¿Qué es una buena puntuación de visibilidad en IA? Qué mide el número y dónde deja de ser útil

No existe una puntuación estándar de visibilidad en IA en el sector. En el Health Check de scaile, 90 o más se considera un buen resultado, de 70 a 89 indica que hay que mejorar y por debajo de 70 es crítico. Son nuestras bandas de diagnóstico, no referencias del sector ni la prueba de que se superaron todas las comprobaciones importantes. Hay que leer los hallazgos y el número de comprobaciones que llegaron a ejecutarse. Para medir la presencia, se compara la marca con los mismos competidores en las mismas preguntas, motores y fechas; no hay un porcentaje universal que sea bueno.

Quien cita una referencia sin nombrar el instrumento está citando ruido.

Los dos números describen un hueco; ninguno lo cierra. Las correcciones técnicas pueden mejorar la preparación. El contenido útil y con fuentes y una cobertura creíble en sitios de terceros pueden mejorar el material que un asistente es capaz de recuperar, sin garantizar una puntuación de presencia concreta. scaile opera la parte de producción de contenido como infraestructura gestionada: un estratega de AI search dedicado, investigación a partir de la base de conocimiento de tu empresa, comprobación de los datos y la aprobación de tu equipo antes de publicar.

¿Por qué no existe una puntuación estándar de visibilidad en IA?

Porque cada proveedor inventó la suya, y las definiciones son realmente distintas.

Semrush documenta su métrica AI Visibility como “una puntuación de referencia (0–100) que muestra con qué frecuencia aparece tu marca en las respuestas generadas por IA en comparación con los competidores”. No se construye preguntando a los modelos las preguntas de tu empresa: Semrush se apoya en una base de datos de más de 317 millones de prompts (las preguntas o instrucciones que se escriben al asistente) y respuestas de ChatGPT, Gemini, AI Overviews y AI Mode, captadas a partir de datos de clickstream y no a través de las API de los modelos, repartidas en 117 bases de datos regionales. La base de prompts se actualiza a diario de forma escalonada; los informes de marca que se construyen sobre ella se actualizan cada semana, así que un panel abierto un martes no muestra lo de ayer.

Peec define su Visibility Score con una fórmula explícita: respuestas que mencionan la marca, divididas entre el total de respuestas, por 100. Profound también informa de un Visibility Score en porcentaje, pero divide las apariciones de la marca entre el total de respuestas que contienen al menos una marca, un denominador distinto, a partir de prompts que Profound envía cada día a los motores de respuesta. Si se mide la misma marca en los dos el mismo día con las mismas preguntas, los dos números no coincidirán, y los dos serán correctos.

Ahrefs tomó un cuarto camino. Brand Radar informa de las menciones de marca en las principales plataformas de IA (la lista ha ido creciendo, así que conviene consultar la página del producto para saber qué cubre hoy), además de un AI Share of Voice (cuota de voz en IA) frente a los competidores, sin ninguna puntuación de 0 a 100. Su propia guía dice que las plataformas de IA no son deterministas y que lo que conviene seguir es el rango de la cuota de voz, no un valor puntual.

De ahí salen dos consecuencias. Primero, “nuestra puntuación de visibilidad en IA es 62” no es un dato sobre la empresa hasta que se dice de quién es ese 62. Segundo, no existe una referencia del sector con la que compararlo, porque una referencia exige un instrumento que todos compartan. La propia Semrush lo reconoce en su documentación: las respuestas de la búsqueda con IA son cambiantes y muy personalizadas, y por eso “ninguna plataforma puede ofrecer cifras exactas”.

Hasta la investigación tuvo que inventar su propia vara de medir. El artículo sobre GEO (Generative Engine Optimization, la optimización para motores generativos) que fundó este campo midió la visibilidad con tres métricas que definió desde cero: un recuento de palabras normalizado, un recuento de palabras ajustado por posición que decae de forma exponencial según dónde aparece la cita, y una puntuación de impresión subjetiva evaluada por un modelo de lenguaje. Lo hizo precisamente porque la posición en un ranking, la métrica sobre la que funciona la búsqueda clásica, no describe una respuesta generativa.

¿Cuáles son las dos familias de puntuación de visibilidad en IA?

Cualquier puntuación del mercado es una de dos cosas, y confundirlas es el error más caro de todo este tema.

Las puntuaciones de preparación se calculan a partir del propio sitio web. ¿Pueden llegar los rastreadores de IA? ¿Puede una máquina extraer una respuesta de la página? ¿Lleva la página una fecha, un autor y una fuente, para que la respuesta pueda atribuirla? Son preguntas sobre archivos que existen ahora mismo en el servidor. Una puntuación de preparación es determinista en lo que pregunta, no en lo que alcanza: las mismas comprobaciones sobre la misma evidencia dan la misma puntuación, y el recuento de comprobaciones ejecutadas que imprime el informe es lo que dice si la evidencia fue la misma. Una API de terceros que no responde a tiempo, una página que no se pudo renderizar, un robots.txt que devolvió un error 503: cada uno saca una comprobación del denominador, y una puntuación construida sobre 62 comprobaciones no es la misma medición que una construida sobre 95.

Las puntuaciones de presencia se calculan a partir de respuestas de modelos muestreadas. Se le hace una pregunta a un asistente, se lee la respuesta y se anota si nombró a la marca. Y se repite. Miden algo que la preparación no puede medir: si la marca sale de verdad cuando pregunta un comprador. También se mueven solas, y más de lo que admiten la mayoría de los paneles.

¿Cómo se calcula la visibilidad en IA? Un ejemplo práctico

Este es un cálculo ilustrativo, no un resultado de un cliente ni una referencia del sector. Supongamos que se hacen 20 preguntas de compra sin marca en tres motores en dos fechas y se reciben las 120 respuestas.

Medición	Cálculo	Resultado
Respuestas utilizables	20 preguntas × 3 motores × 2 ejecuciones	120
Respuestas que nombran la marca	24 ÷ 120	20 % de tasa de mención
Respuestas que citan el sitio web	12 ÷ 120	10 % de tasa de cita del sitio propio
Siguiente muestra comparable que nombra la marca	36 ÷ 120	30 % de tasa de mención
Cambio en la tasa de mención	30 % − 20 %	10 puntos porcentuales, o un 50 % de crecimiento relativo

Cada respuesta cuenta una sola vez por métrica, aunque repita la marca o enlace al sitio web varias veces. Una mención sin enlace cuenta como mención, no como cita del sitio web. Las solicitudes fallidas se registran aparte: 120 intentos no son 120 respuestas utilizables si un motor no responde a tiempo. Si un motor no muestra sus fuentes, sus datos de citas se marcan como no disponibles en lugar de contarlos sin más como cero citas.

Conviene llevar un registro con la pregunta, el motor, la fecha, el idioma, el mercado, si se mencionó la marca, si se citó el sitio web propio y las URLs de las fuentes. Antes de hablar de progreso, se repite el mismo conjunto de preguntas. Las 120 respuestas no son necesariamente observaciones independientes, y este cálculo por sí solo no establece significación estadística ni predice tráfico.

Esta tasa de mención simple no es la puntuación compuesta del AI Visibility Check de scaile. Esa puntuación combina presencia, posición, cuota de voz y citas; hay que comparar cosas comparables. Lo razonable es empezar con el AI Visibility Check gratuito y pasar después a una muestra fija y repetida para la medición continua.

¿Por qué se mueve sola una puntuación de presencia?

Porque la respuesta se monta en vivo, y casi nada de ese montaje se mantiene fijo entre dos ejecuciones.

La causa dominante es la recuperación de fuentes, no el modelo. Semrush lo dice sin rodeos en su propia documentación: las respuestas de la búsqueda con IA son cambiantes y muy personalizadas, y por eso “ninguna plataforma puede ofrecer cifras exactas”. Ahrefs da la misma advertencia desde el otro lado, cuando explica a los usuarios de Brand Radar que las plataformas de IA no son deterministas y que la lectura honesta es un rango y no un valor puntual. Entre la muestra del lunes y la del jueves, el índice de búsqueda que hay detrás del asistente ha cambiado, las páginas que recuperó son otras y la capa de personalización ha tratado las dos solicitudes de forma distinta.

Por debajo hay un suelo más pequeño y más sorprendente. Thinking Machines pidió 1.000 veces la misma respuesta a un modelo de pesos abiertos con temperatura cero, el ajuste que en teoría hace determinista la salida, y obtuvo 80 respuestas distintas: la más frecuente apareció 78 veces y la primera divergencia llegó en el token 103. La causa no era el azar del muestreo, sino la variación del tamaño de lote en el hardware que sirve el modelo, que cambia los resultados numéricos según cuántas personas estén consultando en ese mismo momento. La mitad importante del resultado es la solución: con kernels invariantes al tamaño de lote, las 1.000 respuestas salieron idénticas. Así que no es una prueba de aleatoriedad irreducible en los modelos de lenguaje. Es una prueba de que incluso el caso más estable no es reproducible en la infraestructura habitual, antes de que la recuperación y la personalización añadan encima su movimiento, mucho mayor.

Los investigadores de GEO resolvieron el mismo problema de la forma honesta: muestrearon cinco respuestas por consulta con temperatura 0,7 para reducir las desviaciones estadísticas, en GEO-bench, una colección de referencia de 10.000 consultas. Eso es lo que cuesta una medición de presencia si se quiere que se quede quieta.

Así que, cuando un panel muestra que la puntuación de presencia baja del 34 % al 31 % de una semana a otra, la primera pregunta no es qué causó la bajada. Es si tres puntos quedan siquiera fuera del ruido propio del instrumento. Con diez preguntas hechas una sola vez cada una, que cambie una respuesta mueve el número diez puntos. Y en el sitio web no ha cambiado nada.

Por eso el AI Visibility Check de scaile entrega las respuestas de fondo y no solo un número de titular: lo que dijeron de verdad los asistentes se puede comprobar, y un porcentaje derivado de una sola pasada no. El seguimiento continuo, con repeticiones suficientes para separar la señal del ruido, es otro trabajo, y es el que hace la parte de informes de la plataforma.

¿Qué cuenta como una buena puntuación de preparación?

Esta es la familia en la que un número en abstracto sí significa algo, porque las mismas comprobaciones sobre la misma evidencia producen siempre la misma puntuación.

En la escala de 0 a 100 que usa el Health Check gratuito:

90 o más es un buen resultado. Es un resultado sólido sobre la evidencia comprobada, no la garantía de que no quede ningún hallazgo grave ni ningún problema técnico sin probar. Conviene revisar los hallazgos uno a uno y la cobertura aunque el titular salga en verde.

De 70 a 89 indica que hay que mejorar. Se priorizan los hallazgos nombrados por gravedad y por páginas afectadas. El total por sí solo no dice si una corrección es pequeña ni si está bloqueado un rastreador concreto.

Por debajo de 70 es crítico, y ahí ordenar por urgencia sirve más que una lista de tareas. El resultado se lee de arriba abajo por gravedad en lugar de recorrer la lista, porque un solo problema en la capa de acceso puede explicar todo un grupo de fallos que cuelgan de él.

La distinción que importa en esa capa es qué rastreador se bloqueó. Bloquear a los agentes de recuperación, como OAI-SearchBot o PerplexityBot, es el bloqueo caro: son los agentes que descargan una página para responder en ese momento, y OpenAI indica que los sitios que excluyen a OAI-SearchBot no se muestran en las respuestas de búsqueda de ChatGPT. Bloquear a los rastreadores de entrenamiento, como GPTBot, ClaudeBot o CCBot, es una decisión de derechos sobre el uso del contenido para entrenar modelos futuros. Es una decisión legítima, y apenas cambia que ChatGPT o Perplexity citen hoy a tu empresa, porque la cita pasa por los agentes de recuperación; OpenAI controla GPTBot y OAI-SearchBot por separado en robots.txt. En el motor de scaile hay además un límite explícito: si el robots.txt bloquea a la vez a GPTBot, ClaudeBot y PerplexityBot, la puntuación queda topada en 20, pase lo que pase con el resto.

Una puntuación solo merece confianza si muestra su aritmética. El Health Check informa de cuántas comprobaciones se superaron sobre cuántas se ejecutaron de verdad, no sobre 103, porque la pasada gratuita lee la página de inicio, el robots.txt y el sitemap, lo que basta para resolver unas 60 comprobaciones, y el resto se abstiene en lugar de adivinar. Una comprobación que no puede llegar a un veredicto debería bajar la confianza en la puntuación, no bajar la puntuación sin decirlo.

¿Qué no dice la puntuación?

Una puntuación de preparación no es un ranking y no predice tráfico. Es una prueba de requisitos previos.

Una puntuación de preparación no está calibrada para prever visitas ni ingresos. Google incluye los AI Overviews y el AI Mode dentro de los informes generales de búsqueda web de Search Console, sin un informe aparte para las funciones de IA. Una mención sin clic no genera ninguna visita en la analítica del sitio web, y la atribución de referencias es incompleta. Aun así, se pueden medir las visitas y los leads observables y hacer experimentos; esas limitaciones no hacen imposible la investigación, pero sí hacen injustificable prometer ingresos a partir de una puntuación.

Las comprobaciones de preparación pueden detectar problemas de acceso, pero no establecen la decisión de indexación de Google. Una página que sirve de apoyo en los AI Overviews o en el AI Mode tiene que estar indexada y poder mostrarse con un fragmento. Siguen aplicándose las políticas normales de la búsqueda; no hacen falta archivos especiales para la IA ni un schema concreto, y cumplir los requisitos no garantiza que la página se seleccione. El estado de indexación se confirma por separado en Search Console. Cuando fallan a la vez varias comprobaciones de acceso, conviene buscar causas comunes, como reglas de la CDN, fallos de DNS o tiempos de espera agotados, antes de tratar cada fallo como un defecto de contenido distinto.

Se puede sacar un 95 y seguir ausente de las respuestas muestreadas. Hay que investigar la indexación, la relevancia para la pregunta, la evidencia útil, la cobertura en terceros, las fuentes que compiten y la variación de la muestra. Los huecos de contenido son una causa posible, no un diagnóstico que establezca la puntuación por sí sola. La investigación de la intención de compra sirve para identificar preguntas de compra concretas sin respuesta, y después conviene revisar las demás causas de la invisibilidad antes de elegir una intervención.

¿Cómo se usan juntos los dos números?

Primero se ejecuta una comprobación de preparación para encontrar problemas de acceso y de lectura, y después se mide la presencia por separado. Un rastreador bloqueado puede impedir la recuperación directa de las páginas, pero un asistente puede seguir mencionando la marca a partir de fuentes de terceros. Por eso una puntuación de preparación no sustituye a una medición de presencia, y la presencia no demuestra que las propias páginas sean accesibles.

Después se mide la presencia con un conjunto fijo de preguntas y competidores con nombre. Se registra con qué frecuencia, dónde y a partir de qué fuentes aparece la marca. Antes de interpretar un cambio, se repite la muestra. Un resultado bajo es un motivo para investigar; una puntuación de preparación por sí sola no puede distinguir todas las causas posibles.

Las dos comprobaciones de scaile son gratuitas y ninguna necesita cuenta. El Health Check muestra en la propia página un resultado de preparación. El AI Visibility Check plantea primero una pregunta de compra a ChatGPT, Gemini y Perplexity y muestra el resultado. El informe completo amplía a diez preguntas, con análisis de competidores y de fuentes; para solicitarlo hace falta una dirección de correo. El Sitemap Visualiser ofrece una vista estructural aparte.

Preguntas frecuentes

Fuentes

• Semrush: métricas de AI Visibility. Definición de AI Visibility como referencia competitiva de 0 a 100 (en inglés).
• Semrush: de dónde salen los datos del AI Visibility Toolkit. Más de 317 millones de prompts y respuestas, clickstream en lugar de API, 117 bases de datos regionales, la actualización diaria escalonada de los prompts frente a los informes de marca semanales, y la afirmación de que ninguna plataforma puede ofrecer cifras exactas (en inglés).
• Peec AI: documentación de la métrica Visibility. Visibility Score como respuestas que mencionan la marca divididas entre el total de respuestas (en inglés).
• Profound: Answer Engine Insights. Visibility Score dividido entre las respuestas que contienen al menos una marca; prompts enviados a diario a los motores de respuesta (en inglés).
• Ahrefs Brand Radar y el anuncio de Brand Radar. La lista actual de plataformas, el AI Share of Voice, la ausencia de una puntuación de 0 a 100 y la recomendación de seguir un rango porque las plataformas de IA no son deterministas (en inglés).
• Defeating Nondeterminism in LLM Inference, Thinking Machines. 1.000 muestras con temperatura cero, 80 respuestas distintas, la más frecuente 78 veces, primera divergencia en el token 103, la variación del tamaño de lote como causa y las 1.000 respuestas idénticas con kernels invariantes al tamaño de lote (en inglés).
• GEO: Generative Engine Optimization, Aggarwal et al., KDD 2024. Las tres métricas de visibilidad creadas para el estudio, GEO-bench con 10.000 consultas y cinco muestras por consulta con temperatura 0,7 para reducir la desviación estadística (en inglés).
• Google Search Central: las funciones de IA y tu sitio web. Requisitos técnicos, políticas normales de la búsqueda, sin archivos especiales para la IA ni schema, e informes de búsqueda combinados (en inglés).
• OpenAI: resumen de sus rastreadores. OAI-SearchBot, GPTBot, ChatGPT-User y OAI-AdsBot, para qué se usa cada uno y cómo se aplica robots.txt (en inglés).