En l'era de la intel·ligència artificial generativa, els equips de màrqueting i producte s'han llançat a mesurar la seva visibilitat en assistents conversacionals amb una urgència que recorda els primers dies del SEO. No obstant això, hi ha una confusió fonamental: tractar una sola resposta d'un model de llenguatge com si fos un rànquing estable i reproduïble. Aquesta pràctica no només és enganyosa, sinó que pot portar a decisions estratègiques equivocades. En aquest article explorem per què una sola interacció amb un assistent d'IA no equival a una posició fixa, i com les empreses —especialment les que desenvolupen aplicacions a mida o integren agents d'IA en els seus processos— han d'abordar la mesura amb rigor experimental.
La temptació de fer una captura de pantalla i celebrar un '100% de visibilitat' és comprensible. No obstant, com va demostrar un experiment recent amb marques de programari, repetir la mateixa pregunta tres vegades pot reduir el percentatge de mencions d'un aparent 100% a un 65% estable, i les recomanacions consistents cauen al 61%. La raó és que els models de llenguatge no són motors de cerca deterministes. Factors com la redacció exacta de la pregunta, l'historial de la conversa, la data, la ubicació i fins i tot la variació intrínseca del model alteren el resultat. Un sol prompt és una mostra puntual, no un rànquing.
Per a una empresa com Q2BSTUDIO, que ofereix serveis de ciberseguretat, cloud AWS/Azure i BI/Power BI, entendre aquesta volatilitat és clau. Si un client potencial pregunta 'quina eina d'anàlisi de dades recomanes per a una pime?', la resposta pot variar entre assistents (ChatGPT, Gemini, Claude) i fins i tot entre execucions. Ignorar aquesta variabilitat equival a construir una estratègia sobre sorra movedissa.
L'error més comú és equiparar qualsevol pregunta sobre una categoria amb una 'keyword' de cercador. Un comprador de programari de revisió de codi no només pregunta 'millors eines de revisió de codi IA', sinó també 'com reduir errors abans del merge', 'alternativa econòmica per a equips petits' o 'comparativa entre CodeRabbit i Greptile'. Són intencions de compra diferents, que reflecteixen diferents etapes de l'embut: descobriment de categoria, resolució de problema, restriccions de segment i comparació. Una marca pot aparèixer en preguntes de categoria i desaparèixer completament en les de problema. Aquest matís és més important que un índex global.
A més, convé diferenciar entre 'mencionat' i 'recomanat'. Que un assistent enumere diversos productes no significa que recomani el teu. Fins i tot pot ser que un altre competidor s'emporti la recomanació principal. Una mètrica útil desglossa: absent, mencionat, recomanat, primera recomanació, i tot això desagregat per tipus de consulta (amb marca vs. sense marca). Per a equips de creixement, la visibilitat sense marca —quan el comprador encara no coneix l'empresa— és la que realment obre noves oportunitats d'adquisició.
Un altre aspecte crític és l'estabilitat entre execucions. Si una marca apareix en 15 de 20 prompts en una sola execució però només 6 d'aquestes recomanacions es mantenen en repetir la prova, la seva posició real és feble. En canvi, una marca que apareix en 11 prompts però en manté 10 de manera consistent té una base més sòlida. La mètrica 'cobertura estable de recomanació' (percentatge de prompts on la recomanació es repeteix almenys en dues de tres execucions) reflecteix millor la realitat que un rànquing instantani.
No existeix un únic 'resultat IA'. Diferents assistents utilitzen diferents models, sistemes de cerca, fonts i criteris de citació. Una marca pot ser fortament recomanada per ChatGPT i tot just mencionada per Claude. Per això una avaluació completa té tres dimensions: cobertura de prompts, repetitivitat en el mateix motor, i concordança entre motors. Ocultar aquestes dimensions en una puntuació única és enganyós.
Les cites que apareixen a les respostes revelen per què els competidors guanyen. Potser un rival apareix recolzat per documentació oficial, comparatives independents, ressenyes a GitHub o articles de premsa del sector. Si la teva marca no apareix en aquestes fonts, el model no té base per recomanar-te. Això porta a una pregunta pràctica: on troba la IA informació convincent sobre els competidors i on és absent la nostra marca? La resposta pot guiar accions concretes: crear una pàgina de cas d'ús clara, publicar una comparativa, millorar la documentació, afegir casos d'èxit, respondre preguntes orientades a problemes, i incloure's en fonts externes rellevants.
El flux de treball correcte no és executar un prompt, obtenir una puntuació i reaccionar. És un experiment: definir un conjunt representatiu de prompts, separar els que porten marca dels que no, registrar una línia base, repetir les proves per identificar inestabilitats, comparar múltiples motors, detectar intencions de compra perdudes, revisar les fonts que donen suport als competidors, fer un canvi concret i tornar a mesurar la direcció del moviment. Aquest enfocament és més proper a l'experimentació científica que al rank tracking tradicional.
Per a una empresa tecnològica com Q2BSTUDIO, especialitzada en automatització de processos i agents d'IA, aquest tipus d'anàlisi permet prioritzar inversions en continguts que resolguin problemes reals dels compradors, en lloc de perseguir mètriques superficials. Per exemple, si la IA no recomana Q2BSTUDIO per a un prompt com 'com integrar BI amb sistemes legacy al núvol', això revela una oportunitat per crear documentació o un cas d'estudi que cobreixi aquest escenari.
En definitiva, una sola resposta d'IA no és un rànquing. És una observació que s'ha de repetir, contrastar i contextualitzar. La pregunta rellevant per a qualsevol equip de producte o màrqueting no és 'quina és la nostra posició a ChatGPT?', sinó 'davant les preguntes de compra que realment importen, amb quina consistència ens recomanen els sistemes d'IA i on guanyen els competidors?'. Respondre això exigeix un procés disciplinat, no una captura de pantalla.
