Los grandes modelos de lenguaje como ChatGPT, Perplexity y Gemini se están convirtiendo en un nuevo punto de partida para descubrir productos, empresas e información online.
Para los marketers, esto crea un problema nuevo: ¿cómo saber si una marca es visible en respuestas generadas por IA?
Al principio, el enfoque obvio es tratar la búsqueda con IA como SEO. Escribes un prompt, compruebas si aparece tu marca y registras el resultado. Pero esto no funciona del todo.
El rank tracking tradicional se basa en resultados de búsqueda relativamente estables. La búsqueda con IA se comporta de otra manera. Una sola comprobación puede mostrar una versión de la respuesta, pero no la imagen completa de la visibilidad real de tu marca.
Según un estudio de 2026 de la Universidad de St. Gallen, la visibilidad en IA debe medirse de forma probabilística, no determinista. En términos simples: no deberías preguntar '¿apareció mi marca en esta respuesta?' sino '¿con qué frecuencia aparece mi marca en comprobaciones repetidas?'
Por qué la búsqueda con IA es diferente
En la búsqueda tradicional, las posiciones pueden moverse, pero normalmente no son completamente aleatorias. Si una página ocupa hoy la tercera posición, es probable que mañana esté cerca de esa posición.
La búsqueda con IA es diferente porque los LLM generan respuestas de forma probabilística. Incluso con el mismo prompt exacto, la respuesta puede cambiar de una ejecución a otra.
Esto significa que una marca puede aparecer en una respuesta y desaparecer en la siguiente, aunque nada relevante haya cambiado en la web.
El estudio describe esto como un problema de inclusión-exclusión. En SEO clásico, una marca puede pasar de la posición tres a la cinco. En búsqueda con IA, el cambio puede ser mucho más binario: la marca se menciona o no se menciona en absoluto.
Por eso las comprobaciones únicas son poco fiables. Si una marca aparece una vez, puede ser una inclusión afortunada. Si no aparece, puede ser una exclusión desafortunada. Ninguno de los dos resultados basta para entender la visibilidad real en IA.
Qué ocurre al volver a ejecutar el mismo prompt
Para comprobarlo, los investigadores ejecutaron los mismos prompts varias veces seguidas.
Los resultados mostraron que las respuestas de IA pueden variar de forma significativa, incluso cuando el prompt es idéntico y las comprobaciones se hacen con poco tiempo de diferencia.
En las fuentes citadas, la coincidencia entre ejecuciones repetidas fue solo del 32-43%. Las menciones de marca fueron algo más estables, pero lejos de ser consistentes. En comparaciones día a día, la coincidencia media de marcas fue solo del 45-59%.
Esto importa porque muestra que la volatilidad no se debe solo a cambios externos, como nuevas páginas indexadas o sitios actualizados. Una parte importante de la variación proviene de los propios sistemas de IA.
Si compruebas tu marca una vez y no aparece, eso no significa automáticamente que no tenga visibilidad. Puede que simplemente no haya sido seleccionada en esa respuesta concreta. Y al revés: verla una vez solo significa que apareció en una respuesta generada.
Las citas de IA están muy concentradas
El estudio también encontró un fuerte patrón de winner-takes-most en la búsqueda con IA.
Un número relativamente pequeño de dominios autoritativos recibe la mayoría de las citas en respuestas generadas por IA. Los investigadores midieron esta concentración con el coeficiente de Gini y encontraron una puntuación media de 0,715 en todas las plataformas.
Google AI Mode tuvo la concentración más alta, con 0,782. Perplexity estuvo más distribuido, con 0,671.
Para marcas y publishers, esto importa porque la visibilidad en IA no se reparte de forma uniforme. Unas pocas fuentes suelen dominar el espacio de respuestas, mientras muchas otras se mencionan poco o nada.
Qué requiere una medición correcta de la visibilidad en IA
Como las respuestas de IA son inestables, medir bien la visibilidad requiere comprobaciones repetidas a lo largo del tiempo.
Una sola ejecución de un prompt tiene demasiado ruido para un análisis profesional. Los investigadores estiman que reducir el error de medición a un nivel cómodo requiere ejecutar cada prompt unas 7 u 8 veces al día. En la práctica, muchos equipos pueden empezar con comprobaciones diarias y añadir más ejecuciones conforme crezcan el presupuesto y la necesidad de monitorización.
Los datos de corto plazo también pueden ser engañosos. Las respuestas de IA fluctúan de un día a otro, y las actualizaciones de modelos pueden afectar a la visibilidad. El estudio sugiere que las estimaciones estables por marca requieren una ventana móvil de observación de unos 21 a 24 días.
La visibilidad también depende mucho de cómo se formula la pregunta. Una marca puede aparecer para un prompt y no para otro muy parecido. Una configuración fiable debe incluir una cartera de prompts que cubra distintas intenciones, formulaciones y etapas del customer journey.
Conclusión
La visibilidad en IA no es una posición fija. Es una probabilidad.
Esa es la diferencia principal entre el tracking SEO tradicional y la monitorización de búsqueda con IA. En SEO suele tener sentido preguntar '¿en qué posición estamos?' En búsqueda con IA, la mejor pregunta es: '¿qué probabilidad tenemos de ser mencionados?'
Una sola comprobación no puede responder a eso. Solo muestra una posible versión del resultado.
Para entender la visibilidad real en IA, los marketers necesitan mediciones repetidas, varios prompts y suficientes datos históricos para separar tendencias reales de variación aleatoria. Sin eso, las decisiones se basan menos en analítica y más en azar.
Fuente: Schulte, J., Bleeker, M., & Kaufmann, P. (2026). Don't Measure Once: Measuring Visibility in AI Search (GEO). University of St. Gallen.