Le preguntas a la IA por tu marca y suele acertar
Un compañero lo dijo en la reunión semanal: «Le pregunté a ChatGPT por nosotros y acertó bastante». Para la sala, ahí quedó zanjado el tema.
A mí también me tranquilizó en el momento. Ese informe sonaba a comprobación de visibilidad en IA, hecha.
La visibilidad en IA es cómo aparece una marca dentro de las respuestas de la IA: cuántas veces se la nombra y qué se dice de ella cuando ocurre.
Después llegó una medición sobre 150 marcas, y la comprobación que hizo esa sala resultó medir algo más estrecho de lo que parece.
El dato es de Victorious, una agencia de SEO estadounidense, en su propio Quarterly Search Report del segundo trimestre de 2026.
La IA reconoce a la mayoría de las marcas cuando dices el nombre
La mayoría de las marcas se describen bien. Ocho IA describieron 150 marcas, y el 96% de esas descripciones volvió correcta.
Las ocho: ChatGPT, Claude, Gemini, Copilot, Perplexity, Google AI Overviews, Google AI Mode y Meta AI.
Por sector, cinco de las ocho se quedaron en el 83% o más en todos los sectores: Google AI Mode, Gemini, ChatGPT, Google AI Overviews y Copilot.
Las otras tres bajaron de ese umbral en algún sector: Claude entre el 70 y el 91%, Perplexity entre el 47 y el 100%, Meta AI entre el 46 y el 83%. El mínimo de Perplexity y el de Meta AI cayeron en el mismo sector, SaaS: 47% y 46%.
¿Cuál de estas ocho es la que usa de verdad tu comprador?
Este es el lado en el que la IA sale bien parada: conoce la marca. Y por eso la comprobación con el nombre por delante suele salir limpia.
Pregunta por categoría, y el reconocimiento deja de importar
El mismo estudio pasó las mismas 150 marcas por una segunda prueba: una pregunta de categoría, sin el nombre de la marca dentro. El 89% de esas marcas no apareció ni una sola vez.
La forma del prompt: algo como «cuáles son los mejores despachos de abogados en Estados Unidos», la manera en que preguntaría de verdad un comprador.
Detrás del dato: 5 sectores (comercio electrónico, SaaS, salud, legal, finanzas), 5.830 respuestas recogidas y 49.391 citas extraídas de ellas.
Ese 89% es el 89% de las 150 marcas medidas.
La propia página de Victorious tiene también una frase que se puede leer como «el 89% del 96% que se describió bien», pero el resumen inicial lo presenta como una parte de las 150 marcas completas, y esa es la lectura que sigue este artículo.
Así que la prueba con el nombre y la prueba por categoría son dos mediciones distintas de la misma IA, y no se mueven juntas.
Por qué «saber» y «mencionar» no van de la mano
El prompt con el nombre tira de lo que el modelo ya sabe. Si la marca está en los datos con los que se entrenó, suele describirla bien.
La pregunta de categoría es otro proceso: el modelo tiene que elegir qué marcas nombrar como candidatas. Saber un dato y sacarlo en una respuesta son pasos distintos dentro del modelo.
Por eso una nota limpia en la prueba del nombre no dice nada sobre la tasa de mención por categoría.
El tipo de fuente en el que se apoya el modelo también cambia según la etapa de la pregunta.
Las preguntas de reconocimiento del problema («cómo sé si necesito un abogado») sacaron sobre todo de plataformas de vídeo y sitios públicos: una tasa de mención del 0,10% por respuesta.
Las preguntas de comparación por categoría («cuál es el mejor despacho de abogados en Estados Unidos») sacaron de directorios, rankings y medios comparativos: 1,29% por respuesta. Victorious lo llama «más de 12 veces».
Misma marca, mismo conjunto de IA: la nota depende de en qué etapa preguntas. Si lo mides trimestre a trimestre, tienes que fijar la etapa, o lo que se mueve no es el modelo, es tu propio prompt cambiando.
Cómo leer este dato
Este 96% y este 89% llevan seis condiciones encima, por cómo se hizo el estudio y quién lo hizo.
- Correlación, no causa. La probabilidad de mención correlaciona con los enlaces de terceros (un coeficiente de 0,49 con dominios que enlazan), pero eso no es un experimento que demuestre que más menciones causan más citas de la IA.
- 150 marcas en 5 sectores. Cuántas marcas hay en cada sector no se publica.
- La ventana es el segundo trimestre de 2026, sin fecha de inicio ni de cierre. En esa misma ventana cayeron una actualización de núcleo de Google (21 de mayo al 2 de junio de 2026) y una de spam (24 al 26 de junio); Victorious nombra ambas como posible explicación de los cambios en la visibilidad orgánica.
- A Claude y Meta AI se les limitó la búsqueda web en esta ronda, así que las cifras de citas salen solo de las otras seis IA.
- Victorious vende servicios de SEO. «Consigue más menciones de terceros» también es su negocio.
- Nada de esto mide qué dice la IA de una marca, solo si la describe bien y si la nombra o no.
Descuenta la correlación y quién lo publica, y algo se mantiene igual: la prueba con el nombre y la prueba por categoría miden cosas distintas, y no se mueven juntas.
¿Cuál de las dos es el prompt que tienes en tu propio informe?
separa tu comprobación en dos, hoy mismo
Un prompt con el nombre por delante mide precisión. Una pregunta de categoría mide si la marca aparece o no: dos instrumentos distintos, no un solo número con dos etiquetas.
El paso de hoy: saca los prompts que ya usas y marca los que llevan el nombre de la marca dentro.
Si todos lo llevan, añade al menos una pregunta de categoría, la que escribiría un comprador de verdad, y a partir del próximo trimestre lleva las dos por separado.
Yo pasé esa comprobación por mis cinco prompts. Cuatro llevaban nuestro nombre dentro. Ninguno era una pregunta de categoría.
Cómo se ve desde el lado del modelo eso de «saber» sin «sacarlo» está en Repite el mismo dato de varias formas y ChatGPT por fin lo suelta; este artículo añade el paso siguiente: cuando el modelo ya puede sacar a relucir una marca, ¿de verdad pone su nombre en la respuesta?
Cambia un prompt, y un punto ciego que no veías se queda con nombre.
Fuentes
- Victorious, «Quarterly Search Report (segundo trimestre de 2026)», https://victorious.com/quarterly-search-report/
- La URL de arriba se actualiza cada trimestre. Copia conservada de la edición del segundo trimestre de 2026 usada aquí: Internet Archive (capturado el 2026-08-04)
