Durante años, la atribución en marketing digital funcionó con una lógica simple: alguien buscaba, hacía clic, llegaba a tu web y, si todo iba bien, convertía. Las plataformas de analítica conectaban esos puntos y te daban una imagen razonablemente clara de qué estaba funcionando. El sistema tenía sus limitaciones, pero al menos el camino era visible.
Ese camino se está volviendo invisible. Un usuario puede preguntarle a ChatGPT qué herramienta de gestión de proyectos le recomiendas, consultar los AI Overviews de Google para comparar proveedores, y pedirle a Perplexity que le ayude a hacer una preselección, todo ello antes de visitar una sola web. Tu marca puede aparecer en cada una de esas conversaciones y no recibir ni un clic. Eso no significa que no hayas influido en su decisión. Significa que tu analítica no lo ha visto.
La atribución no ha muerto, pero ya no lo cuenta todo
El problema no es nuevo en su esencia. Los featured snippets, los knowledge panels y los packs locales llevan años reduciendo el CTR al responder preguntas directamente en la SERP. La búsqueda generativa simplemente lleva ese fenómeno a otro nivel: comprime lo que antes era un proceso de varias búsquedas y varios clics en una sola interacción.
El resultado es que cuando un cliente llega a tu web hoy, el camino que registra tu analítica puede ser engañosamente corto. Visita directa. Búsqueda de marca. Conversión. Lo que no aparece en ese informe son las tres o cuatro interacciones con sistemas de IA que introdujeron tu marca, la compararon con competidores y la pusieron en la preselección final. La atribución sigue registrando la visita, pero se pierde todo lo que ocurrió antes.
Esto no significa que debas abandonar la atribución tradicional. Las visitas, las conversiones, las fuentes de tráfico y el rendimiento por canal siguen siendo señales importantes. Lo que significa es que ya no son suficientes para explicar cómo se toman las decisiones de compra.
El problema de medir lo que ocurre dentro de los LLMs
Herramientas como el AI Toolkit de Semrush, PulseLLM o Ahrefs Brand Radar están intentando resolver este problema, y vale la pena conocerlas. Pero todas comparten una limitación de fondo: para medir tu visibilidad en los LLMs hay que lanzar prompts a los modelos y observar si apareces, lo que significa que la calidad de la medición depende directamente de qué prompts se usan.
Y ahí está el problema: no sabemos con exactitud qué prompts reales están usando los usuarios. Tener cobertura suficiente en varios modelos para los prompts que realmente importan a tu negocio es un reto técnico y económico que el mercado todavía no ha resuelto bien.
Desde mi experiencia, lo más honesto que se puede decir hoy es que estas herramientas son útiles para detectar tendencias y comparar tu presencia con la de competidores, pero no para tener una medición exhaustiva y precisa de todo lo que ocurre. El mercado está madurando rápido, y en los próximos meses veremos mejoras. Mientras tanto, conviene entrar con expectativas calibradas.
Cómo medir la visibilidad en IA en la práctica hoy
Con ese contexto sobre la mesa, aquí está lo que funciona ahora mismo, ordenado de menor a mayor profundidad de análisis.
1. Búsqueda manual con prompts de usuario tipo. Es el punto de partida más accesible y más honesto. Antes de contratar ninguna herramienta, define qué preguntaría un usuario tipo que busca lo que tú ofreces y búscalo directamente en ChatGPT, Perplexity, Gemini y los AI Overviews de Google. ¿Apareces? ¿Cómo? ¿Con qué contexto? ¿A quién mencionan antes que a ti? Esta exploración manual, aunque no sea escalable, te da una lectura cualitativa que ninguna herramienta automatizada puede replicar todavía con precisión.
2. Monitoreo de branded search en Google Search Console. Una de las señales más claras de que tu visibilidad en IA está generando impacto es el crecimiento del tráfico de marca en búsqueda orgánica. Si más usuarios te buscan por nombre directamente en Google después de haberte encontrado en un LLM, ese volumen de búsqueda branded subirá aunque la referencia directa desde el LLM sea mínima o nula. Es una señal indirecta pero fiable.
3. Tráfico directo sin explicación aparente. Los incrementos de tráfico directo que no correlacionan con ninguna campaña activa pueden indicar que los usuarios te están descubriendo en entornos que no generan referral y llegan directamente después. No es una métrica concluyente por sí sola, pero combinada con el crecimiento de branded search empieza a contar una historia.
4. Herramientas de monitoreo para seguimiento continuo. Si el cliente necesita ver la evolución en el tiempo y tomar decisiones basadas en datos, entonces sí tiene sentido incorporar una herramienta. El AI Toolkit de Semrush o PulseLLM son opciones válidas para empezar, sabiendo que el mercado de estas herramientas está madurando rápido y que en los próximos meses veremos mejoras significativas en el control de prompts personalizados. La recomendación es entrar con expectativas calibradas: son útiles para detectar tendencias y comparar tu presencia con la de competidores, no para tener una medición exacta y exhaustiva de todo lo que ocurre.
El cambio de mentalidad que hay que hacer
Más allá de las herramientas, hay un cambio de perspectiva que es previo y más importante. La visibilidad en sistemas de IA no se mide igual que el posicionamiento en Google, y los intentos de trasladar la lógica del ranking tradicional a los LLMs están generando más confusión que claridad.
En la búsqueda clásica, el objetivo era ocupar posiciones. En la búsqueda con IA, el objetivo es ser citado con credibilidad cuando el modelo responde una consulta relevante para tu negocio. Eso depende de factores distintos: la autoridad percibida de tu contenido, la frecuencia con la que fuentes de referencia te mencionan, la claridad con la que tu contenido responde preguntas concretas, y la consistencia de tu presencia en el ecosistema de información que los modelos usan para entrenarse y para responder.
Como ya analizamos en este medio al hablar del nuevo informe de IA en Google Search Console, estamos en los primeros pasos de un sistema de medición que tardará tiempo en madurar. Mientras tanto, la combinación de exploración manual, señales indirectas en analítica y herramientas de monitoreo con expectativas calibradas es el enfoque más honesto y más útil que existe hoy.
