Percepción

La visibilidad te dice si un modelo mencionó tu marca. La percepción te dice qué dijo de ti. Abre el proyecto de Visibilidad en IA de un cliente y elige Percepción en el grupo Marca de la navegación de la izquierda: verás las palabras a las que recurren los modelos para describir cada marca seguida («receptivo», «caro», «marca blanca», «orientado a grandes empresas») y con qué frecuencia apareció cada una. Cada marca seguida tiene su propia tarjeta: primero la marca de tu cliente y después los competidores, ordenados según las pruebas que hay detrás de cada uno. Cambia el rango en la parte superior entre los últimos 7, 30 o 90 días para ver si el lenguaje en torno a una marca cambia o se mantiene estable. Es la vista que responde a la pregunta que un cliente hace de verdad después de «¿somos visibles?»: «¿y cómo nos describen?».

Aquí no se calcula nada nuevo ni se ejecuta una segunda pasada de IA para producirlo. Cuando un escaneo lee una respuesta y registra una mención de marca, el extractor también extrae de uno a ocho términos descriptivos breves para esa marca, tomados literalmente del texto de la respuesta, con la instrucción explícita de no inventar nunca un término que no esté ahí. Eso ocurre en cada escaneo desde hace mucho tiempo: Percepción es simplemente la página que por fin lo muestra, y por eso un proyecto con historial de escaneos tiene algo que leer desde el primer día, en lugar de empezar de cero. Para ser precisos sobre lo que esto no es: no es extracción de entidades, y los términos no se contrastan con ninguna base de datos ni base de conocimiento externa. Son palabras descriptivas que usó el modelo, asociadas a una marca que ya nos indicaste que siguiéramos. Si un modelo no describió una marca en una respuesta concreta, esa mención simplemente no lleva términos: no se rellena nada. Las formulaciones casi idénticas se agrupan antes de que las veas: «affordable» y «affordability», o el plural «deals» y «deal», cuentan como un solo atributo, para que una misma cualidad no se reparta en tres filas pobres ni en tres ejes del radar. Solo se fusionan variantes claras de la misma palabra: los sinónimos genuinos como «cheap» y «affordable» se mantienen separados, porque fusionarlos sería un juicio que los datos no respaldan. El filtro de motor de la parte superior de la página recorta todo esto a un único motor de IA (cómo describe las marcas ChatGPT solo frente a Gemini solo), y cada vista (términos, radar, mapa de calor, fuentes) se recalcula solo con las respuestas de ese motor. El selector lista únicamente los motores que produjeron menciones descritas en el periodo actual, con el número de pruebas de cada uno, y un solo motor es, como es natural, una muestra más pequeña: espera que más marcas queden por debajo del mínimo de cinco menciones. Eso es el mínimo haciendo su trabajo, no datos que desaparecen.

Cada tarjeta lista los 20 términos principales de esa marca, del más frecuente al menos, con un recuento y un porcentaje. Lee los dos tamaños de muestra de la cabecera de la tarjeta antes que los propios términos: muestra cuántas menciones llevaban términos junto al total de menciones de la marca, porque esas dos cifras suelen ser distintas. El porcentaje se calcula sobre las menciones que realmente llevaban términos, nunca sobre todas las menciones, ya que una mención sin términos descriptivos nunca podría haber producido uno, y usar la cifra mayor exageraría las pruebas sin que se notara. Las barras se escalan dentro de cada marca, respecto a su propio término principal. Es deliberado: una marca se lee frente a sí misma, no frente a un competidor que casualmente tiene una muestra cinco veces mayor. Comparar los anchos brutos de las barras entre dos tarjetas te diría más sobre el volumen de menciones que sobre el lenguaje. Y una marca con menos de diez menciones atribuidas se etiqueta como «demasiado pocas menciones para leerlas como patrón»: se muestra igualmente, porque ocultar datos es peor que matizarlos, pero la etiqueta está ahí para que nadie construya una estrategia sobre tres datos.

Un término marcado con un icono de huella dactilar es distintivo: en todo el proyecto, en el rango que estás viendo, se usó para esa marca y para ninguna otra marca seguida. Ahí es donde el posicionamiento se hace visible. «Rápido» aplicado a todos en la categoría es lo mínimo exigible y dice muy poco; «marca blanca» aplicado solo a ti es una posición que te pertenece en el lenguaje de los modelos, y los términos distintivos de un competidor son el terreno que ellos poseen y tú no. La distintividad es relativa a las marcas de ese proyecto y al rango seleccionado, así que cambiará al añadir o quitar competidores o al pasar entre 7, 30 y 90 días. Trata un término distintivo como el punto de partida de una pregunta (¿es así como queremos que nos describan?, ¿es el término distintivo del competidor algo por lo que deberíamos competir?) y no como una puntuación.

Sobre las tarjetas de cada marca, tres vistas comparan las marcas de un vistazo. Cuatro tarjetas de resumen nombran los datos principales: el atributo que la IA asocia más a tu cliente, un término distintivo suyo, la mayor brecha (un atributo con el que se describe a un competidor mucho más que a tu cliente) y el rival más descrito. El radar «Forma de marca» representa por defecto a tu cliente frente a sus dos competidores más descritos a lo largo de los principales atributos compartidos, y los chips que hay encima te permiten elegir exactamente qué marcas comparar, hasta tu cliente más tres competidores a la vez (más formas que esas dejan de ser legibles). Los ejes se recalculan a partir de las marcas del gráfico, así que la comparación muestra siempre los atributos que esas marcas comparten de verdad; las marcas por debajo del umbral de pruebas aparecen atenuadas en lugar de ocultas. El mapa de calor «Comparación de marcas por atributo» hace lo mismo con todas las marcas seguidas a la vez: una cuadrícula en la que cada celda es el porcentaje de una marca para ese atributo, con un tono más oscuro para un porcentaje mayor, y «—» significa que el atributo nunca apareció para esa marca. Todas estas vistas se basan en porcentajes y están sujetas al mismo mínimo de cinco menciones atribuidas que las tarjetas, por la misma razón: una marca se compara por la proporción de sus propias descripciones que llevaban un atributo, nunca por recuentos brutos, de modo que una marca pequeña y una grande están en la misma escala. Las marcas sin pruebas suficientes no aparecen en la comparación.

Bajo las vistas de comparación, «Atributos y fuentes» empareja los principales atributos de tu cliente con las páginas que la IA citó en las respuestas que usaron cada uno: los lugares concretos sobre los que influir si quieres cambiar cómo te describen los modelos en esa cualidad. Se dibuja como una matriz (los atributos en vertical, las páginas más citadas en horizontal, y cada celda con el número de respuestas que citaron la página al usar el término, sombreada por fila), con tus propias páginas marcadas para que distingas lo que debes editar de lo que debes proponer a terceros. El número junto a una página es cuántas de esas respuestas la citaron. Léelo como una asociación, no como una prueba. Las citaciones se registran por respuesta, no por palabra, así que estas son las fuentes presentes en las respuestas que llevaban el atributo, no prueba de que una página causara ese término exacto. Tu propio dominio se incluye cuando se citó, y una página citada varias veces dentro de una misma respuesta cuenta una vez, la misma regla de «una respuesta, una prueba» que usa el resto de la vista.

Cada tarjeta muestra una puntuación de sentimiento sobre 100 junto a los tamaños de muestra. Esa puntuación es el tono general de la marca en sus menciones del rango. No está asociada a ningún término concreto, y Percepción nunca te mostrará una cifra de sentimiento junto a un término, porque eso no lo medimos. Conviene explicar el motivo con claridad en lugar de esconderlo: los términos descriptivos y la puntuación de sentimiento se registran por separado en cada mención, sin vínculo entre ellos. Así que la lectura honesta es «los modelos te describieron como "soporte lento", y tu puntuación general de tono es 45»: dos datos, uno al lado del otro. La lectura que no podemos respaldar es «tu sentimiento sobre el soporte es 45», porque nada en los datos conecta un término concreto con una puntuación concreta. Si quieres saber por qué una puntuación de tono es la que es, los términos son una buena prueba para leer junto a ella; no son un desglose por aspecto.

Los mismos datos pasan a los informes. Añade un widget de Tabla, elige la fuente Visibilidad en IA y pon su dimensión en «Percepción». La tabla tiene cinco columnas (Marca, Término, Menciones, Porcentaje y «Solo esta marca»), de modo que el cliente ve el lenguaje, su frecuencia, su porcentaje sobre las menciones atribuidas de esa marca y si se usa solo para ella. Como en la página, la marca del cliente va primero, y deliberadamente no hay columna de sentimiento. Una diferencia con la página de la app: en un informe, una marca con menos de diez menciones atribuidas se omite de la tabla en lugar de etiquetarse. En pantalla puedes leer una advertencia junto a una muestra pequeña; en un informe de cliente, una nota al pie que nadie lee es peor que no mostrar una fila que no puede sostener su propio peso.

También puedes recibirlo en tu bandeja de entrada. En los ajustes de un proyecto de Visibilidad en IA, activa el «Correo de percepción de IA» y una vez al mes el propietario del espacio de trabajo recibe un resumen breve y reenviable de esa marca: los principales términos que usaron los modelos de IA en los últimos 30 días, cuáles subieron o se desvanecieron respecto a los 30 días anteriores y un término que la IA usó para un competidor pero nunca para ti, cada uno con las respuestas que hay detrás. Un término cuenta como en alza o en descenso solo cuando se usó en al menos 3 respuestas y el cambio en su porcentaje es demasiado grande para atribuirlo al azar: cada término se contrasta con la prueba exacta de Fisher (y con una prueba que tiene en cuenta que las respuestas al mismo prompt se parecen entre sí, la que sea más estricta), y los resultados se corrigen según el número de términos comparados en ese correo (una tasa de falsos descubrimientos del 5 %). El término del competidor necesita al menos 3 respuestas y supera la misma prueba. Sin la corrección, un correo que compara decenas de términos listaría casi todos los meses algunos movimientos debidos al azar. Son los mismos datos calculados en vivo que la página Percepción, así que el correo y la página nunca se contradicen. Dos reglas deliberadas lo mantienen honesto. Solo se envía cuando hay al menos diez menciones atribuidas en la ventana: por debajo de eso los términos son demasiado escasos para leerlos como patrón, y por eso no sale ningún correo en lugar de uno engañoso. Y en los planes de marca blanca se envía con la marca y el logotipo de tu agencia, sin pie de página de CrunchJunkie, para que puedas reenviarlo directamente al equipo de marca o de relaciones públicas de un cliente. No cuesta nada ejecutarlo (sin llamada a la IA, solo una lectura de las menciones ya capturadas en cada escaneo). Sale a las 09:00 en la zona horaria de tu espacio de trabajo (Ajustes → Preferencias), con el horario de verano incluido; un espacio de trabajo sin una zona horaria válida mantiene las 09:00 UTC.

Percepción te dice lo que dice la IA. El cuadro de mando de brechas de mensaje te dice si eso coincide con lo que QUIERES que diga. En los ajustes de un proyecto de Visibilidad en IA, lista tus atributos objetivo: aquello por lo que inviertes en ser conocido, como «asequible», «entrega rápida» o «sostenible». Después añade un widget de Tabla a un informe, elige la fuente Visibilidad en IA y pon su dimensión en «Brechas de mensaje». Cada atributo objetivo recibe una fila, puntuada según lo que los modelos dijeron realmente en este periodo: Captado (la IA lo usa con regularidad: el 15 % o más de tus menciones descritas), Parcial (aparece, pero de forma escasa) o Aún no (la IA no lo ha asociado contigo en absoluto). Para todo lo que no llegue a Captado, la última columna nombra al competidor que ya se queda con ese atributo, de modo que una brecha llega con el nombre de a quién alcanzar. Las filas se ordenan con las brechas primero, porque esa es la lista de tareas. Como el resto de Percepción, necesita al menos diez menciones atribuidas para puntuar con honestidad; por debajo de eso el widget queda vacío en lugar de etiquetar cada pilar como una brecha con datos escasos. La coincidencia es flexible («entrega rápida» cuenta una mención de «rápida» o «entrega»), así que puedes escribir los pilares en lenguaje natural.

Los términos por marca te dicen las palabras a las que recurren los modelos; Objeciones te dice el caso en contra que construyen. Abre Percepción y haz clic en Analizar en la tarjeta Objeciones, y Crunch lee las respuestas de escaneo que mencionan tu marca y extrae las preocupaciones, dudas y desventajas recurrentes que un comprador leería junto a la recomendación, como «integraciones limitadas», «precio poco claro» o «más pequeña que las líderes del mercado». Cada objeción lleva sus pruebas: despliégala para leer las respuestas exactas de las que procede (con el motor y la fecha, y la atribución validada contra el texto analizado; el recuento se deriva de esas pruebas, nunca se estima) y, agregadas entre ellas, las fuentes en las que se apoyaron esas respuestas. Trata la lista de fuentes como pistas para cambiar el relato: las páginas que citaron esas respuestas, no causas demostradas de la afirmación concreta; una respuesta también puede llevar un dato de la memoria de entrenamiento del modelo. Las mismas pruebas acompañan a los veredictos de verificación de datos respaldados y contradichos. Las objeciones se listan según cuántas respuestas las plantean, y cada recuento se muestra frente al número de respuestas analizadas; la verificación de datos pone primero los datos contradichos, con un enlace directo para corregir el dato en Ajustes. Cada prueba muestra la pregunta que produjo la respuesta y enlaza con la respuesta completa en la página Respuestas. Es una pasada de IA aparte sobre respuestas que ya has escaneado, que se ejecuta a petición y se guarda en caché, así que no ralentiza la página ni se recalcula en cada carga: haz clic en Reanalizar tras nuevos escaneos para actualizarla. Con la misma disciplina que el resto de Percepción: solo saca a la luz preocupaciones realmente expresadas o claramente implícitas sobre tu marca, nunca reservas genéricas de la categoría ni los problemas de un competidor, y un conjunto de respuestas sin objeciones reales no devuelve nada en lugar de una lista inventada. Necesita al menos tres respuestas que mencionen la marca antes de ejecutarse. Un resultado sigue siendo válido durante una hora: durante ese tiempo Reanalizar está desactivado y la tarjeta indica cuándo se vuelve a abrir, porque leer las mismas respuestas dos veces solo costaría dinero. Además, cada proyecto puede hacer como máximo 12 llamadas de IA para esto en cualquier periodo de 24 horas (una ejecución hace una, o dos cuando tiene que reintentar una respuesta cortada); después, la tarjeta indica cuándo será posible la siguiente ejecución.

A veces los modelos afirman cosas sobre ti que están desactualizadas o sencillamente son erróneas. La verificación de datos lo convierte en algo sobre lo que puedes actuar. En los ajustes del proyecto, en «Datos de marca a verificar», lista las afirmaciones factuales que haces sobre la marca, una por línea, como «Fundada en 2019», «Con sede en Berlín» o «Prueba gratuita de 14 días». Después abre Percepción y haz clic en Verificar. Crunch lee cada dato frente a las respuestas de escaneo que te mencionan y lo marca como Respaldado (una respuesta dice algo coherente), Contradicho (una respuesta entra en conflicto con él) o No mencionado (las respuestas no lo tratan), con una nota de una línea que parafrasea el texto relevante de la respuesta. Un veredicto Contradicho es el que hay que perseguir: es un error factual que los modelos repiten a los compradores, y la nota te dice dónde. Como con Objeciones, es una pasada de IA a petición y en caché que necesita al menos tres respuestas que mencionen la marca, y juzga estrictamente a partir del texto de la respuesta: si las respuestas nunca tocan un dato, es No mencionado, nunca una conjetura. Entre dos verificaciones se aplica la misma espera de una hora, salvo que hayas cambiado la lista de datos, en cuyo caso la verificación se ejecuta al instante. También se aplica el mismo tope diario: como máximo 12 llamadas de IA por proyecto en cualquier periodo de 24 horas, ediciones incluidas.

Si Percepción no muestra nada, normalmente no es un fallo. La causa más común es un proyecto importado de Peec AI: las menciones importadas de Peec se guardan sin términos descriptivos, así que un proyecto importado no tiene nada que mostrar en esta página, por muchos datos de visibilidad que tenga. Es una limitación de lo que aporta la importación, no un error, y se resuelve para ese cliente en cuanto añades prompts nativos y ejecutas los escaneos propios de CrunchJunkie, que a partir de entonces rellenan los términos. Hay otras dos razones honestas para una página escasa o vacía: un proyecto recién creado simplemente aún no ha escaneado lo suficiente, y un rango más corto puede quedar fuera de tu historial de escaneos: prueba con 90 días antes de concluir que no hay nada. Y dentro de un rango, algunas menciones realmente no llevan términos porque el modelo nombró la marca sin describirla, que es exactamente la razón por la que la tarjeta informa de las menciones atribuidas por separado del total de menciones.