Los paneles de seguimiento de presencia de marca en motores generativos se han convertido en una industria de más de 100 millones de dólares anuales. Prometen medir cuántas veces aparece una marca en las respuestas de ChatGPT, Claude o Google, con porcentajes, tendencias e intervalos de confianza. Sin embargo, varios estudios recientes demuestran que esa medición es básicamente humo. Rand Fishkin, junto a Patrick O'Donnell de Gumshoe.ai, hicieron que 600 voluntarios lanzaran 2.961 veces doce consultas de recomendación de marca en distintos agentes. Las probabilidades de obtener la misma lista dos veces seguidas son inferiores a uno entre cien, y con el mismo orden, a uno entre mil. Las marcas citadas, el orden e incluso el número de elementos cambian en cada ejecución. Fishkin concluyó que cualquier herramienta que ofrezca una posición en IA está «llena de patrañas». El motivo es técnico: los modelos generan texto token a token con un componente aleatorio (la temperatura), y cuando añaden búsqueda web lanzan sus propias consultas y eligen qué páginas citar, procesos que introducen aún más variación. Bajo ese ruido, Fishkin sí halló algo estable: el conjunto de consideración, las marcas que el modelo maneja para una categoría, se mantiene bastante fijo aunque el orden varíe. Esa pertenencia solo se puede estimar con 60-100 ejecuciones y es la única señal mínimamente válida. Además, la mayoría de rastreadores usan APIs que no reproducen el producto real: sin memoria, sin historial, sin instrucciones personalizadas ni contexto geográfico. Miden, pues, una sala de exposición que ningún cliente pisa. Por eso, dedicar una tarde al mes a comprobar manualmente la presencia de la propia marca resulta más útil que pagar plataformas que ofrecen cifras precisas pero irrelevantes.
Noticias agregadas con IA