Las métricas de visibilidad en IA, explicadas
Cinco métricas, qué mide cada una y —lo que casi nunca se cuenta— cómo se leen mal.
Share of Answer (SOA)
El porcentaje de preguntas de tu sector en cuya respuesta aparece tu marca.
Es la métrica principal y la más fácil de malinterpretar. Un SOA del 10 % sobre 90 preguntas no significa «uno de cada diez clientes me ve»: significa que, en el conjunto de preguntas que estamos midiendo, tu marca salió en nueve. Por eso se publica siempre con su intervalo y con el número de observaciones detrás.
Cómo se lee mal: comparando el SOA de dos sectores. Un 5 % en un mercado con cuatro competidores no es lo mismo que un 5 % en uno con cuarenta. La comparación útil es contigo mismo a lo largo del tiempo, y con quien compite por tus mismas preguntas.
LLM Visibility Index (LVI)
Un índice de 0 a 100 según la posición de tu marca dentro de la respuesta: 100 es ser la primera nombrada.
Aparecer no es lo mismo que aparecer primero. Cuando un modelo enumera cinco opciones, la primera se lleva la atención y la quinta casi ninguna. El SOA no distingue esos dos casos; el LVI sí.
Sirve sobre todo para detectar un patrón concreto: SOA que sube y LVI que no. Significa que apareces más veces pero siempre al final — estás entrando en la conversación, no ganándola.
Share of Mentions (SoM)
Tu cuota sobre el total de menciones del nicho: de todas las veces que la IA nombra a alguien de tu sector, cuántas te nombra a ti.
El SOA te dice cómo estás; el SoM te dice cómo estás respecto a los demás. Es la métrica que hace visible algo incómodo: la atención de un modelo es un juego de suma cero. Si un competidor sube, alguien baja.
Accuracy Score
De las veces que la IA afirma un dato tuyo, qué porcentaje acierta.
Todas las métricas de arriba miden cuánto apareces. Ninguna mide si lo que se dice de ti es verdad, y esas son dos cosas distintas: una marca muy presente contando un precio que ya no existe no está construyendo nada, está llegando a mucha gente con información equivocada. Y a diferencia de una reseña mala, nadie te avisa.
Se puntúa cada afirmación con 2 si acierta, 1 si acierta a medias y 0 si contradice un dato que tú has verificado. Lo que no se puntúa es el silencio: que un modelo no mencione tu año de fundación no es un fallo suyo, es que no venía a cuento. Contarlo como error convertiría la métrica en ruido.
Cómo se lee mal: mirando el porcentaje sin el número de afirmaciones. Un 100 % sobre tres frases no es un 100 %, es una anécdota — por eso el dato va siempre acompañado de su n y su intervalo.
Fuentes del sentimiento
Qué dominios cita la IA en las respuestas donde peor habla de tu marca.
Saber que el sentimiento es negativo no sirve de nada: no puedes entrar en ChatGPT a corregirlo. Lo que sí puedes hacer es actuar sobre la página que lo alimenta. Esto cruza, dentro de cada respuesta ya medida, el tono con las fuentes citadas.
Cómo se lee mal: como una acusación. Es correlación, no causa — un dominio puede salir en tus respuestas negativas simplemente porque sale en todas. Por eso el número que cuenta no es el porcentaje crudo sino cuánto se desvía de tu propia media, y por eso una fuente con muy pocas apariciones no se lista: sería una casualidad con pinta de señal.
Grounding Source Prominence (GSP)
Los dominios que la IA cita al responder sobre tu sector, con cuántas veces aparece cada uno y en qué preguntas.
Es la métrica más accionable de todas, porque no habla de ti: habla de dónde hay que estar. Si los mismos cuatro dominios aparecen citados en la mitad de las respuestas de tu mercado, esa es tu lista de trabajo, y normalmente no coincide con la lista de sitios donde tu sector cree que hay que estar.
El motor donde esta metrica se ve mejor es Perplexity, porque cita fuentes en todas sus respuestas: como aparecer en Perplexity.
Efecto Biblioteca
La distancia entre que te conozcan y que te recomienden.
Un modelo puede describirte perfectamente cuando le preguntan por tu nombre y no proponerte nunca cuando le piden una recomendación abierta. Eso es el Efecto Biblioteca: estás en el catálogo, pero no en la respuesta.
Se mide clasificando cada respuesta en cuatro estados, no en dos:
| Estado | Qué significa |
|---|---|
| Ausente | No apareces. |
| Mencionado | Apareces, pero como dato: no se te propone. |
| Con reservas | Se te propone acompañado de una advertencia o una condición. |
| Elegido | Se te recomienda sin peros. |
La diferencia importa porque el trabajo para pasar de ausente a mencionado no se parece en nada al de pasar de mencionado a elegido. El primero es de presencia; el segundo, de reputación.
El cero honesto
Un 0 % sin decir sobre cuántas preguntas se midió no significa nada.
Hay una regla estadística sencilla para esto: con cero apariciones en n intentos, la tasa real podría ser de hasta aproximadamente 3/n. Con tres preguntas, ese límite es del 100 % — literalmente no sabes nada. Con diez, el 30 %. Hacen falta unas treinta antes de poder decir con cara seria que alguien es invisible.
Por eso, cuando el resultado es cero, se acompaña del número de intentos y del techo real de esa afirmación en lugar de titular «no apareces nunca».
Preguntas frecuentes
¿Cuál es la métrica más importante?
El Share of Answer para saber dónde estás, y el Grounding Source Prominence para saber qué hacer. La primera describe el problema; la segunda es la única que señala dónde está el trabajo.
¿Qué significa que suba el SOA pero no el LVI?
Que apareces más veces pero siempre al final de la respuesta. Estás entrando en la conversación, no ganándola.
¿Qué es el Efecto Biblioteca?
La distancia entre que un modelo te conozca y que te recomiende. Puede describirte bien cuando le preguntan por tu nombre y no proponerte nunca cuando le piden una recomendación abierta: estás en el catálogo, pero no en la respuesta.
¿Por qué un 0% necesita contexto?
Porque con cero apariciones en n intentos la tasa real puede llegar aproximadamente a 3/n. Con tres preguntas ese techo es del 100%, así que el cero no dice nada. Hacen falta unas treinta observaciones antes de afirmar que alguien es invisible.
Mira tus métricas con tu propio dominio
La auditoría gratuita calcula tu presencia y quién aparece en tu lugar. Sin registro y sin tarjeta.
Hacer mi auditoría gratis →Inicio · Planes y precios · Metodología · Investigación · Perplexity · Cómo elegir · Casos de uso · Novedades · Agencias · Alternativas · Diagnóstico · Comprobar si la IA te cita · Ruido y margen de error · Método en cuatro pasos · Optimización para agentes · X · Product Hunt