Aparecer en una respuesta de inteligencia artificial es importante.
Pero existe una diferencia considerable entre:
“Marca X es una empresa que ofrece este servicio.”
y:
“Para sus necesidades, recomendaría considerar Marca X.”
En el primer caso, la marca ha sido mencionada.
En el segundo, ha entrado en el conjunto de opciones que la inteligencia artificial considera relevantes para el usuario.
Esta diferencia introduce una de las métricas comerciales más importantes dentro de AI Brand Monitoring:
AI Recommendation Rate
o:
tasa de recomendación en IA.
Esta métrica intenta responder una pregunta muy concreta:
¿Con qué frecuencia ChatGPT, Gemini, Copilot, Perplexity y otros sistemas de IA recomiendan nuestra marca cuando un usuario pide opciones o ayuda para elegir?
¿Qué es AI Recommendation Rate?
AI Recommendation Rate mide el porcentaje de prompts relevantes de recomendación en los que una marca aparece como una opción que el usuario debería considerar.
Una fórmula básica es:
AI Recommendation Rate = prompts donde la marca es recomendada / prompts de recomendación relevantes × 100
Por ejemplo:
Analizamos:
100 prompts de recomendación.
Nuestra marca es recomendada en:
27.
Entonces:
AI Recommendation Rate = 27 %
La interpretación sería:
La marca fue recomendada en el 27 % de los prompts de recomendación incluidos en el benchmark.
Recommendation Rate no es una métrica oficial de ChatGPT
Esta aclaración es importante.
AI Recommendation Rate no es una puntuación publicada por OpenAI, Google, Microsoft o Perplexity.
Es una métrica analítica que puede utilizarse dentro de una metodología de AI Brand Monitoring.
Su utilidad depende de:
- calidad del prompt set;
- definición de recomendación;
- plataformas utilizadas;
- tamaño de muestra;
- frecuencia de medición.
Por eso la metodología debe ser transparente.
¿Qué significa realmente “recomendación”?
Una recomendación ocurre cuando la respuesta presenta una marca como una opción apropiada para la necesidad expresada por el usuario.
Por ejemplo:
“Para una pyme que necesita un CRM sencillo, Pipedrive puede ser una buena opción.”
Esto es claramente una recomendación.
Mención vs recomendación
Compare:
Mención
“Entre las plataformas CRM conocidas se encuentran Salesforce, HubSpot y Pipedrive.”
Las tres marcas aparecen.
Pero no existe una recomendación clara.
Recomendación
“Para una pequeña empresa que busca facilidad de uso, consideraría Pipedrive.”
Ahora existe una orientación hacia una elección.
Recommendation Rate no debería utilizar todos los prompts como denominador
Este es uno de los errores metodológicos más importantes.
Imagine un benchmark con:
200 prompts.
De ellos:
- 80 informativos;
- 40 discovery;
- 30 comparison;
- 30 recommendation;
- 20 high-intent.
Si calculamos recomendaciones sobre los 200 prompts, estamos incluyendo muchas preguntas donde una recomendación ni siquiera era esperable.
Esto puede distorsionar la métrica.
Utilice un denominador relevante
Una metodología más limpia puede definir:
Recommendation-Eligible Prompts
es decir:
prompts donde una recomendación de marca sería una respuesta razonable.
Por ejemplo:
- recommendation;
- comparison con decisión;
- vendor selection;
- alternatives;
- high-intent purchase.
Ejemplo
Tenemos:
100 Recommendation-Eligible Prompts.
La marca es recomendada en:
32.
Entonces:
Recommendation Rate = 32 %
La metodología queda mucho más clara.
Defina el universo antes de calcular
Siempre deberíamos poder responder:
32 % de qué?
Por ejemplo:
32 de 100 prompts comerciales, ejecutados en ChatGPT, Gemini, Copilot y Perplexity para el mercado español durante septiembre.
Ahora la cifra tiene contexto.
Recommendation Rate depende del prompt set
Supongamos que una marca está especializada en grandes empresas.
Si el benchmark contiene principalmente:
prompts para startups,
su Recommendation Rate puede ser bajo.
Eso no significa necesariamente que la marca tenga poca autoridad.
Puede significar que el prompt set no coincide con su mercado objetivo.
Relevancia comercial antes que volumen
Por eso los prompts deberían representar:
- ICP;
- buyer personas;
- casos de uso;
- industria;
- tamaño de empresa;
- geografía;
- necesidades reales.
Una recomendación fuera del mercado objetivo tiene menos valor.
Ejemplo B2B
Una empresa vende servicios Microsoft Intune para organizaciones de 500 a 5.000 empleados.
Prompt:
¿Qué consultora recomendarías para implementar Microsoft Intune en una empresa neerlandesa con 1.000 empleados?
Este prompt puede ser mucho más valioso que:
¿Qué es Microsoft Intune?
El primero representa intención comercial.
El segundo representa información.
High-Intent Recommendation Rate
Podemos separar específicamente los prompts con intención comercial elevada.
Por ejemplo:
Overall Recommendation Rate
29 %
High-Intent Recommendation Rate
18 %
Esta diferencia es importante.
La marca puede ser recomendada en preguntas generales, pero desaparecer cuando el usuario introduce requisitos de compra concretos.
¿Qué es un prompt de alta intención?
Ejemplos:
¿Qué proveedor debería contratar?
¿Cuál es la mejor plataforma para nuestra empresa?
Necesito una solución para 1.000 empleados. ¿Qué opciones recomendarías?
¿Qué alternativa a Producto X debería considerar?
¿Qué empresa puede implementar esta solución?
Estas preguntas están relativamente cerca de una decisión.
Recommendation Rate por funnel
Podemos analizar:
| Etapa | Recommendation Rate |
|---|---|
| Discovery | 38 % |
| Comparison | 31 % |
| Recommendation | 24 % |
| High Intent | 16 % |
Esto revela cómo cambia la presencia comercial.
Una caída hacia high intent puede ser muy importante
Supongamos:
Informational Presence
71 %
Discovery Presence
58 %
Recommendation Rate
24 %
High-Intent Recommendation Rate
11 %
La empresa es visible como fuente de conocimiento.
Pero tiene mucha menos presencia como opción comercial.
Eso representa una diferencia estratégica.
Autoridad informativa vs autoridad comercial
Una marca puede tener:
alta autoridad informativa
pero:
baja consideración comercial.
Por ejemplo, su contenido puede ser citado frecuentemente.
Pero sus productos no aparecen entre las recomendaciones.
Esto demuestra por qué Citation Visibility y Recommendation Rate deben medirse por separado.
Tipos de recomendaciones
No todas las recomendaciones tienen la misma fuerza.
Podemos distinguir varios niveles.
1. Recomendación débil
“Marca X también podría considerarse.”
La marca entra en el conjunto de opciones.
Pero con poca fuerza.
2. Recomendación moderada
“Marca X es una buena opción para pequeñas empresas.”
Existe una recomendación clara y contextual.
3. Recomendación fuerte
“Para este caso, Marca X sería una de mis principales recomendaciones.”
La orientación es mucho más fuerte.
4. Primera opción
“Elegiría Marca X para este escenario.”
Esto representa una preferencia explícita.
Recommendation Strength
Podemos utilizar una clasificación sencilla.
Por ejemplo:
0
No aparece.
1
Mención.
2
Consideración.
3
Recomendación.
4
Recomendación fuerte.
5
Primera opción.
Esto permite analizar fuerza además de frecuencia.
Pero Recommendation Rate debe seguir siendo simple
La métrica principal puede mantenerse binaria:
Recommended = Yes / No.
Después utilizamos Recommendation Strength como dimensión secundaria.
Esto hace que el KPI sea explicable.
¿Qué es una recomendación condicional?
Muchas respuestas de IA utilizan frases como:
“Si necesita una solución económica, Marca A puede ser adecuada.”
Esto sigue siendo una recomendación.
Pero está condicionada.
Conditional Recommendation
Una recomendación condicional nos dice algo muy importante:
para qué escenario considera la IA relevante a la marca.
Por ejemplo:
Marca A
para pymes.
Marca B
para enterprise.
Marca C
para equipos técnicos.
Esto aporta información de posicionamiento.
Recommendation Context
Por eso debemos conservar:
el contexto alrededor de la recomendación.
No basta con almacenar:
Recommended = Yes.
También queremos saber:
¿por qué?
Recommendation Reasons
Podemos extraer razones como:
- precio;
- facilidad;
- seguridad;
- soporte;
- especialización;
- integraciones;
- escalabilidad;
- reputación.
Esto conecta Recommendation Rate con AI Brand Narrative.
Ejemplo
La IA recomienda nuestra marca 35 veces.
Razones:
Especialización
22 veces.
Facilidad
Precio
Soporte
Enterprise
Ahora podemos ver qué atributos impulsan la recomendación.
Reasons-to-Recommend
Este análisis puede ser más valioso que el porcentaje aislado.
Porque nos dice:
qué cree la IA que hace competitiva a la marca.
Reasons-to-Avoid
También podemos capturar reservas.
Por ejemplo:
“Marca X es potente, aunque puede ser demasiado compleja para equipos pequeños.”
Tenemos:
Recommendation: Yes
pero también:
Reservation: Complexity.
Una recomendación puede incluir aspectos negativos
Esto es normal.
Las respuestas pueden presentar trade-offs.
Por ejemplo:
“Marca A es excelente para enterprise, aunque su precio suele ser superior.”
La marca sigue siendo recomendada.
Recommendation Sentiment
Por eso sentimiento y recomendación deben mantenerse separados.
Una recomendación puede ser:
- positiva;
- positiva con reservas;
- condicional.
No necesitamos forzar cada respuesta dentro de una única dimensión.
Recommendation Accuracy
También debemos comprobar si las razones son correctas.
Ejemplo:
“Recomiendo Marca X porque ofrece un plan gratuito.”
Pero la empresa eliminó el plan gratuito hace un año.
Tenemos:
Recommendation = Yes
pero:
Accuracy Issue = Yes.
Una recomendación basada en información falsa puede ser problemática.
Brand Truth sigue siendo importante
Podemos verificar afirmaciones como:
- pricing;
- mercados;
- capacidades;
- integraciones;
- certificaciones;
- productos.
Esto conecta Recommendation Monitoring con Brand Accuracy.
Recommendation Rate por plataforma
La marca puede tener resultados muy diferentes.
Por ejemplo:
| Plataforma | Recommendation Rate |
|---|---|
| ChatGPT | 36 % |
| Gemini | 24 % |
| Copilot | 41 % |
| Perplexity | 29 % |
Una cifra global de 32 % ocultaría estas diferencias.
Platform Recommendation Gap
Podemos observar:
somos fuertes en Copilot pero débiles en Gemini.
Eso genera una pregunta diagnóstica.
No significa automáticamente que debamos “optimizar para Gemini”.
Primero investigamos el patrón.
Recommendation Rate por tema
También:
| Tema | Recommendation Rate |
|---|---|
| AI Brand Monitoring | 61 % |
| AI Share of Voice | 44 % |
| GEO | 26 % |
| AI Citations | 18 % |
Ahora vemos dónde la marca tiene consideración comercial.
Recommendation Rate por audiencia
Por ejemplo:
Enterprise
18 %
Mid-Market
37 %
SMB
49 %
La IA parece asociar la marca principalmente con empresas pequeñas y medianas.
Esto puede coincidir o no con la estrategia.
Recommendation Rate por industria
También:
Technology
51 %
Professional Services
38 %
Finance
19 %
Healthcare
13 %
Esto puede revelar dónde existe mayor reconocimiento sectorial.
Recommendation Rate por mercado
Por ejemplo:
España
43 %
México
31 %
Colombia
22 %
Argentina
20 %
La presencia comercial puede ser geográficamente desigual.
Recommendation Rate por idioma
Una empresa puede obtener:
English
54 %
Spanish
28 %
Esto puede indicar que su posicionamiento está mucho más desarrollado en el ecosistema informativo en inglés.
Branded Recommendation Prompts
Ejemplo:
¿Recomendarías Marca X para una empresa enterprise?
Estos prompts son útiles para analizar percepción directa.
Pero tienen una característica:
ya introducen la marca.
Por tanto, no miden descubrimiento espontáneo.
Non-Branded Recommendation Prompts
Ejemplo:
¿Qué plataforma recomendarías para monitorizar la presencia de una marca en ChatGPT?
La marca no aparece en la pregunta.
Si la IA la recomienda, esto representa descubrimiento comercial mucho más interesante.
Branded vs Non-Branded Recommendation Rate
Conviene separarlos.
Por ejemplo:
Branded Recommendation
74 %
Non-Branded Recommendation
21 %
Interpretación:
cuando se pregunta directamente por la marca, suele considerarse adecuada; pero rara vez emerge espontáneamente como recomendación.
Esta diferencia puede ser crítica.
Competitor Recommendation Rate
También debemos medir competidores.
Por ejemplo:
| Marca | Recommendation Rate |
|---|---|
| Competidor A | 48 % |
| Competidor B | 39 % |
| Nuestra Marca | 27 % |
| Competidor C | 21 % |
Ahora conocemos nuestra posición relativa.
Recommendation Share of Voice
También podemos calcular la participación relativa de recomendaciones.
Por ejemplo:
Todas las marcas reciben:
400 recomendaciones.
Nuestra marca recibe:
92.
Entonces:
Recommendation Share of Voice = 23 %
Esto responde:
¿qué proporción de las recomendaciones competitivas pertenece a nuestra marca?
Recommendation Rate vs Recommendation Share of Voice
No son iguales.
Recommendation Rate
Porcentaje de prompts donde somos recomendados.
Recommendation Share of Voice
Nuestra participación dentro de todas las recomendaciones competitivas.
Ambas aportan perspectivas diferentes.
Múltiples marcas pueden ser recomendadas
Un prompt puede generar:
“Consideraría A, B y C.”
Las tres marcas reciben una recomendación.
Por eso los Recommendation Rates de todas las marcas pueden sumar más de 100 %.
Esto es completamente válido.
First-Choice Rate
Podemos observar también:
¿con qué frecuencia somos la primera opción explícita?
Por ejemplo:
Recommendation Rate = 42 %
pero:
First-Choice Rate = 11 %
Esto indica que entramos frecuentemente en el shortlist, pero pocas veces lideramos.
Shortlist Visibility
Esta idea es especialmente útil.
En muchos casos, el objetivo real no es:
ser la única recomendación.
Es:
entrar en el conjunto de marcas que el comprador debería considerar.
AI-generated consideration set
Una respuesta puede crear un shortlist:
- Marca A
- Marca B
- Marca C
Si nuestra empresa no aparece, quizá ni siquiera entra en la siguiente fase de investigación del comprador.
Por eso Recommendation Rate puede ser comercialmente relevante.
Recommendation Position
Podemos registrar el orden observado.
Por ejemplo:
Prompt 1
Nuestra Marca = primera.
Prompt 2
tercera.
Prompt 3
segunda.
Podemos calcular una posición media.
Pero debemos utilizarla con cautela.
No existe una SERP estable
Decir:
“Somos #2 en ChatGPT”
puede ser engañoso.
Las respuestas:
- cambian;
- no siempre están ordenadas;
- pueden presentar tablas;
- pueden presentar múltiples categorías.
Es mejor decir:
posición media observada dentro del benchmark.
Recommendation Prominence
Una marca puede aparecer:
en el primer párrafo,
mientras otra aparece:
al final como alternativa secundaria.
La prominencia puede aportar información adicional.
Pero no debería complicar el KPI principal.
Recommendation Consistency
Podemos repetir el mismo prompt varias veces.
Por ejemplo:
10 ejecuciones.
Marca recomendada:
8/10.
Esto indica una recomendación más consistente que:
2/10.
Variabilidad de respuestas
Esto es especialmente importante porque los sistemas generativos no siempre producen exactamente la misma respuesta.
Por eso una auditoría rigurosa puede utilizar:
- múltiples prompts;
- múltiples plataformas;
- repeticiones selectivas.
No hace falta repetir todo siempre
Para controlar costes:
Tier 1 prompts
3 ejecuciones.
Tier 2
1 ejecución.
Tier 3
mensual.
Esto puede ser suficiente.
Recommendation Gap
Una métrica muy accionable es identificar:
prompts donde un competidor es recomendado y nuestra marca no.
Por ejemplo:
Competidor A recomendado.
Nuestra Marca ausente.
Eso constituye una brecha competitiva.
Ejemplo
Tenemos:
100 high-intent prompts.
Competidor A es recomendado y nosotros no en:
31.
Pero antes de crear 31 páginas debemos agruparlos.
Agrupe Recommendation Gaps por tema
Quizá los 31 prompts pertenecen a:
Enterprise
Integrations
Security
Ahora aparece un patrón.
La brecha principal es:
enterprise.
Eso es mucho más útil que 31 microproblemas.
Recommendation Gap por competidor
También podemos preguntar:
¿qué competidor nos excluye más frecuentemente?
Por ejemplo:
A
31 gaps.
B
C
Esto ayuda a priorizar competitive intelligence.
Recommendation Gap por plataforma
Ejemplo:
ChatGPT
Gemini
Copilot
Perplexity
Existe una concentración en Gemini.
De nuevo: es una señal para investigar, no prueba de una causa concreta.
Competidores emergentes
Recommendation Monitoring puede descubrir marcas inesperadas.
Por ejemplo:
Una empresa que no estaba en nuestro competitive set empieza a ser recomendada en:
24 % de prompts.
Esto puede indicar un nuevo competidor relevante.
AI Competitor Discovery
Este descubrimiento puede ser incluso más interesante que seguir únicamente competidores conocidos.
Porque revela:
qué marcas considera la IA parte de la misma decisión.
Commercial Competitors vs AI Competitors
Una empresa puede considerar que compite con:
A, B y C.
Pero los sistemas de IA pueden recomendar:
A, D y E.
D y E se convierten en competidores de visibilidad y consideración.
Esto merece atención.
Recommendation Reasons por competidor
Supongamos:
Nuestra Marca
- especialización;
- transparencia.
Competidor A
- escala;
- integraciones.
Competidor B
- precio;
- facilidad.
Ahora entendemos el territorio competitivo.
Attribute → Recommendation relationship
Podemos investigar qué atributos aparecen frecuentemente en respuestas donde una marca es recomendada.
Pero debemos tener cuidado.
Si observamos:
“seguridad” aparece muchas veces cuando la marca es recomendada,
podemos hablar de asociación.
No necesariamente de causalidad.
Correlación no es causalidad
No deberíamos afirmar:
“La IA recomienda la marca porque utilizamos la palabra seguridad en 50 páginas.”
La relación puede ser mucho más compleja.
Una metodología seria distingue:
patrón observado
de:
causa demostrada.
Recommendation Rate en el tiempo
El verdadero valor aparece al repetir el benchmark.
Por ejemplo:
| Mes | Recommendation Rate |
|---|---|
| Enero | 14 % |
| Febrero | 17 % |
| Marzo | 19 % |
| Abril | 23 % |
| Mayo | 27 % |
Ahora existe una tendencia.
Utilice puntos porcentuales
Si pasa de:
20 %
a:
27 %
el cambio es:
+7 puntos porcentuales.
Esto suele ser más claro en dashboards.
Recommendation Trend
Podemos mostrar simplemente:
Recommendation Rate ↑ +7 pp.
No necesitamos artículos independientes sobre:
- Recommendation Momentum;
- Recommendation Velocity;
- Recommendation Acceleration;
- Recommendation Reinforcement;
- Recommendation Persistence.
Todos pueden vivir como análisis de tendencia dentro del concepto principal.
Won Recommendations
Podemos identificar prompts donde:
antes no éramos recomendados y ahora sí.
Lost Recommendations
Y prompts donde:
antes éramos recomendados y ahora no.
Ejemplo
Último mes:
Won
Lost
Net
+11.
Después agrupamos por tema e intención.
Pero el net total puede ocultar problemas
Podemos ganar:
20 prompts informativos/comparativos
y perder:
9 high-intent prompts.
El total mejora.
Pero el rendimiento comercial puede empeorar.
Por eso segmentar es esencial.
Recommendation Alerts
Una plataforma puede generar alertas como:
Su Recommendation Rate cayó 9 pp durante tres mediciones consecutivas.
Competidor A ahora lidera recomendaciones sobre GEO.
Ha perdido 12 high-intent prompts en Gemini.
Un nuevo competidor aparece en 18 % de sus prompts de recomendación.
Estas alertas son mucho más útiles que simples cambios de ranking.
Evite alertas por ruido
Un cambio:
31 % → 30 %
puede ser variación normal.
Las alertas deberían considerar:
- tamaño de muestra;
- importancia del prompt;
- persistencia;
- magnitud.
Recommendation Monitoring y GEO
AI Recommendation Rate puede convertirse en una de las métricas utilizadas para evaluar una estrategia GEO.
El ciclo sería:
medir
↓
detectar brechas
↓
investigar
↓
mejorar información y autoridad
↓
medir nuevamente.
Pero no atribuya automáticamente una mejora a GEO
Si Recommendation Rate aumenta después de publicar contenido, eso no demuestra por sí solo causalidad.
También pueden haber cambiado:
- reconocimiento de marca;
- cobertura externa;
- producto;
- mercado;
- plataforma;
- modelo.
Debemos ser prudentes.
¿Cómo mejorar AI Recommendation Rate?
No existe una receta garantizada.
Pero existen áreas estratégicas que pueden reforzar la probabilidad de ser considerado relevante.
1. Defina claramente su categoría
La IA debe poder entender:
qué hace la empresa.
Una descripción vaga dificulta asociación.
2. Defina para quién es
Explique:
- audiencia;
- industria;
- tamaño de empresa;
- casos de uso.
Esto puede ayudar a establecer contexto.
3. Demuestre diferenciación
¿Por qué elegir su marca?
Por ejemplo:
- especialización;
- funcionalidad;
- soporte;
- precio;
- integración.
Debe existir evidencia.
4. Construya autoridad temática
Desarrolle profundidad sobre los problemas que resuelve.
No mediante cientos de páginas casi idénticas.
Sino mediante:
- guías;
- investigación;
- herramientas;
- casos;
- documentación.
5. Construya evidencia externa
La propia empresa diciendo:
“somos los mejores”
tiene poco valor.
Busque:
- reviews;
- medios;
- partners;
- asociaciones;
- expertos;
- customer proof.
6. Mantenga información comercial correcta
Especialmente:
- precios;
- disponibilidad;
- integraciones;
- mercados;
- productos.
Una recomendación basada en información antigua puede ser perjudicial.
7. Refuerce casos de uso
Si quiere aparecer para:
enterprise cybersecurity,
debe existir evidencia clara de experiencia en ese escenario.
8. Analice a los líderes
Si un competidor domina las recomendaciones, investigue:
- qué narrativa tiene;
- qué atributos recibe;
- qué fuentes aparecen;
- qué evidencia existe;
- qué temas domina.
Esto produce mejores hipótesis.
No copie simplemente al competidor
El objetivo es entender:
por qué ocupa ese territorio.
Después determine dónde puede construir una posición propia y defendible.
Recommendation Rate y Brand Narrative
Una recomendación siempre tiene contexto.
Por ejemplo:
“Recomiendo Marca X por su especialización.”
Esto alimenta dos datasets:
Recommendation
Yes.
Attribute
Specialized.
Con el tiempo podemos ver:
qué narrativa acompaña las recomendaciones.
Recommendation Rate y Brand Accuracy
También:
“Recomiendo Marca X porque tiene oficinas en Madrid.”
Si no las tiene:
Recommendation:
Yes.
Accuracy:
Incorrect.
Ambas deben registrarse.
Recommendation Rate y Citation Visibility
Una marca puede ser:
- recomendada;
- citada;
- ambas;
- ninguna.
Por eso necesitamos dimensiones separadas.
Ejemplo
Scenario A
Marca recomendada, sitio no citado.
Scenario B
Sitio citado, marca no recomendada.
Scenario C
Marca recomendada y sitio citado.
Scenario D
Sin presencia.
Cada escenario tiene significado distinto.
Recommendation Rate y AI Share of Voice
Recommendation Rate mide:
frecuencia absoluta dentro del prompt set.
Recommendation Share of Voice mide:
participación relativa frente a competidores.
Juntas ofrecen una visión más completa.
Ejemplo
Nuestra marca:
Recommendation Rate
31 %.
Recommendation SOV
18 %.
Esto puede ocurrir en una categoría donde muchas marcas aparecen juntas.
Recommendation Rate y Topic Authority
Si una marca es recomendada consistentemente dentro de un tema, esto puede ser una señal observable de relevancia comercial temática.
Pero no debemos afirmar que existe un “authority score” secreto detrás.
Simplemente observamos patrones.
AI Recommendation Audit
Una auditoría puede seguir:
Paso 1
Defina categorías y casos de uso.
Paso 2
Defina ICP.
Paso 3
Cree Recommendation Prompt Set.
Paso 4
Clasifique por intención.
Paso 5
Ejecute por plataforma.
Paso 6
Detecte marcas recomendadas.
Paso 7
Clasifique fuerza y razones.
Paso 8
Compare competidores.
Paso 9
Identifique gaps.
Paso 10
Repita periódicamente.
Ejemplo de Prompt Set
Para una plataforma de AI Brand Monitoring:
Discovery
¿Qué herramientas existen para monitorizar marcas en IA?
Comparison
¿Qué plataformas ofrecen seguimiento de AI Share of Voice?
Recommendation
¿Qué herramienta recomendarías para monitorizar ChatGPT y Gemini?
High Intent
Necesito una plataforma de AI Brand Monitoring para un equipo enterprise. ¿Qué opciones debería evaluar?
Cada prompt representa una etapa diferente.
Recommendation Dashboard
Un dashboard puede mostrar:
Recommendation Rate
29 %
High-Intent Recommendation Rate
18 %
Recommendation Share of Voice
22 %
First-Choice Rate
9 %
30-Day Change
+4 pp
Competitive Position
#3
Esto resume la situación.
Después necesitamos el detalle
Por ejemplo:
| Tema | Recommendation Rate |
|---|---|
| AI Brand Monitoring | 58 % |
| AI Share of Voice | 41 % |
| GEO | 23 % |
| AI Citations | 17 % |
Y:
| Plataforma | Recommendation Rate |
|---|---|
| ChatGPT | 34 % |
| Gemini | 19 % |
| Copilot | 38 % |
| Perplexity | 25 % |
Ahora podemos diagnosticar.
Recommendation Evidence
Cada porcentaje debería permitir abrir:
- prompt;
- respuesta;
- plataforma;
- fecha;
- marcas;
- contexto.
Esto mantiene el sistema auditable.
Explainability como principio del producto
VisibilidadIA.com debería poder responder:
¿Por qué mi Recommendation Rate es 29 %?
Respuesta:
Porque su marca fue clasificada como recomendada en 58 de 200 prompts elegibles.
Después el usuario debería poder ver esos 58 prompts.
Esto genera confianza.
No esconda todo detrás de un AI Score
Una cifra única puede ser útil para ejecutivos.
Pero el producto debería conservar métricas independientes:
- Presence;
- Mentions;
- Recommendations;
- Share of Voice;
- Citations;
- Accuracy.
Cada una responde una pregunta distinta.
Para el MVP de VisibilidadIA.com
Recommendation Monitoring puede empezar de forma sencilla.
Por cada ejecución:
- prompt;
- platform;
- brand;
- recommended yes/no;
- recommendation position;
- response;
- timestamp.
Después calculamos:
- Recommendation Rate;
- competitor rates;
- Recommendation SOV;
- trends.
Más adelante añadimos:
- strength;
- reasons;
- sentiment;
- attributes;
- accuracy.
Esto evita sobreconstruir el MVP
No necesitamos empezar con 50 métricas.
El producto inicial debe responder:
¿Me recomiendan?
¿Con qué frecuencia?
¿Quién es recomendado en mi lugar?
¿Para qué temas?
¿Está mejorando?
Estas preguntas ya proporcionan mucho valor.
Recommendation Rate como KPI comercial
De todas las métricas de AI Visibility, Recommendation Rate puede ser especialmente interesante para marketing y liderazgo porque se aproxima a:
consideración de marca dentro de una conversación de compra.
Pero debemos mantener una limitación importante.
Recomendación no significa compra
Que ChatGPT recomiende una marca no significa que:
- el usuario haga clic;
- visite la web;
- contacte;
- compre.
Por tanto:
AI Recommendation ≠ Revenue.
Pero puede influir en el consideration set
El usuario puede:
- preguntar a una IA;
- recibir cinco marcas;
- investigar tres;
- visitar dos webs;
- contactar una.
Si nuestra empresa nunca aparece en el primer paso, puede perder oportunidades antes de que Analytics registre una visita.
El “dark funnel” de IA
Parte de la investigación puede ocurrir dentro de interfaces de IA sin generar una visita inmediata.
Esto dificulta atribución.
Por eso Recommendation Rate funciona mejor como:
indicador de visibilidad y consideración,
no como métrica directa de ventas.
Conecte AI Monitoring con datos comerciales
Cuando sea posible, compare tendencias con:
- branded search;
- direct traffic;
- demo requests;
- leads;
- pipeline;
- customer surveys.
Especialmente pregunte:
¿Cómo nos encontró?
Con el tiempo puede aparecer:
ChatGPT.
Gemini.
Perplexity.
Esto ayuda a entender influencia real.
Preguntas frecuentes
¿Qué es AI Recommendation Rate?
Es el porcentaje de prompts de recomendación relevantes en los que una marca es presentada como una opción que el usuario debería considerar.
¿Es una métrica oficial de ChatGPT?
No. Es una metodología analítica utilizada para monitorizar patrones de recomendación en sistemas de IA.
¿Cuál es la diferencia entre Mention Rate y Recommendation Rate?
Mention Rate mide si la marca aparece. Recommendation Rate mide si la marca es realmente recomendada.
¿Todos los prompts deberían utilizarse para calcular Recommendation Rate?
No necesariamente. Lo más limpio es utilizar prompts donde una recomendación sea razonablemente esperable.
¿Qué es High-Intent Recommendation Rate?
Es la tasa de recomendación dentro de prompts más cercanos a una decisión comercial.
¿Una recomendación condicional cuenta?
Sí, siempre que la marca sea presentada claramente como opción válida bajo determinadas condiciones.
¿Puedo comparar Recommendation Rate entre competidores?
Sí, siempre que utilice el mismo prompt set y una metodología consistente.
¿Qué es Recommendation Share of Voice?
Es la participación de una marca dentro del total de recomendaciones competitivas observadas.
¿Ser la primera marca mencionada significa ser la más recomendada?
No necesariamente. El orden aporta contexto, pero una respuesta generativa no debe tratarse como una SERP tradicional.
¿Una Recommendation Rate alta significa más ventas?
No directamente. Indica mayor presencia dentro de conversaciones de recomendación, pero la conversión posterior debe medirse por separado.
¿Cómo puedo mejorar mi Recommendation Rate?
Trabaje sobre claridad de categoría, relevancia, diferenciación, autoridad temática, evidencia externa, casos de uso e información precisa. Después monitorice los cambios sin asumir causalidad automática.
Conclusión
Las menciones responden:
¿Aparece nuestra marca?
AI Recommendation Rate lleva la pregunta un paso más allá:
¿La inteligencia artificial considera que nuestra marca merece entrar en la decisión?
Esta diferencia es fundamental.
Una empresa puede ser:
- conocida;
- mencionada;
- citada;
y aun así no ser recomendada cuando un usuario pregunta:
¿Cuál debería elegir?
Por eso Recommendation Rate debería analizarse especialmente dentro de:
prompts comerciales,
comparaciones,
alternativas,
vendor discovery
y:
preguntas de alta intención.
Pero una tasa de recomendación aislada tampoco es suficiente.
Debemos entender:
para qué temas somos recomendados,
en qué plataformas,
para qué audiencias,
con qué fuerza,
por qué razones
y:
qué competidores aparecen cuando nosotros no.
Así AI Recommendation Rate deja de ser simplemente otro porcentaje.
Se convierte en una forma de observar cómo una marca entra —o queda fuera— del consideration set generado por inteligencia artificial.
Y esa puede convertirse en una de las dimensiones comerciales más importantes de AI Brand Monitoring.
Mida si su marca está entrando en las recomendaciones que importan
No se limite a contar menciones.
Analice:
Recommendation Rate,
High-Intent Recommendations,
Recommendation Share of Voice,
competidores,
temas
y:
razones de recomendación.
Porque aparecer en una conversación es importante.
Pero cuando el usuario pregunta:
“¿Cuál debería elegir?”
la pregunta realmente importante es:
¿aparece su marca entre las opciones?