Visibilidad en IA: dos herramientas, 8x de diferencia y qué número creer

«La visibilidad en IA es un número: pones tu marca en una herramienta, te da un porcentaje, y ya tienes tu dato.» En demasiados departamentos de marketing universitario, la creencia se repite sin examen. Falla en lo básico: dos herramientas pueden medir a la misma universidad y devolver un 4% y un 32%. Ocho veces de diferencia. Ninguna miente.

De dónde sale la idea de que tu visibilidad en IA es un número

El sector heredó el mindset del rank tracker de SEO clásico, donde una posición es un dato limpio, determinista y repetible. Pones «máster en finanzas» en tu herramienta, ves posición 3, y punto. El número cabe en una celda de Excel, se compara mes a mes y se presenta en comité sin explicaciones metodológicas. Al director de marketing le resulta familiar: es el formato que ya manejaba.

Esa comodidad se traslada a la visibilidad en IA con la misma lógica: pones tu marca, la herramienta devuelve un porcentaje, lo comparas con la competencia. Pocas preguntas sobre cómo se construye ese número. Si la herramienta lo dice, será verdad.

El problema aparece cuando pones dos herramientas a medir lo mismo. Una devuelve 4%. La otra, 32%. El gap surge de medir cosas distintas bajo la misma etiqueta, y la etiqueta, cómodamente, dice «visibilidad».

El SEO clásico tiene una fuente de verdad: el índice de Google y las posiciones que devuelve. La posición 3 es la posición 3 hoy, mañana y la semana que viene, mientras el índice no cambie. Los modelos de lenguaje funcionan distinto. Son no deterministas: la misma pregunta puede devolver respuestas distintas en dos sesiones, en dos geografías, en dos versiones del modelo. Suma a eso que cada herramienta muestrea con parámetros distintos —modelos, conjuntos de queries, criterios de mención— y tienes la receta para que dos mediciones del mismo sitio arrojen un 8x de diferencia.

El marketing universitario llega a esto con una expectativa heredada: si la herramienta dice 27%, el 27% es la verdad. Pero ese 27% puede ser 12% o 38% mañana con la misma herramienta, el mismo query set y el mismo criterio. La variabilidad es inherente al medio. Pretender que un número tan volátil se comporte como una posición de ranking es el primer error.

Lo que pasa de verdad: dos herramientas, ocho veces de diferencia

Cada herramienta de visibilidad en IA opera con variables distintas bajo el mismo nombre de métrica. El gap de 8x refleja algo más simple: cada una mide con criterios distintos, y los criterios producen números distintos.

El modelo muestreado es la primera fractura. Una herramienta consulta Google AI Overviews (se abre en una pestaña nueva); la otra, ChatGPT (se abre en una pestaña nueva). En España, las menciones viajan sobre todo por AI Overviews; en Latam, ChatGPT cita fuentes con enlaces clicables y tiene más peso. Una herramienta que muestrea solo ChatGPT puede inflar resultados para un mercado donde el usuario medio llega vía Google AI Overviews, y viceversa. El modelo condiciona la mitad del resultado.

El conjunto de queries es la segunda fractura. Una herramienta lanza 200 consultas de intención informativa; la otra, 50 consultas transaccionales con marca. Si tu universidad aparece cuando alguien pregunta «mejor grado en marketing», pero las queries que mide la herramienta son «opiniones universidad X», el porcentaje que recibes no refleja tu visibilidad real. Quien decide qué preguntas cuentan decide qué número sale.

El criterio de mención es la tercera. ¿Qué cuenta como mención? ¿Que aparezca el nombre de la universidad? ¿Que aparezca la URL? ¿Que el modelo la recomiende como mejor opción? Una herramienta que cuenta cualquier aparición del nombre devuelve un número alto; una que solo cuenta recomendaciones explícitas devuelve un número bajo. Ambas son legítimas. Compararlas sin controlar esa diferencia metodológica carece de sentido.

El no determinismo de los modelos agrava todo lo anterior. Una query puede devolver respuestas distintas en dos sesiones con la misma herramienta, el mismo query set y el mismo criterio. La variabilidad es inherente al medio, y cuantas más variables cambies entre herramientas, más se amplifica.

Hay dos trampas que inflan el número de forma artificial. El sesgo de muestreo: cuando una herramienta muestrea solo queries de marca, la visibilidad se dispara porque el modelo casi siempre nombra a la marca cuando se le pregunta por ella. La trampa del panel: cuando se mide en un entorno de prueba limpio sin personalización, el resultado no refleja lo que ve un usuario real con historial, ubicación y contexto. Ambas distorsiones son invisibles si solo miras el número final.

El mercado es la cuarta fractura, y en educación superior pesa especialmente. Una herramienta que muestrea en España puede reportar un porcentaje altísimo porque AI Overviews despliega respuestas generadas con frecuencia; la misma herramienta en México puede reportar casi cero porque el tráfico de IA viaja por ChatGPT, que la herramienta no muestrea. Comparar la visibilidad en IA de tu universidad en España con la de otra en México sin controlar el mercado equivale a comparar circuitos distintos. El número, sin contexto, no aporta nada: da igual si marca 4 o 32.

Qué hacer en su lugar: declarar el método antes de creer el número

Hay que renunciar a la comodidad del número único y exigir que cada medición declare cómo se ha construido. El protocolo es directo: cinco variables fijadas antes de medir, y un rango reportado después.

Las cinco variables son las del diagrama anterior: modelo muestreado, mercado, conjunto de queries, criterio de mención y frecuencia de muestreo. Antes de creer un porcentaje de visibilidad en IA, pregunta qué modelo se consultó, para qué mercado, con qué queries, contando qué tipo de mención y con qué tamaño de muestra. Si la herramienta no puede responder a esas cinco preguntas, el número que devuelve es una opinión con decimales.

El pico de matriculación concentra búsquedas que el resto del año apenas existen. Medir en marzo o en julio da resultados radicalmente distintos para una universidad. La frecuencia de muestreo debe capturar esa estacionalidad, no promediarla hasta borrarla.

La señal de alarma más clara es un número demasiado bueno para ser cierto. Si tu herramienta reporta un 45% de visibilidad y la competencia un 3%, revisa las cinco variables antes de celebrar. Probablemente estás midiendo queries de marca en un modelo que te favorece, en un mercado donde tu herramienta muestrea bien y la de tu competencia no.

En Volcanz medimos con metodología declarada. Segmentamos por modelo y por mercado, fijamos el conjunto de queries y el criterio de mención, y reportamos el rango de variación. Un operador necesita saber entre qué valores se mueve su visibilidad en IA. Un promedio que esconde la varianza le deja sin información para decidir. Un número sin contexto es decoración; un rango con método es una decisión.

El cambio real, para un equipo de marketing universitario acostumbrado al rank tracker, está en aceptar que la incertidumbre es parte de la métrica. En SEO clásico, la posición 3 es un dato. En GEO, la visibilidad es un intervalo. Reportar «entre 12% y 28% según modelo, mercado y sesión» parece menos limpio que reportar «19%», pero es la única forma honesta de representar lo que está pasando. Un promedio que esconde la varianza no le sirve a nadie para decidir en qué grado invertir presupuesto de captación.