Cómo AI100 mide la visibilidad de marca en IA

Qué medimos

AI100 mide cuán naturalmente aparece una marca en las respuestas neutrales de IA dentro de su categoría y región. La metodología separa la capa principal de puntuación (escenarios neutrales) de la capa diagnóstica (consultas con nombre de marca) y utiliza una escala no lineal de 0 a 100.

Unidad de medición: una respuesta del modelo a un escenario de pregunta estandarizado.

Cómo funciona una ejecución

1. Preparación del marco de investigación

Primero leemos el sitio, identificamos la categoría y aclaramos con qué entorno de mercado tiene sentido comparar la marca. El usuario selecciona un idioma de visibilidad (Visibility Language): el idioma en el que se formularán las preguntas al modelo. Este es un parámetro importante: la misma marca puede encontrar un entorno competitivo diferente según el idioma de los prompts. El modelo construye un campo asociativo separado para cada idioma: marcas que dominan en un idioma pueden ceder su posición a otros competidores en otro. Para marcas internacionales se recomienda un estudio separado para cada idioma del mercado objetivo.

2. Construcción del corpus de preguntas

Luego se recopila el conjunto de escenarios: algunos verifican la aparición natural de la marca, otros ayudan a comprender la reputación y el carácter de la respuesta del modelo.

3. Cálculo de la puntuación principal

La puntuación principal se construye solo a partir de escenarios neutrales, donde la marca debe ganarse su lugar a través de la respuesta del modelo. Por separado se calcula la puntuación diagnóstica (por menciones directas), el refuerzo web (la diferencia entre respuesta de memoria y respuesta con búsqueda) y el intervalo de confianza del resultado.

4. Explicación e informe

Finalmente, traducimos el conjunto de respuestas en un informe legible: mostramos la puntuación final, su estabilidad, las fortalezas de la marca y las zonas de crecimiento.

Cómo se calcula y se lee la puntuación

El salto de visibilidad débil a una capa media creíble se siente drástico: la marca apenas existe para el modelo o ya aparece en parte de las respuestas. El salto de visibilidad fuerte a casi dominar es más difícil. Por eso usamos una transformación logarítmica.

S = 100 × ln(1 + r / 12) ln(1 + 100 / 12)

S — puntuación final (0–100) r — señal bruta de visibilidad (0–100) 12 — suavizador (parámetro de calibración)

Qué significa raw. Es la señal bruta de visibilidad: con qué frecuencia aparece la marca, cuán alto se mantiene en la respuesta y cuán convincente resulta en el conjunto de escenarios neutrales.

Por qué usamos un logaritmo. El logaritmo hace que la parte inferior y media de la escala sea más sensible. Así, unas pocas respuestas afortunadas no se convierten demasiado rápido en una puntuación final alta.

Cómo leer el resultado. Un avance de 20 a 40 refleja un fortalecimiento real de la presencia. Un avance de 80 a 90 también importa, pero es mucho más difícil de lograr — y ese es exactamente el efecto que la escala no lineal busca preservar.

Intervalo de confianza. Cada resultado viene acompañado de un intervalo de confianza — el rango dentro del cual probablemente caería la puntuación si se ejecutara de nuevo el mismo corpus de preguntas. Un intervalo estrecho indica visibilidad estable; uno amplio indica que la presencia de la marca fluctúa según el escenario.

Refuerzo web. El estudio se ejecuta en dos modos: solo con el conocimiento del modelo y modelo + fuentes web. La diferencia entre ambas puntuaciones se reporta como refuerzo web. Un valor positivo significa que las fuentes web fortalecen la marca; un valor negativo significa que la debilitan.

Corpus y puntuación

Capa principal

Familia	Qué verifica
Expertise	¿Detecta el modelo señales de autoridad en el dominio de la marca?
Comparison	¿Se mantiene la marca en preguntas comparativas sin indicación de nombre?
First appearance	¿Nombra el modelo a la marca cuando el usuario apenas empieza a buscar?
Ranking	¿Cuán alto coloca el modelo a la marca en una clasificación explícita de categoría?
Shortlist	¿Entra la marca en la lista corta cuando el usuario está listo para comparar?
Trust	¿Asocia el modelo la marca con fiabilidad y elección acertada?

Pesos de la puntuación principal

Métrica	Qué muestra	Peso
Mention Rate	Con qué frecuencia aparece la marca en las respuestas	24.0%
Top-3 Rate	Con qué frecuencia la marca está en la parte superior de la respuesta	14.0%
Top-1 Rate	Con qué frecuencia la marca es nombrada en primer lugar	10.0%
Avg Position	Posición media de la marca en las respuestas	15.0%
Prompt Coverage	En qué proporción de escenarios aparece la marca	14.0%
Response Share	Con qué frecuencia se menciona la marca en el texto de la respuesta	10.0%
Text Share	Qué proporción del texto de la respuesta trata sobre la marca	5.0%
Domain Citation	Con qué frecuencia el modelo cita el dominio de la marca	8.0%

Capa diagnóstica

Esta capa no sustituye la puntuación principal. Explica qué ocurre cuando la marca ya está nombrada, se compara directamente o se discute en términos de reputación.

Familia	Qué verifica
Alternative	¿Se recuerda la marca como alternativa a una solución ya mencionada?
Reputation	¿Cómo describe el modelo a la marca cuando el nombre ya está dado?
Direct comparison	¿Qué ocurre en una comparación directa con un competidor?

Pesos de la puntuación diagnóstica

Métrica	Qué muestra	Peso
Recommendation Rate	Proporción de respuestas con recomendación explícita de la marca	30.0%
Recommendation Strength	Cuán convincentemente el modelo formula la recomendación	25.0%
Centrality	Si la marca es el tema principal de la respuesta	20.0%
Positive Tone	Proporción de respuestas con tono explícitamente positivo	15.0%
Argument Quality	Si el modelo respalda la recomendación con argumentos	10.0%

Alcance y limitaciones

AI100 utiliza modelos de OpenAI (GPT-5.4) en dos modos: basándose en el conocimiento interno del modelo y con apoyo de fuentes web. El corpus se construye para cualquier idioma y región.

Qué mide AI100

Cuán naturalmente aparece la marca en respuestas neutrales de IA dentro de su categoría.
Cuán alto se mantiene la marca en la respuesta y si las fuentes web la refuerzan.
En qué familias de preguntas la marca desaparece y dónde se ve más fuerte que los competidores.

Qué no mide AI100

Ventas, conversión, fuerza del equipo de marketing o calidad del producto en sí mismos.
Todos los modelos y todos los modos de internet a la vez. Actualmente el método se centra en la capa aplicada más útil y está diseñado para expandirse.
Una verdad absoluta sobre el mercado. Cualquier medición depende de la fecha, el idioma, la categoría y el corpus de preguntas.