Dos familias de indicadores
Todo el dispositivo descansa en una distinción simple. Los indicadores de presencia miden tu lugar en las respuestas de los LLM: reaccionan rápido y guían el trabajo diario. Los indicadores de resultados miden el efecto real sobre el negocio: leads, registros, ventas, con semanas de retraso. Los primeros justifican el esfuerzo, los segundos justifican el presupuesto. Necesitas ambos.
Indicadores de presencia: el seguimiento de prompts
Empieza por construir una biblioteca de prompts representativa de tu negocio y de tus objetivos de producto, por ejemplo la facturación electrónica. Una herramienta de seguimiento de prompts, como Peec, Profound u Otterly, los ejecuta cada día en los distintos modelos y recoge tres cosas: las menciones (tu marca aparece en la respuesta), las citas (tu marca es citada como fuente) y la posición (el rango medio de tu mención en las respuestas).
De esas tres señales brutas derivo cinco indicadores.
| Indicador | Cálculo | Qué dice |
|---|---|---|
| Cuota de voz | Tus menciones sobre todas las menciones | Tu rendimiento frente a los demás. No significa nada en términos de negocio, pero su tendencia valida o no tus esfuerzos. |
| Visibilidad | Tasa de mención sobre el total de prompts ejecutados | Tu cobertura del perímetro definido por la biblioteca de prompts. Buen indicador de trabajo. |
| Posición | Rango de tu mención frente a los competidores | Oro puro: ser citado primero probablemente significa mayor credibilidad. |
| Mención ponderada | Media del inverso del rango sobre todos los prompts, sobre 100 (fórmula bajo la tabla) | Síguela cada día y tendrás un indicador de negocio realmente interesante. |
| Cuota de voz ponderada | El mismo cálculo, aplicado a cada competidor | Compara tu cobertura y posición con el mercado. Más rica que la cuota de voz clásica, y complementaria. |
La mención ponderada merece su fórmula, porque es la que guía el trabajo. Para cada prompt, tu mención vale el inverso de su rango: 1 si te citan primero, 0,5 segundo, 0,33 tercero, 0 si estás ausente. La media de esos valores sobre toda la biblioteca, multiplicada por 100, da el indicador. Ejemplo sobre 100 prompts: citado 30 veces primero, 20 veces segundo y 10 veces tercero, es decir (30 × 1 + 20 × 0,5 + 10 × 0,33) / 100 × 100 ≈ 43 sobre 100.
Añade dos lecturas cualitativas. Las citas primero: como una URL citada influye en el relato del modelo, profundiza en cuáles funcionan, úsalas para justificar inversiones o como marcadores de prioridad, por ejemplo los hilos de discusión que influir primero o los creadores de vídeo que contactar, y espía a los competidores. El sentimiento después: cómo hablan de ti los modelos. Si alimentas con regularidad a terceros que hablarán de tu marca, sigue el efecto de cada evento, como una nueva etiqueta obtenida, sobre el sentimiento global o por producto.
Cuatro fuentes complementarias
| Fuente | Qué aporta |
|---|---|
| Los datos de los buscadores | Bing y Google publican sus propios datos sobre la IA. Sirven sobre todo para justificar una asignación de presupuesto, o para profundizar en algo concreto. |
| Los logs del servidor | La actividad de los rastreadores en tus logs responde a preguntas concretas: desplegaste una mejora técnica para ayudar a los modelos a entender el sitio, ¿qué cambió en el rastreo? |
| Los paneles de terceros | Algunos proveedores, como Similarweb, pueden decir si alguien visitó un LLM el mismo día que tu sitio. Con cautela, pero siempre es un ángulo valioso. |
| El seguimiento de los AI Overviews | Un buen indicador de trabajo para medir el resultado de tácticas o cambios en el sitio: contenido nuevo, formato nuevo. |
Indicadores de resultados: el impacto real
Primero, lo declarativo. La pregunta «¿cómo nos conociste?» mide el impacto real de negocio, y su veredicto suele divergir del modelo de atribución. Sin ella te pierdes el escenario más común: alguien lee una recomendación en un LLM, escribe tu marca en Google, hace clic en un enlace de pago u orgánico. Ningún modelo de atribución ve esa cadena.
Después, la analítica. En GA4, filtra los patrones de URL de referencia propios de los LLM (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai): cuando un visitante llega haciendo clic en un enlace de una respuesta, puedes atribuirlo. Completa con las cookies: si un prospecto visita tu sitio, pasa por un LLM y vuelve, deberías verlo, según tu filosofía de atribución, primer clic, último clic o mixta.
Por último, las señales indirectas. Un aumento inexplicado del tráfico de marca y directo sigue la misma lógica que el caso declarativo. Analiza a diario las transcripciones de tu equipo comercial para detectar a los prospectos que citan un LLM como fuente, una pequeña automatización basta. Y vigila los estudios declarativos, públicos o de pago, sobre cómo busca la gente: siempre reveladores.
| Señal | Qué capta | Su límite |
|---|---|---|
| Declarativo | El canal real por el que los prospectos te conocieron | Depende de la memoria y sinceridad del encuestado |
| Analítica (GA4) | Los clics directos desde las respuestas de los LLM | Ciega a la recomendación seguida de una búsqueda de marca |
| Señales indirectas | Tráfico de marca, transcripciones comerciales, estudios | Correlaciones, nunca pruebas por sí solas |
Reunirlo todo
El último eslabón es el más simple: reúne todos los datos en un solo lugar y encarga a Claude un análisis semanal, con un breve resumen de la evolución de las tendencias entregado en un mensaje de Slack. La medición solo vale si alguien la lee cada semana.
En 2026, el impacto de los LLM en la generación de leads no se lee en ningún panel prefabricado. Se reconstruye, indicador de presencia tras indicador de resultados, hasta que las dos curvas cuentan la misma historia.
Preguntas frecuentes
Más análisis sobre medición y búsqueda generativa disponibles en el diario.