Consistencia de las respuestas de IA: lo que muestran 968 ejecuciones

Las respuestas de la IA al mismo prompt cambian a menudo, y las fuentes que citan cambian muchísimo más que las marcas que mencionan. En 968 ejecuciones repetidas de 42 pares de prompt y motor seguidos en AI Rank Lab entre el 13 de febrero y el 14 de octubre de 2026, 18 de los 42 pares (42,9 %) pasaron al menos una vez de mencionar a no mencionar la marca seguida, o al revés, y dos ejecuciones consecutivas del mismo prompt tuvieron un solapamiento mediano de dominios citados de apenas 0,41 (Jaccard). En pocas palabras: una ejecución es una muestra, no una medición.

Este es un estudio con datos propios. A continuación tienes las cifras por motor, el método y sus límites, cómo encajan nuestros resultados con los trabajos publicados por Profound, Otterly, SparkToro e investigadores de la Universidad de St. Gallen, y una respuesta práctica a las dos preguntas con las que tropieza cualquier informe de visibilidad en IA: ¿cada cuánto hay que medir y cuántas ejecuciones necesitas antes de fiarte de un cambio?

¿Qué medimos y cómo lo hicimos?

Medimos cuánto cambia, de una ejecución a la siguiente, la respuesta a un mismo prompt en un mismo motor. Los datos proceden de ejecuciones de prompts programadas y manuales en el rastreador de visibilidad de marca de AI Rank Lab, que lanza los prompts de un usuario en motores de IA y registra si se mencionó la marca seguida y qué dominios citó la respuesta. Aviso: AI Rank Lab es nuestro producto, y estos datos se recopilaron con él.

Parámetro del estudio	Valor
Periodo	Ejecuciones correctas entre el 13 de febrero de 2026 y el 14 de octubre de 2026
Criterio de inclusión	Solo pares de prompt + motor con 5 o más ejecuciones correctas
Muestra	42 pares de prompt y motor, 968 ejecuciones (unas 23 ejecuciones por par de media)
Motores con pares válidos	Gemini (13 pares), ChatGPT (11), Claude (11), Perplexity (6), Google AI Overview (1). Google AI Mode no tenía ningún par con 5 o más ejecuciones.
Marcas	Procedentes de 12 dominios seguidos, sobre todo marcas de marketing y software. Aquí no se nombra ningún dominio de cliente.
Duración típica por par	Mediana de 25,3 días para ChatGPT, Claude y Gemini; 12,8 días para Perplexity; 37,6 días para el único par de AI Overview

Usamos cuatro métricas, cada una calculada por par y luego resumida como mediana (o como recuento) entre todos los pares:

• Alternancia de mención: las ejecuciones del par no coincidieron todas en si se mencionaba o no la marca. Los pares que nunca alternaron son de «siempre mencionada» o «nunca mencionada».
• Jaccard entre ejecuciones consecutivas: para cada pareja de ejecuciones seguidas, el número de dominios citados que comparten dividido entre el número de dominios distintos que citó cualquiera de las dos. 1,0 significa listas de fuentes idénticas; 0, ningún solapamiento. Promediamos este valor dentro de cada par y luego tomamos la mediana entre pares.
• Dominios presentes en todas las ejecuciones: la proporción de todos los dominios que un par llegó a citar que aparecieron en todas y cada una de sus ejecuciones.
• Dominios distintos en todas las ejecuciones frente a por ejecución: cuántos dominios distintos citó el par a lo largo de todo su historial, dividido entre cuántos citó de media una sola ejecución.

Las ejecuciones pasan por la API de cada motor con la búsqueda web o el grounding de búsqueda activados, no por las apps de chat para consumidores, y la instrucción de puntuación nombra la marca seguida para poder puntuar la respuesta. Ambas decisiones importan a la hora de interpretar los datos, y volvemos sobre ellas en el apartado de limitaciones.

¿Con qué frecuencia cambian las respuestas de IA ante el mismo prompt?

Lo bastante como para que una sola ejecución diga poco. De los 42 pares, 18 (42,9 %) alternaron la mención de marca al menos una vez, 19 aparecieron mencionados en todas las ejecuciones y 5 no lo fueron nunca. En cuanto a las fuentes, dos ejecuciones seguidas del mismo prompt compartían una mediana del 41 % de los dominios citados por cualquiera de ellas, así que, más o menos, tres de cada cinco dominios de dos respuestas consecutivas aparecían solo en una. Esa es la conclusión central sobre la consistencia de las respuestas de IA en nuestra muestra: el veredicto de marca es inestable en una minoría importante de prompts, y la lista de fuentes lo es en casi todos.

Principales resultados por motor

Motor	Pares	Ejecuciones	Pares que alternaron la mención	Siempre / nunca mencionada	Jaccard mediano entre ejecuciones consecutivas	% mediano de dominios citados en todas las ejecuciones	Dominios distintos en total frente a por ejecución
Perplexity	6	224	4 (66,7 %)	2 / 0	0,59	3,8 %	2,43x
ChatGPT	11	239	6 (54,5 %)	1 / 4	0,54	7,7 %	2,29x
Claude	11	226	5 (45,5 %)	6 / 0	0,53	10,0 %	2,61x
Gemini	13	274	3 (23,1 %)	10 / 0	0,26	2,1 %	3,50x
Google AI Overview*	1	5	0 (0 %)	0 / 1	0,41	3,3 %	2,63x
Todos los motores	42	968	18 (42,9 %)	19 / 5	0,41	3,5 %	2,68x

*Un solo par con cinco ejecuciones es una anécdota, no un hallazgo. Lo mostramos solo para que la tabla esté completa. El Jaccard de todos los motores (0,41) queda por debajo de tres de los cuatro motores principales porque es la mediana de los 42 pares juntos, y los 13 pares de Gemini, con poco solapamiento, tiran de ella hacia abajo.

¿Qué motor de IA da las respuestas más consistentes?

Depende de qué tipo de consistencia busques, y en nuestros datos los dos tipos apuntaron en direcciones opuestas.

• Fuentes más consistentes: Perplexity. Sus ejecuciones consecutivas compartían una mediana de 0,59 de los dominios citados, la más alta de todos los motores. Un matiz: los pares de Perplexity se ejecutaron con más densidad, unas 37 ejecuciones cada uno en una mediana de 12,8 días, frente a unas 20 a 22 ejecuciones en una mediana de 25,3 días en los demás motores. Las ejecuciones más próximas en el tiempo tienen menos margen para desviarse, lo que puede favorecer su cifra.
• Veredicto de marca más consistente: Gemini. Solo 3 de sus 13 pares (23,1 %) alternaron alguna vez, y 10 aparecieron mencionados en todas las ejecuciones. Creemos que esto refleja sobre todo la mezcla de prompts que se siguió en Gemini más que una propiedad de Gemini, y nuestra muestra no permite separar una cosa de la otra.
• Fuentes menos consistentes: Gemini. Un Jaccard mediano de 0,26, solo el 2,1 % de los dominios citados presentes en todas las ejecuciones y 3,5 veces más dominios distintos a lo largo del tiempo que en una ejecución típica. Gemini seguía nombrando la marca mientras cambiaba las páginas a las que remitía.
• Mayor proporción de fuentes «permanentes»: Claude. Una mediana del 10 % de los dominios que Claude citó para un par apareció en todas las ejecuciones, la cifra más alta de los cuatro motores principales.
• ChatGPT quedó en el término medio en solapamiento de fuentes (0,54) y fue el que tuvo más pares en los que nunca se mencionó la marca (4 de 11).

¿Son más estables las menciones de marca que las fuentes citadas?

Sí. En nuestros datos, 24 de los 42 pares (19 siempre mencionados más 5 nunca mencionados) dieron el mismo veredicto de marca en todas las ejecuciones, mientras que solo una mediana del 3,5 % de los dominios citados sobrevivió a todas. Los trabajos publicados coinciden: el estudio de estabilidad de Otterly vio que entre el 12 % y el 19 % de las marcas aparecían un solo día en una ventana de 30 días, frente a hasta el 67 % de las fuentes citadas, y el artículo de St. Gallen midió un Jaccard de marca día a día de 0,45 a 0,59, frente a 0,34 a 0,42 para las fuentes. Si vas a reportar un solo número, una tasa de mención de marca sobre una ventana es más estable que cualquier captura de «qué páginas se citaron». Nuestra guía sobre menciones de marca frente a citas explica por qué cada una necesita su propio KPI.

¿Por qué los motores de IA dan respuestas distintas a la misma pregunta?

Porque una respuesta de IA es el final de una cadena de pasos, y casi todos tienen algo de aleatoriedad o algún dato de entrada que cambia. La tabla recoge las causas principales y si un sistema de seguimiento puede controlarlas.

Causa de la variación	Qué cambia	Evidencia	¿Puede controlarla un rastreador?
Muestreo de tokens e inferencia no determinista	Redacción, qué marcas se nombran, orden	Thinking Machines obtuvo 80 respuestas únicas de 1.000 peticiones idénticas con temperatura 0	No. Las apps para consumidores no lo exponen.
Recuperación y query fan-out	Qué páginas se recuperan y se citan	Google dice que AI Overviews y AI Mode pueden lanzar varias búsquedas relacionadas sobre distintos subtemas	No. Solo puedes muestrearlo repetidamente.
Cambios en el índice y en la web	Entran páginas nuevas, salen las antiguas	Profound midió que entre el 40,5 % y el 59,3 % de los dominios citados cambiaban en un mes	No. Es un cambio real que quieres ver.
Actualizaciones de modelo	Saltos bruscos tanto en menciones como en fuentes	Profound informa de una deriva que crece hasta el 70 %-90 % de enero a julio	En parte. Registra las versiones de modelo y anota los lanzamientos.
Personalización, ubicación, memoria	Lo que ve cada usuario concreto	Los estudios los mantienen constantes; los usuarios reales, no	En parte. Fija la ubicación y la configuración en el seguimiento.
Productos distintos de la misma empresa	Todo el conjunto de fuentes	Ahrefs encontró un 13,7 % de solapamiento de citas entre AI Mode y AI Overviews	Sí. Sigue cada superficie por separado.

Muestreo. Los modelos de lenguaje eligen cada token siguiente a partir de una distribución de probabilidad, así que un mismo prompt puede producir textos distintos. Ni siquiera poner la temperatura a cero hace que los modelos alojados sean totalmente repetibles: Thinking Machines Lab ejecutó el mismo prompt 1.000 veces con temperatura 0 en Qwen3-235B y obtuvo 80 respuestas únicas, algo que atribuyó a kernels de inferencia cuyos resultados dependen del tamaño de lote y, por tanto, de la carga del servidor.

Recuperación. Las respuestas con búsqueda dependen de lo que el motor recupera. La propia documentación de Google sobre funciones de IA indica que AI Overviews y AI Mode pueden usar el «query fan-out», lanzando varias búsquedas relacionadas sobre distintos subtemas, y que ambas funciones «pueden usar modelos y técnicas diferentes, por lo que el conjunto de respuestas y enlaces que muestran variará». Pequeñas diferencias en qué subconsultas se lanzan, y en lo que devuelven, cambian la lista de citas. Nuestra guía sobre el query fan-out explica el mecanismo.

Cambio real con el tiempo. Parte del movimiento es genuino: se publican páginas nuevas, los rankings se mueven y los modelos se actualizan. El estudio de volatilidad de Profound vio que entre el 40 % y el 60 % de los dominios citados cambiaron entre junio y julio de 2025 para los mismos prompts, y su posterior estudio sobre la vida media de las citas concluyó que la página citada mediana pierde la mitad de su cuota máxima de citas en los 11 días posteriores a su pico. Nuestro periodo abarca ocho meses y las versiones de modelo no estaban fijadas, así que parte de nuestra rotación es esta deriva real, no ruido.

Superficies distintas. Incluso dentro de una misma empresa, los productos difieren. Ahrefs comparó 540.000 pares de consultas y vio que AI Mode y AI Overviews citaban las mismas URL solo el 13,7 % de las veces, aunque sus respuestas eran semánticamente similares el 86 % de las veces.

¿Cómo encajan estos resultados con los de Profound, Otterly, SparkToro y St. Gallen?

En líneas generales, coinciden: las listas de fuentes rotan mucho, la presencia de marca es más estable y las capturas aisladas engañan. La tabla pone las cifras publicadas una al lado de otra. Ojo, las métricas no son las mismas, así que compara tendencias, no decimales.

Estudio	Quién lo publicó	Muestra	Hallazgo comparable
AI Rank Lab (este estudio)	Proveedor (nosotros)	42 pares de prompt y motor, 968 ejecuciones, de febrero a octubre de 2026	Jaccard de dominios citados entre ejecuciones consecutivas de 0,41; el 42,9 % de los pares alternó la mención de marca
Don't Measure Once (Schulte, Bleeker, Kaufmann)	Investigadores de la Universidad de St. Gallen	32 prompts en alemán suizo, 4 motores, de 45 a 46 días entre enero y marzo de 2026	Jaccard de fuentes día a día de 0,34 a 0,42; repeticiones en menos de 24 horas de 0,32 a 0,43; Jaccard de marca de 0,45 a 0,59
Estudio de estabilidad de Otterly AI	Proveedor	520 prompts, 7 motores, 252.407 respuestas, ejecuciones diarias	ChatGPT y AI Mode reutilizaron alrededor del 26 % de las fuentes de un día para otro; Perplexity, alrededor del 75 %
Profound: volatilidad en la búsqueda con IA	Proveedor	Unos 80.000 prompts por plataforma, junio frente a julio de 2025	Entre el 40,5 % (Perplexity) y el 59,3 % (AI Overviews) de los dominios citados cambiaron en un mes
Yotpo: ¿cuánto dura una cita de la IA?	Proveedor	Prompts de comercio, cada semana durante más de 14 semanas	Estabilidad semanal de citas de 0,30 (ChatGPT) y 0,24 (Gemini)
SparkToro y Gumshoe (vía Search Engine Journal)	SparkToro con un proveedor de seguimiento	2.961 ejecuciones de prompts hechas por voluntarios en ChatGPT, Claude y la IA de Google	La misma lista de marcas en menos de 1 de cada 100 casos; la presencia de marca es más estable que el orden

Todos los estudios de esta tabla, salvo el artículo de St. Gallen, vienen de empresas que venden seguimiento de visibilidad en IA, incluida la nuestra. Conviene tenerlo presente cada vez que alguno de ellos, nosotros incluidos, concluye que necesitas medir más.

Dónde coincidimos. Nuestro solapamiento global de fuentes de 0,41 cae dentro del rango de St. Gallen (de 0,34 a 0,42 día a día). Que Perplexity sea el motor con las fuentes más estables coincide con Otterly (alrededor del 75 % de reutilización diaria) y con Profound (la menor deriva mensual, con un 40,5 %). Que la presencia de marca sea más estable que las fuentes coincide con Otterly, St. Gallen y SparkToro.

Dónde discrepamos. En las repeticiones de St. Gallen en menos de 24 horas, Gemini fue el motor con las fuentes más estables (Jaccard de 0,505) y Perplexity, de los menos estables (0,282): justo al revés que en nuestra clasificación. Sus ejecuciones se hicieron en alemán, desde servidores suizos y a lo largo de pocos días; las nuestras son sobre todo prompts de marketing y software en inglés repartidos durante semanas. La clasificación de motores por estabilidad no se puede trasladar tal cual entre mercados y configuraciones, y por eso conviene crear tu propia línea base por motor en lugar de tomar prestada la de otro, incluida la nuestra.

¿Y Peec AI? A 18 de octubre de 2026 no encontramos ninguna cifra publicada de Peec AI sobre estabilidad en ejecuciones repetidas. Su página de precios describe la cobertura de seguimiento como prompts seguidos multiplicados por modelos activos y frecuencia de seguimiento, y su vista general de visibilidad como seguida a diario, lo que implica el mismo enfoque basado en ventanas.

¿Es fiable una sola captura de visibilidad en IA?

No. En nuestra muestra, el 43 % de los pares de prompt y motor habría dado un veredicto de marca distinto según la ejecución que te tocara mirar, y una ejecución típica mostraba bastante menos de la mitad de los dominios que ese par citó con el tiempo (la ratio de dominios distintos de 2,68x significa que una ejecución recogía aproximadamente el 37 % del conjunto final de fuentes del par). Los voluntarios de SparkToro vieron que ChatGPT y la IA de Google devolvían la misma lista de marcas en menos de una de cada 100 ejecuciones. Una captura de pantalla demuestra que una respuesta ocurrió una vez. No te dice cuál es tu visibilidad.

¿Qué deberían mostrar los informes de visibilidad en IA en lugar de capturas?

Tasas sobre ventanas de tiempo. Cambia «¿nos mencionaron?» por «¿en qué porcentaje de ejecuciones nos mencionaron en los últimos N días, y sobre cuántas ejecuciones?». Esta es la configuración de reporte que recomendamos, y la misma de la que salen estos datos:

1. Fija el conjunto de prompts. Mantén una lista estable de prompts por motor para que el denominador no se mueva. Cambiar los prompts altera la métrica más que la mayoría de los cambios reales; la prueba de una vez al día de Profound vio que la elección de la cartera de prompts movía la cuota de citas aproximadamente un orden de magnitud más que la deriva diaria.
2. Ejecuta según un calendario. A diario es lo habitual. En AI Rank Lab, las ejecuciones programadas de prompts lo hacen automáticamente en ChatGPT, Claude, Gemini y Perplexity y guardan cada ejecución, que es como se fueron acumulando los datos de este artículo.
3. Reporta la tasa de mención sobre una ventana. Ejecuciones con mención divididas entre el total de ejecuciones, en un periodo de 14 a 28 días, con el número de ejecuciones junto a la tasa.
4. Reporta la cuota de citas por separado. Sigue cuáles de tus URL se citan a lo largo de la ventana, no en una sola ejecución. Cuenta con que la lista rote; fíjate en la cuota, no en quién está dentro. Nuestro rastreador de citas es una forma de hacerlo.
5. Separa los motores. Nuestros motores no coincidieron en qué tipo de estabilidad tenían. Una puntuación combinada lo oculta.
6. Anota los cambios de modelo y de producto. Cuando un motor lance un modelo nuevo, marca la fecha para que un salto brusco no se confunda con un acierto o un fallo de contenido.
7. Actúa ante cambios persistentes. Da un cambio por real cuando se mantenga durante dos ventanas consecutivas y aparezca en más de un prompt.

Si tu equipo usa un único número de visibilidad en IA, nuestra guía sobre cómo se mide una puntuación AEO explica qué debería haber detrás.

¿Cuántas ejecuciones necesitas antes de fiarte de un cambio?

Más de las que sugieren la mayoría de los dashboards, sobre todo a nivel de un solo prompt. Una tasa de mención es una proporción, así que su incertidumbre se reduce con el número de ejecuciones que la respaldan. La tabla usa la aproximación normal estándar para una tasa de mención del 50 % (el peor caso) y supone ejecuciones independientes. Las ejecuciones reales están correlacionadas, así que tómalas como mínimos optimistas.

Ejecuciones en la ventana	Margen aprox. del 95 % sobre una tasa	Cambio necesario entre dos ventanas para superar el ruido	Ejemplo
5	+/- 44 puntos	unos 62 puntos	Un prompt, ejecutado 5 días
10	+/- 31 puntos	unos 44 puntos	Un prompt, ejecutado 10 días
20	+/- 22 puntos	unos 31 puntos	Un prompt, ejecutado a diario durante unas 3 semanas (cerca de nuestra media de 23 por par)
30	+/- 18 puntos	unos 25 puntos	Un prompt, ejecutado a diario durante un mes
60	+/- 13 puntos	unos 18 puntos	Dos prompts sobre el mismo tema, a diario durante un mes
100	+/- 10 puntos	unos 14 puntos	Un clúster temático de prompts, con varias ejecuciones cada uno

De aquí salen dos conclusiones. Primera: que la tasa de mención de un solo prompt pase del 50 % al 65 % entre dos ventanas de tres semanas está de lleno dentro del ruido. Segunda: la forma limpia de conseguir más ejecuciones suele ser añadir más prompts, no repetir más veces el mismo. El artículo de St. Gallen llega a una conclusión parecida con sus propios datos: el error estándar de la tasa de detección por marca bajó de 0,10 con 7 ejecuciones por prompt, y una ventana móvil llevó el error por marca por debajo de 0,10 a los 10 días y por debajo de 0,05 a los 24 días, por lo que los autores recomiendan ventanas de dos a cuatro semanas.

Las pruebas de los proveedores no coinciden sobre las repeticiones diarias, pero miden algo distinto. Profound vio que las ejecuciones una vez al día quedaban a unos 2 puntos de las de diez veces al día en visibilidad (78,7 % frente a 80,4 %) en 753 prompts, y Meikai vio que 1 ejecución al día daba la misma señal agregada que 10 en 500 prompts. Ambos son resultados a nivel de cartera, con cientos de prompts detrás. La forma de reconciliarlos es sencilla: con un conjunto grande de prompts, una vez al día basta; para diagnosticar un prompt concreto, necesitas muchas ejecuciones de ese prompt.

¿Cuántos prompts necesitas seguir?

Los suficientes para que las rarezas de un solo prompt no muevan la cifra, y en la práctica eso significa decenas por motor, no un puñado. Otterly vio que, con 10 prompts, el 90 % de sus resultados de cobertura de marca caía en cualquier punto entre el 39 % y el 71 %; con 100 prompts, el rango se estrechaba al 51 %-60 %, alrededor de un 73 % menos de variación. Los autores de St. Gallen vieron que el Jaccard por prompt iba de menos de 0,2 a más de 0,8 dentro de una misma campaña. Nuestra muestra refleja la misma dispersión: dentro de un mismo motor, algunos pares nunca alternaron y otros lo hicieron una y otra vez.

Nuestro mínimo práctico: al menos 50 prompts por motor para una cifra a nivel de marca, agrupados en clústeres temáticos, y más de 100 si quieres comparar motores o segmentos. Es una valoración basada en los estudios anteriores, no algo que nuestra muestra de 42 pares pueda demostrar por sí sola. Elegir bien los prompts importa tanto como su número.

¿Cada cuánto conviene medir la visibilidad en IA?

Ejecuta los prompts a diario y reporta sobre ventanas móviles de 14 a 28 días. La cadencia de ejecución y la de reporte son decisiones distintas: las ejecuciones tienen que ser lo bastante frecuentes para llenar la ventana de muestras, y los informes, lo bastante pausados para que cada ventana reúna ejecuciones suficientes como para significar algo. En nuestros datos, los pares de ChatGPT, Claude y Gemini acumularon unas 20 a 22 ejecuciones en una mediana de 25 días, cerca de una al día, e incluso así las tasas de mención de un solo prompt quedaban con márgenes de error amplios.

Situación	Cadencia de ejecución	Ventana de reporte	Qué vigilar
Monitorización continua de marca	Diaria	28 días móviles, revisados cada semana o cada mes	Tasa de mención y cuota de citas por motor
Lanzamiento, cambio de marca o crisis de reputación	Diaria, con más prompts sobre el tema afectado	14 días móviles	Tasa de mención y sentimiento en los prompts afectados
Prueba de un cambio de contenido	Diaria en los prompts objetivo	14 días antes frente a 14 días después, como mínimo	Cuota de citas de la URL modificada a lo largo de la ventana
Presupuesto ajustado	Semanal es aceptable si amplías la ventana	De 8 a 12 semanas	Solo la tendencia de la tasa de mención
Diagnóstico de un prompt importante	Varias ejecuciones al día	De 1 a 2 semanas	Qué fuentes y competidores se repiten

Para una visión más amplia de qué seguir y por qué, consulta nuestra guía de seguimiento de la visibilidad en IA.

¿Qué limitaciones tiene este estudio?

Bastantes, y marcan el alcance de lo que puedes sacar de él.

• Muestra pequeña y desigual. 42 pares y 968 ejecuciones, de 12 dominios seguidos con sesgo hacia el marketing y el software. Perplexity tiene 6 pares, Google AI Overview 1 y Google AI Mode ninguno. Los porcentajes por motor sobre 6 a 13 pares pueden variar mucho por un solo par.
• No es una muestra aleatoria de prompts. Los usuarios eligieron los prompts para seguir sus propias marcas. El alto número de pares siempre mencionados en Gemini (10 de 13) refleja, con toda probabilidad, esa mezcla.
• API, no apps para consumidores. Las ejecuciones usaron la API de cada motor con la búsqueda web o el grounding activados, y sin personalización. Un usuario con sesión iniciada puede ver más o menos variación.
• La marca aparece en la instrucción de puntuación. Eso permite al rastreador puntuar la respuesta, pero puede elevar las tasas de mención absolutas en comparación con un chat en blanco. Por eso nos centramos en la estabilidad, no en la frecuencia con la que se mencionan las marcas.
• Puntuación automatizada. Las menciones y los dominios citados se detectan automáticamente a partir del texto de la respuesta y sus citas; no revisamos a mano cada ejecución.
• Espaciado irregular y modelos sin fijar. Las ejecuciones no seguían un reloj fijo (Perplexity fue el más denso), y las versiones de modelo no se fijaron durante todo el periodo, así que nuestra rotación mezcla ruido con deriva real.
• Dominios, no URL, y sin posiciones. El solapamiento se mide sobre dominios citados, lo que es más benévolo que el solapamiento a nivel de URL, y no analizamos la posición dentro de la respuesta.
• Sin pruebas de significación. Son medianas y recuentos descriptivos. No los extrapoles a otros sectores, idiomas ni motores.

Repetiremos este análisis a medida que crezca la muestra y publicaremos las cifras actualizadas con las mismas definiciones.

En resumen

La consistencia de las respuestas de IA es tan baja que cualquier ejecución aislada puede engañarte, y las listas de fuentes rotan mucho más que las menciones de marca. La solución no son más capturas de pantalla: es un conjunto fijo de prompts, ejecuciones diarias y tasas reportadas sobre ventanas de dos a cuatro semanas, por motor y con el número de ejecuciones a la vista. Si quieres esa configuración sin montarla tú, el seguimiento de visibilidad de marca de AI Rank Lab ejecuta tus prompts según un calendario y guarda cada ejecución, para que puedas leer tendencias en lugar de capturas.