Llevamos años midiendo el SEO Local con indicadores bastante claros: posiciones, clics, impresiones, llamadas, solicitudes de cómo llegar o conversiones desde Google Business Profile. Pero, ¿qué ocurre cuando el usuario deja de buscar en Google y empieza a preguntarle directamente a ChatGPT, Gemini o Copilot? ¿Qué KPIs hay que medir ahora saber si eres una opción de interés para la IA? Te lo cuento todo en el podcast de Negocios Locales, que puedas escuchar en Apple Podcast | Spotify | Ivoox.
Hasta ahora el objetivo era relativamente sencillo: conseguir que nuestro negocio apareciera cuando alguien buscaba «dentista en Pozuelo» o «psicólogo en Alcobendas».
Ahora la situación es más compleja. Un usuario puede preguntar: «Tengo miedo al dentista, vivo en Pozuelo y necesito un implante. ¿Qué clínica me recomendarías?»
La IA no solo recupera información. Construye una respuesta utilizando múltiples fuentes y decide qué negocios mencionar, cómo describirlos e incluso en qué orden presentarlos.
Eso obliga a replantearnos qué métricas debemos empezar a seguir.
Durante el evento Search ‘n Stuff, Aleyda Solis presentó una propuesta de cinco KPIs para analizar la visibilidad en buscadores con IA. Me parece un excelente punto de partida, aunque creo que merece la pena aterrizarlo al mundo del SEO Local, donde aparecen algunos matices muy interesantes.
El primer cambio no son los prompts. Es el contexto.
Cuando empezamos a hablar de SEO para IA, es fácil caer en la tentación de pensar que las keywords han sido sustituidas por prompts.
En realidad, no es tan simple.
Lo que ha cambiado no es la necesidad del usuario. Una persona sigue queriendo encontrar un buen dentista, un fisioterapeuta especializado o un abogado que le resuelva un problema.
Lo que cambia es la forma en la que expresa esa necesidad, estamos ante búsquedas conversacionales.
Mientras que en Google tendíamos a resumirla en unas pocas palabras («dentista Pozuelo», «psicólogo ansiedad Madrid»), en un LLM el usuario suele formular una conversación mucho más rica.
Por ejemplo:
«Vivo en Pozuelo, tengo bastante miedo al dentista y necesito un implante. ¿Qué clínica me recomendarías?»
O:
«Busco un abogado especializado en herencias porque mis hermanos y yo no conseguimos ponernos de acuerdo con la vivienda de mis padres.»
Ese contexto adicional hace que dos personas que, en esencia, buscan lo mismo puedan recibir respuestas completamente distintas.
Y eso tiene una consecuencia importante para quienes hacemos SEO Local: ya no basta con medir si aparecemos para una consulta. Tenemos que entender en qué tipos de conversaciones aparece nuestro negocio y en cuáles desaparece.
1. KPI Prompt Coverage: ¿apareces cuando realmente importa?
El primer KPI mide algo aparentemente sencillo:
¿En cuántas preguntas relevantes aparece mi negocio?
Si analizamos cien preguntas y una clínica dental aparece en sesenta y dos, su Prompt Coverage sería del 62 %.
Fórmula: Prompt Coverage = (Prompts en los que aparece la marca / Total de prompts analizados) × 100
Ejemplo:
- 100 prompts
- apareces en 62
Prompt Coverage = 62 %
Pero aquí aparece el primer error que podemos cometer. No sirve de mucho medir preguntas elegidas al azar. Imaginemos una clínica dental especializada en implantología. Si únicamente analizamos preguntas como:
- ¿Cuál es el mejor dentista de Madrid?
- ¿Qué dentista tiene mejores reseñas?
- ¿Dentistas cerca de mí?
Es posible que obtengamos una buena cobertura.
Sin embargo, quizá la mayor parte de la facturación de esa clínica procede de pacientes que buscan:
- «¿Qué dentista me recomiendas en Pozuelo para ponerme un implante?»
- «¿Qué clínica tiene más experiencia en implantes dentales?»
- «Tengo mucho miedo al dentista, ¿qué clínica ofrece sedación consciente en Madrid?»
- «¿Qué dentista trabaja con Adeslas en Pozuelo y tiene buenas reseñas?»
Si desaparecemos precisamente en esas preguntas, nuestro problema es mucho mayor que no aparecer en una búsqueda genérica.
El Prompt Coverage no debería medir cantidad de prompts, debe medir cobertura sobre las conversaciones que realmente generan negocio.
2. KPI Recommendation Rate: aparecer ya no es suficiente
Una de las mayores diferencias entre Google y un LLM es que el modelo no solo recupera información. También recomienda. Y la pregunta que nos tenemos que hacer es ¿La IA considera que mi negocio merece ser incluido entre las opciones?
No es igual que ChatGPT responda: En Pozuelo existen varias clínicas como Clínica A, Clínica B y Clínica C.
Que responda: Si buscas un implante dental en Pozuelo, probablemente empezaría valorando la Clínica A por su experiencia y las opiniones de sus pacientes.
En ambos casos la clínica aparece, pero solo en el segundo existe una recomendación explícita.
Lo mismo ocurre con un psicólogo. No es lo mismo leer que en Madrid existen numerosos psicólogos especializados en ansiedad.
Que recibir una respuesta como: Si buscas un psicólogo especializado en ansiedad social, la consulta de Pepito Pérez destaca por su experiencia con adultos jóvenes.
La diferencia es enorme porque la IA ya no solo está mostrando opciones, está ayudando al usuario a decidir.
Fórmula: Número de respuestas donde la IA recomienda explícitamente la marca / Número de respuestas donde aparece la marca) × 100
Ejemplo.
Apareces en 50 prompts.
Solo en 30 la IA utiliza expresiones como:
- recomendaría…
- una buena opción es…
- destaca por…
- especialmente recomendable…
Recommendation Rate: 30 / 50 = 60 %
3. KPI Linked Citation Rate: cuando la IA cita tu web
El tercer KPI mide algo muy sencillo:
¿Cuántas veces la IA enlaza directamente a mi web como fuente de información?
Es lo que se conoce como Linked Citation Rate.
Por ejemplo, imaginemos que un usuario pregunta:
«¿Qué fisioterapeuta me recomiendas para una lesión de rodilla en Alcobendas?»
La IA puede responder recomendando varias clínicas y, además, incluir enlaces a alguna de ellas o a otras páginas que ha utilizado para construir la respuesta. Cuantas más veces aparezca un enlace hacia tu web, mayor será tu Linked Citation Rate.
A priori, parece un indicador muy interesante. Al fin y al cabo, un enlace puede generar tráfico y es una señal de que el modelo considera tu contenido una fuente fiable.
Fórmula: Respuestas donde aparece un enlace hacia nuestra web / Respuestas donde aparece nuestra marca) × 100
Ejemplo: La clínica aparece en 40 respuestas. Solo en 12 existe un enlace.
Linked Citation Rate: 30 %
Sin embargo, creo que aquí conviene hacer una reflexión.
¿Realmente los enlaces reflejan tráfico?
Las enlaces no siempre representan tráfico para una marca.
Imaginemos que un usuario pregunta:
«¿Qué abogado especializado en herencias me recomiendas en Valencia?»
La IA responde:
«Los despachos más reconocidos son Bufete García, LegalHerencias y Martínez Abogados.»
Pero la única fuente enlazada es un artículo de un periódico local que compara despachos.
Si solo midiéramos los enlaces, concluiríamos que ninguno de esos bufetes tiene buen link citation rate. Y, sin embargo, son precisamente los nombres que el usuario acaba de leer y probablemente recordará.
Lo mismo podría ocurrir con una clínica dental o una consulta de psicología. La IA puede recomendar el negocio utilizando como fuente una asociación profesional, un directorio o un medio especializado, sin enlazar nunca la web de la clínica.
Por eso creo que el Linked Citation Rate sigue siendo un KPI útil, especialmente para estimar el potencial de tráfico que puede llegar desde los buscadores con IA, pero no debería utilizarse como sinónimo de tráfico directo. Una cosa es la fuente que utiliza el modelo para construir la respuesta y otra muy distinta el negocio que el usuario percibe como la recomendación.
4. Comparative Win Rate: probablemente el KPI más importante
Si tuviera que elegir un indicador con impacto directo sobre el negocio, probablemente sería este. El Comparative Win Rate mide qué ocurre cuando el usuario compara dos alternativas. Y la pregunta que nos tenemos que hace es ¿Cuando el usuario pide elegir entre alternativas, cuál selecciona la IA como mejor opción?
Por ejemplo:
¿Qué fisioterapeuta es mejor en Alcobendas, Clínica A o Clínica B?
O:
¿Qué psicólogo me recomendarías para tratar ansiedad, Ana López o Javier Martín?
O:
¿Qué despacho de abogados tiene mejores opiniones para una herencia complicada?
Fórmula: Comparativas ganadas / Comparativas analizadas) × 100
Ejemplo: 20 comparativas. La IA considera mejor nuestra clínica en 14. El Win Rate es del 70 %
Aquí ya no hablamos de aparecer. Hablamos de ganar. Es el momento en el que el usuario está tomando una decisión.
Y sospecho que será una de las consultas que más crecerán en los próximos años. No basta con aparecer en una comparación. También importa el orden.
No es igual que ChatGPT responda:
- Clínica A
- Clínica B
- Clínica C
Que colocar nuestra clínica en tercer lugar.
Todas aparecen.
Pero solo una ocupa la primera posición en la mente del usuario. Creo que veremos surgir métricas relacionadas con la preferencia del modelo, algo parecido a un AI Share of Preference, que mida quién ocupa el primer lugar en las recomendaciones.
Porque igual que llevábamos años peleando por la primera posición en Google y en el Local Pack, ahora empezaremos a competir por ser la primera opción que propone una IA.
Algunos podéis pensar que el Recommendation Rate y Comparative Win Rate con iguales pero no, es cierto que no son categorías completamente independientes, sino dos niveles del mismo proceso de decisión. Primero, la IA decide qué negocios merecen entrar en la lista de candidatos; después, cuando el contexto lo exige, prioriza unos frente a otros. La primera decisión mide inclusión. La segunda mide preferencia.
5. KPI Representation Accuracy: ¿la IA entiende realmente tu negocio?
Este KPI me parece especialmente relevante para el SEO Local, porque una cosa es aparecer y otra muy distinta aparecer por aquello por lo que quieres ser conocido.
Imaginemos un fisioterapeuta especializado en rehabilitación deportiva. Sin embargo, ChatGPT lo describe como una clínica de masaje terapéutico.
O un despacho especializado en derecho mercantil que la IA presenta simplemente como un abogado generalista.
O una clínica dental referente en implantología que aparece descrita como especialista en ortodoncia.
En todos esos casos la IA conoce el negocio.
Pero lo entiende mal.
Y eso puede afectar directamente al tipo de pacientes o clientes que terminan llegando.
Fórmula: Representation Accuracy = (Características correctamente representadas / Características evaluadas) × 100
Aquí te dejo el resumen de los KPIs
| KPI | ¿Qué mide? | Fórmula propuesta |
|---|---|---|
| Prompt Coverage | ¿En cuántos prompts relevantes aparece mi negocio? | (N.º de prompts donde aparece mi marca / Total de prompts analizados) × 100 |
| Recommendation Rate | ¿Con qué frecuencia la IA recomienda mi negocio cuando aparece? | (N.º de respuestas donde la IA recomienda explícitamente mi marca / N.º de respuestas donde aparece mi marca) × 100 |
| Linked Citation Rate | ¿Con qué frecuencia la IA enlaza mi web como fuente? | (N.º de respuestas con enlace a mi web / N.º de respuestas donde aparece mi marca) × 100 |
| Comparative Win Rate | ¿Con qué frecuencia la IA elige mi negocio como la mejor opción cuando existen alternativas? | (N.º de comparativas ganadas / Total de respuestas comparativas analizadas) × 100 |
| Representation Accuracy | ¿Con qué precisión la IA describe mi negocio? | (N.º de atributos correctamente representados / Total de atributos evaluados) × 100 |
Estas fórmulas son una propuesta metodológica, ya que actualmente no existe un estándar de mercado para calcular estos KPIs. Lo importante no es utilizar exactamente estas fórmulas, sino aplicar siempre la misma metodología para poder comparar la evolución de la marca a lo largo del tiempo.
Cómo encajan los cinco KPIs: un modelo mental
Hasta aquí hemos visto cinco métricas que pueden parecer desconectadas entre sí. Pero si las ordenamos, aparece un modelo bastante sencillo de recordar.
Lo primero que hay que entender es que el Prompt Coverage no compite con los demás KPIs.
Es una precondición.
Prompt Coverage no es «más importante» que el Recommendation Rate o el Comparative Win Rate. Es simplemente el requisito previo para que cualquiera de ellos pueda existir. Si tu negocio no entra en la conversación, nunca podrá ser recomendado, comparado ni elegido por la IA.
Una vez has conseguido entrar en la respuesta, empieza la verdadera competición. Y esa competición es una escalera de dos peldaños:
¿Soy una opción? Eso lo mide el Recommendation Rate. La IA ya no se limita a mencionarte: te presenta como una alternativa que merece la pena valorar.
¿Soy la mejor opción? Eso lo mide el Comparative Win Rate. Es el momento de la decisión, cuando el usuario pide elegir y el modelo elige.
¿Y los otros dos KPIs? No son peldaños de la escalera, y ahí está la clave para entenderlos bien.
El Representation Accuracy es la estructura de la escalera. Porque si la IA entiende mal tu negocio —si presenta a un implantólogo como ortodoncista o a un despacho mercantilista como abogado generalista—, el problema no es que te caigas de un peldaño. Es que la escalera está mal construida: te lleva a ser recomendado, pero para los pacientes o clientes equivocados.
El Linked Citation Rate tampoco forma parte de la escalera. No mide cómo la IA habla de tu negocio, sino si utiliza tu contenido como fuente visible para construir la respuesta. Es una dimensión distinta —y la única de las cinco que te da una pista de qué contenido está alimentando al modelo.
Si tuviera que resumir estos cinco KPIs en una sola frase, sería esta:
Primero tienes que existir. Después tienes que ser una opción. Y, finalmente, tienes que convertirte en la elección de la IA.
¿Qué KPI pesa más según la intención de búsqueda?
Este modelo cobra todavía más sentido cuando lo cruzamos con algo que en SEO conocemos desde hace años: la intención de búsqueda.
Porque las preguntas que hacemos a una IA siguen respondiendo a las mismas intenciones de búsqueda que llevamos años trabajando en SEO:
Informacional: «¿Duele ponerse un implante dental?», «¿Cuántas sesiones necesita una rehabilitación de rodilla?»
Comercial: «¿Qué clínica me recomiendas para un implante en Pozuelo?»
Comparativa: «¿Qué fisioterapeuta es mejor en Alcobendas, la Clínica A o la Clínica B?»
Navegacional: «¿Qué horario tiene la Clínica García?», «¿Trabajan con Adeslas?», «¿Siguen abiertos los sábados?»
Y cada intención activa unos KPIs más que otros:
| KPI | Informacional | Comercial | Comparativa | Navegacional |
|---|---|---|---|---|
| Recommendation Rate | Bajo | Muy alto | Alto | Bajo |
| Comparative Win Rate | Bajo | Medio | Muy alto | Bajo |
| Representation Accuracy | Medio | Alto | Alto | Muy alto |
| Linked Citation Rate | Muy alto | Alto | Alto | Medio |
Aunque el Linked Citation Rate tiene un peso alto en las consultas comerciales y comparativas, conviene interpretarlo con cautela. La IA puede construir una recomendación utilizando información de tu negocio sin que el enlace visible apunte a tu web. Como vimos anteriormente, la fuente citada y el negocio recomendado no siempre coinciden.
En las consultas informacionales, el protagonista es tu contenido. La IA necesita apoyarse en material explicativo, qué es un implante, cuánto dura, cuándo duele, y suele citar las fuentes que utiliza. Es el territorio natural del Linked Citation Rate.
En las consultas comerciales, además de recomendar un negocio, el modelo necesita justificar por qué lo recomienda. Para ello puede apoyarse en información procedente de tu web, de tus reseñas, de directorios, de medios especializados o de otras fuentes. Por eso el Linked Citation Rate sigue siendo relevante, aunque el enlace visible no siempre apunte a tu sitio.
En las comparativas ocurre lo mismo: para argumentar por qué una opción es mejor que otra, la IA necesita fuentes. Las citas siguen teniendo peso, pero el KPI que determina el éxito del negocio es el Comparative Win Rate. Una cosa es influir en la respuesta y otra ganarla.
En las navegacionales predominan los datos operativos: horario, teléfono, dirección, aseguradoras. Aquí la precisión importa más que la citación. Un horario mal dado o un teléfono antiguo es un cliente perdido en la puerta. Es el equivalente en IA de las llamadas y las solicitudes de «cómo llegar» de Google Business Profile.
Nota: los niveles (Bajo, Medio, Alto, Muy alto) representan la relevancia de cada KPI para ese tipo de intención de búsqueda, no su dificultad ni el rendimiento esperado.
La dimensión geográfica: el geogrid de prompts
Hay algo que todavía no hemos tocado y que, para quienes hacemos SEO Local, es probablemente lo más importante de todo.
En SEO Local llevamos años sabiendo que la posición no es un número único. Es un mapa.
Un dentista puede estar primero en el Local Pack para alguien que busca desde Pozuelo y ser invisible para alguien que busca a tres kilómetros. Por eso usamos geogrids y mapas de calor: porque la visibilidad local siempre ha tenido coordenadas.
Pues bien, con los LLMs pasa exactamente lo mismo. Pero con una diferencia fundamental que cambia cómo se mide.
En Google, la ubicación se detecta. El buscador sabe dónde estás por el GPS o la IP, y adapta los resultados sin que tú digas nada.
En un LLM, la ubicación se declara. Es el usuario quien la introduce en la conversación: «vivo en Pozuelo», «estoy por Majadahonda», «busco algo cerca de Aravaca».
Es cierto que algunos asistentes ya pueden inferir tu ubicación si les das permisos, y enseguida veremos el caso de Gemini y AI Mode, pero desde el punto de vista del SEO Local nos interesa especialmente el contexto declarado, porque basta con cambiarlo para comprobar cómo varía la respuesta del modelo.
Y aquí está la clave: la misma necesidad puede generar recomendaciones completamente distintas según el contexto geográfico del usuario.
«Vivo en Pozuelo y necesito un implante» no devuelve las mismas clínicas que «vivo en Aravaca y necesito un implante». Puedes aparecer en una respuesta y desaparecer por completo en la otra, aunque físicamente estés a diez minutos de ambos usuarios.
Eso significa que el Prompt Coverage tampoco es un número único. También es un mapa.
Igual que nunca mediríamos el posicionamiento de un negocio local con una única búsqueda desde una única ubicación, tampoco deberíamos medir su visibilidad en IA con un único prompt lanzado desde un único contexto. La geografía sigue importando; simplemente cambia la forma de representarla.
Mi propuesta es medirlo como siempre hemos medido el ranking local, pero adaptado a esta nueva realidad: un geogrid de prompts (ya hemos hablado sobre ello en otras ocasiones y vemos como la proximiad deja de tener tanto peso)
La metodología sería algo así:
- Coge tus prompts de negocio (los que de verdad facturan, como vimos en el KPI 1).
- Lanza cada prompt variando el municipio o barrio declarado: Pozuelo, Aravaca, Majadahonda, Boadilla, Las Rozas…
- Repite cada combinación varias veces, porque las respuestas de un LLM no son deterministas: el mismo prompt puede devolver respuestas distintas en dos ejecuciones.
- Registra para cada zona no solo si apareces, sino qué ocurre con el resto de KPIs: ¿te recomienda?, ¿ganas las comparativas?
Porque el geogrid no sirve solo para medir Prompt Coverage. Sirve para ver cómo cambian todos los KPIs con la geografía.
