Métricas de visibilidad en IA: cómo medir el éxito de las relaciones públicas en la búsqueda generativa

La inteligencia artificial está cambiando la manera en que las personas descubren empresas, comparan productos y forman opiniones sobre las marcas. En lugar de revisar una página de resultados de búsqueda tradicionales, cada vez más usuarios solicitan una explicación o recomendación directa a herramientas como ChatGPT, Claude y Google Gemini. Las fuentes seleccionadas por estos sistemas pueden influir en qué organizaciones parecen creíbles, relevantes o autorizadas.

La investigación de Muck Rack ayuda a explicar por qué este cambio es importante para los equipos de comunicación. Su proyecto “What Is AI Reading?” ha examinado millones de enlaces citados en respuestas generadas por IA. La edición de mayo de 2026 analizó más de 25 millones de enlaces en 17 industrias y determinó que los medios ganados representaban el 84% de las citas, mientras que el contenido pagado y los publirreportajes apenas alcanzaban el 0,3%. El periodismo por sí solo aportaba el 27% de las fuentes citadas.

Estos resultados requieren una aclaración importante. La afirmación recurrente de que el 96% de las citas de IA procede de medios ganados no coincide con el informe más reciente. En los datos de mayo de 2026, el 96% corresponde a la proporción de respuestas de ChatGPT que incluyeron citas. Una investigación anterior de Muck Rack encontró que el 95% de las citas provenía de medios no pagados y el 89% de medios ganados. Los porcentajes exactos han cambiado entre ediciones, pero la conclusión general se mantiene: la cobertura independiente y autorizada desempeña un papel central en la visibilidad dentro de la búsqueda generativa.

Por qué importan las métricas de visibilidad en IA

La medición tradicional de las relaciones públicas suele concentrarse en las publicaciones obtenidas, el alcance potencial, las impresiones y la interacción en redes sociales. Estos indicadores continúan ofreciendo información útil, pero no permiten saber si una plataforma de IA utiliza esa cobertura para describir o recomendar una marca. Una noticia podría generar poco tráfico directo y, al mismo tiempo, convertirse en una fuente influyente para las respuestas generadas por IA.

Las métricas de visibilidad en IA cubren esta brecha al examinar cómo aparece una marca en las respuestas a preguntas relevantes. La medición puede considerar la frecuencia de las menciones, las fuentes que las respaldan, la posición frente a los competidores y el lenguaje utilizado para describir la organización. Así se vincula la actividad de comunicación con la información que clientes, inversionistas y otras audiencias encuentran en la búsqueda generativa.

Los resultados deben interpretarse con cuidado. Las plataformas de IA difieren en la frecuencia con la que citan fuentes y en los dominios que prefieren. Según Muck Rack, ChatGPT incluyó citas en el 96% de las respuestas estudiadas, Gemini en el 82% y Claude en el 55%. Por eso, un programa de medición debería observar varias plataformas, repetir las pruebas y documentar las consultas utilizadas, en lugar de considerar una respuesta aislada como un resultado permanente.

Cuatro métricas de visibilidad en IA para los equipos de comunicación

La primera métrica es la cuota de voz en IA. Mide la frecuencia con la que una marca aparece frente a competidores seleccionados en respuestas a consultas sectoriales que no incluyen nombres comerciales. Por ejemplo, una empresa de software puede probar preguntas sobre las mejores herramientas para una tarea determinada sin mencionar su marca. El indicador resultante puede expresar el porcentaje de menciones que obtiene la empresa dentro de un conjunto definido de consultas.

La segunda métrica es la tasa de citación positiva. La visibilidad no siempre resulta favorable, ya que un sistema de IA podría mencionar una empresa en relación con una controversia, limitación o advertencia. Los equipos pueden clasificar las apariciones relevantes como recomendadas, favorables, neutrales o negativas y calcular el porcentaje que comunica una posición positiva o creíble. La evaluación debe considerar el contexto completo y no limitarse a aplicar un análisis de sentimiento al nombre de la marca.

La tercera métrica es la penetración de mensajes clave. Esta determina si las respuestas generadas por IA reproducen los diferenciadores verificables que una estrategia de comunicación busca establecer. Si una compañía destaca su desempeño ambiental comprobado, por ejemplo, la evaluación puede determinar si las consultas relacionadas con sostenibilidad generan esa asociación. Las afirmaciones deben ser específicas, estar documentadas y contar con respaldo independiente antes de integrarse en el sistema de medición.

La cuarta métrica es la autoridad de las fuentes. En vez de contar todas las publicaciones de la misma forma, los equipos estudian qué medios, recursos gubernamentales, documentos académicos y publicaciones especializadas aparecen realmente en las citas de IA. La autoridad no puede reducirse a una sola puntuación de dominio. También importan la relevancia temática, las normas editoriales, la experiencia especializada, la actualidad y el comportamiento de citación observado.

Cómo construir un sistema confiable de medición

Un sistema útil comienza con una biblioteca controlada de consultas. Los equipos deberían agruparlas según la intención de la audiencia, como descubrimiento, comparación, recomendación, reputación, características de productos y tendencias de la industria. Cada grupo debe contener preguntas con y sin marca, además de variaciones que reflejen la forma en que los usuarios reales solicitan información.

Las consultas deben probarse de manera periódica en las plataformas de IA seleccionadas. El registro de cada prueba debería incluir la fecha, la plataforma, la versión del modelo o producto cuando esté disponible, la respuesta completa, las citas, las menciones de marca, los competidores y la clasificación del mensaje. La repetición es necesaria porque las respuestas pueden cambiar cuando se actualizan los modelos, los sistemas de recuperación o las fuentes disponibles en internet.

Las definiciones de los indicadores también deben permanecer estables. Los equipos tienen que decidir por anticipado qué constituye una mención, una recomendación, una cita positiva o una coincidencia satisfactoria con un mensaje. La revisión humana resulta valiosa en casos ambiguos, pues las herramientas automáticas de sentimiento pueden interpretar incorrectamente comparaciones, matices o expresiones propias de una industria. Una guía de puntuación documentada facilita la comparación entre periodos.

Cómo los medios ganados apoyan la optimización generativa

La optimización para motores generativos, conocida como GEO, es la práctica de mejorar la representación de una organización en las respuestas producidas por IA. Complementa al SEO, pero no lo sustituye. La optimización para buscadores ayuda a que la información sea localizable, mientras que el GEO presta especial atención a si las máquinas pueden identificar, comprender y respaldar las afirmaciones mediante fuentes creíbles.

Los medios ganados contribuyen al GEO porque la cobertura independiente puede ofrecer validación de terceros. Sin embargo, la evidencia no demuestra que los sistemas de IA rechacen categóricamente todo el contenido corporativo o social. Muck Rack clasifica las citas procedentes del periodismo, contenido corporativo de terceros, contenido corporativo propio, comunicados de prensa, investigación académica, fuentes gubernamentales, plataformas sociales y agregadores. La combinación cambia según la plataforma y el tipo de pregunta.

La actualidad también influye. Muck Rack informó que más de la mitad de las citas periodísticas de su investigación actualizada procedía del año anterior y que las citas alcanzaban su punto máximo poco después de la publicación. Esto indica que los programas de comunicación necesitan un flujo continuo de información exacta y noticiosa, en lugar de iniciativas de publicidad esporádicas.

Del volumen de cobertura a la influencia demostrable

Los equipos de comunicación pueden utilizar estos hallazgos para mejorar sus contenidos sin convertir cada documento en material escrito exclusivamente para máquinas. Los comunicados, informes de investigación y artículos ejecutivos deben ofrecer fechas claras, declaraciones directas, encabezados útiles, una metodología transparente y datos verificables. Muck Rack ha señalado que los comunicados citados suelen contener más estadísticas, listas y lenguaje objetivo que aquellos que no reciben citas.

La calidad de las publicaciones también debe analizarse dentro de su contexto. Un medio especializado respetado puede influir más en una respuesta sectorial que una gran cantidad de menciones irrelevantes. Al mismo tiempo, ningún medio individual garantiza su inclusión en las respuestas de IA. El objetivo consiste en construir un conjunto creíble y coherente de evidencias en fuentes que tanto las audiencias como los sistemas de recuperación puedan comprender.

Los programas de medición más maduros combinarán las métricas de visibilidad en IA con indicadores empresariales y de comunicación ya establecidos. La calidad de la cobertura, el tráfico de referencia, la visibilidad en buscadores, la confianza de la audiencia, los clientes potenciales y los estudios de reputación siguen siendo importantes. Las citas de IA añaden una nueva dimensión: muestran cómo la información pública se integra en respuestas capaces de influir en decisiones futuras.