IA & GEO

Prompt Intelligence

Prompt Intelligence es la herramienta de Antropus para crear, gestionar y editar sets metodológicos de prompts. Un prompt set es una colección de preguntas —las que los usuarios escriben en ChatGPT, Claude, Gemini, Perplexity y Google AI— distribuidas según categorías, intenciones y fases del funnel de compra. Los sets generados son reutilizables en cualquier herramienta de visibilidad GEO (Prompt Tracker, Competitor Intelligence, GEO Audit).

A diferencia de escribir prompts a mano o al azar, Prompt Intelligence garantiza que tu set sea metodológicamente equilibrado: cada prompt representa un tipo de pregunta real, clasificado según seis categorías rigurosas (A–F: marca directa, descubrimiento, comparación, decisión comercial, producto y confianza), para que tu medición de visibilidad GEO sea representativa y no sesgada.

---

Qué es y para qué sirve

La medición de visibilidad en motores de IA depende enteramente de los prompts que lances. Unos prompts buenos miden bien; unos prompts malos (todos sobre tu marca, o todos genéricos) miden mal. Prompt Intelligence resuelve eso de tres maneras:

1. Generar automáticamente sets equilibrados en base a tu sector, marca, país y objetivo comercial. El generador asigna los prompts a seis categorías fijas (A–F) respetando proporciones metodológicas.

2. Importar prompts desde archivos Excel o CSV, para reutilizar sets externos, plantillas ajenas, o tus propios históricos.

3. Editar y versionar sets existentes sin sobrescribir los originales, permitiendo evolución controlada de tu metodología.

El resultado es un conjunto reproducible y defendible de preguntas que usarás en múltiples herramientas de medición GEO, asegurando consistencia y metodología rigurosa.

---

Cómo funciona, paso a paso

Fase 1: Entrada (formulario "Crear set")

Defines tu caso de uso:

Campos avanzados (opcionales):

• Audiencia objetivo: Refina más allá de ICP (≤300 caracteres). Describe comportamientos, preferencias, contextos.
• Énfasis en fases del funnel: Awareness, Consideration, Decision, o Balanced (default). Redistribuye peso entre intenciones.
• Términos obligatorios: Palabras o frases que DEBEN aparecer en los prompts, separadas por coma.
• Términos a evitar: Temas que el generador debe EVITAR mencionar.
• Ambigüedades a desambiguar: Formato "término => significado correcto" (línea por línea). Ej. "GEO => Generative Engine Optimization, no Geographic Information".
• Instrucciones manuales: Campo de texto libre (≤2000 caracteres) para casos muy específicos. Ejemplo: "Genera prompts que suenen como preguntas que harían startups de marketing, no agencias big".

Fase 2: Estimación de coste (pre-ejecución)

Antes de disparar la generación, Antropus calcula el coste en créditos:

Cálculo de base:

• Modelo principal input: ~1500 tokens base + ~10 tokens por prompt solicitado.
• Modelo principal output: ~1500 tokens base + ~100 tokens por prompt solicitado.
• Multiplicador de regeneración: ×2 (cubre 90% de casos donde falla local validation).
• Modelo validador: ~2500 tokens input + ~1500 tokens output (si aplica).

Fórmula:

modeloPrincipalCredits = (inputTokens + outputTokens) × multiplicador modeloValidadorCredits = 4000 (fijo, si se ejecuta) totalCredits = convertToCredits(modeloPrincipalCredits + modeloValidadorCredits)

Ejemplos orientativos:

• 5 prompts → ~1.6 créditos.
• 25 prompts → ~5.0 créditos.
• 60 prompts → ~8.5 créditos.

Si tu saldo es insuficiente, el botón "Generar" cambia a "Comprar créditos →". El estimador es conservador (asume regeneración parcial en un ~10% de casos).

Fase 3: Orquestación de generación

El proceso interno (generateBaselinePrompts()) sigue estos pasos:

1. Distribución inicial por categoría (A–F)

Se dividen los prompts solicitados entre seis categorías metodológicas fijas:

Si el total de prompts es < 6, se usa un fallback de orden de prioridad: B → D → C → A → E → F (asegura mínimo representativo).

2. Generación primaria (Claude)

El LLM recibe:

• Descripción de marca + sector + país.
• Formulario completo (audience, funnel emphasis, must-include, must-avoid, ambiguities, manual instructions).
• Distribución objetivo por categoría.
• System prompt experto en GEO.

Output: Array JSON de prompts con metadata (intent, funnelStage, category, relevanceScore, etc.).

3. Validación local (síncrona, gratis)

Checks automáticos sin LLM:

• Longitud mínima: cada prompt ≥ 6 palabras. Falla → rechazo crítico.
• Categoría presente: se genera al menos 1 prompt de cada A–F. Falla → rechazo crítico.
• Policy de marca por categoría:
  • A (siempre branded): 100% deben mencionar tu marca.
  • B (nunca branded): 0% pueden mencionar tu marca.
  • C (moderado): ≤ 40% branded permitido.
  • D, E (raro): ≤ 15% branded.
  • F (raro): ≤ 25% branded. Falla → rechazo crítico.
• Marca global: suma de prompts branded ÷ total. Máximo 30% permitido (evita sesgo hacia reputación). Falla → rechazo crítico.
• Core ratio: (B + C + D prompts) / total ≥ 51%. El núcleo metodológico debe ser mayoritario. Falla → rechazo crítico.
• Duplicados: post-normalización (minúsculas, sin puntuación), rechaza exactas.

Score de validación local:

score = 100 - (critical_issues × 18) - (warning_issues × 6) Rango [0, 100]. ≥ 82 = alta calidad.

Escalation hint (decide si llamar a modelo en tier mejorado):

escalation = (critical_count × 0.15) + (rejection% > 25% ? 0.4 : 0) + (rejection% > 40% ? 0.3 : 0) Rango [0, 1]. ≥ 0.5 = escalar a tier mejorado.

4. Regeneración parcial (hasta 2 intentos)

Si la validación local falla:

• Extrae los prompts rechazados.
• Vuelve a llamar al modelo solo para rellenar los huecos, manteniendo la distribución proporcional.
• En el intento 2 O si escalation_hint ≥ 0.5, se usa un tier mejorado (ligero overhead de tokens).

Máximo 2 intentos de regen; si sigue fallando, se devuelve el mejor set logrado + warnings.

5. Validación LLM (Claude, opcional)

Se ejecuta si:

• Validación local pasó (score ≥ 82), O
• Score está en zona dudosa [65–88], O
• Total de prompts ≥ 24, O
• Sector contiene keywords YMYL (finanzas, salud, legal).

Modelo validador busca:

• Duplicados semánticos (mismo significado, palabras distintas).
• Ambigüedad lingüística (término polisémico confuso en contexto).
• Incoherencias de metadata (ej. category X pero comportamiento de Y).

Si rechaza: se repite regen parcial una vez más (máximo escalation).

6. Resultado final

Devuelve al cliente:

{
  "prompts": [{
    "id": "uuid",
    "text": "¿Qué herramientas de GEO recomendáis?",
    "category": "C",
    "intent": "comparacion",
    "funnelStage": "consideracion",
    "group": "comparativo",
    "brandMentioned": false,
    "commercialValue": 0.75,
    "measurementValue": 0.85,
    "neutralityScore": 0.9,
    "realismScore": 0.92,
    "relevanceScore": 0.75
  }, ...],
  "distribution": {
    "total": 25,
    "perCategory": { "A": 3, "B": 7, "C": 5, "D": 5, "E": 3, "F": 2 },
    "warning": null
  },
  "validation": {
    "pass": true,
    "score": 94,
    "issues": [],
    "rejectedIds": []
  },
  "summary": { ... },
  "escalated": false,
  "usage": {
    "inputTokens": 4500,
    "outputTokens": 3200,
    "llmCalls": 2,
    "model": "claude"
  }
}

Fase 4: Presentación (pantalla "Ver set")

Header:

• Nombre del set, versión, total de prompts, país, objetivo.
• Botones: Editar, Duplicar, → Herramienta (Baseline/Competitor/Visibility), Exportar CSV, Copiar, Eliminar.

Resumen metodológico:

• Gráfico de distribución intent (informacional / comparación / decisión).
• Gráfico de distribución funnel (awareness / consideration / decision).
• Gráfico de distribución categoría (A–F).
• Relevancia media (promedio de relevanceScore).

Calidad metodológica:

• 4 checks visuales: ✓ decision presente, ✓ comparison presente, ✓ prompts no-branded ≥ 40%, ✓ ≥ 5 prompts.
• Score de validación (0–100) con color: rojo < 60, amarillo 60–80, verde ≥ 80.

Lista de prompts:

• Tabla de 1–N filas. Cada fila: #, intent (badge color), funnel (tag), group, relevanceScore, texto (clicable).
• Filtros: por intent + búsqueda full-text.
• Expansión: clic en fila → slide-over con texto completo, metadata, puntuaciones individuales.

---

Qué necesitas antes de empezar

---

Funciones / vías de uso

Generar set (ruta principal)

Entrada:

{
  "brand": "Mi Agencia GEO",
  "sector": "Agencia de marketing digital",
  "country": "ES",
  "description": "Agencia especializada en visibilidad en motores de IA",
  "icp": "CMOs de agencias B2B",
  "objective": "Visibilidad",
  "count": 25,
  "customWeights": { "A": 3, "B": 7, "C": 5, "D": 5, "E": 3, "F": 2 },
  "audience": "Startups de tech y agencias de marketing",
  "funnelEmphasis": "balanced",
  "mustInclude": ["GEO", "visibilidad IA"],
  "mustAvoid": ["dark SEO"],
  "ambiguities": [{"term": "GEO", "meaning": "Generative Engine Optimization"}],
  "manualInstructions": "Genera prompts que harían startups de marketing, no agencias big"
}

Salida: Array de prompts, distribución, validation summary, usage.

Responsable: generateBaselinePrompts() en lib/baseline/promptGenerator.ts

---

Importar desde CSV / Excel

Ruta: Cliente-side (parsePromptsXlsx / parsePromptsCsv)

Archivo esperado:

text,intent,funnel,category,group,rationale
"¿Qué es GEO?",informacional,awareness,B,educativo,Pregunta foundacional
"¿Mejor herramienta GEO?",comparacion,consideration,C,comparativo,Búsqueda activa

Cabecera requerida: text es obligatorio. El resto opcionales.

Responsable: lib/prompts/xlsx.ts / lib/prompts/csv.ts

Acción: Crea PromptSet sin generar; es parsing + almacenamiento local.

Descarga plantilla: Botón en la UI con estructura correcta.

---

Editar set (crear versión nueva)

Ruta: Cliente-side → IndexedDB storage

Entrada: Label + array de prompts modificados (text, intent, category, canonicalUrl).

Salida: PromptSet v(n+1) con parentSetId = ID original.

Responsable: onSaveEditedSet() → storage.put()

Política: Nunca sobrescribe original; siempre crea versión nueva. Así mantienes histórico y puedes revertir.

---

Duplicar set

Ruta: Cliente-side

Entrada: PromptSet existente.

Salida: PromptSet v(n+1) con parentSetId = original ID.

Responsable: onDuplicateAsNewVersion()

---

Exportar a herramienta (Baseline / Competitor / Visibility)

Ruta: sessionStorage + router.push()

Acción: Abre la herramienta de destino con el prompt set pre-cargado en sesión.

Responsable: openInTool() → sessionStorage

---

Descargar como CSV

Ruta: Cliente-side

Entrada: PromptSet

Salida: Archivo .csv con columnas: text, intent, funnelStage, group, relevanceScore.

Responsable: exportCSV()

---

Copiar prompts al portapapeles

Ruta: Cliente-side

Entrada: PromptSet

Salida: Texto en clipboard: 1 prompt por línea.

Responsable: copyAllPrompts()

---

Modos u opciones

---

Motores de IA / datos que usa

Modelos LLM

1. Claude (generación y decisiones):

   • Generación inicial de prompts.
   • Regeneraciones parciales (hasta 2 intentos).
   • Escalación a tier mejorado si fallos altos.

2. Claude (validación opcional):

   • Detecta duplicados semánticos en respuestas.
   • Diagnostica ambigüedad lingüística.
   • Se ejecuta si set entra en zona de riesgo (score 65–88, ≥ 24 prompts, o sector YMYL).

Datos de entrada (contexto para LLM)

• Marca + sector + país (obligatorios).
• Descripción negocio, ICP, audiencia (contexto).
• Objetivo del análisis (dirección).
• Campos avanzados: términos obligatorios/a evitar, ambigüedades, instrucciones manuales.

No usa

• Datos en vivo de motores (búsqueda, posiciones, SERP).
• APIs de terceros para generación.
• Histórico de prompts anteriores (cada set independiente).

---

Métricas / cálculos que produce

Métricas por prompt (IntelligentPrompt)

Origen: Generador LLM asigna; validador puede ajustar brandMentioned si hay incoherencia.

Métricas agregadas por set

Scores de validación

Issues encontrados:

• Critical (bloqueador): Mínimo palabras, marca en B, ausencia de categoría, marca global > 30%, core < 51%.
• Warning (aviso): brandMentioned incoherente, brand ratio por categoría exceeded, duplicados.
• Info (informativo): Sin bloqueo.

---

Cómo leer el informe / resultado

Pantalla de detalle (GET en UI)

Cabecera:

• Nombre set + versión + country + objetivo + prompts count.
• Botones de acción.

Resumen metodológico (2 columnas):

Izquierda (distribución):

• Barras de intent (informacional / comparación / decisión) con porcentajes.
• Barras de funnel (awareness / consideration / decision) con porcentajes.
• Tabla de categorías A–F con conteos.
• Relevancia media (gauge 0–100).

Derecha (calidad):

• Validation score (0–100, coloreado).
• 4 checks: ✓ decision presente, ✓ comparison presente, ✓ non-branded ≥ 40%, ✓ ≥ 5 prompts.
• Síntesis: "Metodología validada" o "Requiere revisión + warnings específicos".

Lista de prompts:

• Tabla: #, intent (badge), funnel (tag), group, relevanceScore, texto (clicable).
• Filtros: por intent + búsqueda full-text.
• Clic en fila → slide-over con texto completo, todos los scores, copy-to-clipboard.

Exportaciones:

• CSV: text, intent, funnelStage, group, relevanceScore.
• Copiar: todos los textos al portapapeles, 1 línea por prompt.

---

Cuánto suele tardar

End-to-end peor caso: 20–60 segundos (UI muestra spinner + progreso).

---

Cuánto consume (créditos)

Factor principal: COUNT (número de prompts)

Fórmula de coste base:

Modelo principal input tokens: 1500 + (count × 10) Modelo principal output tokens: 1500 + (count × 100) Modelo principal cost USD: convert(input, output) × 2 (multiplicador regeneración)

Modelo validador input: 2500 Modelo validador output: 1500 Modelo validador cost USD: convert(2500, 1500)

Total credits = round((mainUSD + validatorUSD) × 10) / 10

Tabla de estimados:

Factores secundarios

1. Regeneración: Si validación local falla → 1–2 regen adicionales.

   • Mitigación: Multiplicador 2× ya bakeado en estimate (cubre 90% de runs).
   • Worst case: 4 generaciones + 1 validación = ~1.4× estimado.

2. Escalación a tier mejorado: Si escalation_hint ≥ 0.5 → tier mejorado.

   • Overhead ligero: +5–10% tokens.
   • Raro en sets bien formados.

3. Validación LLM: Se ejecuta si:

   • Score validación local 65–88, O
   • Total ≥ 24 prompts, O
   • Sector YMYL (finanzas, salud, legal).
   • Coste fijo ~2 créditos si se ejecuta.

4. Tamaño set: Lineal con count.

No afecta al coste

• Campos avanzados (audience, ambiguities, must-include) → inyectados en system prompt, no tokens significativos.
• Import CSV → 0 créditos (parse cliente-side).
• Edit/versioning → 0 créditos (storage local).
• Export CSV → 0 créditos.

---

Disponibilidad y límites por plan

Acceso a herramienta

Cuotas de prompts por ventana (workspace-wide)

Validación: Server-side pre-ejecución. Bloquea si excede CUALQUIERA.

Otros límites

• maxProjects: Free=1, Lite=1, Starter=3, Pro=15, Agency=−1.
• Créditos mensuales totales: Free=50, Lite=200, Starter=500, Pro=1800, Agency=5500, Enterprise=custom.

---

Errores y casos frecuentes

Errores de validación local

Errores de validación LLM

Errores de capacidad

Errores de input

Errores de importación CSV/XLSX

Errores de edición / versionado

Errores de network

Edge cases notables

---

Documento preparado para clientes de pago. Técnico, sin marketing, enfocado en capacidades, límites e integración.