# Punto de conexión 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 ofrecen a una consulta, tal y como se ha formulado desde un dispositivo real en el país, la región o la ciudad que usted elija. Una solicitud `GET` devuelve la respuesta completa, las fuentes citadas por el modelo y, en el caso de ChatGPT, las consultas de búsqueda que realizó para elaborar la respuesta.

Esto es importante porque las respuestas de la IA ya no son un canal minoritario. Aproximadamente la mitad de los adultos estadounidenses utiliza actualmente chatbots de IA, y unos cuatro de cada diez los emplean para buscar información, según la [encuesta de 2026 del Pew Research Center](https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/) realizada a 5.119 adultos. Si una proporción cada vez mayor de búsquedas culmina en un chatbot, los equipos necesitan una forma fiable de ver lo que dice dicho chatbot.

> **Puntos clave**
>
> - El punto final de chat con IA (`/ai`) es uno de los tres puntos finales de Web Render API de Massive, junto con [Navegación](https://docs.joinmassive.com/web-render/browser) y [Búsqueda](https://docs.joinmassive.com/web-render/search).
> - Tres modelos: ChatGPT (el predeterminado), Gemini y Perplexity.
> - Las respuestas incluyen la respuesta completa, sus fuentes, cualquier anuncio y, en el caso de ChatGPT, la matriz `fanouts` de consultas que el modelo ha buscado.
> - La segmentación geográfica llega hasta el nivel de ciudad, ya que los chatbots adaptan sus respuestas a la ubicación en la que parece encontrarse el usuario que realiza la consulta.
> - El modo asíncrono, junto con las llamadas de retorno, permite gestionar grandes lotes.

## Qué devuelve el punto final del chat de IA

El punto final del chat de IA se encuentra en `https://render.joinmassive.com/ai` y acepta una solicitud de hasta 2.047 caracteres. Usted elige el modelo con `model=chatgpt`, `model=gemini` o `model=perplexity`, y la ubicación con cualquier combinación de `country`, `subdivision` y `city`. La respuesta se devuelve en formato estructurado `json` (por defecto) o como `rendered` HTML.

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

| Campo | Qué contiene | Modelos |
|-------|---------------|--------|
| `completion` | Código HTML generado a partir de la respuesta del modelo | ChatGPT, Gemini, Perplexity |
| `sources` | Código HTML generado de las fuentes citadas, si las hay | ChatGPT, Gemini, Perplexity |
| `ads` | Código HTML generado de cualquier anuncio mostrado en la conversación | ChatGPT, Gemini, Perplexity |
| `html` | La página completa de la conversación | ChatGPT, Gemini, Perplexity |
| `fanouts` | Matriz de las consultas de búsqueda que ha ejecutado el modelo | Solo ChatGPT |
| `sse` | JSON de eventos enviados por el servidor relacionados con la conversación | Solo ChatGPT |

Cada respuesta también incluye los campos `country`, `subdivision`, `city` y `device` con los que se ha ejecutado. Esto hace que cada fila sea autodescriptiva cuando se almacenan miles de ellas. La lista completa de campos se encuentra en la [documentación de chat de IA](https://docs.joinmassive.com/web-render/ai).

## Un ejemplo práctico: una solicitud desde Portland

Esta es la solicitud que utilizan los documentos de Massive para mostrar el punto final. Se pide a ChatGPT que recomiende zapatillas de baloncesto desde un dispositivo situado en Portland:

```shell
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 esta `fanouts` matriz:

```json
"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 el equipo de una marca. El modelo no se limitó a buscar únicamente la pregunta que se le formuló. Dividió la pregunta en siete búsquedas más específicas, entre las que se incluyen «escoltas», «pies anchos» y «canchas al aire libre». Una marca de zapatillas que nunca aparece en los resultados de búsqueda para «pies anchos» no tiene ninguna posibilidad de ser mencionada en esa parte de la respuesta, por muy sólida que sea su página general.

## ¿Por qué varían las respuestas de los chatbots de IA según la ubicación?

Los chatbots se adaptan a la ubicación. El propio [artículo de ayuda sobre búsquedas de ChatGPT](https://help.openai.com/en/articles/9237897-chatgpt-search) de OpenAI indica 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» en una búsqueda de restaurantes en esa ciudad.

El efecto se aprecia más allá de las consultas locales. Un estudio de Whitebox, [del que se hizo eco Ynetnews](https://www.ynetnews.com/tech-and-digital/article/skilyoscwx), envió solicitudes idénticas a ChatGPT desde Israel, Estados Unidos, Turquía y España. Se observaron «respuestas en general 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 de acceso, 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 sobre juegos de azar formuladas desde ubicaciones del Reino Unido y Alemania, mientras que las respondía sin restricciones en otros lugares. 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 marcas en la IA: la IA tiene sus favoritos, pero no le menospreciará](https://www.joinmassive.com/blog/ai-brand-visibility-ai-plays-favorites-it-wont-trash-you).

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

Massive canaliza cada solicitud a través de un dispositivo de consumidor real en su [red residencial](https://docs.joinmassive.com/residential/introduction), que abarca más de 195 países. El chatbot ve a un usuario local corriente, no a un centro de datos. Deje `country` sin configurar y, tal y como indican los documentos, se utilizará 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 recurso `/ai/devices` para obtener la lista de nombres de dispositivos compatibles y, a continuación, pase uno como `device`. Sin ello, obtendrá la respuesta predeterminada para ordenador de sobremesa.

## Ramificaciones: cómo construyó ChatGPT su respuesta

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

Esto resulta útil de tres formas concretas:

1. **Lagunas de contenido.** Cada «fanout» es una consulta para la que se posiciona o no.
2. **Evaluación del modelo.** Si califica las respuestas de un modelo de lenguaje grande (LLM), los «fanouts» distinguen entre dos modos de fallo que parecen idénticos en la respuesta: o bien el modelo razonó mal a partir de buenos resultados, o bien buscó lo incorrecto y nunca llegó a ver los buenos resultados.
3. **Seguimiento de cambios.** Los «fanouts» pueden variar entre ejecuciones, por lo que es posible que la lista del mes pasado no sea el resumen de este mes.

Una forma sencilla de poner en práctica el tercer uso:

- Seleccione entre 20 y 50 preguntas que sus clientes planteen realmente y fije los valores `country` y `city` para cada una.
- Ejecútelas semanalmente con `expiration=0` para que ninguna respuesta almacenada en caché oculte un cambio.
- Guarde la matriz `fanouts` de cada ejecución y, a continuación, compárela con la de la semana anterior como un conjunto: consultas nuevas, consultas eliminadas, consultas sin cambios.
- Trate cada nueva ramificación como una pregunta de contenido. ¿Dispone de una página que la responda?

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 hay que tener en cuenta: la documentación indica que `fanouts` y `sse` son exclusivos de ChatGPT, y señala que solo algunos modelos exponen estas consultas. En el caso de Gemini y Perplexity, se siguen obteniendo las sugerencias, las fuentes y los anuncios, pero no la ruta de búsqueda.

## Ejecución de solicitudes de chat con IA a gran escala

Según la documentación, las sugerencias en tiempo real tardan una media de varios segundos. El punto final permite 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 solicitudes, utilice el modo asíncrono.

Añada `mode=async` y la API devolverá inmediatamente un ID de tarea. Vuelva a enviar ese ID con `GET /ai?id=...` para recoger la respuesta, u obtenga un estado `retrieving` o `failed`. En lugar de realizar consultas periódicas, puede configurar `callback` con una URL HTTPS o una cola de Amazon SQS, y Massive le notificará cuando el resultado esté listo. La [documentación sobre programación](https://docs.joinmassive.com/web-render/scheduling) aborda ambos patrones.

El almacenamiento en caché requiere una decisión. De forma predeterminada, una respuesta se almacena en caché durante un día. Configure `expiration=0`, tal y como se indica en la receta de seguimiento anterior, siempre que una respuesta almacenada en caché pueda ocultar un cambio.

## ¿Quién utiliza el punto final de chat de IA?

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

Una pregunta lógica para cualquiera de esas plataformas es si una respuesta de la API coincide con lo que ve una persona en la aplicación. Lo hemos comprobado: en 30 categorías de marcas, `/ai` de `model=gemini` generaron una clasificación de marcas estadísticamente indistinguible de la de la aplicación Gemini con sesión iniciada en 26 de los 30 temas, con una consistencia similar a la que muestra la propia aplicación en cada ejecución. El método y las salvedades se encuentran en [¿Son las consultas de IA basadas en API un buen indicador de lo que sus usuarios ven realmente?](https://www.joinmassive.com/blog/are-api-based-ai-calls-a-good-proxy-for-what-your-users-actually-see)

Otros dos grupos utilizan los mismos datos:

- **Los equipos de evaluación de LLM**, que necesitan la respuesta en tiempo real que ofrece un modelo hoy mismo —y no una instantánea almacenada en caché— como elemento objeto de evaluación.
- **Los desarrolladores de RAG y agentes**, que comparan lo que dice un modelo de vanguardia con el resultado de su propio proceso. Nuestra guía sobre [la integración de los LLM con datos web en tiempo real](https://www.joinmassive.com/blog/llm-grounding-with-live-web-data-a-practical-guide) aborda ese patrón, y [cómo proporcionar a los agentes de IA acceso a la web en tiempo real](https://www.joinmassive.com/blog/how-to-give-ai-agents-live-web-access) trata el aspecto de la navegación y la búsqueda.

Para conocer el cambio más amplio del mercado que subyace a esta demanda, consulte nuestro [informe «Estado del sector de los datos web»](https://www.joinmassive.com/blog/state-of-the-web-data-industry-2026).

## Preguntas frecuentes

### ¿Qué modelos admite el punto final de chat de IA?

ChatGPT, Gemini y Perplexity. ChatGPT es el valor predeterminado cuando no se pasa un parámetro `model`.

### ¿Qué son los «fanouts» en el punto final de chat de IA?

Los «fanouts» son las consultas de búsqueda que ChatGPT ha ejecutado para elaborar su respuesta, devueltas como una matriz en la respuesta JSON. Solo están disponibles para ChatGPT.

### ¿Puedo ver qué responde un chatbot de IA en una ciudad concreta?

Sí. Establezca `country` y, opcionalmente, `subdivision` y `city` en la solicitud. La solicitud se envía desde un dispositivo de consumidor real situado en esa ubicación, por lo que el chatbot adapta su respuesta como lo haría para un usuario local.

### ¿Sustituye Massive a una plataforma AEO o de monitorización de marca basada en IA?

No. Massive proporciona la infraestructura de solicitudes: ubicaciones, dispositivos y completaciones estructuradas, fuentes y distribuciones. Las plataformas AEO crean sus paneles de control y análisis a partir de ella.

### ¿Cómo puedo ejecutar miles de solicitudes de chatbot con IA sin mantener las conexiones abiertas?

Utilice `mode=async` para poner en cola cada solicitud y recopilar los resultados por ID de trabajo, o configure `callback` con una URL HTTPS o una cola de Amazon SQS para recibir una notificación cuando cada respuesta esté lista.

## Conclusión

Lo que ChatGPT, Gemini o Perplexity digan sobre su marca depende de quién pregunte y desde dónde. Con `/ai` puede realizar consultas desde cualquier ciudad en un dispositivo real y conservar el registro completo: respuesta, fuentes, anuncios y, en el caso de ChatGPT, todas las búsquedas que haya realizado el modelo. Comience por la [documentación sobre el chat de IA](https://docs.joinmassive.com/web-render/ai). El historial de seguridad y cumplimiento normativo de Massive se encuentra en el [Centro de confianza de Massive](https://trust.joinmassive.com), y puede obtener más información sobre el equipo en nuestra [página «Acerca de»](https://www.joinmassive.com/about-us).