Frente a la multiplicación de herramientas para medir la visibilidad en los motores de búsqueda generativos, el autor de un análisis publicado en Search Engine Journal insta a las empresas a no confiar su estrategia a un software. Según él, un mercado aún inmaduro expone a los equipos a herramientas inestables, poco comparables entre sí y a veces difíciles de abandonar.
Para respaldar su argumento, el autor indica haber identificado 194 herramientas lanzadas en los últimos dos o tres años, a partir de Product Hunt, G2 y LinkedIn. Según él, poco más del 60 % de ellas son experimentos artesanales, proyectos secundarios o creaciones de fundadores en solitario. Estima la tasa de mortalidad de esta categoría entre el 55 % y el 60 %, sin contar las herramientas que no pudo identificar. Cada mes, según él, servicios cortan sus API, dejan expirar sus nombres de dominio o se reorientan hacia aplicaciones sin relación.
El costo es, según el autor, el principal factor de fragilidad. Consultar un motor de búsqueda clásico y analizar su código HTML cuesta una fracción del precio de una serie de consultas complejas, en varios intercambios, sobre modelos de IA con navegación web activa. También cita los esfuerzos de Google para luchar contra este tipo de recolección, que obligan a los editores de estas herramientas a reinvertir constantemente. Para una herramienta de autoservicio facturada a 100 dólares al mes, los márgenes serían, según él, inexistentes. Una modificación de las tarifas de inferencia, los límites de consultas o la interfaz de un proveedor de modelos basta para hacer caer estos proyectos.
Mediciones que no se parecen
Cambiar de herramienta no equivale, según el autor, a reemplazar un instrumento por otro equivalente. Los contratos plurianuales complican las salidas, y la exportación de datos no siempre basta, porque no existe un estándar común. Cita a este respecto un documento de la IAB que señala la ausencia de una norma universalmente aceptada para medir las respuestas de las IA conversacionales.
Las diferencias se dan en varios puntos. Una plataforma puede consultar directamente el modelo, mientras que otra pasa por una navegación web comparable a la de un internauta conectado. Algunas herramientas se contentan con verificar si la marca es citada, otras evalúan su lugar y tono. Una simple mención breve puede contar como un éxito en una y penalizar la puntuación en otra. Por último, una plataforma puede presentar un ranking fijo, mientras que otra mide la frecuencia de las variaciones en varias pruebas. Según el autor, una puede anunciar una presencia en cabeza en el 80 % de las respuestas, mientras que otra nunca menciona la marca, ya que las respuestas de las IA varían de forma aleatoria.
Constituir sus propios datos
Para el autor, la empresa debe poseer internamente su lista de consultas, los conjuntos de prompts y las respuestas recopiladas. Recomienda almacenar estos elementos fuera de cualquier suscripción externa, y priorizar las plataformas que permiten exportar los textos de respuesta, las marcas de tiempo, las URL fuente y las consultas, por webhook, BigQuery o CSV estandarizado. Así, si un proveedor modifica su método de cálculo, el historial en bruto sigue siendo utilizable.
El autor recuerda finalmente que la visibilidad es, según él, un resultado y no una palanca. Los modelos de lenguaje, que generan las respuestas, citarían, según él, marcas dotadas de definiciones de entidad sólidas, arquitecturas y esquemas no ambiguos, y una presencia digital activa, más que marcas que hayan comprado un software. Prevé que la consolidación del sector se acelerará y que la mayoría de las herramientas desaparecerán.
