Nadie le pide a un asistente de IA «lista todos los negocios de la categoría X ordenados por relevancia». Los compradores reales preguntan como le preguntarían a un amigo que sabe: «cuál es la mejor herramienta de gestión de proyectos para un equipo de 5 personas», «me recomiendas un buen club de pickleball en Austin», «quiénes son los peluqueros caninos mejor valorados cerca de mí». Estas preguntas son cortas, conversacionales, formuladas en torno a una situación concreta y, lo que es crítico, nunca mencionan una marca concreta, porque el comprador aún no sabe por cuál preguntar. Ese es el sentido de la pregunta: descubrir, no confirmar.
Esto importa porque es una prueba fundamentalmente distinta de escribir tu propia marca en ChatGPT y preguntar «háblame de Acme Co.». Esa pregunta solo prueba si el modelo sabe quién eres. No prueba si el modelo te habría nombrado sin que se lo pidieran, que es el único escenario que importa de verdad para captar clientes nuevos.
Por qué un solo prompt no es una prueba fiable
Los modelos de IA son no deterministas por diseño: la misma pregunta hecha dos veces puede dar dos respuestas distintas, a veces nombrando un conjunto diferente de marcas, sin que cambie nada más. Si pruebas con un solo prompt y obtienes un buen resultado, has aprendido que el modelo te nombró una vez. Si obtienes uno malo, has aprendido que no lo hizo, una vez. Ninguno de los dos te dice mucho de lo que vería una distribución real de compradores haciendo una distribución real de preguntas.
También hay variación real en cómo se formula la misma intención de fondo. Alguien con prisa escribe «mejor club pickleball austin». Alguien más reflexivo escribe «busco un club de pickleball en Austin, ¿cuáles debería considerar?». Alguien que compara pregunta «¿qué club de pickleball elegirías y por qué?». Es la misma intención de compra con palabras distintas, y una marca que aparece con una formulación puede no aparecer con otra, según cómo el modelo recupere y pondere la información para ese planteamiento concreto.
Por qué Mentioned prueba 5 preguntas, no 1
Justo por eso Mentioned no lanza un único prompt. Cuando escribes una marca y una categoría, le pide a Claude que genere 5 preguntas de comprador realistas para esa categoría, formuladas como las buscaría una persona real y sin incluir nunca el nombre de tu marca, para que la prueba siga siendo orgánica y no dirigida, y envía las 5 a cada modelo (Claude, ChatGPT y Gemini en el check gratis) de forma independiente y en paralelo. No hay contexto compartido entre ellas; cada una es una conversación nueva, igual que 5 compradores distintos haciendo cada uno su pregunta. Tu puntuación es simplemente cuántas de las 5 respuestas te mencionaron, sobre 5. No es una estimación ponderada ni un intervalo de confianza: es un recuento literal de lo que pasó en una variedad realista de formas en que un comprador podría preguntar.
Si la generación de preguntas falla por cualquier motivo, Mentioned recurre a un conjunto fijo de plantillas neutras («¿Cuáles son los mejores {category}?», «¿Puedes recomendarme un buen {category}?» y similares) en lugar de saltarse el check o adivinar un resultado. Mira el desglose completo en la página de metodología.
Lo que te dice un abanico de 5 preguntas y no te dice un solo prompt
Constancia frente a suerte. Aparecer en 5 de 5 es una señal mucho más fuerte que aparecer en 1 de 1: sugiere que el modelo te asocia de forma fiable con la categoría en lugar de mostrarte por casualidad con una formulación concreta.
Dónde eres fuerte y dónde eres invisible. Si apareces con el planteamiento «mejor valorado» pero no con el de «mejor para principiantes», es información útil sobre qué segmento de compradores te conoce hoy y cuál no.
Quién te está ganando de verdad. Cuando no apareces, Mentioned recoge los demás nombres con forma de marca que el modelo sí mencionó, para que veas quién gana esa versión concreta de la pregunta en lugar de saber solo que perdiste.
Para redactar un conjunto para tu propia categoría, el generador de preguntas de comprador gratis las escribe por intención: preselección, primero el problema, cambio, evaluación e integraciones.
Pensar en rangos, no en respuestas sueltas
La conclusión práctica: si quieres entender tu visibilidad en IA, no pruebes con un solo prompt y tomes el resultado como definitivo, en ninguna dirección. Haz varias variaciones realistas, espera cierta varianza entre ellas y mira el patrón en lugar de una respuesta aislada. Es una imagen más honesta de lo que ven realmente los compradores que la que podría darte un único prompt afortunado (o desafortunado).
