Línea base AEO: cómo medir si la IA recomienda tu marca

Hace un mes hicimos algo incómodo: le preguntamos a las inteligencias artificiales quién es LOLA. No para presumir del resultado, sino para saber dónde estábamos parados antes de tocar nada. La respuesta tuvo dos sorpresas. La primera, que nuestro problema no era de reputación sino de huella pública. La segunda, que nuestro propio firewall le tenía cerrada la puerta a las IAs.

Este es el caso de nuestro propio programa de líneas base de AEO (Answer Engine Optimization): qué medimos, qué se nos dañó en el camino y qué haríamos igual. Si quieres la teoría, la tienes en nuestra guía de Generative Engine Optimization. Aquí va la práctica, con sus tropiezos.

Primero: ¿pueden entrar las IAs a tu sitio?

Antes de preguntar «¿nos recomiendan?», hay una pregunta más básica: ¿pueden leernos? Nosotros la respondimos tarde. Al revisar con calma descubrimos que nuestro firewall devolvía un error 403 a los rastreadores de IA. Es decir, el mejor contenido del mundo servido detrás de una puerta cerrada.

Así que la medición tiene dos capas, y conviene no mezclarlas:

• Readiness técnico: ¿responden tu sitio a ClaudeBot, GPTBot y PerplexityBot? ¿Existe un llms.txt? ¿El schema declara una sola entidad, con sus perfiles en sameAs? Esto se mide con un simple curl y no depende de ninguna opinión.
• Percepción: ¿el modelo te conoce, te describe bien y te pone en el grupo correcto? Esto sí se mide preguntando, y ahí empiezan los problemas.

Con las puertas abiertas y la entidad resuelta, repetimos la medición. Ese fue nuestro primer baseline «limpio»: el punto de partida real, no el que nos hubiera gustado tener.

El grader tiene memoria, y casi nos engaña

Usamos el AI Search Grader de HubSpot, que consulta a ChatGPT, Perplexity y Gemini y devuelve un puntaje por motor. Es una herramienta útil, pero tiene una trampa que nadie documenta: guarda en caché los resultados.

Lo comprobamos con pruebas controladas, con la misma cuenta:

• Con los mismos datos de entrada, 22 días después, el resultado fue idéntico hasta el último sub-puntaje. No era una nueva medición: era la de agosto.
• Cambiar solo las mayúsculas no rompió el caché.
• Reordenar dos ítems de la descripción sí lo rompió, y devolvió una medición fresca.

La señal para distinguir una corrida fresca de una cacheada es casi cómica: si el resultado aparece de inmediato y no vuelve a pedirte el correo, es caché. Si demora y te lo pide otra vez, midió de verdad.

La consecuencia práctica es que una comparación mes a mes solo vale si cada corrida es fresca. Por eso rotamos el orden de los ítems cada mes, registramos el texto exacto de cada corrida y descartamos cualquier resultado que aparezca instantáneo. Sin esa disciplina habríamos «medido» el mismo número dos veces y habríamos creído que no pasaba nada.

La entidad estrecha es la entidad correcta

Hay otra lección que le sirve a cualquier marca con nombre corto. «LOLA» comparte nombre con una agencia grande de otro país, y para un modelo de lenguaje, mismo nombre es posible misma entidad. En agosto, corregir los datos de entrada del grader —marca exacta, industria, ubicación— produjo una mejora medible. Para el modelo, nosotros éramos otra empresa.

Después probamos lo contrario y aprendimos más. Al ampliar la ubicación a toda la región entraron competidores regionales que no son nuestros pares. Al describirnos con el término genérico «agencia digital», volvieron las grandes redes publicitarias a la conversación. El input estrecho no limita la medición: es la entidad. Medir con una descripción más amplia da un número más bonito sobre una empresa que no eres tú.

Y hay un efecto que conviene anticipar. Cuando corregimos la entidad, el puntaje bajó. No perdimos visibilidad: el grader pasó a medir a la LOLA correcta, que es más pequeña. El grupo de comparación pasó de grandes redes internacionales a agencias reales de nuestro tamaño. Una caída de puntaje con un mejor grupo de pares es una corrección de base, no un retroceso. Si no se explica por adelantado, el primer mes de un programa de AEO parece un fracaso.

Qué señales sí mueven la aguja

Tras varias corridas, tres lecturas se sostuvieron:

• La señal de mayor valor es «Datos disponibles: Sí» en Perplexity. Significa que el motor encontró fuentes reales en vivo sobre ti. Es la diferencia entre ser descrito con evidencia y ser descrito con suposiciones.
• Desconfía de la percepción de Gemini cuando cita fuentes genéricas. Si sus fuentes son «comunidades de tecnología» o «prensa especializada» sin nombre, el número es un artefacto del modelo. La lectura honesta de percepción está en ChatGPT y Perplexity.
• El límite casi nunca es lo que dices tú. La percepción sale bien; lo que falta es reconocimiento, y el reconocimiento se construye con terceros: directorios, reseñas verificables, casos con métricas. Publicar más contenido propio no lo mueve.

Por eso cada pieza que publicamos desde entonces nace anclada a una prueba pública que se pueda verificar. Un artículo sin ancla es opinión; con ancla, es evidencia.

Cómo armar tu propia línea base

No necesitas nuestro stack para empezar. Necesitas método:

1. Abre las puertas primero. Verifica que los rastreadores de IA reciben un 200 y no un bloqueo.
2. Resuelve tu entidad. Un solo bloque de datos estructurados, sameAs coherentes, el mismo nombre en todas partes.
3. Fija tus datos de entrada. Marca exacta, descripción que cubra todo tu portafolio, industria y ubicación precisas. No los cambies para mejorar el resultado.
4. Mide una vez al mes, con una corrida fresca. Cambia el orden de los ítems, anota el texto exacto y descarta lo que salga instantáneo.
5. Interpreta la serie, no la foto. Un mes aislado no dice nada; la tendencia con los mismos criterios, sí.
6. Decide con el resultado: dónde falta evidencia de terceros, dónde falta entidad, dónde sobra contenido.

¿Sabes qué dice la IA de tu marca hoy?

En LOLA trabajamos desde 2013 con empresas en 10 países, con una metodología guiada por KPIs y como HubSpot Partner. Aplicamos a los clientes el mismo criterio que aplicamos a nuestra casa: primero la línea base, después se toca.

Si quieres saber si los modelos de IA te recomiendan hoy, y por qué sí o por qué no, te hacemos el diagnóstico con tu categoría y tu competencia reales.

Solicita tu diagnóstico de visibilidad en IA →