Comprueba la visibilidad de tu empresa en la IA
Gratis, sin tarjeta de crédito.
Principales resultados de la investigación de Semly
La visibilidad de una marca en la IA debe estudiarse en relación con las necesidades de quien pregunta y con el desarrollo de su conversación con el modelo. Que una marca aparezca en una respuesta general no demuestra todavía que el sistema la recomiende a alguien para quien su oferta sea adecuada. En el método de Semly, Leon adopta el papel de un usuario definido por una persona y construye contexto en la conversación antes de plantear la pregunta de compra objetivo.
En Semly desarrollamos este enfoque con el agente de IA Leon. Durante seis meses investigamos y experimentamos con consultas a ChatGPT y Gemini. El conjunto de datos facilitado para el informe incluye 1,2 millones de consultas, 24 registros agregados y 12 pares de comparación. El análisis comprende seis cohortes y dos enfoques de preparación de contenidos: sin persona y con persona.
El tiempo medio para alcanzar el mismo objetivo de visibilidad fue de 100 días sin persona y 70 días con persona. Esto supone una reducción del 30%, o 30 días de media. La relevancia del contenido pasó del 61,5% al 77,5% - 16 puntos porcentuales más. La diferencia sigue la misma dirección en ambos sistemas.
Los resultados respaldan el uso de personas para planificar contenidos y analizar la visibilidad. Permiten elaborar un briefing más concreto: para quién se crea el material, qué criterios de elección debe explicar y qué objeciones debe responder. La repetibilidad de las respuestas y el efecto sobre la conversión requieren indicadores independientes; este conjunto de datos no permite cuantificar esos efectos.
| Información | Valor | Base |
|---|---|---|
| Alcance del trabajo | Seis meses, ChatGPT y Gemini | Descripción de la investigación de Semly |
| Consultas del conjunto de datos | 1 200 000 | Suma de los contadores al inicio y al final de la medición |
| Estructura de comparación | 24 registros, 12 pares | 6 cohortes × 2 sistemas × 2 enfoques |
| Tiempo medio hasta el objetivo | 100 frente a 70 días | Reducción del 30% |
| Relevancia del contenido | 61,5% frente a 77,5% | 16 puntos porcentuales; 1200 evaluaciones por enfoque |
| Repetibilidad y conversión | Sin indicador numérico en los datos | Ámbitos de evaluación independientes |
Por qué una pregunta no basta para describir las necesidades del cliente
La pregunta «¿Dónde puedo comprar zapatillas cómodas para correr?» no especifica la superficie, la experiencia, el presupuesto ni el uso previsto. La recomendación puede abarcar una categoría amplia de productos, mientras que la marca necesita saber si llega a alguien que corre por ocio en el bosque, a un principiante en asfalto o a un corredor de competición.
La información «Corro por ocio principalmente por senderos forestales y busco zapatillas para entrenamientos cortos» delimita la situación. En el enfoque de Semly, Leon puede introducir este contexto al iniciar la conversación y pasar a la pregunta objetivo después de interpretar la respuesta. La necesidad principal de compra se mantiene, pero las condiciones de medición incluyen la persona, la intención y los mensajes anteriores. Esto importa al interpretar aumentos o descensos de visibilidad.
La persona define el papel y el escenario del usuario que Leon emplea al conversar con el modelo. El agente construye su propio contexto en la conversación, acercando la investigación al uso humano de un chat. No reconstruye el historial de un usuario real concreto. Conviene partir de necesidades y limitaciones relacionadas con el producto. La edad, el género y otras características demográficas deben estar justificadas por el escenario estudiado.
Las directrices oficiales de OpenAI y Google indican que el contexto relevante ayuda a definir la tarea y sus restricciones [1][2]. Esto sirve de base para diseñar consultas.
Cómo el agente de IA Leon conecta el conocimiento de la marca con el contexto del usuario
Leon crea personas a partir del conocimiento de la marca, sus productos, servicios y contenidos existentes. Después actúa en la investigación como un usuario que corresponde al perfil elegido. Inicia una conversación, se presenta al modelo e interpreta su respuesta. Con esa información reconoce cuándo puede plantear el prompt objetivo con contexto e intención. El resultado responde a una pregunta práctica: ¿la IA incluye la marca en la conversación de alguien cuyas necesidades encajan con la oferta?
Esta función de Leon conecta la monitorización con la planificación de contenidos. Las respuestas permiten identificar criterios de elección, objeciones e información utilizada por el modelo para justificar recomendaciones. Si la web de la marca carece de datos para un escenario concreto, el análisis puede dar lugar a un briefing para completar el contenido.
Leon conversa en el papel del usuario
La investigación de Leon sigue el desarrollo de una conversación. Primero, el agente se presenta al modelo como el usuario estudiado, según la persona seleccionada. Así introduce su situación y necesidades. Tras recibir la respuesta, la lee y la interpreta en relación con el objetivo de la conversación.
Interpretar la respuesta forma parte del funcionamiento del agente. Leon evalúa si ya puede pasar a la pregunta objetivo. El momento depende del desarrollo de la conversación y de la respuesta recibida. El prompt objetivo contiene el contexto y la intención del usuario y se plantea cuando el modelo ya dispone de información previa sobre él.
Esta forma de consultar se acerca al uso humano de un chat. El usuario presenta su situación, lee la respuesta y formula la siguiente pregunta a partir de ella. Leon asume ese papel en la investigación, lo que permite analizar la recomendación de la marca dentro de una conversación que evoluciona.
La intención define qué decisión quiere tomar el usuario. En el ejemplo de running, el contexto puede ser correr por ocio en senderos forestales y la intención, elegir y comprar zapatillas adecuadas. Leon solicita una recomendación después de interpretar la respuesta anterior y determinar que puede plantear la pregunta objetivo.
Todo el historial de la conversación resulta relevante para interpretar el resultado. El mismo texto de la pregunta final puede generar respuestas distintas si los mensajes anteriores introducen necesidades diferentes. Por tanto, la investigación debe identificar tanto el prompt objetivo como la conversación en la que se planteó.
La descripción del proceso explica el papel de Leon y la aproximación a una interacción de chat. Sin embargo, los agregados facilitados no aíslan el efecto de presentarse, interpretar la respuesta o elegir el momento de preguntar. No atribuimos por separado los resultados del 30% y de 16 puntos porcentuales a ninguna de esas etapas.
| Etapa de la conversación | Acción de Leon | Importancia para la investigación |
|---|---|---|
| Presentación | Adopta el papel del usuario según la persona e inicia la conversación | Introduce la situación y las necesidades |
| Respuesta del modelo | Recibe e interpreta la respuesta | Considera el desarrollo de la conversación |
| Decisión sobre la siguiente pregunta | Reconoce cuándo puede plantear el prompt objetivo | Adapta el momento a la respuesta |
| Prompt con intención | Plantea la pregunta objetivo con contexto e intención en esa conversación | Permite evaluar la recomendación en el contexto del usuario |
Qué significa reducir el tiempo un 30%
El conjunto de datos establece un nivel inicial común de visibilidad del 20% y un objetivo común del 40%. La visibilidad se define como el número de respuestas que recomiendan la marca dividido entre el número de consultas. Esto representa un aumento de 20 puntos porcentuales. Los enfoques describen la preparación de contenidos; los resultados se evalúan frente al mismo objetivo y panel de preguntas, según los supuestos del conjunto de datos.
El tiempo medio hasta el objetivo es de 100 días sin persona y 70 días con persona. La reducción se calcula como (100 - 70) / 100 × 100%, es decir, un 30%. La diferencia es de 30 días. La formulación precisa es «un 30% menos de tiempo para alcanzar el mismo objetivo».
Para el equipo que desarrolla la visibilidad, esto puede suponer un ciclo más corto entre identificar necesidades y lograr el resultado previsto. La interpretación operativa importa: un contenido mejor orientado puede reducir sucesivas revisiones. Sin embargo, los datos no aíslan el tiempo de trabajo editorial ni las causas individuales de la diferencia; no atribuimos todo el efecto exclusivamente a la automatización de Leon.
Los datos incluyen el nivel inicial, el final y el tiempo hasta el objetivo, sin una serie diaria de visibilidad. El gráfico muestra, por tanto, el tiempo necesario para alcanzar un resultado común. No dibujamos una curva que sugiera una acumulación uniforme del efecto.
Gráfico 1. Tiempo medio hasta el objetivo común del 40% de visibilidad: 100 y 70 días. Base: 12 pares comparativos en los datos de Semly. Diferencia: 30 días, una reducción del 30%.
La relevancia del contenido y la precisión de las respuestas son medidas distintas
La relevancia del contenido es la proporción de materiales evaluados que se consideran adecuados para las necesidades de la persona. Cada registro contiene 100 evaluaciones. Sin persona hay 738 contenidos relevantes de 1200 evaluados; con persona, 930 de 1200. Esto equivale al 61,5% y al 77,5%, respectivamente.
La diferencia es de 16 puntos porcentuales. El aumento relativo respecto al 61,5% inicial es de aproximadamente el 26,0%. Son dos formas de describir los mismos datos, pero no la misma unidad. La medida principal en el texto y el gráfico sigue siendo la diferencia en puntos porcentuales.
La relevancia del contenido no equivale a la veracidad de la respuesta del modelo. Una respuesta puede encajar con las necesidades del usuario y contener un parámetro incorrecto del producto. La precisión debe evaluarse por separado: ¿el modelo contempla los requisitos, la recomendación es adecuada y las fuentes respaldan la información?
El 77,5% indica una mayor proporción de materiales que responden a las necesidades del usuario en el enfoque con persona. Permite hablar de una selección de contenidos más relevante dentro de este conjunto de datos. Al disponer solo de agregados, sin evaluaciones individuales ni una rúbrica detallada, el informe no declara significación estadística ni equipara relevancia con corrección factual de todas las respuestas de IA.
Gráfico 2. Relevancia del contenido: 61,5% y 77,5%, una diferencia de 16 puntos porcentuales. Base: 1200 evaluaciones por enfoque en los datos de Semly. El indicador describe la adecuación a las necesidades de la persona; no es una tasa de conversión.
Resultados de ChatGPT y Gemini
Para ChatGPT, el tiempo medio hasta el objetivo es de 95 días sin persona y 66,5 días con persona. Para Gemini es de 105 y 73,5 días. En ambos sistemas supone una reducción del 30%. La comparación muestra la misma dirección de la diferencia en los grupos analizados.
La relevancia del contenido en ChatGPT es del 60,5% sin persona y del 76,5% con persona. En Gemini es del 62,5% y del 78,5%. En cada sistema la diferencia es de 16 puntos porcentuales. Cada combinación de sistema y enfoque incluye 600 evaluaciones de contenido.
Separar los resultados por sistema permite comprobar si la media agregada oculta resultados distintos. En estos datos, las diferencias entre enfoques son consistentes en ChatGPT y Gemini. Esto no constituye una clasificación de la calidad de los modelos: el tiempo y la relevancia describen las acciones y contenidos analizados.
En la práctica conviene mantener perfiles de visibilidad independientes para cada sistema. Los mismos contenidos y necesidades pueden presentarse de distinta forma. Las recomendaciones de Leon pueden entonces evaluarse para un sistema y un escenario concretos, sin reducir toda la presencia de una marca a una sola cifra.
Gráfico 3. Tiempo medio hasta el objetivo común en ChatGPT y Gemini. Base: 6 pares comparativos por sistema, datos de Semly. El resultado describe los enfoques analizados, no una clasificación de calidad de los modelos.
| Sistema de IA | Tiempo sin / con persona | Relevancia sin / con persona |
|---|---|---|
| ChatGPT | 95 / 66,5 días | 60,5% / 76,5% |
| Gemini | 105 / 73,5 días | 62,5% / 78,5% |
Resultados de las seis cohortes
El conjunto incluye las cohortes M1-M6. El tiempo medio hasta el objetivo, calculado en cada cohorte para ambos sistemas, es de 75, 85, 95, 105, 115 y 125 días sin persona. Con persona es de 52,5, 59,5, 66,5, 73,5, 80,5 y 87,5 días.
La diferencia es visible tanto en plazos cortos como largos. En M1 es de 22,5 días y en M6 de 37,5 días. En todos los pares facilitados, el tiempo con persona equivale al 70% del tiempo sin persona. Mostramos esta relación constante explícitamente; no la tratamos como una medida de repetibilidad de las respuestas.
M1-M6 son cohortes, no seis lecturas sucesivas de visibilidad de una marca. Los tiempos crecientes no deben interpretarse como una pérdida de eficacia en meses sucesivos. Analizar estacionalidad y cambios temporales requiere fechas de calendario y mediciones diarias o semanales.
Una evaluación completa del tiempo hasta el objetivo también debería informar de los casos que no alcanzaron el umbral antes de terminar la observación. Los datos facilitados no identifican esos casos por separado. Conviene contemplarlos al diseñar futuros análisis.
Gráfico 4. Tiempo hasta el objetivo en seis cohortes, media de dos sistemas, datos de Semly. M1-M6 no constituyen una serie mensual de visibilidad de una sola marca.
La misma pregunta para varias personas
En Semly también estudiamos la misma pregunta base para varias personas. Leon adopta el papel de un usuario de cada perfil y conversa antes de plantear la pregunta objetivo. Esto permite reconocer cómo las necesidades, la intención y el contexto previo influyen en las recomendaciones y en la información útil para comprar. Para zapatillas de running pueden compararse un principiante en asfalto, alguien que corre por ocio en el bosque y un usuario de entrenamientos largos en terreno natural. La siguiente matriz ilustra el método; no transcribe respuestas del estudio.
En cada respuesta conviene registrar las marcas recomendadas, los argumentos de elección, los requisitos técnicos, las objeciones y las URL citadas. El conjunto muestra qué información se repite entre escenarios y cuál responde a una necesidad específica. Así, el briefing puede incluir un núcleo común y secciones adicionales para las diferencias.
Semly utiliza estas observaciones como base para recomendaciones de contenido más relevantes. Sin embargo, los datos facilitados no incluyen identificadores de personas, prompts completos ni respuestas de los modelos. Por ello, el informe no atribuye un efecto numérico a una persona concreta ni clasifica las marcas que recomienda.
| Escenario ilustrativo | Preguntas para analizar la respuesta | Posible contenido |
|---|---|---|
| Principiante, rutas cortas en asfalto | ¿Se mencionan comodidad y ajuste? | Elección del primer par, talla y uso |
| Running recreativo en senderos forestales | ¿La respuesta contempla la superficie y el agarre? | Condiciones del terreno y comparación de suelas |
| Entrenamientos más largos en terreno natural | ¿Qué restricciones y especificaciones señala el modelo? | Comparación de opciones para esfuerzos prolongados |
Cómo convertir las respuestas de varias personas en un briefing de contenido
La conversación puede aportar información para el briefing antes de la recomendación final. Una respuesta previa puede revelar criterios que necesitan explicación, y la pregunta objetivo de Leon los vincula con la intención del usuario. Analizar todo el diálogo ayuda a identificar contenidos útiles en las distintas etapas de decisión.
Primero deben separarse los criterios de elección de los nombres de marca. Una lista de empresas recomendadas no explica por qué aparecen. Para la redacción resulta más útil saber que un usuario necesita comparar usos, entender la compatibilidad o conocer claramente las condiciones de devolución.
Después se comparan esas necesidades con los materiales de la marca. La falta de una respuesta importante puede justificar actualizar una página existente. Las diferencias entre grupos pueden justificar una sección o comparación específica. La decisión debe basarse en la utilidad para las personas, no en multiplicar páginas mecánicamente para cada persona.
Un briefing puede incluir el escenario del usuario, la decisión que debe tomar, los criterios principales, datos verificables del producto, objeciones y fuentes. Si el análisis trata de senderos forestales, el material debe explicar el uso y las limitaciones del producto.
Un contenido preparado así puede ser más relevante para quien llega desde una respuesta de IA. Esto fundamenta la hipótesis de una mejor conversión, pero confirmarla requiere comparar el comportamiento de los usuarios y los resultados de venta después de la implementación.
La repetibilidad requiere mediciones repetidas
Una descripción estable de la persona y reglas de conversación consistentes facilitan comparar mediciones. Como Leon interpreta la respuesta antes de preguntar, también deben controlarse el historial y las reglas de esa decisión. La repetibilidad del proceso y la concordancia entre respuestas finales deben medirse por separado.
En la prueba propuesta deben mantenerse la versión del modelo, el modo de búsqueda, el idioma, la ubicación y las reglas de inicio de sesión. Conviene comparar conversaciones completas con la misma persona y objetivo, y respuestas con un contexto reconstruido de forma idéntica. La primera comparación evalúa la variación del proceso completo; la segunda, la de la respuesta final. Los paneles base y con personas deben ejecutarse en paralelo.
Pueden medirse la estabilidad de la presencia de marca, la concordancia entre conjuntos de marcas recomendadas y la coincidencia de fuentes citadas. Para dos conjuntos A y B, una medida sencilla es la proporción de marcas comunes dentro del conjunto de todas las marcas de ambas respuestas. Si ambos conjuntos están vacíos, hace falta una regla específica de presentación.
La repetibilidad dentro de una persona y las diferencias entre personas responden a preguntas distintas. Las recomendaciones estables para un perfil pueden coexistir con diferencias claras entre perfiles. Las descripciones estructuradas de Leon permiten mantener condiciones de consulta más consistentes. Como los datos no miden la concordancia entre respuestas sucesivas, no cuantificamos la mejora de repetibilidad.
Cómo verificar el efecto sobre la conversión
La medición de negocio debe separar la presencia de la marca en la respuesta, la cita de su web, la visita al sitio y la realización de una acción. Cada etapa necesita su propio indicador. El número de recomendaciones no equivale al de visitas, ni este al de compras.
Tras implementar el contenido conviene seguir las sesiones de fuentes de IA identificables, la interacción, las solicitudes comerciales, las transacciones y los ingresos. Parte del tráfico puede carecer de una fuente inequívoca, por lo que debe describirse el alcance de las sesiones identificadas. La tasa de conversión necesita un denominador claro, por ejemplo sesiones cualificadas.
Comparar páginas o grupos de contenidos similares con una definición de conversión y una ventana de observación consistentes mejora la evaluación. Hay que registrar otros cambios, como promociones, precios, disponibilidad y campañas. De lo contrario, el aumento de ventas podría atribuirse erróneamente a la estrategia de contenidos.
El informe plantea una hipótesis concreta: los contenidos vinculados a necesidades reales pueden ayudar a decidir. La magnitud del efecto en ventas queda por medir. La hoja de cálculo no contiene sesiones, leads ni transacciones.
Qué implica cambiar la metodología para el resultado de visibilidad
Introducir personas y conversaciones guiadas por Leon cambia las condiciones de consulta. La respuesta al prompt objetivo también considera los mensajes anteriores. El resultado puede subir si la marca responde mejor a las necesidades descritas o bajar si el sistema elige otra oferta. Las comparaciones deben considerar tanto la pregunta como la preparación del contexto conversacional.
La opción más transparente es mostrar juntos los resultados del panel base y del panel con personas. Si se necesita una media conjunta, el peso de cada persona debe basarse en supuestos explícitos sobre la audiencia. Los pesos iguales son una opción analítica sencilla, pero no demuestran que cada grupo represente la misma proporción de la demanda real.
La adecuación a las necesidades también importa al seleccionar personas. Un perfil construido solo desde la oferta puede omitir barreras de compra o situaciones en las que el producto no encaja. Conviene incluir escenarios exigentes y no limitar el panel a usuarios a los que sea fácil recomendar la marca.
Resumen del informe
La investigación de Semly muestra que las personas ayudan a adecuar los contenidos a las necesidades del usuario y a reducir el tiempo de desarrollo de visibilidad en la IA. En los datos analizados, el tiempo medio hasta el objetivo común fue de 100 días sin persona y 70 días con persona - un 30% menos. La relevancia del contenido aumentó del 61,5% al 77,5%, es decir, 16 puntos porcentuales. La diferencia siguió la misma dirección en ChatGPT y Gemini.
Leon da a este enfoque una forma conversacional. Actúa como usuario: se presenta según la persona, interpreta la respuesta y reconoce cuándo plantear la pregunta objetivo con contexto e intención. Así, Semly analiza recomendaciones en condiciones más cercanas al uso humano de un chat.
Consultar la misma pregunta base con varias personas permite identificar criterios de elección, objeciones y necesidades informativas distintos. Estas observaciones pueden dar lugar a briefings, comparaciones y materiales más concretos que ayuden a decidir. La mayor relevancia respalda este enfoque; el efecto sobre la conversión requiere medir por separado comportamiento y resultados de negocio.
Personas y reglas de conversación consistentes crean una base para una monitorización comparable. Sin embargo, la repetibilidad de las respuestas debe evaluarse en mediciones posteriores que tengan en cuenta el historial y las condiciones de consulta. Los resultados no cuantifican una mejora de repetibilidad ni un aumento de conversión.
La conclusión práctica para las marcas es clara: estudiar a quién y en qué situación recomienda la IA una oferta y utilizar esa información para desarrollar contenidos. Semly conecta así la monitorización de visibilidad con la investigación sobre contexto, intención y recomendaciones de los modelos.
Fuentes
Material de Semly: «Más de un millón de consultas, seis meses de investigación. Por qué Semly introduce personas en la monitorización de visibilidad en la IA», junto con la ampliación sobre la conversación de Leon - fuentes para describir el agente y el trabajo de investigación.
[1] OpenAI, Prompt engineering. Directrices sobre la incorporación de contexto relevante en las consultas. https://developers.openai.com/api/docs/guides/prompt-engineering
[2] Google AI for Developers, Prompt design strategies. Directrices sobre el contexto y las restricciones de la tarea. https://ai.google.dev/gemini-api/docs/prompting-strategies
[3] Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó, One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization, ACL 2026. https://aclanthology.org/2026.acl-long.2079/
Compartir:
