Deja de preguntar cuál es tu posición en ChatGPT
Es la primera pregunta que hace todo equipo formado en SEO sobre la IA: «¿dónde rankeamos?». Es también la pregunta equivocada, y no por poco. Las respuestas de IA son no-deterministas —el mismo prompt produce respuestas distintas cada vez— así que no hay posición que sostener. Solo hay una probabilidad de aparecer.
la respuesta corta
Las respuestas de IA son no-deterministas por diseño: un modelo genera texto sampleando de forma probabilística, así que el mismo prompt da respuestas distintas en cada corrida. No hay ranking ni posición uno: solo si tu marca aparece, lo cual varía por corrida, usuario y momento. Así que la métrica no es una posición sino una probabilidad de aparecer, medida corriendo prompts muchas veces y registrando la proporción de respuestas en las que sales. La estabilidad vive en la tasa a lo largo de muchas muestras, nunca en una sola respuesta.
claves
- Los LLMs son no-deterministas por diseño: generan texto por muestreo probabilístico, así que el mismo prompt da respuestas distintas cada vez.
- No hay "posición uno" ni ranking estable en la IA: tu marca está en una respuesta dada o no, y eso varía por corrida, usuario y momento.
- La métrica correcta no es una posición sino una probabilidad de aparecer: corre el mismo prompt muchas veces y mide la proporción de respuestas en las que sales.
- Fuentes de variación: muestreo/temperatura, personalización (historial, contexto, ubicación), versión del modelo, y retrieval en vivo.
- Las marcas con señales fuertes y consistentes (entidad clara, autoridad distribuida) aparecen en una proporción más alta de respuestas aun cuando el texto varía: la consistencia de la señal eleva la probabilidad.
el mismo prompt, corrido diez veces (ilustrativo)
En palabras, para que los puntos no lo carguen solos: imagina correr un prompt representativo diez veces. Tu marca sale en seis de las respuestas y falta en cuatro. Leído como diez hechos separados, parece caos: presente, ausente, presente, ausente. Leído bien, es un solo hecho: una tasa de aparición de cerca del sesenta por ciento para este prompt. Ninguna corrida es predecible; la tasa sí. Los números aquí son ilustrativos, no de un estudio: el punto es la forma de la cosa, que es una probabilidad, no un ranking.
Por qué esto no es un tecnicismo
Sería fácil archivar todo esto como pedantería: ranking, probabilidad, qué más da, dime solo si salgo. Pero la distinción cambia lo que haces, no solo cómo hablas. Si crees que hay un ranking, leerás una sola respuesta mala como una caída y entrarás en pánico, o una sola buena como un triunfo y te relajarás, cuando ambas eran solo muestras que pudieron caer del otro lado. Comprarás una herramienta que promete una pulcra «posición en IA» y confiarás en un número que no significa lo que dice. Optimizarás hacia subir una escalera que no está ahí, y atribuirás el bamboleo aleatorio del muestreo a lo que cambiaste la semana pasada. Confundir una probabilidad con una posición no es un error de vocabulario; es un error de medición que lleva a actuar sobre el ruido.
Acierta el modelo y pasa lo contrario. Dejas de reaccionar a respuestas individuales y empiezas a vigilar una tasa que se mueve despacio y por razones reales. Juzgas un cambio por si tu probabilidad de aparición subió a lo largo de muchas corridas, no por si una captura se vio bien. Te comparas con competidores sobre una base equivalente —quién aparece más seguido para las preguntas que importan— en vez de intercambiar anécdotas. La honestidad de la métrica es lo que la vuelve útil: porque admite que el canal es probabilístico, mide la cosa que de verdad es estable bajo la variación, y esa es la cosa que vale gestionar.
El problema del no-determinismo, en tres partes
Por qué varían las respuestas de IA, por qué «posición de ranking» no tiene sentido aquí, y qué medir en su lugar. Abre cada capa para la parte que cambia cómo rastreas la visibilidad.
01 Por qué la IA es no-determinista
Un buscador, ante la misma consulta dos veces, devuelve esencialmente la misma lista rankeada: está consultando un índice. Un modelo de lenguaje hace algo distinto: genera una respuesta un token a la vez, y en cada paso samplea de una distribución de probabilidad sobre las posibles palabras siguientes. Ese muestreo es lo que vuelve fluida y variada la salida, y también lo que la vuelve impredecible: corre el mismo prompt otra vez y el modelo puede tirar los dados distinto, produciendo otro fraseo, otro conjunto de ejemplos, otra selección de marcas. Esto no es un fallo a corregir; es cómo funciona la tecnología. Sobre el muestreo se montan más fuentes de variación: personalización por tu historial y contexto, la versión particular del modelo que responde, y el retrieval en vivo que trae las fuentes disponibles en ese momento. El resultado es un sistema cuyas salidas individuales de verdad no son repetibles.
02 Por qué una "posición de ranking en IA" es una ficción
El instinto heredado del SEO es preguntar "dónde rankeo", y en la IA esa pregunta no tiene respuesta, porque la estructura que le da sentido no existe. No hay una página de resultados con un primer puesto y un décimo; hay una respuesta generada en la que tu marca está mencionada o no. A lo largo de dos corridas del mismo prompt podrías aparecer en una y desvanecerte en la siguiente, no porque te movieras de la posición tres a la ocho, sino porque no hay posiciones: solo presencia o ausencia, sampleada de nuevo cada vez. Cualquier herramienta o reporte que te entregue un único "ranking en IA" describe por tanto algo que el sistema no produce; ha tomado una muestra y la ha disfrazado de un prestigio. Soltar la metáfora del ranking es el primer paso real, porque mientras busques una posición leerás el ruido de la variación como movimiento arriba y abajo de una escalera que no está ahí.
03 Qué medir en su lugar: probabilidad de aparición
Si no hay posición, ¿qué hay? Una probabilidad: la tasa a la que tu marca aparece a lo largo de muchas corridas de un prompt representativo. Ese número es real y bien portado aunque cualquier respuesta individual no lo sea. Corre un prompt una vez y no aprendes casi nada; córrelo veinte veces y la proporción de respuestas que te nombran se estabiliza en algo que puedes comparar contra un competidor y rastrear por meses. Esto reencuadra toda la tarea de medición: no estás revisando un ranking, estás estimando una tasa, como estimarías con qué frecuencia una moneda cargada cae cara. Varía el fraseo también, porque los usuarios reales preguntan lo mismo de muchas formas, y agrega a través de motores, porque cada uno se comporta distinto. Lo que terminas teniendo no es una posición pulcra sino una distribución honesta —aparece el setenta por ciento de las veces aquí, el treinta allá— que es una imagen más veraz de tu visibilidad justo porque coincide con cómo se comporta de verdad el canal.
Señal contra ruido: qué mueve de verdad la tasa
Si las respuestas individuales son aleatorias, ¿qué hace que una marca aparezca en el setenta por ciento de ellas en vez del diez? La respuesta es la fuerza de la señal, y es la parte alentadora de una imagen por lo demás resbaladiza. La variación entre corridas es ruido montado sobre una tendencia de fondo real: cuán fuerte asocia el modelo tu marca con la consulta. Una marca que el modelo conoce con claridad —identidad inequívoca, descripción consistente a través de la web, autoridad reconocida en el espacio— sale en una proporción alta de respuestas aunque el fraseo exacto cambie cada vez. Una marca de la que el modelo no está seguro aparece rara vez y de forma errática, porque cuando un modelo está incierto tiende a omitir un nombre antes que arriesgarse a equivocarse. Así que la tasa no es arbitraria; es una lectura de cuán establecido estás en el sentido que el modelo tiene de la categoría.
Esto es lo que vuelve accionable y no fatalista a la visión probabilística. No puedes controlar ninguna respuesta individual, pero sí puedes subir el piso del que se samplean las respuestas: volviendo tu entidad inconfundible, tu descripción consistente en todas partes donde el modelo lee, y tu autoridad lo bastante real como para que la asociación sea fuerte. Haz eso y tu tasa de aparición sube, no porque manipularas una posición sino porque te volviste, en promedio, una respuesta más probable. El ruido se queda; la señal debajo de él sube. Medir la tasa con honestidad es lo que te deja ver esa subida siquiera, que es la razón práctica para insistir en la probabilidad y rechazar el ranking ficticio.
Share of voice: la tasa se vuelve comparación
Una tasa de aparición por sí sola —«salimos en el sesenta por ciento de las respuestas a este prompt»— es informativa, pero se vuelve mucho más útil en el momento en que mides a tus competidores de la misma forma. Corre los mismos prompts el mismo número de veces y registra con qué frecuencia aparece cada marca de la categoría, y tienes un share of voice: no solo cuán visible eres en términos absolutos, sino cuán visible eres en relación con los nombres con los que de verdad compites por esa intención. Esa comparación es donde la métrica se gana el sueldo. Una tasa de aparición que deriva del sesenta al cincuenta y cinco por ciento podría ser ruido; una tasa donde un rival sube del veinte al cuarenta mientras la tuya se sostiene es un cambio competitivo real que vale entender. Como cada marca se samplea del mismo sistema no-determinista, la imagen relativa es más estable y más honesta que el número de cualquier marca leído solo: el ruido afecta a todos, así que comparar dentro de las mismas corridas cancela buena parte de él. Por eso el share of voice suele ser la cifra que mejor aguanta una reunión: es relativa, se mueve por razones reales y no por el azar de una corrida, y responde la pregunta que de verdad le importa al negocio —no «¿salimos?» sino «¿salimos más o menos que la competencia para las preguntas que deciden una compra?»—, que es la única forma de la visibilidad que se traduce en cuota de mercado.
Un protocolo de muestreo simple
Nada de esto requiere sofisticación, solo disciplina, y el protocolo cabe en un párrafo. Empieza eligiendo un conjunto de prompts que representen cómo los compradores reales preguntan sobre tu categoría —varios fraseos de cada intención genuina, no una keyword pulcra, porque los usuarios varían las palabras y quieres capturar esa dispersión—. Corre cada prompt varias veces en cada motor que te importe, ya que los motores divergen y una sola corrida de un solo fraseo no te dice casi nada. Registra, para cada corrida, si tu marca y cada competidor aparecieron, y consolida eso en tasas de aparición y un share of voice. Luego repite todo con una cadencia fija —mensual suele bastar para ver movimiento real sin ahogarte en ruido corrida a corrida— para comparar lo equivalente con lo equivalente en el tiempo.
Los dos modos de fallo a evitar son iguales y opuestos. Uno es submuestrear: sacar conclusiones de un puñado de corridas, donde la aleatoriedad sigue siendo lo bastante ruidosa como para fingir una tendencia que no está. El otro es la falsa precisión: reportar una tasa al decimal como si fuera una medición fija, cuando es una estimación con incertidumbre real alrededor. El medio honesto es samplear lo suficiente para que la tasa sea estable, reportarla como la cifra aproximada que es, y prestar atención a los cambios lo bastante grandes como para superar el ruido. Hazlo con consistencia y tienes algo que casi ningún equipo persiguiendo un «ranking en IA» logra: una medición que de verdad corresponde a cómo se comporta el canal.
No hay ranking en la IA: respuestas rápidas
¿Entonces medir la visibilidad en IA es inútil?
No: solo es probabilística en vez de posicional, y confundir las dos es lo que hace que la gente se rinda demasiado pronto. No puedes obtener un "ranking" estable, porque no hay ranking; pero sí puedes obtener una tasa estable. Si corres un prompt representativo suficientes veces, la proporción de respuestas en las que tu marca aparece se asienta en un número con sentido, igual que la tasa de caras de una moneda se asienta cerca del cincuenta por ciento aunque ningún lanzamiento individual sea predecible. Esa tasa de aparición es real, comparable con competidores, y rastreable en el tiempo. Lo que sí es inútil es tratar una sola respuesta de IA como un veredicto: una respuesta es una muestra de una distribución, no una medición. La disciplina es dejar de leer respuestas individuales como puntajes y empezar a leer la distribución a lo largo de muchas respuestas como la métrica. Medida así, la visibilidad en IA no es inútil en absoluto; solo se mide como una probabilidad, que es lo que es.
¿Cuántas veces debería correr un prompt?
Las suficientes para que el número deje de moverse mucho cuando añades más corridas, lo que en la práctica significa más de un par y menos de las que temes. Una sola corrida no te dice casi nada, porque cualquier respuesta pudo haber salido de un modo u otro. Un puñado empieza a mostrar un patrón. Para una docena o más de corridas del mismo prompt, la tasa de aparición suele estabilizarse lo bastante para comparar con honestidad contra un competidor o contra el mes pasado. El conteo exacto depende de cuán variable sea el prompt y cuánta precisión necesites, pero el principio es simple: estás estimando una tasa, y las estimaciones se vuelven más confiables con más muestras, con rendimientos decrecientes pasado cierto punto. Igual de importante es variar los prompts mismos —los usuarios reales frasean la misma intención de muchas formas— así que una imagen robusta viene de varios fraseos corridos varias veces, no de un fraseo corrido cien veces.
¿Puedo obtener un número estable siquiera?
Sí, al nivel de una tasa, aunque no al nivel de una sola respuesta, y esa distinción es todo el punto. Las respuestas individuales son de verdad impredecibles: el modelo samplea, personaliza, y trae fuentes en vivo, así que cualquier respuesta puede sorprenderte. Pero el comportamiento agregado es mucho más estable. A lo largo de muchas corridas, una marca que el modelo asocia fuerte con una consulta aparece la mayoría de las veces, una débil aparece rara vez, y los casos intermedios caen en medio, y esas tasas aguantan lo bastante para actuar sobre ellas. Así que el número estable que quieres no es "posición tres", es "aparece en cerca del setenta por ciento de las respuestas a este tipo de pregunta". Esa cifra se mueve despacio y con sentido conforme cambian tus señales de fondo, lo que la vuelve algo mucho mejor para gestionar que una posición que no existe. La estabilidad vive en el agregado, no en la instancia.
¿Esto significa que las herramientas que dan un "ranking en IA" están equivocadas?
Una herramienta que reporta un único "ranking en IA" fijo vende un número que el sistema de fondo no produce, y deberías ser escéptico de él. No hay una posición uno en una respuesta generativa como la hay en una lista de resultados de búsqueda; solo hay con qué frecuencia apareces y cómo te caracterizan cuando lo haces. Una buena herramienta abraza eso: samplea prompts repetidamente, a través de motores, y reporta tasas de aparición, share of voice y sentimiento como distribuciones, con algo de honestidad sobre la varianza. Una herramienta débil aplana todo eso en un ranking pulcro porque un ranking es más fácil de vender y de poner en un tablero, aunque tergiverse cómo funciona el canal. La prueba es simple: pregunta si el número viene de muchas corridas tratadas como muestras, o de una corrida tratada como verdad. Lo primero es medición; lo segundo es una captura de pantalla disfrazada de métrica.
Una nota sobre fuentes y certeza
Esto se escribe a inicios de 2025, y se apoya en cómo funcionan los modelos de lenguaje más que en un estudio cualquiera, lo cual es deliberado: el no-determinismo descrito aquí es una propiedad de la generación probabilística de texto, no un hallazgo que pudiera revisarse. Hemos mantenido el ejemplo trabajado explícitamente ilustrativo —seis apariciones en diez corridas es un número didáctico, no la medición de marca alguna— porque la afirmación honesta es sobre la forma de la métrica, no sobre una cifra específica. La cuantificación rigurosa de cuánto varían las respuestas de IA, a través de motores y categorías, aún se estaba ensamblando mientras escribíamos, y no hemos traído cifras posteriores hacia atrás para prestar una falsa precisión. Lo durable es el principio: la visibilidad en IA es una probabilidad estimada por muestreo, no una posición que rankear, y las marcas que la midan así leerán su progreso correctamente mientras el resto persigue un número que no existe. El AC Group lleva 27 años prefiriendo una medición honesta e incierta a una confiada y sin sentido, y la visibilidad en IA es un caso limpio de esa preferencia: el canal admite que es incierto, y eso es justo lo que lo vuelve medible con honestidad.