Visibilidad en IA: 4 trampas que arruinan tu estrategia GEO
Los dashboards de visibilidad en IA se han multiplicado en 2026 y casi todos los equipos de marketing miran las mismas métricas: menciones de marca, sentimiento, fuentes citadas y un porcentaje agregado de visibilidad que parece un semáforo. El problema es que ese semáforo miente más de lo que informa, y Search Engine Journal lo ha vuelto a poner sobre la mesa esta semana con un análisis patrocinado por TransPerfect Digital que merece lectura crítica.
La pregunta clave no es si tu marca aparece un 72% de las veces en ChatGPT, Perplexity o Google AI Overviews. La pregunta es qué prompts se están midiendo, en qué mercado, en qué modelo y en qué fase del embudo. Sin esas cuatro coordenadas, cualquier KPI de GEO es decoración. Vamos a desmontar las trampas más comunes desde la perspectiva de quien lleva meses implantando medición de visibilidad en IA en ecommerce hispanohablante.
Trampa 1: medir prompts que tus compradores no usan
La primera tentación es tratar la visibilidad en IA como un rank tracker clásico: meter un listado de keywords, ver el porcentaje, celebrar o alarmarse. En GEO esto es un error todavía más grave que en SEO tradicional, porque los prompts reales son conversacionales, multimercado y muy dependientes del modelo.
Un 72% de visibilidad sobre un prompt set de 50 preguntas branded informacionales en inglés no te dice absolutamente nada sobre si Perplexity te recomienda cuando un usuario español compara tu producto con la competencia. Antes de fijar objetivos, construye una librería de prompts que cubra:
- Audiencia: ICPs reales y momentos de compra, no personas genéricas.
- Intención: descubrimiento del problema, comparación y evaluación final, para cada línea de producto.
- Marca: branded y no branded en proporciones realistas.
- Mercado: prompts nativos en castellano, catalán, portugués o LATAM, no traducciones literales del inglés.
- Plataforma: ChatGPT, Gemini, Perplexity, Claude y AI Overviews medidos por separado, porque cada uno recupera y cita de forma distinta.
En los proyectos que llevo, la fuente más útil para alimentar esta librería no es un keyword tool: son las transcripciones de ventas, los tickets de soporte y la búsqueda interna del site. Ahí está el lenguaje real del comprador.
Trampa 2: tratar todo sentimiento negativo como un problema
El segundo error es reaccionar al sentimiento sin leer el contexto. El ejemplo del artículo es perfecto: una marca de lujo etiquetada como «negativa» porque los LLMs la describen como cara. Eso no es un problema, es el posicionamiento funcionando.
Antes de abrir un ticket de corrección, pregúntate tres cosas: qué atributo concreto se describe negativamente (precio, calidad, servicio, idoneidad), si la afirmación es exacta, y si contradice o refuerza tu estrategia. En ecommerce he visto equipos invertir semanas en «corregir» descripciones que simplemente reflejaban una realidad útil: envío más lento porque es producto artesanal, precio alto porque es premium. No todo lo que suena mal está mal.
Trampa 3: accionar cada hallazgo como si fuera urgente
La tercera trampa es operativa. Un dashboard de visibilidad en IA genera cientos de señales a la semana: un competidor que te supera en un prompt, una fuente nueva citada, una caída en Gemini pero no en ChatGPT. Si tu equipo intenta responder a todo, no responderás a nada relevante.
Mi regla práctica: solo accionas un hallazgo si cumple tres condiciones simultáneamente.
- Afecta a un cluster de prompts de alto valor comercial, no a una consulta aislada.
- El patrón se repite durante al menos dos o tres semanas y en más de un modelo.
- Tienes una hipótesis clara de intervención: reescribir una página, añadir datos estructurados, conseguir una cita en una fuente que el LLM usa.
Trampa 4: confundir visibilidad con conversión
La cuarta trampa es la más peligrosa para quien reporta a dirección. Una visibilidad alta en IA no implica tráfico, y tráfico desde IA no implica ingresos. GA4, para quien aún lo usa como fuente única, sigue atribuyendo fatal el tráfico asistido por LLMs, y los referrers de ChatGPT o Perplexity llegan incompletos o directamente como «direct».
Lo que funciona en 2026 es cruzar tres capas: visibilidad en IA (herramientas tipo Peec AI, Profound, Otterly), tráfico real desde asistentes (filtrado por user agent y referrer en logs de servidor) y conversión asistida (modelos de atribución propios o encuestas post-compra tipo «¿cómo nos conociste?»). Sin esa triangulación, el porcentaje de visibilidad es vanity metric.
Conclusión práctica: menos dashboard, más hipótesis
El GEO maduro no se parece a un rank tracker: se parece más a investigación de mercado continua. Antes de contratar otra herramienta de visibilidad en IA, dedica una semana a definir tu prompt library, segmentarla por mercado y modelo, y decidir qué umbral de evidencia necesitas para accionar un cambio.
Si tu equipo está invirtiendo tiempo en mover un porcentaje agregado sin saber qué prompts lo componen, estás optimizando para el dashboard, no para el negocio. Y en un entorno donde ChatGPT, Gemini y Perplexity reescriben las reglas cada trimestre, ese error se paga caro.
Fuente original: Search Engine Journal
Autor
Vakho Mtchedlishvili
SEO Lead especializado en ecommerce y AI Search. Ayudo a negocios digitales a crecer en Google y en los nuevos entornos de búsqueda con IA.