---
title: Ejemplo de Answer Share Audit
canonical_url: https://tkmstudio.com/es/sample-audit
language: es
last_updated: 2026-08-12
organization: TKM Studio, AI Visibility & Adoption Studio, Madrid, trabajando en todo el mundo
---

# Una auditoría real, sin el nombre

Este es un Answer Share Audit completo de un proyecto real con un cliente real. Cada medición es exactamente la registrada. Cada dato identificativo ha sido modificado.

Responde a una sola pregunta: cuando un comprador le pide a un motor de IA una empresa de esta categoría, ¿aparece el cliente y, si aparece, se describe correctamente?

Versión PDF: https://tkmstudio.com/reports/tkm-studio-sample-answer-share-audit-es.pdf

## Sobre este ejemplo

Se trata de un proyecto real con un cliente real. Todas las mediciones de este documento son reales: las puntuaciones, los recuentos, el comportamiento de los motores y los hallazgos técnicos son exactamente los registrados. Todos los datos identificativos han sido modificados: nombre de la empresa, país, sector, año de fundación, superficies, nombres de las certificaciones, competidores y referencias citadas. Halvern Industrial y R. Halvern & Co. son nombres ficticios que sustituyen a las empresas reales. Publicado con el permiso del cliente.

## En resumen: cómo ve la IA a Halvern

Este informe responde a una sola pregunta. Cuando un comprador le pide a ChatGPT, Gemini o Claude un fabricante de esta categoría, ¿aparece Halvern y, si aparece, se describe correctamente? Lo medimos.

El resultado son tres problemas distintos que nacen de una misma raíz. ChatGPT no menciona a Halvern en la mayoría de preguntas sin marca. Gemini la menciona con frecuencia, pero la fusiona con otra empresa que comparte el apellido del fundador, y devuelve un año de fundación y unos datos de instalaciones equivocados. Claude identifica a Halvern correctamente, pero casi nunca la propone en preguntas generales.

Dicho de forma sencilla: cuando un comprador pregunta cuáles son los mejores fabricantes de esta categoría, Halvern o está ausente o aparece fusionada con otra empresa. Eso es visibilidad perdida antes incluso de llegar a la fase de presupuesto.

| Motor | Visibilidad, 16 preguntas sin marca | Exactitud de identidad | Problema principal |
| --- | --- | --- | --- |
| ChatGPT | Baja. Alrededor del 19 por ciento, 3 de 16 en ambas rondas. | Neutra, sin errores factuales. | Ausencia |
| Gemini | Alta. Alrededor del 50 por ciento, 8 de 16, estable en ambas rondas. | Dañada. Fusiona a Halvern con otra empresa distinta. | Identidad errónea |
| Claude | Casi nula. 1 de 16, después 0 de 16. | Correcta. Devuelve datos exactos. | Invisibilidad |

## Tres cifras que se leen juntas

La metodología no produce un número único. Se leen tres a la vez: cuánta visibilidad tienes, cuánta de esa visibilidad trabaja realmente a tu favor, y si eres tú la empresa mencionada cuando te mencionan.

- **Answer Share: 31/100.** Visibilidad y mención favorable.
- **Trusted Answer Share: 26/100.** Lo que queda al descontar el daño de identidad.
- **Integridad de identidad: 85%.** Proporción de menciones que llegan a la empresa correcta.

La diferencia entre 31 y 26 es daño de identidad, y casi todo procede de que Gemini fusiona a Halvern con la empresa del mismo apellido. Visibilidad alta con visibilidad fiable baja es una posición peor que la visibilidad baja: el comprador termina viendo la información de otra empresa bajo tu nombre.

La cifra más honesta es la puntuación en las preguntas donde el nombre de la marca no aparece nunca. El Answer Share sin marca se sitúa aproximadamente entre 12 y 16 sobre 100, es decir, cuando un comprador hace una pregunta general de categoría, Halvern prácticamente no está. La puntuación en preguntas con marca parece más alta, pero la marca ya viene dentro de la pregunta, así que esa cifra está estructuralmente inflada y por sí sola significa poco.

En el plano de la identidad, el hallazgo más grave es Gemini: aproximadamente una de cada cuatro menciones de Halvern va a la empresa equivocada. ChatGPT y Claude aciertan con la identidad, pero su visibilidad es muy baja.

Esta es una medición de referencia del estado actual. La puntuación final con calificación por letras se confirma cuando lleguen los documentos de certificación y la verificación de referencias. La dirección de los hallazgos no cambia.

Cómo se definen las tres puntuaciones: https://tkmstudio.com/es/library/what-is-answer-share

## Qué medimos y cómo

- **Tres motores de IA**: ChatGPT, Gemini y Claude, cada uno con su modelo vigente.
- **25 preguntas de comprador**: preguntas generales de categoría, comparativas con competidores, escenarios reales de compra y preguntas directas sobre la marca. La mayoría son sin marca, es decir, el nombre de la empresa no aparece en la pregunta.
- **Cobertura completa de producto**: las preguntas recorren las líneas de producto del cliente y las distintas formas en que busca un comprador. No una pregunta, sino una muestra representativa de lo que un comprador puede preguntar.
- **Dos rondas limpias e independientes por motor**: cada pregunta se formula desde cero en una sesión sin memoria, de modo que ninguna respuesta anterior pueda influir en la siguiente.
- **Mercado nacional del cliente, idioma local, julio de 2026.** Los ejemplos que aparecen aquí son una selección ilustrativa del conjunto completo de 25 preguntas. La lista completa de preguntas y todas las respuestas en bruto de los motores están disponibles a petición.

## Motor por motor

**ChatGPT: ausencia.** ChatGPT menciona a Halvern muy pocas veces en preguntas sin marca (3 de 16, alrededor del 19 por ciento). Cuando la menciona es preciso y neutral, y no inventa nada. El problema no es el contenido, es la visibilidad. En una pregunta general Halvern normalmente ni siquiera está en la lista, y la primera posición suele ir a una gran marca internacional.

**Gemini: identidad errónea.** Gemini menciona a Halvern mucho más a menudo (8 de 16, alrededor del 50 por ciento), pero esa visibilidad es engañosa, porque la identidad está confundida. Gemini fusiona Halvern Industrial con R. Halvern & Co., una empresa distinta que lleva el mismo apellido del fundador. Sitúa el año de fundación dos años antes del real. Describe mal las instalaciones y devuelve la superficie de la otra empresa y una ubicación equivocada. Nombra como fundador al miembro equivocado de la familia. Y algo peor: la confusión creció entre las dos rondas. Una pregunta que Gemini separó correctamente en la primera ronda apareció fusionada en la segunda. El error no es estable. Es volátil y va en aumento.

**Riesgo de contaminación reputacional.** Esto no es solo un error de nombre. La empresa del mismo apellido tiene un perfil públicamente visible en una plataforma de reclamaciones de consumidores. Cuando la IA no separa a las dos empresas, señales que pertenecen a esa firma pueden atribuirse a Halvern. El riesgo, por tanto, no es únicamente de visibilidad, es de mezcla de reputaciones.

**Claude: identidad correcta, pero invisible.** Claude tiene la identidad bien. Preguntado directamente, devuelve el año de fundación correcto y el fundador correcto, afirma por iniciativa propia que R. Halvern & Co. es una empresa distinta, y visita la web oficial de Halvern para verificar las certificaciones. Pero en preguntas sin marca Halvern casi nunca aparece (1 de 16, después 0 de 16). La información es correcta y, aun así, cuando un comprador hace una pregunta general, Halvern no entra en la lista.

## Por qué está ocurriendo

Tres motores, tres comportamientos distintos, una raíz compartida: a la web le faltan las señales estructurales de identidad en las que la IA puede confiar. Lo que encontró la revisión técnica:

- **Ningún dato estructurado (JSON-LD / schema) en toda la web.** No existe una capa de identidad legible por máquina que la IA pueda leer como "esto es una organización, y este es su nombre".
- **Faltan etiquetas básicas (meta description, H1).** La IA no puede leer un resumen claro de qué es cada página.
- **Las certificaciones existen solo como imágenes (JPG).** En la web se muestran cinco normas internacionales, pero al ser fotografías no pueden leerse como texto.
- **Los contadores de la página de inicio se sirven con valor cero.** Años, proyectos y metros cuadrados solo se rellenan en el navegador, así que la IA ve casi siempre el estado vacío original.
- **La empresa del mismo apellido comparte el domicilio social.** Una sociedad que terminó hace décadas. Sin una separación explícita de identidad, ambas se funden como si fueran una sola empresa. Esta es la raíz de la confusión de identidad de Gemini.

En resumen: el motor que rastrea de forma amplia (Gemini) encuentra a Halvern pero confunde las identidades, y el motor que pondera autoridad y estructura (Claude) no llega a incluir a Halvern en la lista.

Cómo funciona la entrega legible por máquinas: https://tkmstudio.com/es/library/content-negotiation-for-ai-agents

## Dos hallazgos del conjunto

**La paradoja de la referencia.** Cuando se les pregunta qué fabricantes de esta categoría trabajan con grandes grupos industriales, Halvern está ausente en los tres motores. Y sin embargo la propia página de referencias de Halvern incluye públicamente justo un cliente así, con el año del proyecto. La prueba está en la web, pero la IA no consigue llevarla hasta la respuesta a esa pregunta. Solo Claude la encontró, y solo después de visitar la web directamente. Este es el resumen más claro del problema de visibilidad: la evidencia está en la web y no llega a la IA.

**El encuadre competitivo y el competidor real no reconocido.** Las empresas que propone la IA encajan mal con el conjunto competitivo real de Halvern. Un competidor genuino, un fabricante de tamaño medio con una web activa, no es reconocido como competidor de esta categoría por ningún motor, y algunos motores confunden su nombre con una plataforma de software sin relación alguna. Al mismo tiempo, ciertas empresas del segmento económico se sitúan por delante de Halvern en algunas respuestas.

## A quién recomiendan en tu lugar

Las empresas que la IA propone en lugar de Halvern se dividen en dos grupos. Juntos explican por qué la visibilidad es un asunto urgente y no cosmético.

**Marcas premium e internacionales.** En las preguntas de categoría, la primera posición va por lo general a grandes marcas internacionales. Esas marcas ya poseen las señales en las que la IA confía: una identidad corporativa definida, datos web estructurados y coherentes, una huella digital amplia. Halvern juega en la misma liga en calidad de trabajo y escala, pero no en visibilidad digital. La competencia no está sucediendo en el producto, está sucediendo en la capa de identidad que la IA puede leer.

**Empresas locales del segmento económico.** El segundo grupo es más incómodo. Ciertas empresas locales centradas en precio se sitúan por delante de Halvern en algunas respuestas. No están en el segmento de calidad y escala de Halvern y, aun así, en preguntas concretas van por delante en visibilidad de IA. El motivo no es superioridad de producto, es qué datos de qué empresa resultan más accesibles a la ruta de rastreo que sigue la IA.

**La lección.** La visibilidad en IA no es un ranking de calidad. Con la optimización adecuada, una empresa más pequeña puede adelantar a un fabricante más fuerte. Por la misma lógica Halvern, con las señales de identidad y datos correctas, puede ser visible junto a sus competidores premium y dejar de quedar por detrás del segmento económico. Esta no es una carrera de calidad perdida. Es una optimización que todavía no se ha hecho.

Por qué la IA cita plataformas, no webs: https://tkmstudio.com/es/library/ai-engines-cite-platforms-not-websites

## Lo que esto cuesta

La investigación del comprador pasa cada vez más por la IA. En esa primera fase de filtrado Halvern está hoy o invisible o fusionada con otra empresa. Ambas cosas conducen al mismo resultado: el comprador nunca oye el nombre y Halvern queda fuera de la preselección.

La buena noticia es que esto no es un problema de contenido ni de reputación. Es un problema de visibilidad e identidad. Los datos reales de Halvern, la larga trayectoria, las instalaciones, las certificaciones, las referencias significativas, ya son sólidos. Lo único que falta es presentar esos datos en una forma que la IA pueda leer.

## Qué se puede hacer

Los apartados siguientes definen el alcance del trabajo que se ejecuta en la fase de corrección. Una sola meta: que cuando un comprador pregunte a la IA, la empresa aparezca con la identidad correcta y la información correcta.

- **Identidad corporativa**: el trabajo estructural necesario para que la IA reconozca a la empresa como una organización clara y deje de fusionarla con la firma del mismo apellido.
- **Hechos canónicos**: año de fundación, instalaciones, certificaciones y referencias presentados desde una única fuente autorizada y en una forma que la IA pueda leer.
- **Visibilidad de las certificaciones**: hacer legible por máquina la información de las normas contenida en los documentos.
- **Capacidad de rastreo**: asegurar que los datos de página y los datos corporativos llegan íntegros a la IA.
- **Autoridad**: sacar a la superficie, en la forma adecuada, las referencias y los hechos sólidos que ya existen.

## Por qué aquí no hay una puntuación "después"

Este es un diagnóstico de referencia, una fotografía del estado actual. Todavía no se ha hecho ningún cambio, así que no existe una medición posterior, y no vamos a presentar ninguna hasta que exista.

Es deliberado. La secuencia es medir, después corregir, después volver a medir, con las mismas preguntas, los mismos motores y las mismas condiciones. Una mejora que no puede demostrarse frente a un punto de partida registrado es una afirmación, no un resultado. La razón por la que en este informe pueden aparecer cifras reales es que las irreales no aparecen nunca. La nueva medición de este proyecto se realiza entre cuatro y ocho semanas después de desplegar las correcciones.

Lo que sí puede señalarse ahora es el mecanismo y el precedente. Cada hallazgo se corresponde con una intervención concreta que actúa sobre el mecanismo que lo produce. Una entidad Organization legible por máquina es lo que permite a un motor separar dos empresas que comparten apellido y domicilio social. Las certificaciones expresadas como texto y no como imágenes son lo que hace que una norma sea citable dentro de una respuesta. Los hechos renderizados en servidor son lo que lee un motor cuando no ejecuta JavaScript. La capa técnica que prescribe este informe está desplegada y verificada en producción en las propiedades del propio TKM Studio.

La visibilidad en IA no es un trabajo de una sola vez. Los motores y los competidores cambian, así que requiere seguimiento y contenido de forma regular. Ese es un paso que abordamos cuando los resultados de la corrección sean visibles, no ahora.

## Esto es lo que recibes

Un Answer Share Audit produce este documento para tu empresa: tu puntuación, tu panorama competitivo, tus hallazgos de identidad y una lista de correcciones priorizada. Precio fijo 590 EUR + IVA, entregado en una semana: https://tkmstudio.com/es/services/answer-share-audit

Si prefieres comprobar antes la capa de debajo, el Agent Access Check mide si los motores de IA pueden llegar a tu web. 150 EUR + IVA, 48 horas, descontados íntegramente de la auditoría: https://tkmstudio.com/es/services/agent-access-check

Hacemos que la IA te reconozca. Después hacemos que trabaje para ti.

Contacto: https://tkmstudio.com/es/contact (info@tkmstudio.com)