Un desarrollador construyó un sistema que supervisa la visibilidad de marca en las principales herramientas de búsqueda impulsadas por IA: ChatGPT, Claude, Perplexity, Gemini y Google AI Overviews. El proyecto demuestra que unas pocas llamadas a la API no pueden decirle a una marca si un usuario realmente ve su nombre, porque la respuesta bruta del modelo suele diferir del resultado pulido que se muestra en la aplicación de consumo y las respuestas fluctúan de una consulta a otra.

Por qué la visibilidad de marca en la búsqueda por IA es importante

Los asistentes de chat de IA se están convirtiendo en la interfaz principal por defecto para el descubrimiento web.

Las dos brechas que convirtieron un simple scraping en un maratón de ingeniería

1. La API no es el producto. Llamar a la API de OpenAI (o al endpoint de cualquier otro proveedor) devuelve la respuesta interna del modelo. Sin embargo, la aplicación ChatGPT añade su propio sistema de recuperación, prompts de sistema y aumentos de búsqueda web antes de que el usuario vea la respuesta final. Lo mismo ocurre con Claude, Gemini y los demás servicios. Una llamada a la API te dice lo que el modelo sabe; la aplicación de consumo muestra lo que el cliente ve realmente. Ignorar las capas adicionales significa que estás midiendo un producto diferente.

2. Las respuestas no son estables. Ejecuta el mismo prompt cinco veces y probablemente obtendrás cinco respuestas diferentes. Las menciones de marca cambian, el orden varía y las URL de las fuentes se mueven. Una sola respuesta de la API es, en efecto, como lanzar una moneda al aire, no son datos fiables para un informe de visibilidad. Un estudio citado en las notas de desarrollo encontró que más de la mitad de las fuentes citadas cambian de un día para otro.

Lo que las APIs de 2026 realmente ofrecen

  • Perplexity: La más amigable para los desarrolladores. Su API devuelve las citas en un formato sencillo, pero la lista de citas sigue divergiendo de lo que muestra la aplicación web de Perplexity.
  • Google Gemini: Ofrece grounding a través de Vertex AI, pero la lógica de clasificación y presentación en la aplicación de consumo de Gemini difiere de la salida bruta de la API.
  • OpenAI y Anthropic: Proporcionan modelos sólidos con herramientas opcionales de búsqueda web, pero no exponen el algoritmo de clasificación exacto utilizado en las interfaces públicas de ChatGPT o Claude.
  • Google AI Overviews: No existe una API pública. El seguimiento requiere realizar scraping de las páginas de resultados de búsqueda, un método alternativo frágil y costoso.

La visibilidad es una tasa, no un ranking

La mayoría de las herramientas existentes reducen el problema a una verificación binaria de "mencionado / no mencionado". Ese enfoque ignora la naturaleza probabilística de los resultados de los LLM. Debido a que cada consulta puede generar una respuesta diferente, se necesita una visión estadística en lugar de una instantánea única.

Una regla práctica que surgió del diseño del sistema es tratar la visibilidad como una tasa: ejecutar el mismo prompt varias veces, en diferentes geografías y tipos de dispositivos, y luego calcular un intervalo de confianza. Si una marca aparece en la mayoría de las ejecuciones, se puede informar una alta tasa de visibilidad con un margen de error adecuado, en lugar de un "sí" o "no" definitivo.

Cómo se construyó la herramienta de monitoreo

  • Múltiples ejecuciones por prompt: Al menos siete u ocho ejecuciones para suavizar la aleatoriedad.
  • Muestreo geográfico y de dispositivos: Consultas realizadas desde diferentes regiones y simuladas en dispositivos móviles frente a escritorio para capturar la personalización específica de la plataforma.
  • Enfoque en la detección de cambios: En lugar de un esquema fijo que asume respuestas estáticas, el sistema señala cambios en la frecuencia de menciones, la diversidad de fuentes y la posición en el ranking a lo largo del tiempo.

Qué observar a continuación

  • Transparencia de la plataforma: Hasta que los proveedores publiquen la lógica exacta de recuperación y clasificación utilizada en sus aplicaciones de consumo, los monitores de terceros seguirán dependiendo de aproximaciones.

Conclusión

Rastrear la presencia de una marca en la búsqueda impulsada por IA no es cuestión de obtener una única respuesta de la API. Requiere consultas repetidas y geográficamente diversas, comprender que la API es solo una parte del producto de consumo y un modelo de informes estadísticos que capture la visibilidad como una tasa. Hasta que los proveedores de búsqueda por IA expongan toda su lógica orientada al consumidor, cualquiera que necesite datos fiables de visibilidad de marca tendrá que seguir construyendo aproximaciones cuidadosas.