Cómo medimos la visibilidad de una marca en ChatGPT

Cuando un cliente potencial le pregunta a ChatGPT "¿cuál es la mejor billetera digital en Colombia?", la respuesta que recibe no incluye a todas las marcas del mercado. Incluye a unas pocas. Y el orden, el tono y la frecuencia con que aparece cada una no son aleatorios: son medibles.

El problema es que la mayoría de los equipos de marketing no tienen forma de verlos. No hay un Search Console para ChatGPT. No hay un panel oficial que te diga cuántas veces te mencionó esta semana. Esa es exactamente la brecha que medimos en VISJON, y en este artículo te explicamos cómo lo hacemos —el qué, no el cómo propietario— para que entiendas qué hay detrás de un número como "73.6% de share of voice".

Por qué las métricas de SEO no sirven aquí

En el mundo del buscador tradicional, la visibilidad se mide con impresiones, posiciones y clics. Existe un resultado, ocupa una posición, y puedes contar cuánta gente hizo clic.

En una respuesta generada por IA no pasa nada de eso. No hay diez enlaces azules. Hay un párrafo de texto conversacional que menciona —o no menciona— tu marca. No hay "posición 3"; hay "te nombró de primero, con una frase positiva, en 7 de cada 10 respuestas". La unidad de medida cambia por completo: pasamos de medir posiciones en una lista a medir presencia en una conversación.

Por eso necesitábamos construir un método nuevo desde cero, pensado para cómo realmente responde un modelo de lenguaje.

Los cuatro componentes de una medición

Medir visibilidad en IA de forma rigurosa requiere definir bien cuatro cosas antes de generar un solo dato.

1. Las preguntas (prompts). Todo empieza por reconstruir cómo pregunta de verdad un usuario en tu sector. No es lo mismo "mejores fintech de Colombia" que "¿qué app uso para enviar plata sin que me cobren?". Para nuestro primer estudio de fintech y edtech en Colombia, trabajamos con un set de preguntas en lenguaje natural regional —la forma en que un colombiano realmente le habla a una IA— y lo organizamos por intención: preguntas abiertas, preguntas comparativas y preguntas de recomendación directa. La calidad del set de preguntas determina la calidad de todo lo demás.

2. Los modelos. Una marca puede ser muy visible en un modelo e invisible en otro. Hoy medimos de forma activa ChatGPT y Gemini, los dos modelos con mayor adopción en Colombia, y podemos activar Perplexity bajo solicitud. Medir varios modelos es esencial porque las diferencias entre ellos son enormes: en nuestro estudio encontramos marcas con presencia fuerte en un modelo y prácticamente nula en el otro.

3. La frecuencia. Una medición de un solo día es una foto, no una película. Las respuestas de los modelos cambian con el tiempo —a veces de una semana a otra— así que medimos de forma repetida y longitudinal. Eso nos permite detectar tendencias: una marca que sube, otra que cae, una que aparece de golpe tras un cambio de producto.

4. La extracción. Una vez que tenemos las respuestas, hay que leerlas de forma estructurada: ¿apareció la marca? ¿en qué posición dentro de la respuesta? ¿la recomendó explícitamente o solo la mencionó de pasada? ¿el tono fue positivo, neutro o negativo? Aquí es donde el volumen importa: una conclusión basada en cinco respuestas no vale nada; una basada en cientos de ejecuciones empieza a ser confiable.

De respuestas crudas a "share of voice"

Con esos cuatro componentes definidos, podemos calcular las métricas que de verdad le importan a un equipo de marketing.

La principal es el share of voice: de todas las veces que una IA respondió una pregunta de tu categoría, ¿en qué porcentaje apareció tu marca? Si ChatGPT y Gemini responden 100 preguntas sobre billeteras digitales en Colombia y tu marca aparece en 73, tu share of voice es 73%.

Pero aparecer no es lo mismo que ganar. Por eso separamos dos cosas que suelen confundirse:

• Tasa de aparición: con qué frecuencia te mencionan, en cualquier contexto.
• Tasa de recomendación: con qué frecuencia te mencionan como la mejor opción, no solo como una alternativa más en una lista.

Esa distinción es donde aparecen los hallazgos más útiles. En nuestro estudio de fintech colombiana encontramos marcas con una tasa de aparición alta pero una tasa de recomendación baja: la IA las conoce, las nombra, pero no las pone al frente. Es una brecha de conversión dentro de la propia respuesta de la IA —y es accionable, porque dice exactamente dónde está el problema.

Un ejemplo real de nuestro primer estudio

En El Mapa Invisible, nuestro primer estudio sobre cómo la IA representa a las marcas en Colombia, las billeteras digitales mostraron un panorama claro. Nequi lideró con un share of voice del 73.6%, seguida de cerca por Daviplata con 72.9%. Más abajo, Ualá apareció con 22.8% —pero con un patrón revelador: aparecía bastante en preguntas comparativas y mucho menos en preguntas abiertas. La IA la considera cuando le das el contexto, pero no la trae a la mente por sí sola.

Ese tipo de matiz es justo lo que no ves si solo miras "¿salgo o no salgo?". La marca está ahí, pero la conversación la trata distinto según cómo se pregunte. Saberlo cambia qué contenido conviene priorizar.

Lo que esta medición te permite hacer

Medir no es el fin; es la base para actuar. Cuando un equipo sabe su share of voice real, su tasa de recomendación y cómo varía entre modelos, puede tomar decisiones concretas: qué páginas reforzar, qué fuentes externas trabajar, qué comparaciones le conviene ganar. Sin la medición, todo eso es intuición. Con ella, es estrategia.

Esto es lo que hacemos en VISJON: convertir la caja negra de las respuestas de IA en un panel que un equipo de marketing en LATAM puede leer, entender y accionar —con datos de su propio mercado, en español, no traducciones de estudios hechos para Estados Unidos.