Cómo saber si tu empresa aparece en las respuestas de ChatGPT
Para saber si una empresa aparece en las respuestas de ChatGPT hay que hacer una prueba directa: armar una lista de las consultas que haría un cliente potencial, correrlas en cada motor de inteligencia artificial y registrar si la empresa es mencionada, citada con enlace o directamente ignorada. No hace falta ninguna herramienta paga. Toma alrededor de dos horas y el resultado es una línea de base que se puede volver a medir cada mes.
Este artículo explica el método completo, paso a paso. Es el mismo procedimiento que JUNO usa como primera etapa de una auditoría de visibilidad en IA.
¿Por qué importa aparecer en las respuestas de IA?
Cada vez más personas hacen su primera consulta de compra en un asistente de inteligencia artificial en lugar de un buscador tradicional. La diferencia práctica es que el asistente no devuelve diez enlaces: sintetiza una respuesta y nombra dos o tres opciones. El que no está entre esas opciones no compite, porque el usuario nunca ve una lista donde podría haber estado en el puesto siete.
Ese cambio tiene un efecto secundario incómodo. En la búsqueda tradicional, una empresa podía saber que existía en algún lugar del resultado quince. En una respuesta generada, o aparece o no aparece. No hay posiciones intermedias.
¿Qué significa exactamente "aparecer"?
Aparecer en una respuesta de IA tiene tres niveles distintos, y confundirlos lleva a conclusiones erróneas. El primero es no aparecer: el motor responde la consulta sin nombrar a la empresa. El segundo es ser mencionado: el motor la nombra, pero sin enlace. El tercero es ser citado como fuente: el motor la nombra y enlaza al sitio, lo que además genera tráfico real.
La distinción importa porque una mención sin enlace construye reconocimiento de marca pero no trae visitas. Una cita con enlace hace las dos cosas. Al momento de puntuar los resultados, conviene tratarlos como categorías separadas.
¿Cómo eligen las fuentes ChatGPT y Perplexity?
Los motores de inteligencia artificial no responden solo con lo que aprendieron durante el entrenamiento. Cuando la consulta lo requiere, buscan en la web en el momento y construyen la respuesta con lo que encuentran. Ese mecanismo se llama recuperación aumentada por generación, o RAG por sus siglas en inglés.
El proceso, simplificado, tiene cuatro etapas: el motor reescribe la pregunta del usuario en varias subconsultas, busca fragmentos de texto relevantes, los evalúa, y redacta una respuesta citando los que usó. Lo que se recupera no son páginas completas sino párrafos. Esa es la razón por la que un sitio con contenido bien estructurado en pasajes autocontenidos tiene ventaja sobre uno con textos largos y difusos.
Cada motor tiene además su propia infraestructura. La búsqueda dentro de ChatGPT se apoya en el índice de Bing, mientras que Perplexity rastrea con su propio bot. En la práctica esto significa que un sitio que no está en Bing tiene muy pocas chances de aparecer en ChatGPT, aunque esté perfectamente posicionado en Google.
Paso 1: armar el set de consultas
Este es el paso que determina si la auditoría sirve o no. El error más común es escribir consultas que uno querría que existieran en lugar de las que la gente hace de verdad.
Un set útil tiene alrededor de veinte consultas repartidas en tres grupos.
Consultas con intención de compra directa. Son las que hace alguien que ya sabe qué necesita y busca proveedor. Por ejemplo: "quién hace auditorías de visibilidad en IA en Argentina", "estudios contables para pymes en Santiago", "mejores agencias de marketing para clínicas dentales". Estas son las que se traducen en dinero.
Consultas de problema, sin marca ni categoría. Son las que hace alguien que tiene un dolor pero todavía no sabe qué producto lo resuelve. Por ejemplo: "mi web recibe visitas pero no genero consultas, qué hago", "cómo hago para no perder los contactos que me escriben por WhatsApp". Estas tienen más volumen y menos competencia.
Consultas de marca. Son las que hace alguien que ya escuchó el nombre y quiere confirmar de qué se trata. Por ejemplo: "qué es JUNO", "qué hace la empresa X". Sirven para detectar algo peor que no aparecer: aparecer mal descrito.
Conviene escribir las consultas como las escribiría una persona, en lenguaje natural y con la extensión que usaría al hablar. Los asistentes de IA reciben preguntas largas y conversacionales, no las tres palabras sueltas que se escriben en un buscador.
Paso 2: correr las consultas en cada motor
Los motores que conviene cubrir hoy son ChatGPT, Perplexity, Gemini, Claude y Copilot. Cada uno tiene su propia forma de elegir fuentes, así que los resultados difieren y esa diferencia es información útil.
Dos precauciones que cambian el resultado. Primero, correr cada consulta en una sesión nueva y sin historial: si el asistente recuerda conversaciones anteriores sobre la empresa, va a nombrarla por contexto y no porque la haya encontrado. Segundo, verificar que la función de búsqueda web esté activa donde el motor lo permita, para no estar midiendo únicamente lo que el modelo memorizó durante su entrenamiento.
Guardar una captura de pantalla de cada respuesta. No solo el resultado: la respuesta textual. Es lo que después permite mostrarle a alguien qué dice la inteligencia artificial sobre su negocio, y ese documento es más persuasivo que cualquier explicación.
Paso 3: puntuar los resultados
La planilla necesita una fila por consulta y una columna por motor. En cada celda va un número:
- 0 — La empresa no aparece.
- 1 — La empresa es mencionada, sin enlace.
- 2 — La empresa es citada como fuente, con enlace.
Conviene agregar dos columnas más. Una para los competidores que sí aparecieron en cada respuesta, que es el dato que más rápido revela quién está haciendo el trabajo. Y otra para anotar de dónde salió la información que el motor usó: si citó un directorio, una nota de prensa o un foro, ahí está la pista de dónde hay que estar presente.
El puntaje total sobre el máximo posible es la métrica de la auditoría. Con veinte consultas y cinco motores, el máximo es doscientos. La mayoría de las empresas que hacen esta medición por primera vez obtiene un puntaje cercano a cero.
Paso 4: leer los resultados
Un puntaje bajo no dice qué hacer. Lo que orienta es el patrón.
Si no aparece en ningún motor para ninguna consulta, el problema es de base: probablemente el sitio no está en el índice de Bing, no tiene datos estructurados, o su contenido no responde ninguna pregunta de forma extraíble. Es el escenario más común y también el más fácil de mejorar, porque se parte de cero.
Si aparece en Perplexity pero no en ChatGPT, el problema suele ser de indexación en Bing. Perplexity rastrea rápido con su propio bot; la búsqueda de ChatGPT depende de un índice que tarda más en incorporar contenido nuevo.
Si aparece en las consultas de marca pero no en las de categoría, el sitio explica quién es la empresa pero no responde ninguna pregunta que la gente haga antes de conocerla. Es un problema de contenido, no técnico.
Si aparece mencionada pero nunca citada con enlace, el motor conoce la marca por fuentes de terceros pero no considera al sitio propio como fuente confiable. Ahí el trabajo está en el sitio.
Si el motor la describe mal, hay información desactualizada o contradictoria circulando. Es el caso más urgente, porque una descripción errónea repetida por un asistente hace más daño que la ausencia.
¿Cada cuánto conviene repetir la medición?
Una vez por mes, el mismo día, con el mismo set de consultas. Cambiar las consultas entre mediciones destruye la comparabilidad, que es todo el valor del ejercicio.
Los tiempos de reacción son distintos según el motor. Perplexity suele incorporar contenido nuevo en cuestión de días si su bot puede rastrear el sitio. La búsqueda dentro de ChatGPT tarda semanas, porque depende del ciclo de actualización del índice de Bing. Nada de esto se mide en días: es un trabajo de trimestres.
¿Y si el resultado es cero en todos los motores?
Es el resultado más frecuente y no significa que el sitio esté mal hecho. Significa que fue construido para lectores humanos y para buscadores tradicionales, que es lo que se hacía hasta hace poco.
Las primeras acciones, en orden de impacto:
- Verificar que el sitio esté en Bing. Reclamar la propiedad en Bing Webmaster Tools y enviar las URLs a mano. Es el paso técnico que más rápido cambia el resultado en ChatGPT.
- Revisar que los rastreadores de IA tengan permiso. GPTBot, PerplexityBot, ClaudeBot y OAI-SearchBot no deben estar bloqueados en el archivo robots.txt.
- Declarar la entidad con datos estructurados. Un bloque de Schema.org que diga qué es la empresa, dónde opera y qué servicios ofrece le da al motor una descripción que puede reutilizar textualmente.
- Escribir contenido en formato de pasaje. Una pregunta como encabezado y una respuesta directa de entre cuarenta y setenta palabras inmediatamente debajo, que se entienda leída fuera de contexto. Es el formato que los motores extraen.
- Aparecer en fuentes de terceros. Los motores confían de manera desproporcionada en un puñado de plataformas: directorios reconocidos, foros grandes, medios y perfiles profesionales. Estar ahí pesa más que cualquier ajuste en el sitio propio.
Hay además tres prácticas de redacción que la investigación disponible sobre optimización para motores generativos señala como efectivas: incluir estadísticas propias, citar fuentes externas reconocidas e incorporar opiniones de especialistas identificados. Las tres tienen el mismo efecto: le dan al modelo un ancla verificable sobre la cual apoyar la respuesta, y con ella la atribución.
Una advertencia sobre lo que no funciona
Hay una idea muy difundida de que existe un archivo, llamado llms.txt, que se coloca en la raíz del sitio y le indica a los modelos de inteligencia artificial qué leer. La evidencia disponible hasta ahora indica que los rastreadores que realmente generan citas no lo consultan, y ninguno de los proveedores principales se comprometió públicamente a usarlo.
Ponerlo cuesta diez minutos y no hace daño. Pero cualquier propuesta que lo presente como la solución al problema de visibilidad en IA está vendiendo humo. El trabajo real está en el índice, en la estructura y en el contenido.
El siguiente problema, que casi nadie mide
Supongamos que la auditoría sale bien y en dos meses la empresa aparece citada en ChatGPT y en Perplexity para sus consultas de categoría. Empieza a llegar gente al sitio desde esas respuestas.
Ahí aparece la segunda mitad del problema, que es la que rara vez se mide: cuántas de esas visitas se convierten en un contacto real. Aparecer es una condición necesaria y bastante insuficiente. Un sitio que recibe visitas calificadas y no captura los datos de nadie tiene exactamente el mismo resultado comercial que uno invisible, con la diferencia de que gastó tiempo y dinero en llegar hasta ahí.
Eso lo tratamos en el siguiente artículo.
JUNO es una consultora de captación de clientes que opera en Argentina y Chile. Realiza auditorías de visibilidad en buscadores con inteligencia artificial e implementa sistemas de captación que combinan sitio web, campañas y CRM con seguimiento automático.
Nota sobre los datos: el comportamiento de los motores de inteligencia artificial cambia con frecuencia. A la fecha no es posible garantizar la vigencia de las observaciones de este artículo más allá del momento en que fue publicado; los números y los criterios de cada motor pueden variar.