Mapeo de prompts: la nueva investigación de palabras clave para la publicidad basada en IA

OpenAI comenzó a probar anuncios en ChatGPT para adultos estadounidenses que hubieran iniciado sesión en los planes «Free» y «Go» el 9 de febrero de 2026, mientras que los planes «Pro», «Business» y «Enterprise» siguen sin anuncios (OpenAI, «Pruebas con anuncios en ChatGPT»; TechCrunch, «ChatGPT lanza anuncios», 2026). Este cambio traslada la unidad de segmentación publicitaria de la palabra clave a la pregunta. La asignación de preguntas a los anuncios de ChatGPT constituye la nueva investigación de palabras clave: se descubre de forma sistemática qué preguntas conversacionales dan lugar a anuncios patrocinados y, a continuación, se organizan según la etapa del recorrido del comprador.

Puntos clave

• La segmentación publicitaria de ChatGPT es contextual y se basa en el tema de la conversación, el historial de chat y las interacciones publicitarias previas, y no en palabras clave de coincidencia exacta (StackAdapt, «Cómo anunciarse en ChatGPT»).
• No existe un directorio público de indicaciones, por lo que la única forma de identificar las indicaciones desencadenantes es ejecutar numerosas indicaciones variadas en sesiones aptas y registrar los resultados (Search Engine Journal, «Cómo saber si la competencia está colocando anuncios en las respuestas de ChatGPT», 2026).
• Siguiendo las instrucciones, introduzca el título del anuncio, la descripción del anuncio, la URL final y la cuota de impresiones (Search Engine Land, «Lo que revelan los datos de los anuncios de ChatGPT sobre sus competidores», 2026).
• Según los datos disponibles, los CPC de ChatGPT oscilan aproximadamente entre 2,50 y 8,00 dólares, por encima de los de la Búsqueda de Google, que se sitúan entre 1 y 3 dólares (Maciej Turek, «ChatGPT Ads 2026»).

¿Qué es el «prompt mapping»?

La «asignación de indicaciones» consiste en catalogar qué indicaciones conversacionales activan los anuncios patrocinados dentro de ChatGPT y, a continuación, agruparlas según la etapa del recorrido del comprador. Es similar a la investigación de palabras clave, pero la unidad de análisis ha cambiado. OpenAI asocia los anuncios en función del tema de la conversación, el historial de chat y las interacciones publicitarias previas, por lo que lo que debe tener en cuenta es la indicación y su contexto (StackAdapt, «Cómo anunciarse en ChatGPT»).

Piense en un mapa de preguntas como una hoja de cálculo en la que cada fila corresponde a una pregunta real de un comprador. En él se registra el texto de la pregunta, la fase del recorrido de compra a la que corresponde, si ha activado algún anuncio, qué anunciantes se han mostrado y con qué frecuencia. Tras un número suficiente de pruebas, empiezan a surgir patrones. Algunas preguntas generan respuestas patrocinadas de forma fiable. Otras, nunca lo hacen.

¿Por qué es esto relevante ahora? Porque el antiguo manual de estrategias partía de la base de que se podía consultar la puja por palabra clave en una subasta. Los anuncios conversacionales ocultan esa subasta en hilos privados. Para planificar el gasto o analizar la huella de un competidor, primero es necesario saber qué preguntas generan anuncios. Ese paso de descubrimiento es lo que se conoce como «mapeo de preguntas». Para conocer el programa de seguimiento más amplio al que esto da lugar, consulte supervisar los anuncios de ChatGPT a gran escala.

Resumen de la cita: A principios de 2026, la segmentación publicitaria de ChatGPT se basa en el contexto, en lugar de en palabras clave, y se adapta en función del tema de la conversación, el historial de chat y las interacciones publicitarias anteriores (StackAdapt, «Cómo anunciarse en ChatGPT»). El catálogo de asignación de mensajes indica qué mensajes activan las inserciones y los clasifica según la fase del comprador.

¿Por qué no funcionan las palabras clave en los anuncios de ChatGPT?

Las palabras clave no funcionan porque los anunciantes no pueden adquirir términos de coincidencia exacta en ChatGPT. Proporcionan a los grupos de anuncios «pistas de contexto», es decir, temas y conversaciones, y esas pistas no garantizan la ubicación. OpenAI decide la publicación en función de la relevancia (StackAdapt, «Cómo anunciarse en ChatGPT»). La palanca es el contexto, no una puja en una cadena.

Esa diferencia transforma la investigación. Una palabra clave como «mejor CRM» se corresponde con una sola consulta de búsqueda. En un chat, esa misma intención se plasma en docenas de formulaciones diferentes: «¿qué CRM debería utilizar una agencia de 10 personas?», «¿merece la pena HubSpot para un equipo pequeño?», «el CRM más barato con automatización de correo electrónico». Cada una de ellas es una consulta distinta con su propio contexto, y cada una puede dar lugar o no a la aparición de un anuncio.

[IMAGEN: Comparación en paralelo entre una única palabra clave de búsqueda y un árbol ramificado de indicaciones conversacionales —términos de búsqueda: «diagrama de árbol de conversación», «diagrama de flujo de diálogo ramificado»]

Hay un segundo matiz. La segmentación también tiene en cuenta el historial de chat y las interacciones publicitarias anteriores, por lo que la misma pregunta puede dar lugar a resultados diferentes según la sesión y el usuario (StackAdapt, «Cómo anunciarse en ChatGPT»). No se está evaluando una subasta fija. Se está realizando un muestreo de un sistema probabilístico, y por eso el volumen y la repetición revisten tanta importancia. Para ver cómo se refleja este contraste en el propio cuerpo de la respuesta, compare posicionamiento orgánico frente a posicionamiento de pago.

¿Cómo se elabora un mapa de indicaciones?

La creación de un mapa de indicaciones comienza con preguntas reales de los compradores, que se ejecutan en gran volumen en sesiones aptas, y cuyos resultados se registran. Dado que no existe un directorio público de anuncios y que estos se asocian a cada hilo privado, ejecutar numerosas indicaciones variadas y registrar lo que aparece es la única forma práctica de identificar los desencadenantes (Search Engine Journal, «Cómo saber si la competencia está colocando anuncios en las respuestas de ChatGPT», 2026; cloro.dev, «Cómo supervisar los anuncios de ChatGPT», 2026).

Este es un método que da buenos resultados en la práctica.

Paso 1: Crear conjuntos de indicaciones a partir de preguntas reales de los compradores

Empiece por analizar cómo habla realmente la gente con un asistente. Examine las notas de las llamadas de ventas, los tickets de asistencia y las consultas de búsqueda, y luego reescriba cada una de ellas como una pregunta conversacional. Agrúpelas por fase del recorrido del cliente: concienciación («¿qué es X?»), consideración («X frente a Y») y decisión («¿merece la pena el precio de X?»). Intente incluir entre 15 y 30 formulaciones por intención, de modo que abarque la variación natural.

Paso 2: Reproduzca las indicaciones a todo volumen en las sesiones que cumplan los requisitos

Los anuncios solo se prueban en los planes «Free» y «Go» para adultos de EE. UU. que hayan iniciado sesión, por lo que sus sesiones deben cumplir los requisitos (OpenAI, «Pruebas con anuncios en ChatGPT»). Ejecute cada prompt varias veces, ya que la ubicación es probabilística y depende del historial. Una sola ejecución no aporta mucha información. Cuando se realizan docenas de ejecuciones por prompt, empieza a revelarse una señal estable. La ejecución de conjuntos de prompts a esta escala constituye un problema de ingeniería en sí mismo, que se aborda en ejecución de conjuntos de indicaciones a gran escala.

Paso 3: Registre el resultado de cada comando

Para cada solicitud, recopile el título del anuncio, la descripción del anuncio, la URL final y la cuota de impresiones, calculada como el número de apariciones dividido por el número total de publicaciones (Search Engine Land, «Lo que revelan los datos de los anuncios de ChatGPT sobre sus competidores», 2026). La cuota de impresiones es la columna que convierte las anécdotas en un mapa. Una secuencia que muestra a un competidor 8 veces de cada 10 es una señal diferente a aquella en la que solo aparece una vez.

¿Cómo se interpreta un mapa de indicaciones ya elaborado?

Un mapa de prompts completado le proporciona tres datos: qué preguntas de los compradores activan los anuncios, qué anunciantes compiten por ellas y cuál es el grado de dominio de cada anunciante. Para interpretarlo correctamente, debe considerar la cuota de impresiones como el eje central del análisis, ya que los datos reflejan el registro, por cada prompt, del título, la descripción, la URL final y la cuota (Search Engine Land, «Lo que revelan los datos de los anuncios de ChatGPT sobre sus competidores», 2026).

Ordene las sugerencias por fase y, a continuación, por cuota de impresiones. Las sugerencias de la etapa de decisión con una alta cuota de impresiones son aquellas en las que se concentra la inversión. Suelen ser las más caras en las que competir, tal y como confirman los datos sobre precios: los CPC de ChatGPT se sitúan entre 2,50 y 8,00 dólares, por encima de los de la Búsqueda de Google, que oscilan entre 1 y 3 dólares aproximadamente, lo que refleja que se trata de usuarios en modo de búsqueda con una alta intención de compra (Maciej Turek, «ChatGPT Ads 2026»).

Esta es la parte que la mayoría de los equipos pasan por alto. En la búsqueda por palabras clave, la cuota de voz es una porción de un pastel conocido, ya que la subasta y sus condiciones son visibles. En ChatGPT, el pastel en sí está oculto, por lo que un mapa de prompts es el único instrumento que permite estimar la forma del pastel. Esto invierte el flujo de trabajo: primero hay que crear la superficie de medición antes de poder realizar la medición. Considere su mapa de prompts como una infraestructura, no como un informe puntual, y vuelva a ejecutarlo periódicamente, ya que la segmentación que tiene en cuenta el historial de chat irá variando a medida que el sistema aprenda. Para conocer la métrica a la que alimenta, consulte medición de la cuota de voz.

¿Dónde se realiza el trabajo más duro?

Lo complicado es el volumen y la geografía: se necesitan numerosas ejecuciones rápidas de sesiones que parezcan reales en distintas regiones, ya que la ubicación es probabilística y depende, en parte, del historial (StackAdapt, «Cómo anunciarse en ChatGPT»). Un ordenador portátil en el que se introducen las consultas manualmente no puede generar una señal estable de cuota de impresión. Se trata de un problema de infraestructura antes que de análisis.

Massive es una red de acceso a dispositivos, además de una pila de renderizado diseñada específicamente para esta capa. Su Web Render API /ai El punto final devuelve las respuestas generadas por ChatGPT, Gemini, Perplexity y Copilot a partir de dispositivos de usuarios reales en cualquier zona geográfica, presentadas como una respuesta junto con el código HTML de las fuentes y una matriz de subconsultas, de forma sincrónica o asincrónica. Esa es la capa a través de la cual un equipo procesa grandes conjuntos de prompts con variedad geográfica. La red abarca más de un millón de dispositivos residenciales verificados en más de 195 países, obtenidos de forma ética a través de un SDK de participación voluntaria, y cumple con las normas SOC 2, el RGPD y AppEsteem.

[IMAGEN: Un mapa del mundo salpicado de nodos de dispositivos que representan orígenes residenciales distribuidos geográficamente —términos de búsqueda: «nodos de mapa de red global», «mapa mundial de dispositivos distribuidos»]

En resumen

Los anuncios de IA conversacional han superado la palabra clave como unidad de segmentación. La pregunta, con su contexto, ha ocupado su lugar. La asignación de indicaciones es la forma de adaptarse: cree conjuntos de indicaciones a partir de preguntas reales de los compradores, ejecútelas a gran escala en sesiones aptas y registre qué indicaciones activan los anuncios y qué anunciantes aparecen. El resultado es una visión, según la fase del comprador, de dónde se concentran las respuestas patrocinadas y cuál es el grado de dominio de cada competidor.

Nada de esto está definido. Los anuncios de ChatGPT siguen en fase de prueba, la segmentación varía en función del historial de chat y los CPC son datos preliminares, no valores de referencia consolidados. Considere su primer mapa de indicaciones como un punto de referencia, vuelva a ejecutarlo periódicamente y deje que la tendencia de la cuota de impresiones —y no un único resultado— guíe sus decisiones. Los equipos que establezcan ahora los parámetros de medición podrán interpretar mejor el canal a medida que este crezca.