Metodología · AI Brand Intelligence

Qué es AIBI y qué no es

AIBI observa cómo responden ChatGPT, Claude y Gemini a un banco fijo de preguntas de consumidor por sector, cada semana y sin navegación web. De esas respuestas se obtiene qué marcas aparecen, en qué orden, en qué contextos, con qué argumentos, quién ocupa el hueco cuando una marca falta y a qué comparadores u organismos remite el modelo. Es una medición de lo que el modelo dice por sí mismo, no una auditoría de sus fuentes ni una encuesta a consumidores.

Las cifras son porcentajes de respuestas y se publican por modelo y agregadas. No afirman causalidad ni sustituyen al seguimiento de marca, a la búsqueda ni a las ventas. Su valor es la comparación: entre marcas del mismo sector, entre modelos, entre contextos y a lo largo del tiempo.

Controles de la página de sector

En la vista Quién aparece hay varios desplegables. Conviene distinguirlos bien:

Contexto de la pregunta: criterio por el que se desglosan las métricas (territorio de negocio, tipo de usuario, finalidad del análisis, etapa del proceso de compra y, en algunos sectores, producto o ramo). Con «Todas las preguntas» ves el total sin filtrar. Al elegir un criterio (p. ej. «Etapa del proceso de compra») la serie y la tabla muestran solo las respuestas de ese criterio. En la vista «Dónde se decide», cada fila es un segmento de ese criterio.
Tipo de marca: filtra las marcas por tipo de actor (p. ej. retail, crédito y tarjetas). No es lo mismo que el desglose: el desglose es «por qué criterio cortamos la demanda». El tipo de marca es «qué marcas incluyo».
Segmento del contexto: dentro del contexto elegido, permite filtrar por un segmento concreto (p. ej. Precio y ahorro, Consideración). Solo tiene efecto cuando has elegido un contexto distinto de «Todas las preguntas».

Cuota de voz frente a Cuota de voz dentro del contexto elegido: El primero es la cuota de menciones sobre el total del mercado (todas las respuestas). El segundo es la misma métrica pero calculada solo dentro del criterio elegido (p. ej. solo en «Etapa del proceso de compra = consideración»). En la vista «Dónde se decide», cada fila es un segmento, y ahí la métrica equivalente se llama «Cuota de voz del segmento».

Cómo se construye la señal

Paso	Descripción
1. Banco de prompts	Cada sector tiene un banco fijo de preguntas tipadas por tipo de usuario, finalidad, etapa del proceso de compra, territorio de negocio y, cuando aplica, ramo o producto. Se pregunta el banco completo cada semana, así el mix de productos no cambia de una semana a otra. Las preguntas que nombran marcas en el enunciado (comparativas dirigidas) y las que piden «a quién evitar» se guardan, pero no entran en el índice de cabecera.
2. Consulta a modelos	Cada semana se consulta por API a ChatGPT, Claude y Gemini con el mismo enunciado, el mismo rol de sistema y el mismo tope de longitud de respuesta. Se mide lo que el modelo sabe por sí mismo, sin navegación web: es la memoria de marca del modelo, no una búsqueda.
3. Extracción de menciones	Un extractor identifica las marcas del catálogo, su orden de aparición y el tipo de mención. Un control determinista garantiza que ninguna marca escrita literalmente quede a cero.
4. Agregación semanal	Se consolidan métricas de presencia, cuota de voz, exclusión y temas por semana, modelo y marca. Con 90–120 preguntas por modelo, el error típico de un índice semanal es de 3 a 5 puntos: la página muestra por defecto la media móvil de cuatro semanas.
5. Lectura por segmento	La señal se interpreta por contexto de negocio, tipo de necesidad y etapa del proceso de compra para hacerla accionable.

Definiciones de métricas

Las métricas del selector. Se calculan por semana, modelo y marca y, en el desglose por contexto, dentro de cada segmento.

Métrica	Qué es	Cómo se calcula	Cómo leerla
Índice de visibilidad (cabecera)	Porcentaje de respuestas en las que la marca aparece, contando solo las preguntas favorables que no nombran marcas en el enunciado. Es la métrica de cabecera.	100 × n_detectadas / n_observaciones en ese subconjunto de preguntas.	Si sube, la marca entra más veces en la lista que construye la IA cuando el usuario pide una recomendación sin sesgar la pregunta.
Índice de visibilidad (todas las preguntas)	Porcentaje de observaciones en las que la marca aparece en la respuesta, en todas las preguntas del banco.	100 × n_detectadas / n_observaciones. n_observaciones es el total de respuestas válidas observadas para la marca en la semana. n_detectadas es el número de esas respuestas en las que la marca fue detectada.	Es la métrica base de presencia. Si sube, la marca entra más veces en la shortlist que construye la IA.
Cuota de voz (total)	Cuota de apariciones de la marca frente al total de apariciones de todas las marcas (mismo modelo y semana).	100 × n_detectadas_marca / Σ n_detectadas_todas_las_marcas.	Reparte el espacio de recomendación entre las marcas del catálogo: la suma de todas es 100. Se calcula sobre apariciones (y no sobre el número de veces que se repite el nombre) para que no dependa de la longitud de la respuesta.
% apariciones entre las 5 primeras marcas	Porcentaje de respuestas en las que la marca está entre las cinco primeras citadas.	100 × n_respuestas_con_posición_≤_5 / n_observaciones.	Es lo que ve un usuario que lee solo el principio de la respuesta, y casi no depende de la longitud de la respuesta.
Cuota de voz en el desglose / del segmento	La misma cuota, pero calculada solo dentro del criterio elegido (p. ej. «Etapa del proceso de compra») o de un segmento concreto en la vista «Dónde se decide».	100 × n_detectadas_marca_en_segmento / Σ n_detectadas_todas_las_marcas_en_segmento.	Sirve para ver dónde la marca domina o pierde cuota en segmentos específicos, no solo en el total.
% apariciones en primera posición	Frecuencia con la que la marca es la primera mencionada en la respuesta.	100 × n_first_mentions / n_observaciones.	Funciona como indicador de prioridad mental del modelo. Es una señal más exigente que simplemente “aparecer”.
Posición media	Promedio de la primera posición en la que aparece la marca cuando existe una posición identificable.	sum_first_position / n_with_position. Cuanto más cerca de 1, mejor.	Ayuda a diferenciar marcas que aparecen pronto de marcas que entran al final de la lista. Aquí un valor menor es mejor.
Visibilidad en contexto negativo	Índice de visibilidad calculado solo sobre respuestas a prompts que piden evitar, peor opción o críticas (contexto negativo).	100 × n_detectadas_en_prompts_negativos / n_observaciones_en_prompts_negativos.	Mide cuánto aparece la marca cuando se pregunta “a quién evitar” o “quién es peor”. Un valor alto aquí es una señal de riesgo reputacional en IA.
Cuota de voz (contexto positivo/negativo)	Cuota de menciones dentro solo de las respuestas a prompts positivos o solo a prompts negativos.	Misma fórmula que Cuota de voz, restringida a las preguntas favorables o a las críticas.	Permite ver si la marca domina las menciones en contexto favorable o, por el contrario, en contexto crítico.
Net sentiment por contexto	Diferencia entre visibilidad en contexto positivo y visibilidad en contexto negativo.	Visibilidad en contexto positivo − visibilidad en contexto negativo.	Positivo: la marca aparece más cuando preguntan “quién recomiendas” que cuando preguntan “a quién evitar”. Negativo: más presente en contexto crítico que en favorable.
Observaciones	Número de respuestas válidas que entran en el cálculo de la métrica.	Recuento simple de respuestas analizadas para la combinación de semana, modelo, marca y, si aplica, segmento.	Es la base muestral. Cualquier lectura ejecutiva gana robustez cuando esta cifra es suficiente y comparable.
Detecciones	Número de observaciones en las que la marca aparece detectada.	Recuento simple de respuestas donde la marca está presente.	Es el numerador del índice de visibilidad. Útil para bajar de la tasa al volumen real.
Menciones	Total de menciones textuales de la marca en las respuestas analizadas.	Suma de menciones registradas para la marca en la ventana temporal y el corte seleccionado.	Permite separar “aparece alguna vez” de “aparece con peso y repetición dentro de la respuesta”.
Primeras menciones	Número de observaciones donde la marca fue la primera mencionada.	Recuento simple de respuestas en las que la primera marca detectada fue la marca analizada.	Convierte la tasa de liderazgo inicial en volumen real para validar estabilidad.
Observaciones con posición	Número de respuestas en las que pudo identificarse una posición para la marca.	Recuento de observaciones con una posición válida distinta de nulo.	Es importante para interpretar la posición media: si esta base es baja, la métrica es menos estable.

Cobertura de la respuesta y argumentos

Una parte de las respuestas no nombra a ninguna marca del catálogo: el modelo contesta con criterios generales o remite a comparadores. Esa proporción (% sin marca) se publica por modelo y por segmento, porque cambia mucho entre modelos y entre tipos de pregunta. La visibilidad condicionada es la visibilidad calculada solo sobre las respuestas que nombran al menos una marca: responde a «cuando el modelo se moja, ¿cuántas veces te nombra?» y permite comparar modelos con distinta propensión a recomendar. Un segmento con un % sin marca alto es terreno sin dueño.

Para cada aparición de una marca se registran además los argumentos con los que el modelo la cita (un vocabulario cerrado de 16 ideas, como precio, digital, red física o servicio), el perfil de usuario para el que la recomienda, si lo hace, y una frase literal con la razón. La vista «Qué dice la IA» muestra el porcentaje de apariciones de cada marca que lleva cada argumento y compara una marca con un competidor: lo que la IA le reconoce al competidor y a la marca no es, casi siempre, el contenido que falta.

La mención destacada distingue la marca que el modelo pone en negrita, en un encabezado o abriendo un ítem de lista de la que solo nombra de pasada dentro de un párrafo. Un usuario que ojea la respuesta ve la primera y no la segunda. Por eso «% apariciones destacadas» es una lectura más exigente que el índice de visibilidad. Se calcula de forma determinista sobre el formato de la respuesta.

Cómo leer bien estas métricas

Si ves esto	La lectura más probable
Visibilidad alta y Cuota de voz bajo	La marca entra con frecuencia, pero en un sector donde casi todas las marcas entran también: el espacio de recomendación está muy repartido.
Primera posición alta y visibilidad media	La marca no aparece siempre, pero cuando entra lo hace con prioridad fuerte.
Visibilidad alta en contexto negativo	La marca sale mucho cuando se pregunta “a quién evitar” o “quién es peor”. Riesgo reputacional en respuestas de IA. Conviene revisar narrativas y contenidos.
Net sentiment por contexto negativo	La marca aparece más en preguntas críticas que en recomendaciones. Priorizar mejora de posicionamiento y autoridad en contexto favorable.
Buen total mercado y debilidad por segmento	La marca puede estar bien en agregado, pero perder espacios concretos de demanda de alto valor.

Notas de cálculo importantes

Aspecto	Cómo se resuelve en el observatorio
Unidad de análisis	La unidad básica es una respuesta válida de un modelo a un prompt. A partir de ahí se etiqueta presencia, posición, tipo de recomendación y volumen de menciones por marca.
Lectura agregada	Los tres modelos recompone cada métrica desde los recuentos de los tres modelos, así cada respuesta pesa igual. Conviene mirar siempre las columnas por modelo: un 0 en un modelo es el hueco más claro.
Segmentación	Las métricas segmentadas se calculan dentro de cada escenario de demanda, no como reparto artificial posterior. Por eso pueden diferir del total mercado.
Comparabilidad	La comparación siempre debe hacerse dentro del mismo modelo, semana y base muestral. Los tres modelos responden con topes de longitud suficientes para completar la respuesta. La métrica «entre las 5 primeras marcas» es la menos sensible a la longitud de las respuestas y la más estable para comparar en el tiempo.
Catálogo de marcas	Solo cuentan las marcas del catálogo del sector. Una marca ausente no resta visibilidad a nadie pero tampoco aparece como «quien gana cuando faltas». El catálogo se revisa periódicamente.