La tasa de mención en IA es una probabilidad, no un puesto en una lista. Detailed.com siguió más de 70.000 respuestas de buscadores con IA durante 28 días: el 41% de las preguntas nunca devolvió el mismo conjunto de marcas recomendadas en ningún par de días. Por eso abrir ChatGPT, escribirle una pregunta (un prompt) y anotar si la marca aparece no mide nada: es sacar una bolilla de una tómbola y describirla.
6,8x
de diferencia entre el modelo que más menciona a una marca y el que menos, el mismo día y con los mismos prompts.
5
de las marcas chilenas que medimos, analizadas para este artículo
8
modelos de IA consultados por marca
24
días de medición diaria para que la tasa de mención sea precisa
12+
meses de monitoreo continuo de distintas marcas en los ocho modelos
Resumen ejecutivo. Los modelos de IA son probabilísticos: arman cada respuesta de nuevo, y la lista de marcas que recomiendan cambia de una consulta a otra, incluso con minutos de diferencia. Una respuesta suelta no dice nada. Lo que sí dice algo es medir grupos de prompts, en varios modelos, todos los días y durante meses. Ese monitoreo permite detectar caídas a tiempo, entender cómo se comporta cada modelo, saber qué fuentes cita cada uno y encontrar pistas para influir en ellos. El objetivo no es ganar un puesto en la lista, que no existe, sino aumentar la probabilidad de que la IA recomiende tu marca o tus productos.
Los modelos de IA son probabilísticos: la misma pregunta no da la misma respuesta
Un modelo de IA no guarda una respuesta y la repite. La arma de nuevo cada vez que alguien pregunta, eligiendo entre varias opciones posibles, y por eso la lista de marcas que recomienda cambia aunque la pregunta sea idéntica.
La Universidad de St. Gallen lo midió con preguntas comerciales en ChatGPT, Gemini, Google AI Mode y Perplexity durante 45 días, repitiendo cada pregunta hasta diez veces en un mismo día. Volver a preguntar con minutos de diferencia cambió la lista de marcas tanto como compararla con la de otro día. Una auditoría de las universidades de Maastricht, Utrecht y Zúrich, sobre 1.536 respuestas a consultas de compra, encontró que las recomendaciones de ChatGPT cambian entre una repetición y otra tanto como cambian frente a las de Google AI Overviews.
Preguntarle dos veces a ChatGPT es casi como preguntarle a dos motores distintos.
Una respuesta suelta no dice nada: la misma marca cambia según el modelo
Además de variar en el tiempo, cada modelo responde distinto. Lo vemos en cinco de las marcas chilenas que medimos todos los días en ocho modelos: el modelo que más nombra a cada marca no es el mismo. En tres de ellas es Gemini, en una es Grok y en otra Perplexity.
El gráfico siguiente muestra una de esas marcas, que aparece en los ocho modelos. Aun así, el porcentaje de respuestas en que la nombran va del 58,5% al 85,3% según el modelo que se consulte.
Una de las marcas analizadas, 90 días, los mismos prompts en los ocho modelos. Aparece en todos, con frecuencias que van del 58,5% al 85,3%.
Ver los datos
| Modelo | Tasa de mención |
|---|---|
| Grok | 85,3% |
| Meta | 81,8% |
| DeepSeek | 80,8% |
| Claude | 77,5% |
| Gemini | 77,2% |
| ChatGPT | 71,4% |
| Perplexity | 70,4% |
| Google AI Overviews | 58,5% |
En otras marcas la diferencia es mucho mayor: el modelo que más las nombra puede hacerlo hasta 6,8 veces más seguido que el que menos. Una consulta suelta puede caer en cualquiera de esos extremos sin que nadie lo note.
Calculado entre los modelos que mencionan a la marca, sobre los mismos prompts y el mismo período.
Ver los datos
| Marca | Diferencia entre el modelo que más la menciona y el que menos |
|---|---|
| Marca A | 4,9x |
| Marca B | 5,2x |
| Marca C | 1,3x |
| Marca D | 1,5x |
| Marca E | 6,8x |
Qué muestra un monitoreo constante que una consulta suelta no puede mostrar
Medir grupos de prompts en varios modelos, todos los días, convierte respuestas que parecen aleatorias en datos con los que se puede decidir. Esto es lo que aparece cuando hay meses de historia detrás.
| Qué muestra el monitoreo | Para qué sirve |
|---|---|
| Caídas | Una baja en un modelo se ve apenas empieza, y se distingue de la variación normal porque hay historia con qué compararla |
| Particularidades de cada modelo | Cada modelo prioriza y ordena las marcas a su manera. En una de estas marcas, Google AI Overviews la nombra en el 55,8% de las respuestas y siempre entre las tres primeras opciones |
| Fuentes que cita cada modelo | Cada modelo lee sitios distintos: para una misma consulta, ChatGPT y Gemini comparten en promedio solo el 5,4% de los dominios que muestran (Maastricht, Utrecht y Zúrich) |
| Pistas para influir | Saber qué fuentes consulta cada modelo indica dónde conviene estar presente, con qué contenido y en qué medios, para que ese modelo considere a la marca |
Nada de eso aparece en una respuesta suelta. Aparece en la serie de datos.
Cómo se mide bien: grupos de prompts, varios modelos y semanas de datos
Que la lista cambie no significa que no haya nada medible. En el mismo seguimiento de Detailed.com, la marca líder de cada categoría apareció el 82% de los días. La señal existe, pero se ve en el agregado: lo que importa es con qué frecuencia entra la marca, no si entró hoy.
| Qué hay que decidir | Qué dicen los datos |
|---|---|
| Cuántos días de datos | Al menos 10 para que la cifra se estabilice y 24 para que sea precisa, según la Universidad de St. Gallen. Nunca el dato de un día |
| Cuántos prompts por marca | De 30 a 60 si la marca vende un solo producto, y más de 100 si tiene varias líneas o tipos de cliente muy distintos |
| Cómo se agrupan | Por tema. El resultado se lee por tema, nunca por un prompt suelto |
| Qué número reportar | La tasa de mención de cada modelo por separado, nunca un puesto en un ranking |
Cómo está redactado cada prompt también pesa. En una de estas marcas hay dos prompts idénticos salvo por las dos palabras finales que fijan el país, y a 90 días uno registra un 53% más de menciones que el otro. Por eso se mide un grupo y no una pregunta: el grupo absorbe esas diferencias de redacción.
Los propios proveedores de monitoreo lo reconocen. AirOps lo dice en sus manuales: "una sola respuesta es apenas una foto". Y Semrush escribió que un share of voice que oscile entre 20% y 40% en un mismo día es normal.
El objetivo no es un puesto en la lista, es la probabilidad de que la IA te recomiende
En la IA no hay una posición que se gane y se conserve, como en Google. Cada respuesta se juega de nuevo, y por eso la visibilidad caduca si no se sostiene. Lo que sí se puede trabajar es la probabilidad: que en cada vez más respuestas, y en cada vez más modelos, la IA recomiende tu marca o tus productos. Así lo medimos en Milimetrix:
Cómo se hizo
90 días, al 30 de octubre de 2026- Muestra
- Cinco de las marcas chilenas que medimos, de sectores distintos, cada una con su propio grupo de prompts y consultada en ocho modelos.
- Qué cuenta como mención
- Que el modelo nombre a la marca en la respuesta, con enlace o sin él. La tasa es el porcentaje de respuestas en que eso ocurre, no un puesto en una lista.
- Anonimato
- Las marcas van como A a E y sin sector.
- De dónde salen las cifras
- Datos reales de nuestro monitoreo diario en Milimetrix y estudios internacionales publicados sobre el tema.
- Medir grupos de prompts, no uno, decenas de prompts agrupados por tema, porque el resultado se lee por tema.
- Medir todos los días, y leer el promedio de semanas, para separar una tendencia del movimiento normal del modelo.
- Seguir cada modelo por separado, porque cada uno prioriza marcas distintas y aporta una audiencia distinta.
- Registrar qué fuentes cita cada modelo, para saber dónde conviene estar presente para influir en sus recomendaciones.
Si ya recibes un reporte de visibilidad en IA, pregúntale a quien te lo entrega sobre cuántos días y cuántos modelos está calculado cada número. Si es el dato de un día, lo que sube y baja cada semana es el movimiento propio del modelo, no el efecto de tu trabajo.
En Milimetrix medimos decenas de prompts agrupados por tema, todos los días y en ocho modelos a la vez, conectados a los objetivos del negocio. Si quieres medir tu visibilidad en IA con datos de calidad y conclusiones que sirvan para decidir, hablemos.
