Cómo crear un banco de prompts para medir la visibilidad de tu marca en IA

Una medición de visibilidad en IA puede tener un dashboard impecable y aun así conducir a decisiones equivocadas. El fallo suele empezar antes de calcular ninguna métrica: en las preguntas elegidas.

Antes de ejecutar el banco, decide cómo localizarás la muestra por país e idioma para que cada mercado conserve su propia configuración y su denominador.

Si el análisis usa prompts genéricos, repetidos o alejados de cómo compra el cliente, el resultado no representa el mercado. Si incluye demasiadas preguntas con el nombre de la marca, la visibilidad parece artificialmente alta. Y si los prompts cambian cada semana, cualquier tendencia deja de ser comparable.

Un banco de prompts resuelve ese problema. Es la muestra controlada que conecta las decisiones reales de los compradores con respuestas de ChatGPT, Gemini, Perplexity, Claude o Google AI Overviews. Esta guía explica cómo construirlo sin sesgos, cómo saber si tiene cobertura suficiente y cómo mantenerlo útil en el tiempo.

Qué es un banco de prompts y qué no es

Un banco de prompts es un conjunto estructurado y versionado de preguntas que representan los momentos en los que una persona podría descubrir, comparar, evaluar o elegir una marca mediante IA.

No es una lista de keywords convertidas automáticamente en preguntas. Tampoco es una colección de ocurrencias escritas en una sesión de brainstorming. Cada prompt debe tener una razón de negocio, una intención, un mercado, una audiencia y un criterio para interpretar la respuesta.

La unidad mínima no es solo el texto de la pregunta. Es este registro:

• Prompt exacto.
• Intención y etapa de decisión.
• Audiencia o perfil comprador.
• País e idioma.
• Categoría o línea de producto.
• Valor de negocio.
• Modelos en los que se ejecuta.
• Fecha de alta y versión.

Con esa estructura puedes explicar por qué una pregunta está en la muestra y evitar que el banco crezca sin control.

Por qué una lista de keywords no basta

En SEO, una keyword suele representar una demanda que termina en una página de resultados. En una conversación con IA, la misma necesidad puede expresarse como problema, restricción, comparación o petición de recomendación.

Una keyword como software de gestión de proyectos puede convertirse en preguntas muy distintas:

• "¿Qué herramientas ayudan a coordinar un equipo remoto de 30 personas?"
• "Compara tres alternativas para gestionar proyectos con clientes externos."
• "¿Qué software de proyectos es fácil de implantar sin un administrador dedicado?"
• "¿Qué opción recomiendas para una agencia que necesita permisos por cliente?"

Todas pertenecen a la misma categoría, pero no producen la misma respuesta ni tienen el mismo valor. El banco debe capturar esas diferencias. Para entender qué medir después, consulta la guía de métricas de visibilidad en IA; aquí el trabajo es construir bien la muestra que alimenta esas métricas.

Los seis bloques que debe cubrir la muestra

Un banco equilibrado no reparte preguntas al azar. Debe cubrir seis trabajos de decisión.

1. Descubrimiento de categoría. Preguntas amplias en las que el usuario todavía no conoce proveedores: "¿Qué soluciones existen para...?". Sirven para medir si la marca entra en la conversación inicial.

2. Problema y caso de uso. El usuario describe una necesidad concreta: "¿Cómo puede un equipo de marketing controlar...?". Aquí la IA puede recomendar categorías distintas, no solo competidores directos.

3. Comparación y shortlist. Preguntas que piden alternativas, ventajas o una lista corta. Son esenciales para observar qué marcas aparecen juntas y calcular después el Share of Voice en IA.

4. Recomendación de alta intención. Incluyen contexto de compra, tamaño, presupuesto, sector o país: "¿Qué herramienta recomendarías para...?". Su volumen puede ser menor, pero su valor de negocio suele ser mayor.

5. Objeciones y restricciones. Preguntas sobre facilidad de uso, integraciones, seguridad, idioma, soporte o cumplimiento. Revelan por qué una marca entra o sale de la recomendación.

6. Diagnóstico branded. Incluyen el nombre de tu marca: "¿Para qué tipo de empresa sirve Marca X?" o "¿Qué limitaciones tiene Marca X?". Son útiles para comprobar exactitud y framing, pero deben analizarse aparte. No sirven para medir descubrimiento espontáneo.

Cómo construir el banco paso a paso

1. Define el perímetro de la medición

Escribe primero qué decisión quieres observar. Una medición válida necesita límites: producto, mercado, idioma, audiencia y periodo. "Visibilidad de nuestra marca" es demasiado amplio; "recomendaciones de software de facturación para autónomos en España" sí permite diseñar una muestra coherente.

Si tienes varias líneas de producto o países, crea bancos o segmentos separados. Mezclarlos destruye la lectura: una mejora en una categoría puede ocultar una caída en otra.

2. Recoge lenguaje real de clientes

Antes de redactar, extrae preguntas de llamadas comerciales, tickets de soporte, búsquedas internas, formularios, comunidades, estudios de keyword research y consultas de Search Console. No copies esos textos sin revisar; úsalos para conservar vocabulario, restricciones y casos de uso reales.

Busca especialmente frases que empiezan por "qué opción", "cuál recomiendas", "alternativas a", "para una empresa que", "merece la pena" o "cómo resolver". Suelen revelar una decisión, no solo curiosidad informativa.

3. Crea una matriz de cobertura

Cruza las etapas de decisión con tus segmentos prioritarios. Una matriz sencilla puede usar filas para intención y columnas para mercado, audiencia o producto. Cada celda debe tener suficientes prompts para no depender de una sola formulación.

No busques simetría perfecta. Si el 60 % del negocio procede de un segmento, ese segmento puede recibir más peso. Lo importante es documentar el criterio para que la muestra no refleje solo las preferencias de quien la escribió.

4. Redacta preguntas naturales y autocontenidas

Cada prompt debe entenderse sin contexto previo. Evita jerga interna, nombres de funcionalidades que el mercado no usa y preguntas que ya incluyan la respuesta deseada.

Prompt sesgado: "¿Por qué Marca X es la mejor herramienta para equipos remotos?"

Prompt útil: "¿Qué herramientas recomendarías para coordinar proyectos en un equipo remoto de 30 personas y por qué?"

Mantén una sola intención principal por pregunta. Si pides al modelo comparar precio, seguridad, facilidad, integraciones y soporte a la vez, la respuesta será difícil de clasificar.

5. Añade variantes con propósito

Una variante debe probar una diferencia real: país, tamaño de empresa, caso de uso, restricción o etapa de compra. Cambiar qué herramientas por cuáles son las herramientas no añade cobertura; solo duplica la muestra.

Conserva un núcleo común entre modelos para poder comparar. Si una plataforma requiere una adaptación, registra esa variante como tal y no la mezcles silenciosamente con el prompt base.

6. Etiqueta valor e intención antes de medir

Asigna a cada prompt una etiqueta de intención y un peso de negocio antes de ver la respuesta. Así evitas cambiar la importancia de una pregunta porque el resultado te gusta o te perjudica.

Una regla simple puede usar tres niveles: crítico, importante y exploratorio. Los prompts críticos representan decisiones próximas a compra o reputación; los exploratorios ayudan a descubrir tendencias. Analiza ambos, pero no permitas que veinte preguntas informativas oculten cinco ausencias de alta intención.

7. Deduplica y pasa un control de calidad

Lee el banco como un conjunto. Elimina preguntas equivalentes, equilibra categorías y comprueba que ninguna marca competidora aparece de forma desproporcionada en el texto. Haz que otra persona pueda explicar qué mide cada prompt sin preguntarte a ti.

Antes de automatizar, ejecuta una muestra pequeña manualmente. Si muchas respuestas interpretan otra categoría o devuelven resultados imposibles de comparar, corrige la redacción; el problema está en el diseño, no en el dashboard.

Plantilla mínima para cada prompt

Puedes gestionar el banco en una hoja o en una herramienta especializada. Como mínimo, utiliza estas columnas:

El ID no debe cambiar aunque corrijas un error menor. Para una modificación que altere la intención, crea una versión o un prompt nuevo. Esa disciplina permite rastrear qué cambió entre mediciones.

Cuántos prompts necesitas

No existe un número universal. Como regla operativa, un piloto puede empezar con 30 a 50 prompts bien repartidos. Una marca con medición recurrente suele trabajar con 80 a 150 por mercado o unidad relevante. Empresas con varias categorías necesitarán más, pero siempre segmentados.

La cobertura importa más que el volumen. Cien preguntas casi idénticas no crean una muestra más fiable. Antes de añadir otra, pregunta qué celda de la matriz cubre y qué decisión mejorará.

Empieza con un banco manejable, mide, detecta huecos y amplía por versiones. El rastreador de visibilidad en IA explica qué debe hacer la herramienta una vez que esta muestra está bien construida.

Cómo evitar que la medición quede sesgada

Hay cuatro controles básicos.

Separa branded y no branded. Los primeros diagnostican cómo te describe la IA; los segundos miden si te descubre sin ayuda. Nunca los combines en un único porcentaje.

Equilibra etapas de decisión. Una muestra dominada por awareness puede parecer saludable mientras la marca no aparece en comparaciones de compra.

No introduzcas competidores de forma arbitraria. Si nombras siempre a dos rivales, aumentas artificialmente su presencia. Reserva los prompts con marcas para un bloque competitivo explícito.

Congela una línea base. Una parte del banco debe permanecer estable durante varias mediciones. Sin esa referencia, no puedes distinguir una mejora real de un cambio en la muestra.

Versionado y frecuencia de revisión

El banco debe evolucionar sin perder comparabilidad. Usa versiones fechadas y registra altas, bajas, cambios de redacción y motivo.

Una práctica útil es mantener entre el 70 % y el 80 % del núcleo estable y reservar el resto para exploración, lanzamientos o nuevas preguntas de clientes. Es una regla de gestión, no una ley estadística: ajústala si cambia de forma material tu catálogo o mercado.

Revisa el banco mensualmente y antes de campañas, lanzamientos o expansiones internacionales. No cambies prompts solo porque una respuesta no te favorece. Cambia cuando la pregunta haya dejado de representar una decisión real o cuando descubras un sesgo documentado.

Ese versionado solo se sostiene si alguien lo aprueba y lo registra. La gobernanza de la medición de visibilidad en IA define quién puede cerrar una versión del banco y cómo se documenta una ruptura de serie.

Cómo conectar el banco con la medición

El banco define qué preguntar; la herramienta registra qué responde cada modelo. A partir de ahí puedes medir tasa de mención, posición, framing, competidores, fuentes y estabilidad.

Analiza primero por cluster e intención. Un promedio global puede ocultar lo importante. Si la marca aparece en descubrimiento pero no en shortlist, la acción no es "subir el score": es reforzar las señales que justifican una recomendación de compra.

Cada prompt debe repetirse bajo condiciones controladas para que las diferencias entre ejecuciones se puedan interpretar: consulta cómo medir la variabilidad de las respuestas de IA sin sesgar tu benchmark antes de convertir un dato aislado en tendencia.

Para una comprobación centrada en ChatGPT, consulta cómo medir con qué frecuencia ChatGPT recomienda tu marca. Para seguimiento multi-modelo, conserva el mismo núcleo de prompts y compara cada canal por separado.

Cuando el banco esté versionado, úsalo como base para diseñar un experimento GEO y medir si una acción cambia tu visibilidad sin confundir cambio real con ruido.

Errores que invalidan un banco de prompts

1. Traducir una lista de keywords sin añadir contexto de decisión.
2. Incluir la marca en casi todas las preguntas y llamarlo visibilidad.
3. Añadir variantes sin propósito para inflar el tamaño de la muestra.
4. Mezclar países, idiomas, productos y audiencias en un único score.
5. Cambiar prompts cada semana sin conservar versiones.
6. Elegir preguntas después de ver qué resultados favorecen a la marca.
7. Automatizar antes de comprobar manualmente que las respuestas son comparables.

Cómo lo aplica Mentio

Mentio convierte un banco de preguntas en seguimiento recurrente. Ejecuta prompts relevantes en varios modelos, detecta menciones de la marca y competidores, registra posición y framing, y permite observar cambios sin repetir una auditoría manual completa.

La calidad del resultado sigue dependiendo del diseño. Una herramienta puede automatizar la ejecución y el análisis, pero el equipo debe decidir qué mercados, audiencias y decisiones importan. Cuando ambas capas están bien resueltas, el dashboard deja de ser una colección de respuestas y se convierte en un sistema de decisión.

Si vas a publicar un producto, deriva del banco una cohorte específica y fechada siguiendo la guía para monitorizar un lanzamiento de producto en IA.

FAQ

¿Qué es un banco de prompts para visibilidad en IA?

Es un conjunto controlado y versionado de preguntas que representa cómo una audiencia descubre, compara y elige marcas mediante asistentes de IA. Se usa como muestra estable para medir menciones, posición, competidores y cambios.

¿Cuántos prompts necesito para empezar?

Un piloto puede empezar con 30 a 50 prompts bien distribuidos. Para seguimiento recurrente, una referencia práctica es trabajar con 80 a 150 por mercado o unidad relevante, priorizando cobertura sobre volumen.

¿Debo incluir el nombre de mi marca?

Sí, pero en un bloque branded separado. Los prompts no branded miden descubrimiento espontáneo; los branded comprueban exactitud, posicionamiento y objeciones. Mezclarlos infla la visibilidad.

¿Puedo usar los mismos prompts en todos los modelos?

Mantén un núcleo común para comparar, registrando cualquier adaptación necesaria por idioma, ubicación, acceso a web o formato del canal. No cambies silenciosamente la redacción.

¿Cada cuánto debo actualizar el banco?

Revísalo cada mes o cuando cambien productos, mercados o lenguaje de clientes. Conserva una línea base estable y gestiona los cambios con versiones fechadas.

¿Cómo ayuda Mentio?

Mentio permite ejecutar el banco en varios modelos y analizar menciones, posición, competidores, framing y evolución. Así convierte una muestra bien diseñada en medición recurrente y accionable.

Construye primero la muestra; automatiza después

Una métrica solo es tan útil como las preguntas que la producen. Define el mercado, recoge lenguaje real, equilibra intenciones, elimina duplicados y congela una línea base. Después sí merece la pena automatizar.

Si ya tienes el banco y estás valorando qué plataforma usar, la guía para evaluar una herramienta de visibilidad en IA en 14 días explica cómo poner ese banco a prueba contra un producto real antes de firmar.

Crear mi primera medición en Mentio

¿Quieres saber si la IA menciona tu marca?

Descubre tu visibilidad en ChatGPT, Claude y Gemini en minutos.

Analiza tu marca gratis

Artículos relacionados