda la disciplina de informes de SEO se construye sobre él.

Los asistentes de IA no filtran nada.

Las conversaciones son privadas. Nadie publica cuánta gente preguntó por su categoría este mes, ni cómo formularon esas preguntas, ni qué proporción de respuestas nombró a alguien. No hay equivalente de Search Console, ni volumen agregado de consultas, ni recuento de impresiones.

Así que la pregunta «qué cuota de las respuestas de IA nos menciona» tiene un numerador que se puede muestrear y un denominador que no existe. Publicar un porcentaje exige fabricar la mitad que falta.

Cuota de voz

Proporción de menciones de una marca entre todas las menciones sobre un tema.

Denominador

Número total de ocasiones de ser citado, la cifra que en la búsqueda con IA no existe.

¿Cómo se fabrica el número ausente?

Circulan tres métodos, y cada uno produce una cifra que parece precisa y no lo es.

Un conjunto fijo de preguntas. La herramienta lanza cien preguntas que eligió ella, cuenta cuántas veces aparece usted y publica la proporción. El denominador aquí no es «conversaciones relevantes» sino «preguntas que elegimos», y la cifra se mueve por completo con la selección. Cambie la lista y cambia la nota, sin que cambie nada de la realidad.

Volumen de palabras clave como aproximación. Tomar los volúmenes de la búsqueda clásica y suponer que las consultas a la IA se distribuyen igual. No se distribuyen igual. Las preguntas conversacionales son más largas, más específicas y a menudo no tienen equivalente en palabras clave. Esto sustituye un denominador medible por el que no se puede medir y confía en que nadie mire la sustitución.

Extrapolación desde una muestra. Lanzar unas preguntas, observar una tasa, proyectarla. Es legítimo si la muestra es representativa, y no hay forma de establecer que una muestra de preguntas es representativa de una población que no se puede observar.

Ninguno de los tres es fraudulento. Los tres producen un número cuya precisión es un artefacto del método y no una propiedad del mundo.

¿Qué sí se puede medir?

Ser honesto sobre el denominador no significa no medir nada. Significa ser concreto sobre qué es cada medición.

Presencia sobre un conjunto fijo de preguntas. Lanzar una lista definida, registrar si la marca aparece, repetir la misma lista con el tiempo. Es una medición real. Simplemente no es una cuota, es un recuento sobre un conjunto que usted definió. Su valor está en el cambio entre pasadas, no en la cifra absoluta.

Coincidencia entre modelos. Preguntar a varios modelos independientes lo mismo. Si todos devuelven nada, el hallazgo es sólido, porque los modos de fallo de modelos distintos no son idénticos. Nuestro recuento son cuatro modelos y veinticuatro respuestas, y el cero en los cuatro dice más de lo que diría el cero de uno solo.

Extractabilidad de sus páginas. Del todo medible, del todo en su lado, sin denominador que haga falta. Si su contenido se puede fragmentar, si hay una respuesta en el primer tercio, si las afirmaciones están atribuidas.

Recuento de menciones externas. Contable, con reservas sobre la cobertura. Cuántas veces aparece la marca en dominios que usted no posee es un número real, aunque no sea lo mismo que el número que un modelo ha interiorizado.

La propiedad común: cada una de estas es la medición de algo, enunciada como ese algo y no como sustituto de una cuota de mercado.

¿En qué trampa caímos nosotros?

Un ejemplo trabajado de lo fácil que es el error, salido de nuestro propio trabajo.

Medimos una cifra de memorabilidad a partir de señales externas, y en la primera pasada volvió como 28. Ese número entró en informes como hallazgo.

Después descubrimos un fallo: los operadores de búsqueda de nuestras consultas rompían la fuente de la que tirábamos, así que la consulta devolvía anuncios en lugar de resultados orgánicos. Tras el arreglo, las menciones externas pasaron de 0 a 13, las de foros de 0 a 10, y la memorabilidad de 28 a 47.

Entre esas dos pasadas no cambió nada de la marca. Diecinueve puntos de diferencia salieron de un error de formato en una consulta.

La lección que sacamos: cualquier medición cuyas entradas vengan de raspado es una medición de su raspador tanto como del mundo, y un número que se mueve diecinueve puntos con un arreglo de código debe informarse con esa fragilidad pegada.

Por eso también nuestro motor devuelve vacío en memorabilidad cuando tiene menos de tres señales externas, en lugar de devolver un número bajo. Un número bajo implica «hemos mirado y hay poco». Un vacío dice «no hemos reunido lo suficiente para opinar». Son afirmaciones distintas, y confundirlas es la vía por la que los denominadores inventados entran en los informes.

¿Qué aspecto tiene un informe honesto?

Cuatro propiedades, ofrecidas como el listón que intentamos sostener y no siempre alcanzamos.

Diga cuál es el denominador. Si la nota va sobre un conjunto de preguntas, nombre el conjunto. Si va sobre fuentes externas, nombre las fuentes. Un porcentaje con denominador sin nombrar es una afirmación sobre el mundo hecha desde una muestra de relación desconocida con él.

Separe observación de inferencia. «Cero de veinticuatro respuestas nombraron la marca» es una observación. «Su visibilidad en IA es baja» es una inferencia. Ambas sirven; solo una es un hecho.

Informe de la fragilidad. Si un número se movería con un arreglo de código, una caída de una fuente o una reformulación de la pregunta, dígalo. La precisión que no sobrevive a ninguna perturbación es decoración.

Diga cuándo no sabe. La más difícil comercialmente, porque un informe que admite huecos es peor objeto de venta que uno que no. También es el único tipo que sigue siendo cierto cuando el cliente comprueba.

Dar al cliente un porcentaje bonito significa firmar debajo. Preparar la web para que la citen sí podemos. Garantizarlo no puede nadie: el modelo es una caja negra y lo único que tenemos son hipótesis comprobables. Prefiero entregar una hipótesis con argumento que una cifra sin él.

¿Por qué esto importa más de lo que parece?

El problema del denominador no es un tecnicismo sobre higiene de informes. Determina para qué optimiza el campo entero.

Cuando un número se puede fabricar, se optimiza. Las herramientas compiten por producir números que se muevan, porque un cliente que ve movimiento renueva. Los números más fáciles de mover son los de denominador inventado, porque el denominador se puede ajustar.

Así es como una disciplina deriva hacia medir sus propios instrumentos. Las comprobaciones técnicas se refinan, las notas ganan decimales, los informes se alargan, y nada de eso toca si alguien está siendo recomendado de verdad por un asistente de IA.

El correctivo es aburrido y está al alcance de cualquiera: pregunte a los modelos lo que preguntaría un cliente, sin nombrarse, y anote lo que vuelve. No cuesta nada, no tiene problema de denominador porque no afirma ninguna cuota, y es la única medición de este campo que no puede manipular la persona medida.

¿Qué es lo que todavía no podemos decirle?

Enunciado con claridad, porque un artículo sobre medición honesta debería demostrarla.

No podemos decirle qué porcentaje de las respuestas de IA de su categoría le menciona. Nadie puede.

No podemos decirle cuánta gente preguntó a un asistente por su categoría este mes.

No podemos decirle si un cambio concreto en su web provocó un cambio en las citas, porque no podemos aislar la variable dentro de un sistema que no podemos observar.

Sí podemos decirle si cuatro modelos le nombran en un conjunto definido de preguntas, si sus páginas son extraíbles y cuántas menciones externas hemos encontrado. Es una afirmación más pequeña de lo que suele hacer la categoría y es del tamaño que la evidencia disponible sostiene.

De las 75 variables de nuestro propio modelo, diez tienen umbrales de mediciones publicadas. Las otras sesenta y cinco son criterios informados. Lo decimos en los informes, y eso los hace más difíciles de vender.

Preguntas frecuentes

¿La cuota de voz en IA carece por completo de sentido? No carece de sentido, pero es la medición de un conjunto de preguntas y no de un mercado. Sirve para seguir el cambio en el tiempo contra una lista estable. No sirve como cifra absoluta ni para comparar entre herramientas que usan listas distintas.

¿Puedo construir mi propio conjunto de preguntas? Sí, y es la mejor versión de esto. Use las preguntas que sus clientes hacen de verdad, mantenga la lista fija y lánzela cada mes. Su lista es más relevante para usted que la genérica de cualquier proveedor.

¿Cuántas preguntas bastan? Las suficientes para cubrir las cosas distintas que preguntan los clientes, que para la mayoría de negocios está entre diez y treinta. Más preguntas no arreglan el problema del denominador; solo agrandan la muestra sobre una población que sigue sin verse.

¿Existirá algún día el denominador? Solo si los proveedores publican datos agregados, cosa a la que no están obligados y para la que tienen poco incentivo. Cuente con que no exista.

¿Significa esto que el trabajo de visibilidad en IA no se puede medir? Significa que el resultado se mide como presencia en preguntas definidas, y las entradas se miden directamente. Lo que no se puede medir es la cuota de mercado.

¿Por qué publicar esto si venden auditorías? Porque la alternativa es competir en precisión inventada, y esa competencia la gana quien menos cuidado tenga. Y porque los clientes acaban comprobando.

Fuentes: metodología y recuento del jurado de cuatro modelos, seo7.es, 27 de agosto de 2026; fallo de medición de memorabilidad y su corrección (28 a 47), misma fecha; definiciones de variables de GeoScan v1.2; compendio de investigación a partir de 165 fuentes sobre búsqueda con IA, agosto de 2026.