Diagnostique los puntos ciegos de visibilidad según los modelos de IA

Una marca puede estar recomendada por un motor de IA y ausente en otro ante la misma pregunta, y un porcentaje por proveedor no puede explicar por qué. Este flujo de trabajo reduce esa brecha a las respuestas y citaciones que la sostienen, y nombra después el tratamiento que respaldan las pruebas.

El problema GEO que resuelve

Se encarga contenido para el motor más débil antes de que nadie compruebe que ambos lados se midieron igual. Un proveedor monitorizado sobre menos prompts parece más débil por razones ajenas a la visibilidad, y el nombre de un proveedor abarca toda una familia de modelos, así que una brecha atribuida a un motor entero suele concentrarse en un solo modelo.

Una respuesta completada que nunca nombra la marca es una ausencia observada, no la prueba de que el motor le ignore; una celda null es una prueba que falta, y mezclar ambas cosas produce una clasificación artificial.

Las etapas del flujo de trabajo

1. Establezca la referencia por proveedor. list_brands resuelve el brandId exacto; get_provider_breakdown devuelve el volumen de respuestas, las menciones y la tasa de visibilidad de cada proveedor en un periodo relativo o personalizado, con filtros opcionales de tema, etiqueta y etapa del embudo, hasta diez proveedores. Cero respuestas en un proveedor es una carencia de cobertura, no un resultado de visibilidad.

2. Compare los denominadores y baje después a los prompts. get_brand_performance toma un proveedor y un periodo explícito, y devuelve los numeradores y denominadores de scoreDetails junto con promptsCount y responsesTotal; su mentionRate y el visibilityRate del desglose dividen entre poblaciones distintas. get_matrix, con granularidad de prompts, da después una fila por prompt y una celda por proveedor, con un tope de 50 filas.

3. Reconstruya las pruebas de las respuestas. get_prompt_answers lista cada respuesta con su modelId, su fecha y su indicador de mención; get_answer_details abre el texto, los competidores y las fuentes, y las respuestas solo se emparejan cuando sus fechas son comparables.

4. Separe los hechos de las hipótesis. Una fila por explicación: el hecho citando los nombres de campo devueltos, la hipótesis, las pruebas a favor y en contra, el nivel de confianza y una nueva prueba capaz de refutarla.

Qué devuelve realmente una ejecución

Una rejilla real de temas, con cinco proveedores: en «llm performance analytics» un motor obtuvo 16 con un puesto 6 de 19, mientras que otros dos devolvieron 0 sobre el mismo tema y en el mismo periodo. En «ai brand monitoring» el mismo motor obtuvo 13 y otro 0, con la marca situada en el puesto 43 de 89 y 70 de 91 respectivamente.

Esa es la forma que adopta un punto ciego, y la razón por la que una única cifra de visibilidad lo oculta: mismo contenido, mismas preguntas, misma semana, y un motor recurre a la marca mientras dos no lo hacen nunca. El puesto importa más que la puntuación. 6 de 19 frente a 70 de 91 no es una carencia de contenido, son dos entornos competitivos distintos, y cada uno requiere un tratamiento diferente.

Cómo aprovechar los resultados

Una fila con una celda null en cualquiera de los dos lados es un fallo de medición, no un diagnóstico: pasa a la cola de calidad de los datos, sea cual sea su magnitud.

El resto se reparte por categoría, y los tratamientos no son intercambiables. La cobertura corresponde a la monitorización: observar el proveedor débil sobre el mismo conjunto de prompts. La distribución de modelos exige rehacer el mismo análisis por identificador de modelo, porque un plan a escala de familia resulta inadecuado cuando el punto ciego está en un solo modelo. Las pruebas de citación identifican los dominios que el motor débil citó en su lugar: el trabajo consiste en estar presente allí. Una brecha competitiva significa que un rival ocupa las primeras posiciones, lo que exige una comparación con él. La adecuación del prompt significa que los motores interpretan la pregunta de forma distinta, así que el objetivo es el tema que hay detrás.

Trabájelos en ese orden, empezando por la cobertura: una corrección de medición puede cerrar una brecha sin coste de contenido. La variación temporal y un mecanismo sin explicar solo reciben una fecha de nueva medición. Entre dos candidatos de una misma categoría, elija el prompt con más respuestas comparables a ambos lados.

El prompt completo

Quiero diagnosticar por qué mi marca es visible en unos proveedores de IA y está ausente en otros, y salir con el tratamiento que respalden las pruebas. Resuelve mis marcas con list_brands, pregunta cuál usar si hay varias y reutiliza después ese brandId. Utiliza los últimos 28 días en cada llamada agregada.

1. Llama a get_provider_breakdown y devuelve cada fila de proveedor con totalAnswers y visibilityRate, señalando los volúmenes desiguales. Si solo se devuelve un proveedor, detente e informa de una carencia de monitorización.
2. Llama a get_brand_performance para el proveedor comparable más fuerte y el más débil, comparando los denominadores de scoreDetails y la metodología. No interpretes nunca scores.mentionRate como intercambiable con visibilityRate.
3. Llama a get_matrix con granularity "prompts" y limit 50, conservando el id de cada fila y los campos provider, score y topCompetitor de cada celda. Si no devuelve ninguna fila, pagina get_prompts y selecciona el grupo a mano.
4. Separa las filas en candidatas verificadas (mismo prompt, celdas no null en ambos lados) y candidatas de calidad de datos (celdas null, proveedor ausente, escaso solapamiento de fechas). Si todas las filas son de calidad de datos, entrega esa lista y detente.
5. Toma hasta cinco prompts verificados, llama a get_prompt_answers en cada uno y conserva provider, modelId, createdAt y brandMentioned. Un prompt sin respuestas en un lado es por sí mismo el hallazgo de cobertura: regístralo, no lo emparejes. Empareja solo fechas comparables.
6. Para cada pareja llama a get_answer_details en ambas respuestas, conservando la respuesta, los competidores con su posición y las fuentes citadas. Una respuesta sin fuentes solo es prueba sobre esa respuesta.
7. Construye el registro: hecho citando los nombres de campo devueltos, hipótesis, pruebas a favor y en contra, nivel de confianza, nueva prueba capaz de refutarla. Clasifica cada explicación como cobertura, distribución de modelos, adecuación del prompt, competencia o pruebas de citación, variación temporal o mecanismo sin explicar.
8. Da a cada hipótesis respaldada el tratamiento de su categoría: la cobertura a mi configuración de monitorización, la distribución de modelos a un nuevo análisis por modelId, las pruebas de citación a los dominios que el motor débil citó en mi lugar, la competencia a una comparación con ese rival, la adecuación del prompt al tema que hay detrás. La variación temporal y un mecanismo sin explicar reciben únicamente una fecha de nueva medición. Mantén ese orden y resuelve los empates por el mayor número de respuestas comparables. Si no hay ninguna hipótesis respaldada, dame la cola de calidad de los datos.
9. Cierra con una ficha de nueva prueba que fije los identificadores de prompts, los modelIds y los identificadores y fechas de las respuestas de referencia. Pregunta después qué proveedores usan mis compradores: un punto ciego en un motor que mi mercado ignora es una nota, no un proyecto.