Antes de verificar a la IA: qué dice realmente sobre las marcas

Que te recomienden no es la cima de la escalera

Medimos la visibilidad en IA como una escalera de cinco peldaños: la IA lee tu sitio, cita tus páginas, menciona tu marca, te recomienda y te describe correctamente. La mayoría de las herramientas, y la mayoría de los equipos de marketing, dejan de contar en el cuarto peldaño. Si la IA te recomienda, el trabajo parece hecho.

1. 4
   Recomendada

   La IA te pone el primero o te presenta como la mejor opción.

2. 5
   Descrita correctamente

   Lo que la IA dice de ti es cierto: los precios, productos, mercados y puntos fuertes correctos.

Pero una recomendación basada en datos erróneos puede costar más que ninguna recomendación. El comprador llega esperando el precio antiguo, la función que no existe o el país de entrega equivocado, y la venta se rompe en el último paso. Nada en tus analíticas muestra por qué. Por eso tratamos “descrita correctamente” como un peldaño propio, con su propia medición.

Qué vimos en nuestro primer análisis

Cada respuesta que un modelo de IA da sobre una marca contiene pequeñas afirmaciones factuales: “cuesta X al mes”, “está disponible en Y”, “se integra con Z”. A estas las llamamos afirmaciones. Las afirmaciones con la misma redacción cuentan una sola vez.

4,010Respuestas de IA

754respuestas que nombraron la marca

31,447fuentes citadas

4 modelos de IA

6 mercados4 idiomas

31 díasde respuestas

Periodo de la investigación7 ago 2026 – 19 sep 2026

Recogimos 4,010 respuestas de ChatGPT, Gemini, Perplexity y Google AI Overviews a preguntas de compradores en seis mercados: viajes de aventura, marketing de arquitectura, comercio electrónico, software CRM, terapia online y herramientas de IA. En conjunto, esas respuestas citaron 31,447 fuentes. La IA mencionó la marca en cuestión en 754 de las 4,010 respuestas (18.8%). Ese promedio oculta una gran dispersión: en dos mercados, la IA nombró la marca en más de la mitad de las respuestas. En los otros cuatro, la nombró en aproximadamente entre el 2% y el 11% de ellas. Las afirmaciones solo pueden salir de respuestas que nombran la marca, así que el análisis de afirmaciones usa un subconjunto de ellas:

Las respuestas analizadas procedían de ChatGPT, Gemini y Google AI Overviews, para preguntas de compradores en cuatro de los seis mercados: software CRM, comercio electrónico, viajes de aventura y marketing de arquitectura. En promedio, una respuesta contenía 3.8 afirmaciones sobre la marca (2,166 menciones de afirmaciones en 567 respuestas). Según el mercado, la IA hizo entre 48 y 985 afirmaciones distintas sobre la marca.

Una mención de afirmación es una afirmación en una respuesta. La misma afirmación puede aparecer en varias respuestas, por eso hay más menciones (2,166) que afirmaciones distintas (2,084). 13 afirmaciones aparecen en dos modelos de IA, así que las filas por modelo de IA suman 2,097 afirmaciones distintas, no 2,084.

Pocos equipos de marketing podrían enumerar todo lo que la IA dice de ellos. Casi ninguno lo ha comprobado.

Tres veredictos, no dos

Para comprobar una afirmación necesitas algo con lo que contrastarla: tus propios datos. Qué vendes, a quién, dónde y a qué precio. Después, cada afirmación se compara con esos datos y recibe uno de tres veredictos:

El tercer veredicto importa. Una comprobación simple de verdadero o falso obliga a meter cada afirmación en una de dos casillas. En la práctica, gran parte de lo que la IA dice de una marca no lo confirma ni lo desmiente nada de lo que la marca ha dejado por escrito.

El mayor hueco: lo que nunca dejaste por escrito

Cuando una marca no expresa algo con claridad, la IA no se queda callada. Rellena el hueco con reseñas, páginas antiguas, artículos comparativos escritos por competidores o su propio entrenamiento. La afirmación “no cubierta” del ejemplo puede incluso ser cierta. Pero la marca no la eligió y no puede verla si no la busca.

Esto cambia el trabajo. Corregir lo que la IA dice mal es solo la mitad. La otra mitad es indicar los datos sobre los que la IA sigue adivinando, con palabras claras, en páginas que la IA pueda encontrar.

Elogiada, pero equivocada

Los modelos de IA son, en su mayoría, amables con las marcas. En nuestra investigación, el 68.8% de las 2,084 afirmaciones fue positivo, el 27.5% neutro y solo el 3.7% negativo. En un informe de sentimiento parece una buena noticia. Pero una afirmación positiva no es una afirmación correcta:

El sentimiento te dice qué opina la IA de ti. No te dice si la IA tiene razón. Necesitas ambos, y los necesitas por afirmación, no como una puntuación media.

Cada modelo de IA cuenta su propia historia

Para comparar los modelos de IA de forma justa, agrupamos las 2,084 afirmaciones por significado en 157 temas, como los precios de una marca, su facilidad de uso o su zona de entrega. Después contamos qué modelos de IA planteaban cada tema:

Alrededor de un tercio de los temas apareció en los tres modelos de IA. Pero el 41.4% apareció en uno solo. Un comprador que pregunta a ChatGPT y otro que pregunta a Gemini pueden oír hablar de partes distintas de la misma marca.

Las fuentes difieren todavía más. Las respuestas en las que se basan las afirmaciones citaron 952 sitios web distintos. El 83.8% de esos sitios web fue citado por un solo modelo de IA, el 11.8% por dos y solo el 4.4% (42 sitios web) por los tres. Cada modelo de IA construye su imagen de tu marca a partir de su propio conjunto de páginas.

Una nota sobre estas cifras. Un paso de agrupación automática clasifica las afirmaciones en temas, así que los límites entre temas no son exactos. Dos modelos de IA que plantean el mismo tema pueden decir cosas distintas sobre él. Y un sitio web citado por un solo modelo de IA puede ser conocido igualmente por los demás.

Esto importa para la exactitud, porque un modelo de IA puede citar el precio actual mientras otro repite el antiguo. Cuando eso ocurre, el error no está en “la IA en general”. Suele estar en las páginas concretas en las que se apoya un modelo de IA, o en lo que ese modelo aprendió durante el entrenamiento. Eso lo hace rastreable: basta con revisar cada modelo de IA por separado y mirar las fuentes que citan sus respuestas.

¿Página en vivo o memoria?

Las respuestas de IA se basan en dos capas: lo que el modelo de IA encuentra en la web en este momento (En vivo), y lo que el modelo aprendió durante el entrenamiento (Memoria). De dónde viene una afirmación errónea determina cómo se corrige. La respuesta que hay detrás de la afirmación da la primera pista: ¿citó fuentes o no?

En nuestra investigación, el 78% de las respuestas en las que se basan las afirmaciones citó al menos una fuente. En total citaron 6,504 fuentes: 3,785 páginas distintas en 952 sitios web distintos. El porcentaje varió mucho según el modelo de IA:

Para la mayoría de las afirmaciones hay una página que se puede rastrear. En Gemini, casi la mitad de las respuestas no citó nada, así que sus afirmaciones son más difíciles de rastrear hasta una página.

Una nota sobre esta división. Una respuesta sin fuentes citadas no demuestra que el modelo de IA no haya usado páginas web. Además, los modelos de IA difieren en cómo muestran las fuentes, y las respuestas de ChatGPT de esta muestra se recogieron con la búsqueda web activada. Trata los dos casos como pistas que investigar, no como causas exactas, y no leas la tabla como un ranking de modelos de IA.

Qué hacer al respecto

Usamos los mismos cuatro pasos para la exactitud que para el resto de la visibilidad en IA:

1. 1
   Ver

   Deja por escrito tus datos: productos, precios, mercados, a quién sirves. Después recoge lo que la IA afirma realmente sobre ti, en todos los modelos de IA, a partir de respuestas reales.

2. 2
   Entender

   Clasifica cada afirmación: respaldada, contradicha o no cubierta. Comprueba qué modelo de IA la dice y qué fuentes usó la respuesta.

3. 3
   Actuar

   Corrige las afirmaciones contradichas en su origen: primero tus propias páginas y después las páginas de terceros que citan las respuestas. Convierte las afirmaciones “no cubiertas” más frecuentes en datos claros y fáciles de encontrar.

4. 4
   Medir

   Sigue comprobando. Una corrección en una página en vivo puede notarse enseguida. Un hueco en la memoria se cierra despacio, a lo largo de las actualizaciones del modelo.

Vosapio ejecuta estos cuatro pasos por ti: recoge las respuestas, extrae las afirmaciones, las contrasta con los datos que introduces y conserva las fuentes que hay detrás de cada respuesta. Consulta cómo monitoriza Vosapio la visibilidad en IA, o compara los planes para marcas y los planes para agencias.

Para agencias

Haz la misma comprobación para cada cliente. Muestra a cada cliente qué afirmaciones hace la IA sobre él, qué modelo de IA las dice y qué fuentes hay detrás. Es una forma rápida de abrir la conversación con el cliente con datos en lugar de opiniones, y de acordar qué páginas corregir primero.

Método y límites

• Conjunto de datos completo. 4,010 respuestas de ChatGPT, Gemini, Perplexity y Google AI Overviews a 297 preguntas de compradores monitorizadas en seis mercados y cuatro idiomas (inglés, alemán, francés y rumano), recogidas entre el 7 de agosto y el 19 de septiembre de 2026 (en 31 días). Las respuestas citaron 31,447 fuentes.
• El 19% es un promedio, no una referencia. Agrupa seis mercados de tamaños muy distintos, y el mercado más grande tuvo una de las tasas más bajas. Que una tasa de mención sea alta o baja depende del mercado, de la marca y de las preguntas formuladas.
• Análisis de afirmaciones. 567 respuestas de ChatGPT, Gemini y Google AI Overviews a 79 preguntas, en cuatro de los seis mercados y cuatro idiomas. Las afirmaciones se extrajeron automáticamente entre el 24 de septiembre y el 10 de octubre de 2026. Todas las cifras de afirmaciones, sentimiento y fuentes de este artículo proceden de estas 567 respuestas.
• Cómo se seleccionaron las 567 respuestas. Solo las respuestas que mencionan la marca pueden contener afirmaciones sobre ella: 754 de las 4,010 respuestas lo hicieron. Para cada marca, el análisis toma las respuestas más recientes que la mencionan y que aún no se han analizado, y se detiene tras 500 respuestas o 500 afirmaciones por ejecución. Las 567 son las respuestas que produjeron al menos una afirmación. No es una muestra aleatoria: se inclina hacia las respuestas más recientes y hacia las marcas que la IA menciona más.
• Muestra pequeña. Cuatro mercados y tres modelos de IA en el análisis de afirmaciones. Las cifras describen esta muestra. No son una estimación para todas las marcas ni para todos los modelos de IA.
• Agrupación. Los totales de afirmaciones consideran iguales dos afirmaciones solo cuando su redacción coincide, así que son más altos que un recuento por significado. Para la comparación entre modelos de IA, un paso automático también agrupó las 2,084 afirmaciones por significado en 157 temas.
• Extracción automática. Un modelo extrae las afirmaciones y su tono de cada respuesta. Algunas afirmaciones se dividirán, se fusionarán o se etiquetarán mal.
• Todavía no hay tasas de precisión. Las marcas no habían introducido sus propios datos, así que ninguna afirmación tiene veredicto. No publicamos porcentajes de afirmaciones correctas o erróneas, y actualizaremos este artículo cuando los tengamos.
• Los datos vienen de la marca. Una afirmación solo se puede comprobar con lo que una marca deja por escrito. Una marca con pocos datos recibe más veredictos “no cubierta”.
• Sin nombres de marcas. Nuestras cifras son agregadas. No se nombra ninguna de las marcas que hay detrás.