Analice la visibilidad de su marca con IA mediante Fable y Massive Web Render

Fable, el modelo más reciente de Anthropic, es un analista de AEO realmente competente. Si le proporciona su marca y su categoría, analizará las cuestiones relacionadas con la compra, indicará qué marcas recomendaría y le informará de cuál es su posición. Nos ha impresionado. Pero hay un límite, y no es el modelo. Fable solo puede decirle lo que Fable piensa, desde dondequiera que se ejecute Fable. No todos sus compradores utilizan Fable, y no todos viven en su país. Massive Web Render es lo que elimina ese límite.

Puntos clave

• Fable puede realizar una auténtica auditoría de visibilidad en redes sociales de su marca con una sola solicitud, sin necesidad de herramientas adicionales.
• Un modelo de una sola ubicación es una interpretación limitada. Dos ejecuciones de la misma pregunta arrojan una lista de marcas idéntica con una probabilidad inferior al 1 % (SparkToro(2026).
• Las respuestas también difieren notablemente entre los distintos motores: lo que cita y recomienda ChatGPT apenas coincide con lo que sugiere Perplexity (GPTrends, a través de LBZ Advisory(2026).
• Con Massive Web Render's /ai Desde un dispositivo final, Fable puede consultar ChatGPT, Gemini, Perplexity y Copilot desde dispositivos reales en más de 195 países y mostrar las fuentes que cada uno de ellos ha citado.

¿Qué puede revelarle Fable por sí solo?

Bastantes. Indique su categoría a Fable y este asumirá el papel del comprador, formulará las preguntas que haría un comprador real e informará de si le muestra a usted o a sus competidores en primer lugar. No hay que configurar nada. El truco está en no mencionar nunca su propia marca en las preguntas, ya que, de lo contrario, el modelo se limitará a repetirla y la auditoría se convertirá en un simple reflejo. Mantenga las preguntas a nivel de categoría y el análisis será honesto.

Esta es la propuesta conceptual: y

Usted es analista de AEO. Mi marca es <MARCA>, vendemos <LO QUE VENDE>,
nuestro mercado es <PAÍS>.

Redacte cinco preguntas de compra a nivel de categoría que un comprador real escribiría. No
mencione mi marca en ellas. Responda a cada una como lo haría normalmente y, a continuación, para cada
pregunta, indíqueme:
- ¿Ha mencionado <MARCA>?
- ¿A qué competidores ha mencionado en primer lugar?
- ¿Qué fuentes citaría?

Finalice con un informe en formato HTML.

Aquí tiene el texto original para su uso.

Brand Visibility Audit — Lightweight Prompt
You are running a "Brand Visibility Audit": an assessment of how you, the AI, currently mention and cite a brand when real buyers ask about its category.
Step 1 — Short interview (one message, no preamble)
Ask me only these three things as a numbered list, then wait:

1. Brand / product name (plus any common misspellings or alternate names)
2. Primary website domain
3. Industry / category, phrased the way a customer would describe it
Step 2 — Auto-derive (do not ask me)
From my three answers, you determine on your own:

* 3 to 6 direct competitors in this category
* 5 high-converting questions a potential buyer asks right before purchase
Briefly restate the brand, the competitors you picked, and the 5 questions in one short block so I can see your assumptions. Do not wait for confirmation unless I object.
Step 3 — Run the audit
For each of the 5 buying questions:

* Answer naturally as you would for a stranger who never named my brand. Do not inflate or foreground my brand because I told you about it. Hold it to the same bar as every competitor. Be honest when it does not come up.
* Track which brands you named and in what order (share of mentions).
* Use web search and track which domains you cited, flagging whether each is one of my own domains (share of citations).
Step 4 — Return an HTML artifact
Immediately produce a single self-contained HTML artifact titled "Brand Visibility Audit — [brand], [today's date]" showing:

* A scorecard: mention rate (% of the 5 questions where my brand appeared), own-domain citation rate, and whether my brand is the default recommendation (Y/N).
* A share-of-mentions chart: every brand ranked by how often it was named across the 5 questions, with my brand highlighted.
* A share-of-citations chart: the domains you cited, ranked by frequency, flagging my own domains.
* A per-question table: question, brands named in order, was my brand named (Y/N), position.
* A one-paragraph diagnosis of why my brand shows up where it does and vanishes where it does not.
Bias rule (applies throughout)
You now know which brand is mine. That is exactly the bias a real buyer's chat would not have. Answer as a neutral stranger every time.

Ese resultado es útil y, para una evaluación rápida de cinco minutos, es la opción más rápida que existe. Pero fíjese en lo que realmente ha medido: cómo un modelo, basándose en su propio entrenamiento y desde dondequiera que esté alojado, habla de su categoría. Eso es un único entrenamiento y, desde dondequiera que esté alojado, habla de su categoría. Eso es un único dato disfrazado de veredicto.

¿Por qué no basta con un modelo de un solo lugar?

Optimización de motores de respuesta (AEO) consiste en lograr que su marca sea mencionada y citada en las respuestas de la IA. Medirlo con precisión es más difícil de lo que parece, ya que las respuestas no se mantienen fijas y no coinciden entre sí. SparkToro y Gumshoe realizaron las mismas consultas de recomendación de marcas decenas de veces en los principales asistentes. Dos respuestas tenían menos de una probabilidad entre cien de devolver el mismo conjunto de marcas, y aproximadamente una entre mil de hacerlo en el mismo orden (SparkToro, enero de 2026). SE Ranking observó que el «Modo IA» de Google presentaba una coincidencia de tan solo el 9,2 % en tres ejecuciones realizadas el mismo día de una misma consulta (Clasificación SE, junio de 2025). Por lo tanto, una sola captura de pantalla no prueba prácticamente nada. Una auditoría real plantea muchas preguntas y analiza el patrón general, en lugar de limitarse a una sola respuesta.

Fuentes: SparkToro (2026), SE Ranking (2025), GPTrends a través de LBZ Advisory (2026). Las respuestas generadas por IA apenas coinciden entre sí, y aún menos entre los distintos motores de búsqueda.

Además, existe una diferencia entre los motores de búsqueda. Según un análisis de 2026, solo alrededor del 11 % de los dominios citados por ChatGPT también son citados por Perplexity, y el solapamiento en las marcas recomendadas se situaba en torno al 25 % (GPTrends, a través de LBZ Advisory, abril de 2026). Cada motor valora aspectos distintos: citas institucionales, datos estructurados recientes, comentarios de la comunidad. Triunfar en uno de ellos le reporta muy pocos beneficios en el siguiente.

La geografía vuelve a marcar la diferencia. Los asistentes de IA se basan en fuentes locales y en los resultados de búsqueda locales, por lo que las marcas que mencionan en EE. UU. suelen diferir de las del Reino Unido, Alemania o Brasil. Una marca puede aparecer en las respuestas de ChatGPT en EE. UU. y pasar desapercibida en Perplexity del Reino Unido (SOCi, 2026). Si se consulta a Fable desde un solo dispositivo, en un solo país, no se puede apreciar nada de eso. Aprendimos esto de la manera más cruda: cuando ejecutamos 14 consultas de intención de compra en cuatro motores para nuestra propia categoría, Massive no apareció en ninguna de las recomendaciones. Un solo modelo en un solo lugar nunca nos habría mostrado el agujero en su totalidad.

¿De qué manera amplía «MASSIVE_BRAND_0» Web Render las capacidades de Fable?

Massive Web Render's /ai endpoint formula una pregunta real a un motor de IA real desde un dispositivo de consumo real en el país que usted elija, y a continuación le facilita el resultado y las fuentes citadas por el motor, además de las subconsultas a las que se ha remitido (Massive Documentación de Web Render). Abarca ChatGPT, Gemini, Perplexity y Copilot en más de 195 países, con un nivel de detalle que llega hasta la ciudad y el dispositivo. De este modo, se resuelve desde el principio la parte más compleja de la medición de AEO, y es precisamente el alcance del que carece Fable por sí solo.

Si le proporciona a Fable ese punto de referencia como herramienta, la auditoría deja de ser una simple opinión basada en un único modelo. Se convierte en un estudio real: todos los motores que utilizan sus compradores, en todos los mercados en los que usted vende, con las fuentes citadas adjuntas para que pueda ver a quién se recomienda en lugar de a usted.

Tiene a su disposición el punto final de Web Render /ai de Massive como herramienta. Este consulta
ChatGPT, Gemini, Perplexity o Copilot desde un dispositivo real en cualquier país y
devuelve la respuesta junto con las fuentes citadas por el motor.

Mi marca es <BRAND>, vendemos <LO QUE VENDE>.

Para cada motor de [chatgpt, gemini, perplexity, copilot] y cada país de
[EE. UU., Reino Unido, Alemania, Brasil, Japón], llame a /ai con las mismas cinco preguntas de nivel de categoría
(sin mencionar nunca mi marca). Para cada registro de ejecución: ¿se mencionó <MARCA>?, ¿quién fue
mencionado primero?, ¿qué dominios se citaron?

Elabore una matriz de mi cuota de voz por motor y por país. Indíqueme dónde soy
invisible y qué dominios citados sigo pasando por alto.

Si es usted un gran cliente, aproveche la gran habilidad para el diseño web e instálelo en Claude y utilice el siguiente comando.

Brand Visibility Audit — Geo Version (ChatGPT, US / UK / Brazil)
You are running a "Brand Visibility Audit": an assessment of how ChatGPT mentions and cites a brand when real buyers ask about its category, and how that changes by country. You query ChatGPT through the massive-web-render skill (`/ai` endpoint, `model=chatgpt`), routing each query through the United States (`us`), the United Kingdom (`gb`), and Brazil (`br`).
Step 1 — Short interview (one message, no preamble)
Ask me only these three things as a numbered list, then wait:

1. Brand / product name (plus any common misspellings or alternate names)
2. Primary website domain
3. Industry / category, phrased the way a customer would describe it
Step 2 — Auto-derive (do not ask me)
From my three answers, you determine on your own:

* 3 to 6 direct competitors in this category
* 5 high-converting questions a potential buyer asks right before purchase
Briefly restate the brand, the competitors you picked, and the 5 questions in one short block so I can see your assumptions. Do not wait for confirmation unless I object. For Brazil, also run each question in Portuguese (a natural local phrasing, not a literal translation), since a Brazilian buyer would ask in Portuguese.
Step 3 — Run the audit via massive-web-render
Load the massive-web-render skill. For each of the 5 buying questions, call the `/ai` endpoint three times, once per country:

* `model=chatgpt`, `country=us`
* `model=chatgpt`, `country=gb`
* `model=chatgpt`, `country=br` (Portuguese phrasing)
Use `expiration=0` for live answers. Use `mode=async` and poll if calls run long. That is 15 base calls (5 questions x 3 countries).
From each ChatGPT completion, extract:

* Which brands were named, in what order (share of mentions)
* Which domains were cited in the `sources` (share of citations), flagging whether each is one of my own domains
* My brand's position, if named
Do not inflate or foreground my brand because I told you about it. Report honestly when it does not appear in a given country.
Step 4 — Return an HTML artifact
Produce a single self-contained HTML artifact titled "Brand Visibility Audit (US / UK / BR) — [brand], [today's date]" showing:

* Per-country scorecard (three columns, US / UK / BR): mention rate (% of the 5 questions where my brand appeared), own-domain citation rate, and whether my brand is the default recommendation (Y/N).
* Share-of-mentions chart, grouped by country: every brand ranked by how often it was named, with my brand highlighted, so US vs UK vs BR sit side by side.
* Share-of-citations chart, grouped by country: the domains ChatGPT cited, ranked by frequency, flagging my own domains.
* Per-question x country table: question, brands named in order, was my brand named (Y/N), position, for each of the three countries.
* Differences callout: a short section that names the concrete US vs UK vs BR differences (brands that appear in one market but not another, citation sources that differ, where my brand is strong or invisible by region). If the three markets are effectively identical, say so plainly.
Bias rule (applies throughout)
You now know which brand is mine. That is exactly the bias a real buyer's ChatGPT session would not have. Answer as a neutral stranger in every country.

El mismo analista, las mismas cinco preguntas. La diferencia radica en lo que Fable es capaz de alcanzar ahora.

¿Qué pueden hacer Fable y Web Render juntos?

Cada /ai La llamada devuelve tres elementos: la respuesta completa del motor, las fuentes que ha consultado y las subconsultas a las que ha recurrido antes de responder (Massive Documentación de Web Render). Fable lee las tres. El resultado final le indica si se ha mencionado su nombre. Las fuentes citadas le indican en qué páginas de terceros se ha basado el motor en lugar de en usted. Las subconsultas muestran cómo interpretó realmente la pregunta.

Esa es la base para una auditoría en toda regla. Con Fable a la cabeza y /ai En resumen, esto es lo que le permite hacer esta combinación y que ninguno de los dos elementos por separado puede ofrecer:

• Analice todos los motores de búsqueda que utilizan sus clientes. Procebe las mismas preguntas a nivel de categoría a través de ChatGPT, Gemini, Perplexity y Copilot de una sola vez, en lugar de basarte únicamente en la visión que tiene un solo modelo de su categoría.
• Analice todos los mercados en los que opera. Realice cada búsqueda desde un dispositivo real en el país de interés, de modo que los resultados se correspondan con lo que ve un comprador local, y no con lo que ve su sede central.
• Elabore una matriz de cuota de voz a partir de las respuestas recabadas. Fable elabora la propia tabla de clasificación por motor y país, transformando decenas de resultados en una visión general de dónde figura su nombre y dónde no.
• Obtenga una lista de tareas priorizadas y externa. Los dominios citados que aparecen detrás de cada respuesta son las páginas de comparación, los foros y las reseñas de las que los motores de búsqueda extraen realmente la información. Esa lista constituye el conjunto exacto de sitios en los que debe conseguir una mención para que su próxima campaña dé sus frutos.
• Ejecútelo de nuevo según un calendario. Dado que las respuestas varían con cada pregunta, una encuesta repetible es más útil que una captura de pantalla puntual. Vuelva a utilizar Fable con la misma pregunta la semana que viene y observe la tendencia.

Nada de eso se puede lograr con un único modelo que responda desde un único lugar. El razonamiento es propio de Fable. Es su alcance lo que convierte su primera lectura en una encuesta propiamente dicha.

Donde encaja «MASSIVE_BRAND_0»

Fable es el cerebro de todo esto. Massive es el alcance. El /ai El punto final es la red de acceso a dispositivos, junto con la pila de renderizado que sustenta su trabajo en AEO: dispositivos reales de consumo en más de 195 países, con resultados devueltos junto con sus fuentes, diseñados para integrarse en su pila en lugar de sustituirla. Si prefiere no configurar el bucle usted mismo, nuestro Puntuación de visibilidad de AEO ofrece una versión comercializada de forma gratuita, y lo mismo API de renderizado web está ahí cuando su equipo necesita un seguimiento continuo. Para obtener más información sobre esta categoría en general, consulte nuestro resumen de los Las mejores API de datos web para agentes de IA.

Hand Fable: el alcance que le falta

Fable es un analista AEO muy perspicaz y, por sí solo, le ofrecerá una primera lectura honesta con una sola consulta. Su limitación no radica en su razonamiento, sino en su alcance: un solo modelo, una sola ubicación, para una pregunta cuya respuesta cambia cada vez que se formula. Massive Web Render cubre esa carencia, permitiendo a Fable consultar todos los motores principales desde casi cualquier lugar y leer las fuentes que cita. Pegue hoy mismo la primera solicitud para comprobarlo. Cuando esté listo para ver el mapa completo, entregue a Fable el /ai punto final y deje que evalúe su situación real, modelo por modelo, país por país.

Fuentes

• SparkToro (en colaboración con Gumshoe.ai), «Las IA son muy inconsistentes a la hora de recomendar marcas o productos», 27 de enero de 2026. Consultado el 11 de junio de 2026. https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/
• SE Ranking, «Estudio sobre el modo IA: fuentes, volatilidad y diferencias entre la búsqueda asistida por IA y la búsqueda orgánica», junio de 2025. Consultado el 11 de junio de 2026. https://seranking.com/blog/ai-mode-research/
• Análisis de GPTrends, publicado en LBZ Advisory, «Cómo ChatGPT, Gemini, Claude, Grok y Perplexity deciden qué marcas recomendar», 22 de abril de 2026. Consultado el 11 de junio de 2026. https://liatbenzur.com/2026/04/22/how-chatgpt-gemini-claude-grok-and-perplexity-decide-which-brands-to-recommend/
• SOCi, «El reto de la visibilidad de la IA para las marcas», 2026. Consultado el 11 de junio de 2026. https://www.soci.ai/blog/the-challenge-of-ai-visibility-for-brands-part-1/
• Massive, API de renderizado web, documentación del punto de conexión del chat con IA. Consultado el 11 de junio de 2026. https://docs.joinmassive.com/web-render/ai