Visibilidad en ChatGPT y Perplexity: los KPI y el ritual mensual para dirección de comunicación

La directora de comunicación de una escuela de negocios en Madrid revisa las menciones de marca un martes por la mañana. Teclea en Perplexity: "mejor escuela de negocios en Madrid con acreditación AACSB". La respuesta enumera cinco instituciones. Su escuela no aparece. La competidora a tres manzanas de distancia sí. Ambas tienen la misma acreditación. Ambas gastan presupuestos similares en LinkedIn Ads y en la feria de orientación. La diferencia no está en los programas ni en los precios: está en quién ha convertido sus datos institucionales en señales que los motores de IA pueden leer, verificar y citar.

Este artículo establece los tres KPIs de visibilidad IA que la dirección de comunicación de una escuela debe medir, y describe el ritual mensual de 90 minutos que permite convertir esa medición en acción. No se trata de teoría de optimización: se trata de un protocolo operativo reproducible.

Por qué la visibilidad IA es ahora un KPI para la dirección de comunicación

La visibilidad en ChatGPT y Perplexity ya no es una cuestión de experimentación digital: es una variable de captación con impacto directo en el volumen de prospectos cualificados. Solo el 11 % de las respuestas de ChatGPT mencionan una escuela española cuando un candidato pregunta sobre educación superior en España. Perplexity alcanza el 19 %, igual que la media europea. (Fuente: Estudio de Monitorización GEO de Skolbot, 500 consultas × 6 países × 3 motores IA, feb. 2026).

Esas cifras tienen una consecuencia directa para cualquier escuela: ocho de cada diez respuestas de ChatGPT sobre formación en España no nombran ninguna institución española. En Perplexity, cuatro de cada cinco. El candidato que pregunta "¿cuál es la mejor escuela de ingeniería en Barcelona?" o "máster en recursos humanos con acreditación ANECA en Valencia" recibe una respuesta que, en la mayoría de los casos, omite instituciones perfectamente relevantes.

La razón por la que esto pertenece al cuadro de mando de comunicación — y no solo al área técnica de marketing digital — es estructural. La visibilidad IA no depende únicamente de la arquitectura web o de los datos Schema.org (aunque estos importan mucho). Depende también de:

• El contenido editorial publicado en el sitio: páginas de programas con datos cuantificados, páginas de calidad y acreditaciones, artículos de blog con información verificable
• Las menciones externas en fuentes de alta autoridad: rankings de El Mundo, directorios de AACSB, EQUIS y AMBA, Universia, medios especializados
• La coherencia de los datos entre el sitio web y las fuentes externas: si el sitio indica 180 ECTS y el registro RUCT del Ministerio de Universidades indica 120, la señal de confianza colapsa

Todas estas palancas están bajo la responsabilidad directa o indirecta de la dirección de comunicación. Por eso la visibilidad IA debe tratarse como un KPI de comunicación, no como un subproducto del SEO técnico.

Para comprender el marco completo de la optimización para motores generativos, consulte nuestra guía GEO para universidades.

Los 3 KPIs de visibilidad IA que realmente importan

Tres métricas permiten monitorizar la visibilidad IA de una escuela de forma sistemática y comparable mes a mes. No se miden de la misma manera ni responden a las mismas causas, pero juntas ofrecen un cuadro diagnóstico completo.

Tasa de Citación es el KPI de alcance: mide si la escuela existe en la respuesta de la IA. Por debajo del benchmark nacional (11 % en ChatGPT), la institución tiene un problema de señales fundamentales — datos institucionales incompletos, ausencia de Schema.org o falta de menciones externas verificables.

Tasa de Atribución es el KPI de conversión: mide si la citación genera tráfico potencial. Una escuela citada sin enlace es reconocida por la IA, pero el candidato no tiene un camino directo hacia su web. En Perplexity, donde las fuentes se muestran visualmente junto a la respuesta, la tasa de atribución es el indicador más directamente vinculado a la captación orgánica.

Contexto de Mención es el KPI de posicionamiento: mide si la escuela es citada como referencia o como alternativa de segundo nivel. "IE Business School lidera en España para el MBA ejecutivo" y "otras escuelas como X también ofrecen programas similares" tienen valores de captación completamente distintos. Esta métrica requiere lectura cualitativa, no solo conteo, pero es la que mejor refleja la percepción que la IA construye sobre la institución.

Las escuelas con datos Schema.org/EducationalOrganization estructurados obtienen de media +12 puntos de visibilidad IA respecto a las que no los tienen (Fuente: Estudio de Monitorización GEO de Skolbot, 500 consultas × 6 países × 3 motores IA, feb. 2026). Esos 12 puntos son la palanca técnica más accesible para mejorar la Tasa de Citación en menos de tres meses.

Para un diagnóstico inicial de la situación actual de su escuela, el artículo sobre diagnóstico de visibilidad en ChatGPT detalla el protocolo de comprobación en cinco pasos.

El ritual mensual de 90 minutos

Un sistema de monitorización que requiere más de dos horas al mes no se sostiene en una dirección de comunicación con múltiples responsabilidades. El protocolo siguiente está diseñado para ser ejecutado en 90 minutos una vez al mes, por una persona, sin herramientas de pago adicionales.

Bloque 1 (30 minutos): Lanzar las consultas y registrar los datos

Prepare una hoja de cálculo con 30 consultas objetivo distribuidas en tres categorías:

• Consultas de programa (10 consultas): "máster en finanzas España acreditado", "grado en ingeniería dual Madrid", "MBA ejecutivo fin de semana Barcelona", etc. Adapte los términos a sus programas reales.
• Consultas geográficas (10 consultas): "escuela de negocios en [ciudad]", "mejores universidades privadas en [comunidad autónoma]", "formación superior acreditada [ciudad] presencial".
• Consultas de acreditación y reputación (10 consultas): "universidades con acreditación AACSB en España", "escuelas con verificación ANECA ingeniería", "ranking El Mundo másteres [disciplina] España".

Envíe cada consulta a ChatGPT y a Perplexity (60 consultas en total). Para cada respuesta, registre en tres columnas:

1. ¿Aparece su escuela? (Sí / No)
2. ¿Hay enlace a su web? (Sí / No / No aplica)
3. Contexto: Primera recomendación / Lista / Alternativa / Ausente

Ese registro tarda aproximadamente 30 segundos por consulta. Con 60 consultas, son 30 minutos.

Bloque 2 (30 minutos): Calcular los KPIs y comparar con el mes anterior

Con los datos del Bloque 1, calcule:

• Tasa de Citación ChatGPT = (menciones en ChatGPT / 30 consultas) × 100
• Tasa de Citación Perplexity = (menciones en Perplexity / 30 consultas) × 100
• Tasa de Atribución = (citaciones con enlace / total de citaciones en ambos motores) × 100
• Contexto de Mención: % de citaciones como primera recomendación vs. % como alternativa vs. % en lista

Actualice su panel mensual comparando con el mes anterior. Una variación de más de 3 puntos porcentuales en la Tasa de Citación merece análisis. Una caída súbita (más de 5 puntos) en un solo motor indica un cambio en el modelo o un problema técnico en su sitio — por ejemplo, bloqueo accidental de GPTBot en el robots.txt.

Complemente el análisis con una revisión rápida de qué competidores aparecen en las respuestas donde su escuela no aparece. Esta inteligencia competitiva orienta directamente las decisiones de contenido y enlazado del mes siguiente.

Para profundizar en la metodología completa de monitorización, consulte el artículo sobre monitorización GEO de visibilidad universitaria en IA.

Bloque 3 (30 minutos): Definir la acción del mes

Los datos del Bloque 2 deben traducirse en una acción concreta, no en un informe para archivar. El siguiente árbol de decisión simplifica la priorización:

• Tasa de Citación <10 % en ChatGPT → Acción prioritaria: implementar o completar el Schema.org EducationalOrganization en la página principal y en las páginas de programa. Es la palanca con mayor impacto sobre la Tasa de Citación en 8 a 12 semanas.
• Tasa de Citación >10 % pero Tasa de Atribución <20 % → Acción prioritaria: verificar que GPTBot y PerplexityBot no están bloqueados, y que las páginas más citadas tienen URL canónica en el Schema.org.
• Citada pero siempre como alternativa, nunca como primera recomendación → Acción prioritaria: reforzar las señales de autoridad — acreditaciones verificables con fechas y números de resolución, tasas de empleabilidad documentadas con fuente, posición en rankings de referencia (El Mundo, QS, Financial Times para programas internacionales).
• Caída de más de 5 puntos → Acción urgente: auditoría técnica del sitio — robots.txt, sitemap, velocidad de carga, integridad de los datos Schema.org.

Documente la acción del mes en una línea: qué se va a hacer, quién es responsable y en qué fecha se revisará el impacto. Ese registro permite correlacionar acciones con variaciones de KPI en los meses siguientes.

Para un plan de acción estructurado a 90 días, el artículo plan de acción para ser citado en ChatGPT y Perplexity detalla la secuencia de implementación priorizada.

Interpretar las variaciones de datos — cuándo actuar, cuándo esperar

No todas las variaciones en los KPIs de visibilidad IA requieren una respuesta inmediata. Distinguir entre ruido estadístico y señal real es una competencia que se desarrolla con varios meses de datos históricos.

Variaciones menores de 3 puntos porcentuales son probablemente ruido. Los motores de IA introducen aleatoriedad en sus respuestas — la misma consulta enviada en dos momentos distintos puede producir resultados diferentes sin que haya habido ningún cambio en su sitio ni en el corpus del modelo. Registre la variación pero no tome decisiones de acción sobre ella.

Variaciones de entre 3 y 7 puntos merecen atención pero no alarma. Compruebe si hay alguna explicación externa: ¿publicó contenido nuevo ese mes? ¿Un competidor lanzó una campaña importante? ¿Hubo una actualización relevante del modelo de ChatGPT o Perplexity? Si no hay explicación externa obvia, observe la tendencia durante dos meses antes de actuar.

Variaciones superiores a 7 puntos en un solo mes, en cualquier dirección, son señal de cambio real. Una subida de esa magnitud suele corresponder a una acción GEO ejecutada el mes anterior — nuevo Schema.org implementado, página de acreditaciones creada, aparición en un ranking de referencia. Una caída de esa magnitud puede indicar un problema técnico, un cambio en el modelo, o que un competidor ha ejecutado acciones GEO significativas.

La dirección de la variación en Perplexity vs. ChatGPT también aporta información diagnóstica. Si sube en Perplexity y baja en ChatGPT simultáneamente, el patrón sugiere que su contenido web reciente está siendo rastreado (lo que favorece a Perplexity, que usa búsqueda en tiempo real) pero que su presencia en el corpus de entrenamiento de ChatGPT no ha mejorado. La solución no es la misma en ambos casos: para Perplexity, el foco es el contenido web fresco y estructurado; para ChatGPT, son las menciones en fuentes de alta autoridad que el modelo incluye en su entrenamiento.

El efecto estacional también existe. En España, los meses de mayo a julio concentran el mayor volumen de búsquedas relacionadas con la EBAU, las notas de corte y las decisiones de grado. Las Tasa de Citación tienden a fluctuar más en esos períodos porque el volumen de consultas aumenta y la competencia entre instituciones por las mismas respuestas es mayor. Interprete los datos de junio y julio con esa variable en mente.

Para auditar específicamente la presencia en Perplexity y entender qué fuentes cita ese motor, el artículo sobre auditoría de visibilidad en Perplexity para universidades detalla el protocolo de diagnóstico específico por motor.

Presentar la visibilidad IA a la dirección general

Los datos de visibilidad IA deben llegar a la dirección general en un formato que conecte con los objetivos de captación, no con la jerga técnica del GEO. El panel siguiente es el formato recomendado para la presentación mensual — cabe en una diapositiva o en un correo de cinco líneas.

Al presentar estos datos, tres principios mejoran la recepción por parte de la dirección general:

Contextualizar con el benchmark. El 11 % de ChatGPT es el punto de partida del sistema educativo español, no el objetivo. Una escuela que ha pasado del 8 % al 14 % en tres meses ha superado el benchmark nacional con acciones concretas. Ese progreso relativo es más útil que el número absoluto.

Vincular la visibilidad IA con el funnel de captación. Si dispone de analítica web con fuentes de tráfico, muestre el tráfico referido desde perplexity.ai y chatgpt.com. Una Tasa de Atribución creciente debería correlacionar con un aumento en las visitas desde esas fuentes. Esa correlación convierte el KPI técnico en un argumento de negocio.

Proponer una inversión proporcional. La implementación de Schema.org en las páginas de programa y la creación de una página de acreditaciones estructurada — las dos acciones con mayor impacto sobre la Tasa de Citación — representan entre 8 y 20 horas de desarrollo web. El retorno esperado es +8 a +12 puntos de Tasa de Citación en 8 a 12 semanas. Expresado en coste por punto de visibilidad, es uno de los indicadores más eficientes en el marketing de educación superior. Para profundizar en los criterios que usan los LLM para seleccionar qué instituciones recomendar, el artículo sobre señales LLM para la recomendación universitaria explica los mecanismos en detalle.

La AEPD (Agencia Española de Protección de Datos) no regula directamente la monitorización GEO, pero cualquier herramienta de análisis que registre datos de sesión de usuarios en el proceso de comprobación debe cumplir con los requisitos del RGPD — en especial si se integran APIs externas que procesen consultas. Mencione este punto en la presentación a dirección para mostrar que el protocolo está diseñado con cumplimiento normativo incorporado.

Preguntas frecuentes

¿Es suficiente con comprobar la visibilidad en ChatGPT, o también hay que monitorizar Perplexity?

Los dos motores son necesarios y producen resultados diferentes. ChatGPT opera principalmente a partir de su corpus de entrenamiento y actualiza su base de conocimiento con cadencia irregular — meses o trimestres. Perplexity usa búsqueda en tiempo real y refleja cambios en el contenido web de forma mucho más rápida — en ocasiones en días. Una escuela puede tener una Tasa de Citación del 5 % en ChatGPT y del 28 % en Perplexity si ha publicado contenido estructurado recientemente pero no tiene presencia sólida en fuentes de alta autoridad indexadas por el corpus de entrenamiento. Ambos motores orientan acciones distintas, de ahí la necesidad de medirlos por separado.

¿Cuántas consultas son suficientes para que los datos sean estadísticamente útiles?

Un mínimo de 30 consultas por motor produce datos con suficiente consistencia para identificar tendencias mes a mes. Por debajo de 20 consultas, las variaciones aleatorias entre sesiones del modelo introducen demasiado ruido. El panel de 30 consultas descrito en el ritual mensual está calibrado para ese umbral de fiabilidad práctica. Si su institución tiene más de 20 programas activos o opera en varias comunidades autónomas, amplíe a 50 consultas distribuyendo más peso en las categorías geográficas y de programa.

¿La visibilidad IA afecta al posicionamiento en Google?

Son canales diferentes que comparten algunas señales base. Un sitio web bien estructurado con Schema.org correcto y contenido de calidad tiende a mejorar tanto en SEO tradicional como en GEO. Sin embargo, un buen posicionamiento en Google no garantiza visibilidad en ChatGPT o Perplexity, y viceversa. La ANECA y el ranking de El Mundo son ejemplos de fuentes que influyen en ambos canales — las menciones en ellas mejoran el posicionamiento SEO y también refuerzan la señal de autoridad que los LLM usan para citar instituciones. Para más detalles sobre la relación entre SEO y GEO, consulte el artículo SEO vs. GEO para universidades.

¿Cómo saber si un competidor ha mejorado su visibilidad IA a nuestra costa?

La señal más directa es que sus consultas habituales empiezan a devolver con más frecuencia a ese competidor en las posiciones que antes ocupaba su escuela. Registre sistemáticamente qué instituciones aparecen en cada respuesta — no solo si su escuela aparece. Si un competidor que antes aparecía en el 5 % de sus consultas de referencia pasa al 25 % en un mes, ha ejecutado acciones GEO significativas. Analice las páginas que el motor cita de ese competidor para identificar qué han cambiado — normalmente es la implementación de Schema.org en páginas de programa o la publicación de contenido estructurado sobre acreditaciones.

¿El ritual mensual de 90 minutos es suficiente para mantener y mejorar la visibilidad, o requiere acciones adicionales entre ciclos?

El ritual mensual es suficiente para la monitorización y la definición de la acción del mes. La ejecución de esa acción — que puede ser técnica (Schema.org), editorial (nueva página de acreditaciones) o de relaciones externas (actualizar el perfil en el directorio AACSB o en el portal del Ministerio de Universidades) — ocurre fuera del ritual, en el flujo normal de trabajo del equipo. El ritual define qué hacer; el equipo lo ejecuta en las semanas siguientes. Con una acción ejecutada al mes y monitorizadas cada cuatro semanas, la mayoría de las escuelas observan una mejora sostenida de entre 1 y 3 puntos en la Tasa de Citación cada mes durante los primeros seis meses.