Cómo monitorizar un lanzamiento de producto en ChatGPT, Gemini y Perplexity

El día de un lanzamiento, tu web, la nota de prensa, las páginas de partners, las comparativas y las conversaciones del mercado empiezan a contar una historia nueva. ChatGPT, Gemini y Perplexity pueden recoger partes de esa historia a ritmos distintos. También pueden conservar el nombre anterior, mezclar dos versiones o afirmar que el producto todavía no está disponible.

Una captura aislada no permite saber si el lanzamiento está siendo entendido. Necesitas comparar qué respondían los modelos antes, qué cambia durante la publicación y qué se estabiliza después.

Esta guía convierte el seguimiento en una operación temporal. Parte de un rastreador de visibilidad en IA ya configurado y añade lo que un lanzamiento exige: una ficha de hechos fechada, preguntas de riesgo, una cadencia más intensa, alertas y responsables.

Por qué un lanzamiento no es seguimiento ordinario

En una medición estable buscas tendencias semanales o mensuales. En un lanzamiento hay un evento conocido que altera muchas fuentes a la vez y concentra el riesgo en pocos días.

El equipo necesita responder cuatro preguntas:

1. Descubrimiento: ¿aparece el producto cuando alguien plantea el problema o la categoría?
2. Comprensión: ¿la IA explica correctamente qué es, para quién sirve y cómo se diferencia?
3. Actualidad: ¿reconoce disponibilidad, nombre, versión y datos vigentes?
4. Riesgo: ¿inventa, mezcla o mantiene hechos que pueden perjudicar una decisión?

No se trata de exigir que los modelos actualicen al instante. El objetivo es observar el desfase, localizar dónde falla la historia y decidir qué evidencia o fuente necesita atención.

Define la verdad del lanzamiento antes de abrir el dashboard

No evalúes respuestas contra lo que cada persona recuerda de la campaña. Crea una ficha de verdad del lanzamiento aprobada por producto, marketing y, cuando corresponda, legal.

La ficha no sustituye una auditoría de entidades de marca. La usa como base y limita la evaluación a los hechos que cambian con este lanzamiento.

Asigna a cada hecho:

• criticidad alta, media o baja;
• URL primaria;
• fecha de vigencia;
• mercados e idiomas;
• formulaciones aceptables;
• expresiones que indicarían error o confusión.

Construye una matriz de preguntas específica

No añadas el nombre del producto a veinte prompts y lo llames seguimiento. Combina preguntas con y sin marca para observar descubrimiento y comprensión.

Parte de un banco de prompts versionado, pero crea una cohorte del lanzamiento. Etiqueta intención, mercado, idioma, modelo, criticidad y hecho esperado. Congela texto y configuración antes de T-7 para que un cambio de redacción no parezca adopción.

Fase 1: registra el baseline entre T-14 y T-4

El baseline describe lo que los modelos sabían antes de la exposición pública. Ejecuta la cohorte en condiciones comparables y conserva las respuestas completas.

Registra por ejecución:

• fecha y hora;
• prompt y versión;
• modelo, modo y acceso web;
• país e idioma;
• respuesta completa;
• marca y producto mencionados;
• posición o prominencia;
• fuentes y URLs citadas;
• clasificación narrativa;
• hechos correctos, ausentes o erróneos;
• captura o referencia auditable.

Repite cada condición varias veces. Los sistemas generativos varían, por lo que debes aplicar el protocolo de variabilidad dentro de cada modelo y mercado. El baseline no es una única respuesta tomada la víspera.

El resultado de esta fase debe separar tres estados:

1. El producto todavía no aparece, como era esperable.
2. Aparece por información pública previa.
3. Aparece con datos incorrectos o filtrados antes de la fecha.

Ese tercer estado requiere revisión inmediata: no conviene esperar a T0 para descubrir una página indexada con nombre, precio o disponibilidad equivocados.

Fase 2: comprueba readiness entre T-3 y T-1

Antes del lanzamiento, valida que las fuentes aprobadas están publicables, coherentes y accesibles. No estás midiendo todavía el éxito: estás comprobando que el sistema de evidencia no nace roto.

Revisa:

• una URL canónica por producto y mercado;
• nombre, categoría y descripción coherentes;
• fechas y disponibilidad sin contradicciones;
• documentación y FAQ alineadas;
• datos estructurados válidos cuando correspondan;
• enlaces desde la marca matriz y productos relacionados;
• partners o distribuidores con la versión correcta;
• ausencia de páginas antiguas que parezcan vigentes.

Ejecuta una ola corta en T-1 con la misma configuración del baseline. Guarda cualquier cambio anterior al anuncio. Si modificas prompts, fuentes o condiciones, crea una nueva versión y no mezcles sus resultados con el baseline.

Fase 3: monitoriza la ventana T0 a T+3

Registra la hora pública del lanzamiento. A partir de ese punto, ejecuta olas fechadas, no consultas improvisadas por distintos miembros del equipo.

Una cadencia práctica:

No todos los equipos necesitan una ejecución cada seis horas. Reserva la alta frecuencia para hechos críticos, mercados prioritarios o campañas con mucha exposición. Mantén suficientes repeticiones para no confundir una respuesta aislada con un cambio.

En cada ola calcula cobertura antes de interpretar:

cobertura = ejecuciones válidas / ejecuciones planificadas

Si falla un modelo o una configuración, marca la ola como incompleta. No presentes una mejora agregada construida con menos observaciones.

Clasifica adopción, ausencia y error

Una mención binaria no explica si el lanzamiento ha sido entendido. Clasifica cada respuesta con una taxonomía común:

Separa tasa de mención y tasa de adopción narrativa:

tasa de adopción = respuestas adoptadas y correctas / respuestas válidas

Una marca puede ganar menciones mientras empeora la precisión. Por eso muestra junto a cada tasa el volumen de errores críticos y la cobertura.

Mide el delta contra el baseline

Para cada ola y condición, compara:

• cambio en tasa de mención;
• cambio en adopción narrativa;
• cambio en posición o prominencia;
• número de hechos correctos;
• errores nuevos y errores resueltos;
• fuentes nuevas citadas;
• confusión con productos anteriores;
• dispersión entre repeticiones.

No sumes modelos ni mercados de forma automática. Un lanzamiento puede estar bien entendido en Perplexity en España y mal descrito en ChatGPT en México. Conserva la vista por condición y agrega solo con pesos de negocio explícitos.

El delta muestra asociación temporal, no causalidad. Si necesitas atribuir un cambio a una intervención concreta, diseña un experimento GEO con controles y mecanismo esperado.

Define alertas antes de ver los resultados

Las reglas de escalado deben existir antes de que aparezca una respuesta incómoda.

Una regla posible:

• Escala cualquier error crítico aunque aparezca una vez.
• Escala un error alto si se repite en la misma condición o aparece en dos modelos.
• No escales una ausencia aislada sin revisar repetición, relevancia y cobertura.
• Cierra una incidencia solo cuando la fuente se haya corregido y dos olas comparables no reproduzcan el fallo.

La corrección puede requerir actualizar una página primaria, alinear documentación, retirar una URL antigua o contactar con una fuente externa. Para el proceso general, consulta la guía sobre información incorrecta de empresa en IA; aquí cada acción debe quedar ligada a una incidencia del lanzamiento.

Fase 4: confirma la estabilización entre T+4 y T+14

Reduce la frecuencia y conserva hitos comparables en T+7 y T+14. Busca estabilidad, no una cifra perfecta.

El lanzamiento puede cerrarse cuando:

1. La cobertura planificada está completa.
2. Las métricas principales no cambian materialmente entre dos olas.
3. No quedan errores críticos abiertos.
4. La narrativa correcta aparece de forma consistente en condiciones prioritarias.
5. Las fuentes dominantes están identificadas.
6. Cada incidencia tiene resolución, propietario o aceptación explícita del riesgo.

Guarda la ola de cierre como nuevo baseline operativo. Los prompts específicos de fecha o disponibilidad temporal pueden retirarse; los de categoría, comparación y relación entre productos pasan al seguimiento recurrente con una nueva versión.

Ejemplo: lanzamiento de un módulo para SaaS B2B

Una empresa lanza un módulo de analítica para clientes de su plataforma principal.

En T-7, el nuevo nombre no aparece, pero ChatGPT atribuye su función al producto antiguo. En T0, Perplexity cita el anuncio y describe bien la función, mientras Gemini mantiene la arquitectura anterior. En T+1, dos respuestas afirman que el módulo se vende por separado, aunque solo está incluido en un plan concreto.

El equipo no concluye que "Gemini va peor" ni reescribe toda la campaña. Abre una incidencia comercial, comprueba que la página de precios usa una frase ambigua, la corrige y alinea la documentación. En T+3 repite la misma cohorte. El error deja de aparecer en Perplexity y ChatGPT, pero persiste en una repetición de Gemini; se mantiene en observación hasta T+7.

El valor del sistema no está en declarar un ganador. Está en conectar una respuesta concreta con un hecho, una fuente, un propietario y una próxima comprobación.

Organiza responsables y un registro único

Usa un registro único con:

incident_id, fecha, prompt, modelo, mercado, respuesta, hecho afectado, severidad, fuente probable, propietario, acción, estado, próxima medición

El resumen para dirección debe incluir cambios, riesgos y decisiones, no cientos de capturas. Puedes trasladar el cierre a un informe ejecutivo de visibilidad en IA y mantener el dataset como anexo auditable.

Errores que invalidan el seguimiento

1. Empezar a medir el día del lanzamiento sin baseline.
2. Cambiar prompts entre olas sin crear una versión.
3. Ejecutar una sola respuesta por condición.
4. Contar una mención como narrativa correcta.
5. Mezclar países, idiomas y modelos en un único porcentaje.
6. Ignorar cobertura incompleta o fallos de acceso.
7. Reaccionar a cualquier ausencia como si fuera una crisis.
8. No distinguir producto nuevo, versión anterior y marca matriz.
9. Corregir fuentes sin registrar qué incidencia motivó el cambio.
10. Cerrar el seguimiento sin convertir T+14 en baseline.

Checklist operativo

• [ ] La ficha de verdad está aprobada y fechada.
• [ ] Cada hecho tiene fuente, criticidad y propietario.
• [ ] La cohorte cubre descubrimiento, comprensión, actualidad y riesgo.
• [ ] Prompts y configuración quedan congelados antes de T-7.
• [ ] Hay baseline repetido por modelo, mercado e idioma.
• [ ] T0, T+1, T+3, T+7 y T+14 están programados.
• [ ] La taxonomía diferencia adopción, ausencia, obsolescencia, confusión y error.
• [ ] Las alertas están definidas antes de mirar resultados.
• [ ] Cada incidencia conserva respuesta y evidencia.
• [ ] El cierre produce un nuevo baseline y una lista de pendientes.

FAQ

¿Cuándo debo empezar a monitorizar un lanzamiento en IA?

Empieza entre siete y catorce días antes de la fecha pública. Esa ventana permite registrar un baseline, comprobar si existe información prematura o incorrecta y congelar la muestra antes de que campaña, prensa y páginas de producto cambien el entorno.

¿Qué preguntas debo incluir en el seguimiento?

Incluye preguntas de categoría, problema, comparación, compatibilidad, disponibilidad, precio, migración y relación con productos anteriores. Añade controles que no deberían cambiar y preguntas de riesgo sobre hechos que causarían daño si la IA los explicara mal.

¿Con qué frecuencia debo ejecutar los prompts durante el lanzamiento?

Usa una cadencia más intensa entre T0 y T+3, con varias repeticiones por condición, y reduce la frecuencia cuando las respuestas se estabilicen. Mantén puntos comparables en T-7, T-1, T0, T+1, T+3, T+7 y T+14.

¿Cómo sé si la IA ha adoptado la narrativa del lanzamiento?

La adopción exige algo más que mencionar el nombre. La respuesta debe asociar correctamente producto, categoría, audiencia, disponibilidad y propuesta principal, sin confundirlo con una versión anterior. Mide esa coincidencia contra una ficha de hechos aprobada.

¿Una respuesta incorrecta justifica una alerta?

Una sola respuesta se registra, pero no siempre activa una incidencia. Escala de inmediato los errores críticos de precio, disponibilidad, seguridad o identidad; para errores menores exige repetición en la misma condición o aparición en más de un modelo.

¿Cuándo puede darse por estabilizado el lanzamiento?

Cuando la cobertura prevista está completa, las señales principales dejan de cambiar materialmente entre olas, no quedan errores críticos abiertos y la ficha narrativa aparece de forma consistente en las condiciones prioritarias. Documenta el cierre y conserva el dataset como nuevo baseline.

Convierte el lanzamiento en una ventana medible

Un lanzamiento no termina cuando se publica el anuncio. Termina cuando el mercado puede encontrar y entender la oferta sin que sus hechos críticos se deformen. Registra el antes, observa el cambio y conserva evidencia suficiente para decidir qué corregir, qué esperar y qué incorporar al seguimiento recurrente.

Monitoriza tu visibilidad en IA con 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