Punto de acceso de chat con IA: consulte las respuestas y fuentes de los modelos de lenguaje grande (LLM) con segmentación geográfica

El punto de conexión de chat con IA de Massive devuelve la respuesta que ChatGPT, Gemini o Perplexity dan a una consulta, tal y como se ha solicitado desde un dispositivo real en el país, la región o la ciudad que usted elija. Uno GET La solicitud devuelve el resultado final, las fuentes que ha citado el modelo y, en el caso de ChatGPT, las consultas de búsqueda que ha realizado para elaborar la respuesta.

Esto es importante porque las respuestas generadas por la IA ya no son un canal minoritario. Aproximadamente la mitad de los adultos estadounidenses utilizan actualmente chatbots con IA, y unos cuatro de cada diez los utilizan para buscar información, según Encuesta de 2026 del Pew Research Center de 5.119 adultos. Si una proporción cada vez mayor de consultas acaba en un chatbot, los equipos necesitan una forma fiable de saber qué dice ese chatbot.

Puntos clave

• El punto de conexión del chat de IA (/ai) es uno de los tres puntos finales de Web Render API de Massive, junto a Navegación y Buscar.
• Tres modelos: ChatGPT (el predeterminado), Gemini y Perplexity.
• Las respuestas incluyen el resultado final, sus fuentes, los anuncios que pueda haber y, en el caso de ChatGPT, el fanouts conjunto de consultas que el modelo ha analizado.
• La segmentación geográfica llega hasta el nivel de la ciudad, ya que los chatbots adaptan sus respuestas a la ubicación en la que parece encontrarse la persona que realiza la consulta.
• El modo asíncrono, junto con las funciones de devolución de llamada, permite gestionar lotes de gran tamaño.

Lo que devuelve el punto final del chat de IA

El punto de conexión del chat de IA se encuentra en https://render.joinmassive.com/ai y admite una indicación de hasta 2.047 caracteres. Usted elige el modelo con model=chatgpt, model=gemini, o bien model=perplexity, y la ubicación con cualquier combinación de country, subdivision, y city. El resultado se muestra en formato estructurado json (el valor predeterminado) o como rendered HTML.

La respuesta JSON divide la conversación en partes que puede analizar por separado:

Cada respuesta también refleja el country, subdivision, city, y device con el que funcionaba. Esto hace que cada fila sea autodescriptiva cuando se almacenan miles de ellas. La lista completa de campos se encuentra en el Documentación sobre el chat con IA.

Un ejemplo práctico: una propuesta de Portland

Esta es la solicitud que se utiliza en la documentación de Massive para mostrar el punto final. En ella se solicita a ChatGPT que recomiende zapatillas de baloncesto desde un dispositivo situado en Portland:

curl -H "Authorization: Bearer $MASSIVE_TOKEN" \
'https://render.joinmassive.com/ai'\
'?prompt=best+basketball+shoes+for+2026'\
'&country=us'\
'&city=Portland'

La respuesta documentada incluye la respuesta y las fuentes en formato HTML, además de esto fanouts matriz:

"fanouts": [
  "best basketball shoes 2026",
  "top rated basketball shoes 2026 reviews",
  "best performance basketball shoes 2026",
  "best basketball shoes for guards 2026",
  "best basketball shoes for wide feet 2026",
  "best outdoor basketball shoes 2026",
  "most popular basketball shoes 2026"
]

Lea esa lista tal y como lo haría un equipo de marca. El modelo no se limitó a buscar la pregunta que se le formuló. Dividió la pregunta en siete búsquedas más específicas, entre las que se incluían «protectores», «pies anchos» y «pistas al aire libre». Una marca de calzado que nunca aparezca en los resultados de búsqueda para «pies anchos» no tiene ninguna posibilidad de ser mencionada en esa parte concreta de la respuesta, por muy sólida que sea su página web en general.

¿Por qué varían las respuestas del chatbot con IA según la ubicación?

Los chatbots se adaptan a cada contexto. El propio de OpenAI Artículo de ayuda sobre la búsqueda en ChatGPT Afirma que ChatGPT puede estimar la ubicación general de un usuario a partir de su dirección IP. A continuación, puede reformular una consulta como «buenos restaurantes cerca de mí» para convertirla en una búsqueda de restaurantes en esa ciudad.

Este efecto se aprecia más allá de las consultas locales. Un estudio realizado por Whitebox, según informa Ynetnews, envió consultas idénticas a ChatGPT desde Israel, Estados Unidos, Turquía y España. Se observó que las respuestas eran «en líneas generales similares, pero no idénticas», ya que el modelo adaptaba el tono y el enfoque a la ubicación y el idioma del usuario. (Whitebox realiza un seguimiento de cómo aparecen las marcas y los países en las respuestas de la IA, por lo que los efectos de la ubicación son fundamentales para su propio negocio.)

Hemos observado lo mismo en nuestras propias pruebas. En un estudio realizado en junio de 2026 a través de este punto final, enviamos 270 consultas localizadas a ChatGPT, Gemini y Copilot desde cinco países. (Los modelos actuales del punto de acceso son ChatGPT, Gemini y Perplexity.) Gemini rechazó las preguntas relacionadas con el juego formuladas desde el Reino Unido y Alemania, mientras que en otros lugares las respondía sin problemas. La posición de una marca en la clasificación variaba hasta en dos puestos dependiendo únicamente del asistente al que se le preguntara. Los resultados completos se encuentran en Visibilidad de marca gracias a la IA: la IA tiene sus favoritos, pero no le va a destrozar.

En otras palabras: una respuesta comprobada en una oficina constituye una muestra de uno.

Cada ruta Massive se ejecuta a través de un dispositivo de consumo real en su red residencial, que abarca más de 195 países. El chatbot detecta a un usuario local normal, no a un centro de datos. Salir country Está desactivado y, según la documentación, se utiliza un país aleatorio; por lo tanto, configúrelo en cada solicitud que tenga previsto comparar a lo largo del tiempo.

También puede emular un teléfono o una tableta. Llame al /ai/devices Consulte el recurso correspondiente a la lista de nombres de dispositivos compatibles y, a continuación, introduzca uno como device. Sin él, se muestra la función de autocompletado predeterminada del escritorio.

Fanouts: cómo construyó ChatGPT su respuesta

Los «fanouts» son la parte de la respuesta a la que remitiríamos en primer lugar a un nuevo usuario. Una «completion» le muestra la respuesta. Los «fanouts» le muestran el proceso de investigación que hay detrás de ella.

Esto resulta útil de tres maneras concretas:

1. Lagunas en los contenidos. Cada «fanout» es una consulta para la que se posiciona o no.
2. Evaluación del modelo. Al evaluar las respuestas de un modelo LLM, los «fanouts» permiten distinguir entre dos modos de fallo que parecen idénticos en el resultado final: o bien el modelo ha razonado de forma errónea a partir de resultados correctos, o bien ha buscado lo incorrecto y ni siquiera ha detectado los resultados correctos.
3. Seguimiento de cambios. Las distribuciones pueden variar de una ejecución a otra, por lo que es posible que la lista del mes pasado no coincida con el resumen de este mes.

Una forma sencilla de poner en práctica el tercer uso:

• Seleccione entre 20 y 50 preguntas que sus compradores planteen realmente y corrija el country y city para cada uno.
• Ejecútelas semanalmente con expiration=0 por lo que ninguna respuesta almacenada en caché oculta un cambio.
• Guarde los datos de cada carrera fanouts matriz y, a continuación, compárela con la de la semana pasada como un conjunto: nuevas consultas, consultas eliminadas y consultas sin cambios.
• Considere cada nueva consulta como una pregunta sobre el contenido. ¿Dispone de una página que responda a ella?

Dado que los «fanouts» son cadenas de texto sin formato, esa comparación supone unas pocas líneas de código en cualquier lenguaje. No es necesario analizar el código HTML.

Una limitación que debe tenerse en cuenta: la marca de los documentos fanouts y sse solo en el caso de ChatGPT, y tenga en cuenta que solo algunos modelos muestran estas consultas. En el caso de Gemini y Perplexity, se siguen mostrando las sugerencias, las fuentes y los anuncios, pero no la ruta de búsqueda.

Ejecución de indicaciones para chatbots con IA a gran escala

Según la documentación, las finalizaciones en tiempo real duran una media de varios segundos. El punto final admite hasta 3 minutos por llamada, ya que algunas conversaciones requieren reintentos. Para comprobaciones puntuales, el modo de sincronización predeterminado es suficiente. Para supervisar cientos o miles de indicaciones, utilice el modo asíncrono.

Añadir mode=async y la API devuelve un identificador de tarea de inmediato. Devuelva ese identificador con GET /ai?id=... para recoger el certificado de finalización, o para obtener un retrieving o failed estado. En lugar de realizar un sondeo, puede configurar callback a una URL HTTPS o a una cola de Amazon SQS, y Massive le notifica cuando la tarea está lista. El documentación sobre la programación abarcan ambos patrones.

El almacenamiento en caché requiere una decisión. Por defecto, una finalización se almacena en caché durante un día. Establezca expiration=0, tal y como se indica en el ejemplo anterior, siempre que una respuesta almacenada en caché pudiera ocultar un cambio.

¿Quién utiliza el punto de conexión del chat con IA?

Massive no desarrolla paneles de control de marcas basados en IA. El punto final de chat con IA constituye la capa de infraestructura subyacente a dichos paneles. Las plataformas de optimización de motores generativos (GEO) y de optimización de motores de respuestas (AEO) necesitan cobertura geográfica, emulación de dispositivos y datos limpios de origen y de distribución antes de poder elaborar análisis. Massive se encarga de esa capa para que sus equipos puedan dedicar su tiempo al análisis por el que pagan sus clientes.

Una pregunta legítima que cabe plantearse respecto a cualquiera de esas plataformas es si la respuesta de la API se corresponde con lo que ve el usuario en la aplicación. Lo hemos comprobado: en 30 categorías de marcas, /ai con model=gemini se obtuvo una clasificación de marcas estadísticamente indistinguible de la de la aplicación Gemini con sesión iniciada en 26 de los 30 temas, lo que refleja en gran medida la coherencia interna de la aplicación de una ejecución a otra. La metodología y las salvedades se encuentran en ¿Son las llamadas de IA basadas en API un buen indicador de lo que ven realmente sus usuarios?

Hay otros dos grupos que utilizan los mismos datos:

• Equipos de evaluación del Máster en Derecho (LLM), que necesitan que lo que se evalúe sea la respuesta en tiempo real que ofrece un modelo en la actualidad, y no una instantánea almacenada en caché.
• Generadores de RAG y de agentes, que comparan lo que indica un modelo de frontier con los resultados de su propio proceso de producción. Nuestra guía sobre Entrenamiento de modelos LLM con datos web en tiempo real cubre ese patrón, y Cómo proporcionar a los agentes de IA acceso en tiempo real a la web abarca el ámbito de la navegación y la búsqueda.

Para conocer el cambio general del mercado que subyace a esta demanda, consulte nuestro Informe sobre el estado del sector de los datos en la web.

Conclusión

Lo que ChatGPT, Gemini o Perplexity digan sobre su marca depende de quién lo pregunte y desde dónde. Con /ai Puede realizar consultas desde cualquier ciudad utilizando un dispositivo real y conservar el historial completo: la respuesta, las fuentes, los anuncios y, en el caso de ChatGPT, todas las búsquedas que haya realizado el modelo. Empiece por el Documentación sobre el chat de IA. El historial de Massive en materia de seguridad y cumplimiento normativo se encuentra en la Centro de confianza a gran escala, y encontrará más información sobre el equipo en nuestra página «Acerca de».