Conceptos

Glosario de métricas

Referencia de las métricas de Antropus, agrupadas por capa: Prompt Tracker (visibilidad en motores de IA) y Competitor Intelligence (reparto de visibilidad entre marcas del sector). Cada métrica se desarrolla en su ficha individual más abajo.

Tabla resumen

Referencia rápida de todas las métricas de Antropus, agrupadas por capa. Cada métrica se desarrolla en su ficha individual en las secciones siguientes.

Prompt Tracker

Competitor Intelligence

Prompt Tracker

Prompt Tracker mide la visibilidad de una marca en motores de IA generativa (ChatGPT, Claude, Gemini, Perplexity, Google AI Mode, Google AI Overview). Cada métrica se calcula sobre un conjunto de tests definidos por el prompt set del baseline. A continuación, las veinte métricas que produce, agrupadas en titulares, métricas de control, embudo de recomendación, soporte de fuentes y diagnóstico bruto.

SoR — Share of Recommendation

Qué es. Fuerza media con la que los motores de IA recomiendan la marca, ponderada por la intensidad de la recomendación test a test.

Cómo se calcula. Media aritmética del rsw (Recommendation Strength Weight, valor 0–1 producido por el analyzer LLM en cada test) sobre todos los tests visibles con rsw medido. Resultado: porcentaje en el rango [0, 100] con un decimal. Denominador: rswScoredN (tests visibles que tienen rsw producido por el analyzer). Si rswScoredN = 0, la métrica devuelve null y se muestra como "—".

Cómo se usa. Métrica titular del canon de visibilidad GEO de Antropus. Responde a la pregunta "¿cuán fuerte me recomiendan los motores, no solo si me mencionan?". Un SoR alto significa recomendaciones claras y contundentes; un SoR bajo significa menciones débiles, de pasada o ambiguas.

Dónde aparece. Pestaña Inteligencia (bloque "Recomendación SoR · titular canon v1.2"), tab Motor, tab Grupo, Excel "Resumen_v1.2", portfolio, dashboard global (gauge principal y desglose por motor).

Nota. No confundir con SoM. SoM dice si te mencionan (binario por test). SoR dice cuánto te recomiendan (ponderado por intensidad). Un baseline con SoM 50 % y SoR 12 % significa que te mencionan la mitad de las veces, pero como menciones débiles, no como recomendaciones claras.

SoM — Share of Mentions

Qué es. Porcentaje de tests válidos en los que la IA mencionó la marca y el analyzer confirmó que se trataba de la entidad correcta.

Cómo se calcula. mencionValidaCount / visibilityN × 100. mencionValidaCount cuenta los tests donde el flag mencionValida es true, que requiere a la vez mentioned = true y entidadCorrecta = "Correcta". Denominador: visibilityN (tests metodológicamente válidos).

Cómo se usa. Diagnóstica de visibilidad básica. Responde a "¿aparezco en la respuesta de la IA, sí o no?". Es el primer escalón del embudo de recomendación: sin SoM no hay nada que recomendar ni que citar.

Dónde aparece. Cabecera del baseline (gauge), tab Motor, tab Grupo, Excel "Resumen_v1.2", PDF de cliente, portfolio.

Nota. SoM aplica gating de entidad. Si la IA mencionó tu nombre pero el analyzer detectó que en realidad hablaba de otra empresa con nombre parecido (confusión de entidad), ese test no cuenta para SoM. Para obtener el conteo bruto de menciones sin filtro de entidad, ver mentionRate.

CS (BCR) — Citation Share (Brand Citation Rate)

Qué es. Porcentaje de tests válidos donde la respuesta de la IA citó al menos una fuente del dominio de la marca.

Cómo se calcula. brandCitedCount / visibilityN × 100. brandCitedCount cuenta los tests visibles donde sourcesBrand ≥ 1 (al menos una URL citada pertenece al dominio de la marca). Denominador: visibilityN.

Cómo se usa. Titular de citación de marca del canon v1.2. Responde a "¿la IA cita mi sitio como fuente?". El gap entre CR y CS es información comercial clave: CR alto + CS bajo significa "la IA cita fuentes en este tipo de preguntas, pero a ti no".

Dónde aparece. Cabecera (gauge), tab Motor, tab Grupo, Excel, PDF de cliente, portfolio, dashboard.

Nota. CS mide presencia binaria por test (¿citó al menos una fuente mía en este test?). SoS mide volumen (de las N URLs que citó en este test, ¿cuántas son mías?). Son métricas distintas que pueden moverse en direcciones diferentes.

CR (Q) — Citation Rate

Qué es. Porcentaje de tests válidos donde la respuesta de la IA incluyó al menos una fuente citada, sea del dominio de la marca o ajena.

Cómo se calcula. citedCount / visibilityN × 100. citedCount cuenta los tests visibles con citation = true (derivado de sourcesTotal ≥ 1). Denominador: visibilityN.

Cómo se usa. Métrica de diagnóstico del comportamiento del motor, no de la marca en sí. Responde a "¿esta IA cita fuentes cuando responde a este tipo de pregunta?". Un CR alto en un sector indica que los prompts activan citación de fuentes; un CR bajo indica que la IA responde "de memoria" sin fundamentar.

Dónde aparece. Cabecera (gauge), Excel, PDF de cliente (etiquetada "Citation Rate"), portfolio.

Nota. CR no es métrica de visibilidad de marca. CR alto no significa que te citen a ti; significa que la IA cita fuentes en general. Para visibilidad vía citación, usar CS.

R — URL Rate (urlCorrectRate)

Qué es. Porcentaje de tests con URL canónica mapeada donde la URL citada por la IA coincide con la URL esperada para la intención del prompt o pertenece al clúster de URLs aceptables configuradas.

Cómo se calcula. urlCorrectCount / urlMappedN × 100. urlCorrectCount cuenta los tests visibles donde la URL citada por la IA coincide con expectedCanonicalUrl o está incluida en el array acceptableUrls del Intent URL Map. Denominador: urlMappedN (tests con Intent URL Map configurado para esa intención).

Cómo se usa. Titular de adecuación de URL. Responde a "cuando la IA cita mi web, ¿cita la página correcta para lo que el usuario preguntaba?". Mide la calidad del mapeo intención → URL: una marca puede tener CS alto (la citan) y R bajo (la citan, pero apuntan a una página irrelevante).

Dónde aparece. Cabecera (gauge), tab Motor, dashboard, Excel, PDF de cliente, portfolio.

Nota. Requiere Intent URL Map configurado en el proyecto. Si el proyecto no tiene mapeo intención → URL definido, urlMappedN = 0 y la métrica devuelve "—". Es honestidad metodológica, no un fallo de cálculo.

Top 3 — Top 3 Rate

Qué es. Porcentaje de tests con respuesta clasificada como ranking ordenado donde la marca aparece en las tres primeras posiciones.

Cómo se calcula. top3Count / rankedN × 100. Denominador: rankedN (subset de tests visibles donde rankingOrdenado = true). La detección de ranking la hace una función regex sobre el texto de la respuesta, que reconoce cinco señales: listas numeradas ("1. ... 2. ..."), tablas markdown con primera columna numérica, ordinales léxicos en español ("primero, segundo" con al menos dos categorías presentes), ordinales tipográficos ("#1", "1º") y emojis numéricos consecutivos.

Cómo se usa. Titular de visibilidad en rankings. Responde a "cuando la IA hace una lista o ranking sobre mi sector, ¿salgo en el podio?". Indicador especialmente relevante para sectores donde la IA tiende a responder con listados (e-commerce, servicios comparativos, herramientas).

Dónde aparece. Cabecera (gauge), tab Motor, dashboard, Excel, PDF, portfolio.

Nota. Bullets sin numerar no cuentan como ranking. Solo se contabilizan listas con orden explícito. Si ningún test del baseline genera respuestas clasificables como ranking ordenado, rankedN = 0 y la métrica devuelve "—".

Hallucination Rate — Hallucination Rate

Qué es. Porcentaje de tests visibles donde la IA produjo alguna alucinación sobre la marca.

Cómo se calcula. halluCount / visibilityN × 100. halluCount cuenta los tests visibles donde hallucination = true. Denominador: visibilityN.

Cómo se usa. Titular de riesgo de marca. Responde a "¿la IA está diciendo cosas falsas sobre mí?". Una Hallucination Rate alta indica riesgo real: la IA inventa datos sobre la marca y el usuario los recibe como verdad. Es la métrica con mayor implicación legal y reputacional.

Dónde aparece. Pestaña Inteligencia (apartado "Fallos detectados" con desglose por tipo), portfolio (card de riesgo de marca).

Nota. Las alucinaciones se clasifican en seis tipos: Ninguna, Confusión entidad, Confusión siglas, Atribución errónea, Topic drift y Factual inventada. El desglose por tipo permite priorizar mitigación: una "Factual inventada" sobre un servicio que no ofreces es más urgente que un "Topic drift".

SoS — Share of Sources

Qué es. Del volumen total de fuentes citadas por la IA en el conjunto del baseline, qué porcentaje pertenece al dominio de la marca.

Cómo se calcula. ownedSources / totalSources × 100. ownedSources es la suma de sourcesBrand en todos los tests visibles. totalSources es la suma de sourcesTotal en todos los tests visibles. Si totalSources = 0, la métrica devuelve null y se muestra como "—".

Cómo se usa. Métrica comparativa. Responde a "del pastel de fuentes que la IA reparte en mi sector, ¿qué porción es mía?". Mide cuota de volumen, no presencia por test.

Dónde aparece. Pestaña Inteligencia.

Nota. Distinta de CS. CS pregunta "¿en este test citó al menos una fuente mía?" (sí/no por test). SoS pregunta "de las URLs que citó, ¿cuántas son mías?" (volumen). Un baseline puede tener CS alto y SoS bajo: te citan en muchos tests pero con una sola URL por test, mientras a los competidores los citan con varias URLs por test.

validityRate — Validity Rate

Qué es. Fracción de los tests aplicables del baseline que resultaron metodológicamente válidos (no invalidados por confusión de entidad, confusión de siglas o topic drift).

Cómo se calcula. visibilityN / aplicablesN × 100. visibilityN excluye los tests con invalidaMetodológica = true. aplicablesN incluye todos los tests aplicables (en SERP-generativo, los triggered; en chat-LLM, todos los producidos).

Cómo se usa. Métrica de control de calidad del baseline. Un validityRate bajo (por ejemplo, < 70 %) indica que muchos tests se están descartando por confusión metodológica. Es señal de que el prompt set o el perfil de entidad necesitan revisión: probablemente la marca tiene nombre ambiguo o las siglas chocan con las de otra empresa.

Dónde aparece. Pestaña Inteligencia (bloque "Métricas de control"), comparador, Excel "Resumen_v1.2".

triggeringRate — Triggering Rate

Qué es. En modo SERP-generativo (Google AI Mode, Google AI Overview), fracción de los prompts producidos que realmente activaron una respuesta de IA.

Cómo se calcula. tests SERP-generativo triggered / tests SERP-generativo producidos × 100. En motores chat-LLM (ChatGPT, Claude, Gemini, Perplexity) la métrica siempre es null (no aplica, porque chat-LLM siempre responde).

Cómo se usa. Indicador de cobertura SERP. Si el triggeringRate de un baseline baja del 50 %, la UI muestra un banner de aviso ("Baja activación SERP") porque significa que muchos prompts del set no están activando respuesta IA en SERP. Útil para detectar prompt sets mal calibrados al modo SERP-generativo.

Dónde aparece. Pestaña Inteligencia (bloque "Métricas de control"), Excel "Resumen_v1.2".

fragilRecommendationRate — Fragile Recommendation Rate

Qué es. Porcentaje de tests visibles donde la IA produjo una recomendación fuerte acompañada de información falsa sobre la marca.

Cómo se calcula. fragilCount / visibilityN × 100. fragilCount cuenta los tests donde el flag recomendacionFrágil es true, que requiere a la vez rsw ≥ 0.75 (recomendación clara o contundente) y hallucinationType ∈ {Factual inventada, Atribución errónea}.

Cómo se usa. Indicador de riesgo combinado: "te recomiendan claramente, pero diciendo mentiras". Es el caso más peligroso porque genera tráfico cualificado que llega a expectativas falsas y se traduce en frustración, devoluciones o pérdida de confianza. Bajo es bueno.

Dónde aparece. Pestaña Inteligencia, comparador, Excel.

funnelStage1Rate — Funnel Stage 1 — Mención válida

Qué es. Capa 1 del embudo de recomendación. Porcentaje de tests visibles donde la IA mencionó la marca con entidad correctamente identificada.

Cómo se calcula. tests con mencionValida = true / visibilityN × 100. Es equivalente a SoM, calculada como primera capa del embudo.

Cómo se usa. Primera capa del embudo de recomendación de Antropus. Mide la entrada: ¿la IA habla de ti, sin ambigüedad de entidad?

Dónde aparece. Pestaña Inteligencia (bloque "Embudo de recomendación"), comparador.

funnelStage2Rate — Funnel Stage 2 — Mención válida + fuente propia

Qué es. Capa 2 del embudo. Porcentaje de tests visibles donde la IA mencionó la marca con entidad correcta y, además, citó al menos una fuente del dominio de la marca.

Cómo se calcula. tests con mencionValida = true ∧ sourcesBrand ≥ 1 / visibilityN × 100.

Cómo se usa. Segunda capa del embudo. Mide el paso de "te mencionan" a "te citan". El gap funnelStage1Rate − funnelStage2Rate mide cuánto te mencionan sin citarte: es el caso de visibilidad sin soporte documental.

Dónde aparece. Pestaña Inteligencia, comparador.

funnelStage3Rate — Funnel Stage 3 — Mención válida + fuente propia + URL correcta

Qué es. Capa 3 del embudo. Porcentaje de tests visibles que pasaron las dos capas anteriores y donde la URL citada por la IA es la URL esperada para la intención (o pertenece al clúster aceptable).

Cómo se calcula. tests con mencionValida = true ∧ sourcesBrand ≥ 1 ∧ URL correcta / visibilityN × 100.

Cómo se usa. Capa final del embudo. Mide la entrega completa: te mencionan, te citan, y citan la URL correcta para la intención del prompt.

Dónde aparece. Pestaña Inteligencia, comparador.

Nota. Las tres capas del embudo comparten denominador (visibilityN) en lugar de anidarse. Esa decisión metodológica permite ver cada capa como un número comparable contra el universo total de tests visibles, no como una conversión condicionada a la capa anterior. Para conversión condicional (Capa 2 / Capa 1, Capa 3 / Capa 2), se calcula a mano dividiendo dos capas.

ownedSourceShare — Owned Source Share

Qué es. Porcentaje de tests visibles donde la IA cita exclusivamente fuentes del dominio de la marca (sin citar fuentes de terceros).

Cómo se calcula. tests con sourcesBrand > 0 ∧ thirdPartyUrlsCited = 0 / visibilityN × 100.

Cómo se usa. Mide autosuficiencia documental. Un valor alto indica que la IA construye su respuesta apoyándose solo en el dominio de la marca. Puede leerse positivo (control de narrativa) o negativo (aislamiento del consenso externo, falta de validación de terceros).

Dónde aparece. Comparador.

thirdPartyDependency — Third Party Dependency

Qué es. Porcentaje de tests visibles donde la IA menciona la marca apoyándose exclusivamente en fuentes de terceros (sin citar el dominio propio).

Cómo se calcula. tests con sourcesBrand = 0 ∧ thirdPartyUrlsCited > 0 / visibilityN × 100.

Cómo se usa. Indicador de dependencia externa. Un valor alto significa "nos conocen, pero hablan de nosotros sin referenciarnos". Es señal de que falta material auditable propio (el SEO no está indexando el contenido clave) o de que el sitio no está siendo reconocido como fuente autoritativa por los motores.

Dónde aparece. Pestaña Inteligencia, comparador.

unsupportedPositiveRate — Unsupported Positive Rate

Qué es. Porcentaje de tests visibles donde la IA habla bien de la marca (sentiment positivo) pero sin citar ninguna fuente, ni propia ni ajena.

Cómo se calcula. tests con sentiment positivo ∧ sourcesTotal = 0 / visibilityN × 100.

Cómo se usa. Mide visibilidad frágil. La IA dice cosas favorables sobre la marca sin soporte documental detrás. En la próxima medición, sin esa respuesta concreta no hay ancla que sostenga la posición. Es visibilidad de memoria, no documentada.

Dónde aparece. Pestaña Inteligencia, comparador.

sourceDispersionIndex — Source Dispersion Index

Qué es. Promedio de URLs propias únicas distintas citadas por intención del baseline.

Cómo se calcula. Suma de URLs propias únicas distintas citadas para cada intención / número de intenciones del baseline. Es un índice (número con un decimal), no un porcentaje.

Cómo se usa. Indicador de claridad canon. Un valor de 1.0 significa una URL única por intención: hay página canon clara para cada caso. Valores más altos significan que la IA cita varias URLs propias distintas para una misma intención: puede ser dispersión positiva (cobertura rica) o falta de página canon clara (la IA elige entre varias páginas equivalentes y reparte el peso).

Dónde aparece. Pestaña Inteligencia.

competitorLeakageRate — Competitor Leakage Rate

Qué es. Porcentaje de tests visibles donde la respuesta de la IA cita URLs de competidores configurados en el proyecto.

Cómo se calcula. tests con al menos una URL citada que pertenece a un dominio competidor / visibilityN × 100. Los competidores los define el perfil de entidad del proyecto.

Cómo se usa. Mide fuga de atención hacia competencia. Un valor alto significa que en respuestas sobre el sector de la marca, la IA está enviando al usuario directamente a competidores. Es la métrica clave para diagnosticar cuotas de mercado en visibilidad GEO.

Dónde aparece. Comparador.

mentionRate — Mention Rate (bruta)

Qué es. Porcentaje de tests visibles donde la IA menciona el nombre de la marca, sin aplicar el filtro de entidad correcta.

Cómo se calcula. tests con mentioned = true / visibilityN × 100.

Cómo se usa. Diagnóstico bruto. La diferencia entre mentionRate y SoM mide la tasa de colisión de entidad: "me mencionan, pero confundiéndome con otra marca con nombre parecido". Es la métrica para detectar problemas de identidad de marca en motores IA (sigla ambigua, nombre común, homonimia con otra empresa del sector).

Dónde aparece. Comparador.

Nota. mentionRate no se etiqueta como SoM en la UI ni en exports. Su utilidad es comparativa contra SoM, no como métrica titular. Para vender visibilidad usar SoM (con filtro de entidad); para diagnosticar colisión usar mentionRate.

Competitor Intelligence

Competitor Intelligence mide el reparto de visibilidad entre múltiples marcas del mismo sector en motores de IA generativa, con ponderación por fiabilidad de la fuente. Mientras Prompt Tracker mide una sola marca, Competitor mide el conjunto y compara. A continuación, las dieciséis estructuras y métricas que produce, agrupadas en métricas por respuesta, métricas agregadas y comparador entre estudios.

Métricas por respuesta

BrandMention

Qué es. Estructura producida por el LLM analyzer en cada respuesta para cada marca evaluada. Contiene los datos completos de cómo la IA trató a esa marca en esa respuesta concreta.

Cómo se calcula. El LLM analyzer recibe la respuesta de la IA y la lista de marcas a evaluar (marcas del proyecto + competidores configurados). Por cada marca emite un objeto con cinco campos: brand (nombre), mentioned (boolean), position (entero, posición si aparece en ranking ordenado, 0 si no aparece o no hay ranking), sentiment (número en [-1, 1], tono hacia la marca), urlsCited (array de URLs citadas asociadas a la marca), attributes (hasta tres atributos descriptivos de aprox. 100 caracteres cada uno extraídos de la respuesta).

Cómo se usa. Componente base sobre el que se construye todo el agregado del estudio CI. Define qué se contabiliza en SoM y en las visualizaciones por marca.

Dónde aparece. Persistido por análisis del estudio CI. Consumido por agregaciones y comparador.

EmergingBrand

Qué es. Marca detectada por el LLM en una respuesta que no estaba configurada en la lista de competidores del estudio. Representa una entidad que la IA reconoce en el sector pero que el proyecto no estaba siguiendo.

Cómo se calcula. El LLM analyzer extrae menciones de marca de la respuesta. Para cada una no presente en la lista configurada, emite un objeto con cuatro campos: name, mentions (conteo de menciones en esa respuesta), context (texto donde aparece), category (uno de seis valores: agencia_seo_geo, agencia_marketing_digital, consultora_ia_tecnologia, software_herramienta, no_competidor_directo, categoria_dudosa). Saneado automático: se descartan nombres con menos de 3 caracteres, nombres que coinciden con marcas del usuario, y una lista negra genérica (chatgpt, claude, gemini, openai, anthropic, google, ia, ai, llm, "una empresa", "una agencia", "el proveedor"). Se deduplican case-insensitive sumando menciones.

Cómo se usa. Detecta competidores que la IA reconoce pero que el proyecto no tenía en el radar. Útil para descubrir agencias o herramientas competidoras emergentes en el sector y actualizar la lista de competidores del proyecto.

Dónde aparece. Results view del estudio CI, grid de cards con el top 12 ordenado por menciones descendentes.

ConfusionBrand

Qué es. Marca emergente que coincide con las entidades definidas como notThisEntities en el perfil de entidad del proyecto. Representa una marca con la que la IA está confundiendo activamente a la marca del proyecto.

Cómo se calcula. Subset de EmergingBrand filtrado contra notThisEntities. Cinco campos: name, mentions, context, matchedNotThis (la entidad notThis con la que coincide).

Cómo se usa. Señal de problema agudo de identidad de marca. Permite cuantificar a nivel de estudio cuánto la IA está confundiendo la marca con otra que el proyecto ha marcado explícitamente como "no soy yo".

Dónde aparece. Results view del estudio CI. Sin top, se renderizan todas las detectadas.

CompetitorResponseType

Qué es. Clasificación del tipo de respuesta de la IA en uno de seis buckets: provider_shortlist (lista de proveedores), comparison (comparativa), educational_no_brands (educativo sin marcas), generic_advice (consejo genérico), category_mismatch (categoría incorrecta), refusal_or_no_recommendation (rechazo o sin recomendación).

Cómo se calcula. Asignado por el LLM analyzer al evaluar la respuesta completa. Si el LLM emite un valor fuera del enum, la respuesta se descarta del bucket (no se asigna ninguno).

Cómo se usa. Diagnostica si la IA está en "modo recomendación" (provider_shortlist o comparison) o está evitando recomendar (refusal o educational). Ayuda a interpretar SoM: si la IA mayoritariamente da generic_advice, el SoM de cualquier marca será bajo por construcción.

Dónde aparece. Results view del estudio CI (distribución agregada).

AcronymAmbiguity

Qué es. Detección de ambigüedad de siglas: la IA usó una sigla con un significado distinto al esperado configurado en el perfil de entidad.

Cómo se calcula. Detectado por el LLM analyzer cuando una sigla del perfil de entidad aparece en la respuesta con un significado distinto al expected. Tres campos: acronym (≤32 chars), observed (significado usado por la IA, ≤120 chars), expected (significado esperado, ≤120 chars).

Cómo se usa. Útil para sectores donde una misma sigla cubre múltiples mercados. Por ejemplo, "GEO" puede significar Generative Engine Optimization o Geographic Information; "AI" puede ser Artificial Intelligence o Avian Influenza. La métrica detecta cuando la IA está respondiendo al significado equivocado.

Dónde aparece. Results view del estudio CI (lista de ambigüedades detectadas, deduplicadas por acronym+observed).

MethodHallucination

Qué es. Uso erróneo por la IA de un término técnico configurado en el perfil de entidad del proyecto.

Cómo se calcula. Detectado por el LLM analyzer contra entityProfile.expectedDefinitions. Cuatro campos: term (≤60 chars), expectedMeaning (definición esperada, ≤240 chars), observedMeaning (definición que usa la IA, ≤240 chars), severity (critical | warning | info). Solo se calcula si el perfil de entidad tiene expectedDefinitions configuradas. Si el LLM emite una severity inválida, default a "warning".

Cómo se usa. Detecta deformación de la metodología propia en respuestas IA. Crítico para agencias y consultorías que dependen de un vocabulario técnico preciso: si la IA explica "Protocolo HSA" o "Cluster Priority Score" con definición distinta a la del proyecto, está confundiendo al cliente final.

Dónde aparece. Results view del estudio CI (lista agrupada por term con severity máxima).

EntityResolutionResult

Qué es. Resolución granular de qué entidad concreta reconoció la IA al hablar de la marca. Seis estados posibles que clasifican la respuesta a nivel de identidad.

Cómo se calcula. Asignado por el LLM analyzer en cada respuesta. Los seis valores: correct_entity (la IA habla de la marca correcta), not_mentioned (no la mencionó), entity_confusion (habla de otra entidad confundiéndola con la marca), ambiguous_entity (habla de la marca pero con detalles que no permiten confirmar al 100%), wrong_domain (habla de la marca pero asociándola a un dominio que no es el oficial; cablea a hallucinationType wrong_url_intent en Baseline), insufficient_evidence (la respuesta no aporta evidencia suficiente para clasificar).

Cómo se usa. Gating crítico del estudio CI. Solo correct_entity entra como mención válida en SoM. entity_confusion la invalida (cuenta como ConfusionBrand, no como mención). Es la pieza que evita inflar SoM con confusiones de identidad.

Dónde aparece. Producido en cada respuesta del estudio CI. Usado también en Prompt Tracker para gating de invalidaMetodológica.

Nota. Estos seis estados son más granulares que los del flag entidadCorrecta de Prompt Tracker (Correcta / Ambigua / Incorrecta / No_detectada). El EntityResolutionResult permite distinguir entre confusión activa, ambigüedad, y dominio incorrecto, lo cual cambia la mitigación recomendada.

sourceReliabilityScore — Source Reliability Score

Qué es. Score 0-100 de fiabilidad de la respuesta de la IA, basado en la naturaleza de las fuentes que cita.

Cómo se calcula. Calculado en lib/llm/reliability.ts. Lógica esencial: modo memoria sin fuentes → 0; sin fuentes pero no marcado memoria → 0; todas las URLs opacas (sin auditable) → 50; mix de opacas y reales → 60; todas las URLs reales auditables → 75. El score no sube a 100 porque ningún motor IA disponible hoy garantiza fiabilidad total: incluso citando URLs reales, la atribución motor-fuente no siempre es perfecta.

Cómo se usa. Se muestra como información al leer el estudio. Permite diferenciar entre "la IA me menciona citando datos reales auditables" y "la IA me menciona de memoria sin fuentes que respalden lo que dice". No cambia ningún porcentaje: hasta el 2026-08-28 alimentaba un modo ponderado del SoM que se retiró.

Dónde aparece. Por análisis del estudio CI. Agregado en Reliability Summary del estudio.

Métricas agregadas (client-side)

SoM en Competitor Intelligence

Qué es. Cuántas veces sale tu marca de verdad, marca a marca. Para cada una: brand (nombre), mentionRate (porcentaje), averagePosition (media de posiciones cuando aparece en ranking, un decimal), averageSentiment (media del sentiment, dos decimales), totalAppearances (conteo de menciones).

Por qué NO se llama Share of Voice. El Share of Voice del sector es tu parte del total de menciones, y por eso suma 100 entre todas las marcas. Esto no: el denominador son las RESPUESTAS medidas, así que los porcentajes no suman 100 (en un estudio real: 53 + 10 + 10 + 0 = 73). Se llamó SoV hasta el 2026-08-28 y era un nombre equivocado.

Y la diferencia que importa. El Share of Voice cuenta cuántas veces sale tu NOMBRE. El SoM cuenta cuántas veces sale tu MARCA: una mención solo suma si el analyzer resolvió la entidad como correcta (ver EntityResolutionResult). Si la IA nombra a la empresa por su razón social, cuenta; si nombra a otra que se llama igual, no. Es la pieza que evita inflar el número con homónimas.

Cómo se calcula. Conteo directo: toda respuesta pesa igual y el denominador es el número de respuestas medidas. Hubo un modo "ponderado" que pesaba cada respuesta por la fiabilidad de sus fuentes; se retiró el 2026-08-28 porque cambiaba los porcentajes y no quedaba guardado en el estudio.

Dónde aparece. Results view del estudio CI (bloque "SoM — Share of Mentions"): donut chart + tabla con las cinco columnas.

Reliability Summary

Qué es. Agregado de fiabilidad a nivel de estudio. Bloque con cuatro campos: avg (promedio del sourceReliabilityScore sobre todos los análisis), auditable (conteo de análisis con score ≥ 75), appEquivalent (conteo de análisis con appEquivalence distinto de "none"), total (total de análisis).

Cómo se calcula. Computado al cierre del estudio sobre el conjunto completo de análisis.

Cómo se usa. Health check del estudio. Si avg < 50, la UI muestra un caveat visible advirtiendo que las conclusiones del estudio están basadas en respuestas poco fiables. Permite al lector calibrar cuánto confiar en el resto de métricas del estudio.

Dónde aparece. Results view del estudio CI (bloque de fiabilidad junto al SoM).

Distribución ResponseType

Qué es. Conteo de análisis por cada uno de los seis valores del enum CompetitorResponseType.

Cómo se calcula. Count agregado sobre todos los análisis del estudio.

Cómo se usa. Diagnóstico macro del comportamiento de la IA en el sector. Si la mayoría de respuestas son refusal_or_no_recommendation o generic_advice, el estudio refleja un sector donde la IA evita recomendar — eso explica que cualquier SoM salga bajo. Si la mayoría son provider_shortlist o comparison, la IA está en modo activo y el SoM refleja diferencias reales entre marcas.

Dónde aparece. Results view del estudio CI.

Comparador entre estudios (CI-vs-CI)