Comprobar gratis si ChatGPT nombra tu marca, y sus límites

No hace falta comprar nada para saber si los asistentes de IA nombran tu marca. Necesitas una hoja de cálculo, una tarde y la disciplina de hacer la prueba en serio. Casi todo el mundo que lo intenta se lleva una respuesta inservible, y no porque el método sea difícil: comete un error muy concreto en el primer minuto.

Aquí tienes el método completo. Y después, porque importa más que el método, el punto exacto en el que deja de sostenerse.

Primero, la hoja de prompts

Abre una hoja de cálculo. Una fila por pregunta. Escríbelas antes de abrir ChatGPT: si improvisas mientras las tecleas, sin darte cuenta elegirás las que ya sabes que ganas.

El fallo más común es preguntarle al modelo por ti. “¿Qué es [tu marca]?” no te dice nada: el modelo producirá algo, siempre produce algo. Eso es una consulta, no visibilidad. Escribe las preguntas que hace un comprador antes de saber que existes. Caen en tres grupos, y los quieres los tres:

• Prompts de categoría. “¿Cuál es la mejor herramienta para [tarea que resolver] en una empresa mediana?” “¿Quiénes son los principales proveedores de [producto] en Europa?” Es la pregunta cruda de la inclusión: cuando el modelo enumera el terreno, ¿tu nombre le viene a la cabeza o no?
• Prompts comparativos. “Compara las principales opciones de [categoría].” “[Competidor conocido] y sus alternativas.” Te dicen en qué conjunto te archiva el modelo y si apareces como igual o como ocurrencia tardía.
• Prompts de problema. Sin categoría, sin proveedores, solo el dolor. “El almacén se me queda sin existencias justo en los artículos que más rotan, ¿qué hago?” Nadie los prueba, y suelen ser el lugar donde asoma un competidor inesperado, porque ahí el modelo razona desde un síntoma y no desde una taxonomía de producto.

Con una docena de prompts te sobra para empezar. Aburridos, concretos, escritos con las palabras de tus clientes y no con la jerga interna de tu sector.

Sesión limpia. Aquí es donde falla todo el mundo

Si lanzas estas preguntas desde tu cuenta habitual de ChatGPT, la que sabe quién eres, la que tiene tu empresa en la memoria y semanas de conversaciones sobre tu producto en el historial, la respuesta que recibes no es la que recibe un desconocido. Está personalizada, moldeada por todo lo que ya le has contado. Hay quien hace la prueba, se ve nombrado el primero y concluye que va bien. Está leyendo su propio reflejo.

Así que, antes que nada:

• Desactiva la memoria y la personalización, o usa un chat temporal cuando el asistente lo ofrezca.
• Cierra la sesión por completo donde puedas, o abre un perfil de navegador nuevo, sin sesión iniciada.
• No nombres nunca tu marca, ni en el prompt ni en las repreguntas. En cuanto lo haces, has contaminado el resto de la conversación.
• Abre una conversación nueva para cada prompt. No un mensaje nuevo en el mismo hilo: un hilo nuevo. El contexto se arrastra, y un modelo que acaba de recomendarte seguirá recomendándote.

No tiene ningún encanto, y es la diferencia entre una prueba y un placebo.

Repite cada prompt más de una vez

Los modelos de lenguaje son probabilísticos. Haz dos veces la misma pregunta y puedes recibir dos listas distintas de proveedores recomendados. No es un defecto que puedas ajustar, y tiene una consecuencia que casi ninguna prueba manual acepta: una sola ejecución es una anécdota. Repite cada prompt varias veces, en sesiones limpias separadas, y lee el resultado como una frecuencia, no como un hecho. “Nombrada en cuatro de seis ejecuciones” es un hallazgo. “Nombrada” no lo es.

Después repite todo en los demás asistentes. ChatGPT, Claude, Gemini y Perplexity no son intercambiables: se entrenaron de forma distinta, recuperan información de forma distinta, y una marca que uno recomienda con seguridad puede ser invisible en otro.

Qué anotar en cada ejecución

Cuatro columnas. Resiste la tentación de añadir más.

• Mencionada: sí o no. El nombre aparece en la respuesta, sin más.
• Enlazada: sí o no. Aparece como fuente o cita en la que se puede pulsar. Son dos resultados de verdad distintos. Un modelo puede describir tu producto con precisión, largo y tendido, y no enlazarte jamás, porque responde con lo que absorbió durante el entrenamiento y no tiene ninguna página a la que apuntar. Puedes ser muy visible y no recibir ni un clic, y por eso tu panel de analítica no ve nada de esto.
• A quién más nombra. Todas las demás marcas de la respuesta, en el orden en que salen. La columna más incómoda y la más valiosa. Las empresas que un modelo nombra en tu lugar a menudo no son las competidoras de tus fichas internas: los modelos agrupan las marcas por cómo habla de ellas la web, no por cómo has dibujado tú el mapa del mercado.
• Cómo te describe. No una puntuación de sentimiento, las palabras literales. “Para grandes empresas”, “opción barata”, “para desarrolladores”, “una alternativa más pequeña que X”. Que te nombren con la descripción equivocada puede ser peor que no salir: un modelo que te presenta como la opción barata ha tomado una decisión de posicionamiento por ti, y la repite ante cada comprador que pregunta.

En Perplexity descubres el porqué

Los demás asistentes te dicen lo que piensan. Perplexity te enseña de dónde lo ha sacado, porque recupera páginas en vivo y cita sus fuentes dentro del texto. Es la superficie más útil de todo el ejercicio. Lanza allí tus prompts de categoría y comparativos, luego ignora la respuesta y lee la lista de fuentes: esas direcciones son las páginas con las que el modelo se está formando una opinión de tu mercado, y de ti.

Prepárate para una sorpresa. Normalmente no son tus páginas. Son agregadores de reseñas, un hilo de foro, una lista escrita por alguien sin ningún interés en tu sector, la página comparativa de un competidor que te describe con palabras que jamás habrías elegido. Esa es la materia prima de tu visibilidad en las IA, y nunca la has leído.

Comprueba que no has cerrado la puerta tú mismo

Lleva unos minutos y es lo único de aquí capaz de invalidar todo lo demás. Abre tudominio.es/robots.txt y busca estos nombres:

• GPTBot, el rastreador de OpenAI
• ClaudeBot, el de Anthropic
• PerplexityBot
• Google-Extended, que regula el uso de tus contenidos en los productos generativos de Google

Un Disallow: / bajo cualquiera de ellos significa que has dejado a ese sistema fuera de tu sitio. Muchas webs añadieron esas líneas en plena alarma por el scraping, siguiendo el consejo de alguien que ya no está, y no han vuelto a tocarlas. El bloqueo puede seguir conviniéndote. Pero tiene que ser una decisión, no una herencia.

Ahora la parte honesta: dónde se muere este método

Todo lo anterior funciona. No cuesta nada, y en una tarde aprendes más que con cualquier especulación sobre la búsqueda generativa. Y tampoco sobrevive a la segunda semana.

Mira lo que has montado. Una docena de prompts. Cada uno repetido varias veces, porque una sola ejecución es ruido. Todo eso en cuatro asistentes. Y si exportas, otra vez entero en cada idioma en el que vendes, porque la visibilidad no viaja: una marca que un modelo recomienda con aplomo en español puede desaparecer de la misma pregunta hecha en alemán, donde la web habla mucho menos de ella. Multiplica. El total no es grande, es absurdo. Y solo tienes una instantánea.

Y esto es lo que de verdad rompe el método manual: una comprobación suelta no vale casi nada. Te dice cómo estabas un martes. No te dice si te estás cayendo del conjunto de respuestas, si un competidor sube, ni si el trabajo de contenidos de un trimestre entero ha cambiado algo. El valor está en la tendencia, y una tendencia significa repetirlo todo, idéntico, con una cadencia fija, sin dejarlo nunca.

A mano no lo aguanta nadie. Ese problema combinatorio es justo aquello para lo que existe una herramienta de monitorización, y es lo que automatiza PSentry: escaneos programados, en las cuatro plataformas y en cada idioma en el que vendes.

Aun así, empieza por la hoja de cálculo. Hazlo una vez a mano, bien hecho, en sesiones limpias. Conviene saber qué se está midiendo antes de dejar que algo lo mida por ti.

Preguntas Frecuentes

¿Cuántas veces debo repetir cada prompt?

Las suficientes para que un patrón se separe del ruido, y siempre en sesión limpia. Si tu marca aparece en la mitad de las ejecuciones y se esfuma en la otra mitad, eso es el hallazgo. Aplastarlo en un sí o un no tira a la basura lo único interesante que has averiguado.

¿Puedo usar la API en lugar de la interfaz de chat?

Puedes, y así eliminas de raíz la contaminación por memoria. Pero cambias lo que estás probando: el modelo que hay detrás de la API no siempre está configurado como el producto de consumo y puede no tener activos los mismos comportamientos de recuperación o navegación. Si tus compradores usan la aplicación de chat, prueba la aplicación de chat.

El modelo describe mal mi producto. ¿Puedo corregirlo?

No directamente. No hay formulario que rellenar ni factor de posicionamiento que ajustar. Lo que un modelo dice de ti refleja lo que la web dice de ti. Si las fuentes que Perplexity usa en tu categoría son un puñado de sitios de reseñas y un hilo de foro, esas son las superficies que importan, y no son tuyas. Quien te garantice lo que una IA dirá de tu marca está vendiendo algo que no puede entregar.

¿Cada cuánto hay que repetir una comprobación para que signifique algo?

Lo bastante a menudo para ver el cambio, no tanto como para mirar el ruido. Los modelos no revisan su opinión sobre una marca de un día para otro, así que comprobarlo a diario produce sobre todo la ilusión de estar haciendo algo. Lo que cuenta es una cadencia constante, ejecutada siempre igual, para que cuando algo se mueva puedas distinguirlo del simple carácter probabilístico del modelo.