Las IA discrepan en el 23 % de las preguntas

En síntesis. Analizamos 617 preguntas procedentes de auditorías reales, planteadas a 4,3 modelos de media. El 23 % de las preguntas presentó un desacuerdo de presencia: al menos un modelo mencionó la marca y al menos otro no. Las marcas eligieron someterse a una auditoría, por lo que la muestra no representa a todas las marcas. El resultado describe diferencias observadas, no su causa ni la veracidad de cada respuesta.

Qué mide exactamente el 23 %

El cálculo se centra en un acontecimiento preciso: la aparición de una marca en el texto de una respuesta. Para cada pregunta, comprobamos por separado el resultado de cada modelo consultado. Hay desacuerdo cuando al menos uno menciona la marca y al menos otro no lo hace. El 23 % corresponde, por tanto, a la proporción de las 617 preguntas que cumple esta condición. La unidad contada es la pregunta, no una respuesta individual ni una marca.

Esta definición es deliberadamente estrecha. No evalúa la calidad general, el tono, la extensión, la posición de una recomendación ni la exactitud de todas las afirmaciones. Un modelo puede citar una empresa de forma prudente, incorrecta o fuera de contexto. Otro puede omitirla y ofrecer, aun así, una respuesta útil. Presencia y calidad son dimensiones diferentes: la primera puede registrarse de manera sistemática, mientras que las demás exigen una lectura y unas comprobaciones específicas.

Por qué un solo modelo ofrece una medida parcial

Un modelo no funciona como un canal perfectamente intercambiable con otro. Al formular una pregunta a un único sistema, obtenemos una observación bajo condiciones concretas: ese modelo, ese momento, ese modo de respuesta y esa redacción. Si otro sistema no menciona la marca, el primer resultado no se vuelve falso por ese motivo. Lo que cambia es la condición en la que se observa la presencia, y ambos resultados deben conservarse con su contexto.

Una captura aislada puede servir como señal para iniciar una revisión, pero resulta insuficiente para sostener una conclusión general. Para comparar situaciones, conviene mantener las mismas preguntas y anotar qué modelo respondió cada una. También importa distinguir una diferencia entre modelos de una diferencia entre fechas o formas de formular la consulta. Sin esas referencias, dos resultados aparentemente contradictorios pueden describir simplemente dos pruebas que no eran equivalentes.

Mecanismos plausibles que no establecen una causa

Varios mecanismos podrían contribuir a respuestas diferentes. Entre ellos figuran corpus distintos, fechas de actualización diferentes, reglas de respuesta, selección de fuentes, formulación de la pregunta y disponibilidad de búsqueda web. Esta enumeración presenta hipótesis plausibles, no explicaciones confirmadas. Las 617 preguntas permiten medir la frecuencia del desacuerdo definido, pero no aislar una causa única ni vincular cada diferencia con una decisión concreta de un proveedor.

Una omisión en una respuesta no demuestra una ausencia general; una mención aislada tampoco demuestra una presencia estable.

Búsqueda web y modo nativo son contextos distintos

Fuente: nuestro Barómetro 2026, con datos recogidos entre septiembre de 2025 y junio de 2026. La tabla corresponde al subgrupo de 63 auditorías que midieron ambos modos, no a las 617 preguntas de este estudio ni a la edición actual del Observatorio.

Condición de respuestaPuntuación media de visibilidad (/100)Auditorías comparadas
Nativo, sin búsqueda web63,463
Con búsqueda web70,563
Diferencia web menos nativo7,163

La diferencia es de 7,1 puntos de puntuación, no de un 7,1 % de presencia. No es un promedio aplicable a todas las marcas. El modo nativo mide una respuesta sin recuperación web externa activada, no la inclusión demostrada de una marca en los datos de entrenamiento.

Cómo examinar las fuentes sin sobreinterpretarlas

Las respuestas pueden apoyarse en señales y fuentes diferentes. Nuestro estudio sobre fuentes recoge familias observadas en auditorías independientes y ayuda a orientar comprobaciones. Por ejemplo, permite plantearse si la información publicada por la marca y por terceros es coherente. Esa revisión puede detectar puntos que conviene aclarar, pero no establece por sí sola el recorrido causal de una afirmación ni explica todas las menciones o ausencias del presente análisis.

Una URL que no se resuelve nunca debe tomarse como prueba de que una información fue inventada. La página pudo moverse, la dirección puede redirigir, el acceso puede estar restringido, puede existir un incidente temporal o pudo cometerse un error de transcripción. La conducta adecuada es conservar la URL, comprobar su estado y leer la afirmación en su contexto. Solo después de esas verificaciones cabe formular una conclusión sobre un elemento efectivamente comprobado.

Cómo documentar una auditoría multimodelo

Para que una comparación sea reutilizable, cada registro debe conservar la pregunta exacta, el idioma, el modelo, el modo de respuesta, la fecha de recogida, el texto íntegro y el resultado de presencia. Cuando se muestran fuentes, también conviene guardarlas como parte de la observación, sin presentarlas como prueba de causalidad. Esta ficha permite volver del porcentaje agregado a los casos concretos que lo componen y revisar qué se comparó realmente.

  • Agrupe las preguntas según su intención: una recomendación, una comparación y una necesidad concreta no son intercambiables.
  • Conserve la misma formulación cuando el objetivo sea seguir una variación, en lugar de reescribir la consulta en cada medición.
  • Lea las respuestas antes de resumir una tasa, especialmente en los casos en que los modelos no coinciden sobre la presencia.
  • Separe en la interpretación la presencia, la exactitud, el tono y las fuentes, porque requieren comprobaciones diferentes.

Conserve también los parámetros disponibles y las fuentes tal como se mostraron al recoger las respuestas. Otra persona debe poder entender por qué dos respuestas recibieron etiquetas de presencia distintas. Una casilla no conserva las reservas ni el contexto: guarde el texto íntegro.

Cómo leer el 23 % en el nivel correcto

Además, un promedio global puede ocultar una distribución desigual. Algunas marcas o algunos tipos de pregunta podrían concentrar las diferencias, mientras otros permanecen estables en las respuestas recogidas. La tasa del 23 % no permite determinar esa distribución por sí misma. Para conocerla, hay que volver a los datos detallados y examinar los grupos sin cambiar retrospectivamente la definición del indicador.

Qué decisiones puede orientar esta medida

Nuestra opinión: una auditoría de un solo modelo es insuficiente para concluir sobre la visibilidad entre modelos. El 23 % de preguntas con desacuerdo justifica esta posición, pero no impone un número universal de modelos. Una captura favorable no valida el panorama completo.

Empiece por las preguntas comerciales relevantes para la marca. Repita la formulación exacta en varios modelos, separe los modos nativo y web y revise primero los casos divergentes. En cada caso, anote qué falta, qué es incorrecto y qué puede corregir la marca con una fuente verificable. Es nuestra recomendación de trabajo, no un efecto medido por este estudio.

Cómo seguir cambios sin fabricar una tendencia

Los modelos y sus respuestas cambian con el tiempo. Repetir un conjunto de preguntas puede ayudar a comparar observaciones, siempre que no se modifiquen simultáneamente la pregunta, el idioma, el modelo y el modo. Si varían varias condiciones a la vez, la diferencia sigue siendo visible, pero resulta difícil saber a qué corresponde. La trazabilidad de cada recogida aporta más valor interpretativo que un gráfico reducido a una sola curva.

Un seguimiento no garantiza una trayectoria ni convierte dos puntos en una tendencia consolidada. Puede observarse una subida o una bajada sin que ello demuestre automáticamente el efecto de una acción reciente. Para relacionar un cambio con una hipótesis, primero hay que registrar las modificaciones realizadas, conservar las respuestas y comprobar que el perímetro comparado sea coherente. La observación y su explicación deben permanecer claramente diferenciadas.

Límites que deben permanecer visibles

Las 617 preguntas proceden de marcas que eligieron ser auditadas. Esta participación voluntaria introduce un límite de selección: la muestra no es representativa de todas las marcas. La media de 4,3 modelos describe las condiciones de esta recogida y no constituye una norma para otros estudios. Asimismo, el desacuerdo se refiere únicamente a la presencia de la marca, no a todas las dimensiones de una respuesta.

Conclusión: casos y distribuciones antes que consignas

Nuestra prioridad es hacer verificables los desacuerdos antes de iniciar correcciones. Conserve el caso, identifique la información que debe comprobar y repita la comparación con condiciones documentadas. Esto resulta más útil que una puntuación aislada para decidir qué investigar.

Para ampliar el contexto, consulte el Barómetro 2026, el estudio sobre las fuentes citadas por las IA, la metodología AGS, el Observatorio y la guía para auditar la visibilidad de una marca. Estos recursos ayudan a documentar las observaciones sin convertir una cifra agregada en una explicación causal.

Preguntas y respuestas

¿Dan las distintas IA la misma respuesta sobre una marca?

No. En 617 preguntas hechas a varios modelos, en el 23 % de los casos al menos un modelo cita la marca y otro no. La presencia en las IA depende del modelo consultado.

¿Por qué ChatGPT, Gemini y Claude no coinciden sobre mi marca?

Porque tienen memorias de entrenamiento congeladas en fechas distintas, algunos navegan por la web y otros no, y no se apoyan en las mismas fuentes (LinkedIn, Wikipedia, reseñas, registros).

¿Basta una auditoría solo en ChatGPT?

No: mide una realidad de cuatro. Tus clientes también usan Gemini, Claude o Perplexity. Una auditoría fiable consulta varios modelos y razona en distribución, con intervalos de confianza.

¿Cómo miden este desacuerdo?

Para cada pregunta hecha al menos a dos modelos, detectamos si la marca aparece realmente en cada respuesta, y luego contamos las preguntas donde los modelos divergen (uno cita, otro no).

Sobre el autor

Davy Abderrahman

Fundador de

Como especialista en visibilidad en las respuestas de IA (AEO/GEO/LLMO), ayudo a agencias y consultores a medir y analizar la presencia de sus clientes en ChatGPT, Claude, Gemini, Perplexity y otros motores de respuesta de IA.

AEO GEO LLMO Visibilidad en IA Auditorías de IA
¿Cómo aparecen sus marcas en las respuestas de la IA?

Agencias, consultores y equipos internos: comparen las respuestas de sus propios escenarios, idiomas y modelos seleccionados. Nuestra infraestructura, sus escenarios, su experiencia.

¿Te ha sido útil este artículo?

- (0 votes)