Construimos el set en tres fases. Primero, mapeamos la categoría del cliente y sus líneas de servicio o producto a las preguntas que hace su audiencia objetivo en cada fase del buyer journey: awareness (qué es X), consideración (mejor X para Y), decisión (agencia X o proveedor cerca de mí o en mi sector). Segundo, contrastamos esos patrones contra el lenguaje real usado en búsquedas con datos de Semrush y clusters de People Also Ask. Tercero, adaptamos los prompts al formato conversacional que reciben los modelos de IA, distinto del formato keyword. Resultado: un set de 50 prompts que refleja la intención real del cliente a lo largo del funnel completo.

Lanzamos el mismo set de 50 prompts al inicio de cada mes en ChatGPT, Perplexity, Gemini y Google AI Overviews. Registramos cada cita, mención y recomendación del cliente y de sus 3 competidores principales. El informe mensual muestra: porcentaje actual de Share of Answer, delta vs. mes anterior, delta vs. línea base, frecuencia de cita de competencia por plataforma y qué prompts concretos se movieron a favor o en contra del cliente. Incluimos capturas reales de respuestas de IA — los datos son verificables, no estimados.

Medir establece dónde estás antes de tocar nada. Lanzamos el set completo de prompts, documentamos la línea base de Share of Answer, mapeamos patrones de cita de competencia e identificamos las razones estructurales concretas por las que tu marca está ausente donde debería aparecer. Construir implementa las correcciones: rehabilitación de schema, desambiguación de entidad, reescrituras de extractibilidad, validación de acceso para crawlers y piezas citables de quick win. Crecer compone sobre la base: producción continua de contenido citable, PR digital para construcción de citas, medición mensual e iteración de schema según evoluciona el comportamiento de los modelos. Cada engagement empieza por Medir, sea cual sea el alcance.

Las menciones incorrectas de marca tienen tres causas raíz: contenido desactualizado en tu propio sitio que los crawlers indexaron, información de entidad contradictoria entre fuentes (LinkedIn dice una cosa, tu web dice otra, un directorio dice una tercera), o fuentes de terceros citando información incorrecta a la que los modelos dieron mucho peso. La secuencia de corrección es: auditar todas las referencias de entidad para consistencia, actualizar tu propio contenido para que sea inequívoco y vigente, añadir schema de corrección explícito donde aplique, y para errores en fuentes externas, perseguir corrección directa con el editor o enviar feedback estructurado donde las plataformas de IA lo ofrezcan. Los resultados llegan en 30 a 90 días según con qué frecuencia el modelo relevante reindexe tu contenido.

El stack core es Semrush para investigación de keywords y entidad, Profound o Peec para tracking de citas en múltiples modelos, Google Search Console para datos de aparición en AI Overviews, y testeo manual de prompts con capturas documentadas para verificación. No nos apoyamos en ninguna herramienta única porque ninguna cubre con la misma precisión las cuatro superficies (ChatGPT, Perplexity, Gemini, AI Overviews). La capa manual de prompts es lo que hace que nuestra medición sea verificable, no estimada.

Las marcas sin ubicación física tienen menos señales locales sobre las que construir, pero más oportunidad en cita a nivel de categoría y experiencia. La estrategia se centra en construir autoridad temática (contenido consistente y bien estructurado en tu dominio específico), menciones en publicaciones que los modelos de IA tratan como autoritativas, y declaraciones de schema explícitas de tus áreas de servicio y experiencia. Para negocios totalmente remotos o digitales, el trabajo de desambiguación se centra en qué haces y para quién, en lugar de dónde estás.