Perplexity citó nuestra marca como el motor más fuerte en una prueba de seis modelos. En la misma prueba, en el mismo segmento de prompts, ChatGPT nos citó cero veces en ocho prompts monitorizados. El mismo sitio, las mismas páginas, el mismo día de medición, resultados opuestos. Eso no es un problema de calidad de contenido, porque la misma referencia de Geoboard situó al mismo dominio en primer lugar en cinco de seis modelos en un prompt de identidad distinto, usando las mismas páginas subyacentes. La división proviene de cómo cada producto recupera y fundamenta una respuesta, no de lo que dice tu página. Este artículo explica el mecanismo detrás de esa división, muestra las cifras de primera parte que hay tras ella, y expone qué hacer realmente cuando un asistente importante te cita y el otro no, un patrón más común y más instructivo de lo que admite la mayoría de los informes de visibilidad en IA.
Si ya has leído nuestro artículo complementario sobre monitorización y métricas de citación en IA, este artículo responde a una pregunta distinta. Aquella guía trata de con qué frecuencia comprobar y qué registrar. Esta trata de por qué los dos asistentes occidentales más citados discrepan tan a menudo sobre la misma marca, y qué debería cambiar esa discrepancia en cómo lees un informe, das indicaciones a una agencia o firmas con un proveedor de GEO.
Cómo se ve en la práctica la división entre Perplexity y ChatGPT
El patrón no es sutil una vez que separas los motores en lugar de promediarlos. En nuestro propio conjunto de prompts monitorizados, los dos productos se comportan de forma lo bastante distinta como para que reportar una sola cifra de “visibilidad en IA” oculte la historia más útil.
| Comportamiento | Perplexity | ChatGPT (producto de consumo por defecto, mismo periodo) |
|---|---|---|
| Patrón de recuperación por defecto | Búsqueda web en vivo en la mayoría de consultas, por diseño | Invocación de navegación más restringida en sesiones de consumo típicas |
| Nuestra referencia de Geoboard (2026-06-11), segmento monitorizado | El más fuerte de seis modelos probados | Presencia cero en ocho prompts monitorizados |
| Resultado del prompt de identidad (misma referencia, mismas páginas) | Contribuyó a un resultado de #1 en 5 de 6 | Contribuyó al mismo resultado de #1 en 5 de 6 |
| Sensibilidad a la actualidad de la página | Alta; favorece páginas recién actualizadas y de indexación estrecha | Menor en el segmento monitorizado; se apoya en una asociación más amplia |
| Renderizado HTML frente a JavaScript (CitationOne/Alpar, junio 2026) | Lee solo HTML sin procesar | Lee solo HTML sin procesar |
| Formato de citación típico | Enlace de fuente nombrado junto a la respuesta | Mención de marca nombrada con más frecuencia que una cita enlazada, en nuestros propios registros |
Dos cosas de esta tabla importan más que la brecha titular. Primero, la fila del prompt de identidad es idéntica para ambos motores, lo que significa que el cero de ChatGPT no es una incapacidad general para encontrar o describir la marca. Está concentrado en una familia de consultas concreta, el mismo segmento transaccional e informativo donde nuestro artículo de referencia anterior documentó un cero más amplio. Segundo, la fila del renderizado también es idéntica, lo que descarta la excusa técnica más común. Sea lo que sea que explique la división, no es que ChatGPT no pueda analizar la página y Perplexity sí.
Por qué los dos motores fundamentan las respuestas de forma distinta
La respuesta honesta se mantiene cerca del comportamiento observado y evita adivinar una arquitectura interna que ninguno de nosotros puede ver. Lo que podemos describir es el patrón, repetido a lo largo de nuestros propios ciclos de medición: Perplexity está construido y comercializado como un producto de búsqueda, y su comportamiento por defecto en la mayoría de las consultas factuales o comparativas es ejecutar una búsqueda web en vivo y citar lo que encuentra, incluso para páginas estrechas o recién actualizadas que todavía no han acumulado mucha autoridad de terceros. Esa es la propuesta de valor central del producto, así que la recuperación en vivo es la regla, no la excepción.
El comportamiento de consumo por defecto de un asistente de propósito general, en el mismo periodo de medición, siguió un camino distinto. No porque sea incapaz de navegar, sino porque la propia consulta, el contexto de la sesión o el enrutamiento del propio producto decidieron que una obtención en vivo no era la ruta por defecto para ese prompt en particular. El efecto práctico es el mismo sea cual sea la causa exacta: una página que Perplexity obtendría y citaría hoy puede simplemente no consultarse nunca en una sesión equivalente de ChatGPT, lo que significa que la oportunidad de citación nunca llega a abrirse.
Esto es una diferencia en la invocación de recuperación, no una diferencia de comprensión o de renderizado. La prueba de CitationOne/Alpar de junio de 2026 confirma directamente la segunda mitad de esa afirmación: ambos motores leen únicamente HTML sin procesar cuando realmente obtienen una página, sin una brecha significativa en lo bien que analizan lo que encuentran. La brecha está antes en la cadena, en si se produce siquiera una obtención para una consulta dada, que es exactamente la razón por la que promediar los dos motores en una sola puntuación de visibilidad destruye la señal que te diría dónde dirigir el esfuerzo de corrección.
Un último punto mecánico que merece decirse con claridad: la fundamentación por búsqueda en vivo premia la actualidad y la indexabilidad estrecha de una forma que la fundamentación por conocimiento entrenado no hace. Una página actualizada el mes pasado que describe un servicio concreto, con señales de entidad claras y sin ambigüedad sobre quién lo ofrece, es exactamente el tipo de resultado que un producto de búsqueda en vivo muestra bien. Esa misma página, si el asistente que responde a la pregunta nunca activa una obtención para esa consulta, no tiene ninguna oportunidad de ser evaluada siquiera. Eso es una brecha de oportunidad de recuperación, y explica nuestros datos mejor que cualquier teoría sobre la calidad del contenido.
Prueba de primera parte de nuestra referencia de Geoboard
No publicamos esta afirmación como una teoría general recogida de la auditoría de otra persona. La medimos en nuestro propio sitio. Nuestra referencia de Geoboard, del 2026-06-11 y descrita en detalle en cómo seguimos nuestras propias citas de IA durante 90 días, ejecutó el mismo conjunto fijo de prompts contra seis modelos. Dos resultados de esa única ejecución importan especialmente para este artículo.
El primer resultado: en el prompt de identidad estrecho “agencia polaca para clientes de WordPress extranjeros”, wppoland.com se situó en primer lugar en cinco de seis modelos. El segundo resultado, de la misma ejecución, la misma fecha, las mismas páginas subyacentes: ChatGPT mostró presencia cero en ocho prompts monitorizados en el segmento de punto ciego de ese conjunto de prompts, mientras que Perplexity fue el más fuerte de los seis motores probados. Ambos resultados proceden del mismo lote, así que ninguno puede explicarse por una diferencia en la actualidad del contenido, cambios de página o desajuste en el momento de la medición entre ellos. La variable que cambió fue la familia de consultas y el motor, no el sitio.
Esa combinación es el hallazgo real que merece tomarse en serio, más importante que cualquiera de las dos cifras por separado. Una marca puede ser identificada correctamente e incluso clasificada en primer lugar por un motor en un tipo de consulta mientras es invisible para otro motor en un tipo de consulta distinto, usando exactamente la misma presencia web. Ningún enfoque de monitorización que reporte una única puntuación agregada a través de motores y familias de consultas puede representar esa realidad. O bien aplanará el cero de ChatGPT en una media de apariencia aceptable, o, con menos generosidad, esconderá el cero detrás de una victoria de Perplexity que un cliente o interesado nunca llega a ver desglosada.
Cuándo la monitorización por API te engaña
La división entre motores se agrava, no mejora, en cuanto añades el método de medición a la imagen. Nuestro ciclo de medición del segundo trimestre de 2026, documentado en detalle en medir nuestras propias citas de IA, ejecutó tres instantáneas a lo largo de un trimestre y expuso un segundo eje de discrepancia que subyace a la división entre motores: los resultados de proxy de API y los resultados reales del producto de consumo no coinciden, y la brecha entre ellos puede ser mayor que la brecha entre motores.
En abril, una instantánea de proxy de API reportó una tasa de mención de marca del 7,7 por ciento y una tasa de citación de URL del 0 por ciento para ChatGPT en 26 consultas, con directorios y sitios de ofertas de empleo citados en lugar de las propias páginas de la marca. En mayo, una segunda instantánea de proxy devolvió un resultado indeterminado para las 20 consultas probadas, lo que es el instrumento admitiendo que no podía determinar si se había producido fundamentación siquiera. Solo en junio, cuando el mismo equipo cambió a leer resultados reales del producto de consumo en lugar de un proxy de API, la imagen coincidió con lo que la referencia de Geoboard posterior confirmaría: ChatGPT el más débil, Perplexity el más fuerte, para la misma marca.
La lección se generaliza más allá de nuestro propio sitio. Un proxy de API llama a un endpoint del modelo e inspecciona la respuesta de texto sin procesar. Eso es barato, repetible y fácil de programar en un panel. También es a menudo un producto distinto del que usa un cliente real, y los dos pueden discrepar lo suficiente como para que citar una cifra de proxy como “visibilidad en IA” sin indicar el método sea casi carente de sentido. Si un informe afirma una tasa de citación en ChatGPT o en Perplexity, la primera pregunta que hay que hacer es si la cifra procede de la interfaz de consumo real o de una llamada a la API que actúa en su lugar. Nuestras propias cifras se movieron más entre métodos de medición en el mismo trimestre de lo que después se movieron entre los dos motores más relevantes. Eso debería preocupar a cualquiera que compre un informe de monitorización basándose en un único gráfico de aspecto atractivo.
A quién debería importarle esta división
Esto no es una preocupación de nicho solo para los profesionales de SEO. Tres grupos toman decisiones que la división entre Perplexity y ChatGPT afecta directamente, y cada uno de ellos hoy es más propenso a ver una cifra mezclada que la división que en realidad debería informar su decisión.
Los evaluadores técnicos B2B que investigan a un proveedor cada vez más preguntan a un asistente antes de abrir siquiera un motor de búsqueda. Si ese evaluador recurre por defecto a ChatGPT y el comportamiento de citación de tu marca está concentrado en Perplexity, eres invisible para una parte significativa de tu propio embudo de investigación, y ninguna cantidad de pulido on-page cambia eso mientras no se aborde la propia brecha de oportunidad de recuperación.
Los equipos de compras que evalúan a un proveedor de GEO o de visibilidad en IA son el público más expuesto al problema del promedio, porque un proveedor que vende un producto de monitorización tiene todos los incentivos para reportar una única cifra tranquilizadora en lugar de dos cifras donde una es incómoda. Compras debería tratar cualquier cifra de visibilidad en IA que no nombre el motor, el prompt exacto, la fecha y el método como no verificable, por la misma razón por la que rechazaría una afirmación financiera sin fuente.
Las agencias que reportan resultados de citación en IA a sus propios clientes cargan aquí con el riesgo profesional directo. Reportar una única línea de “la visibilidad en IA mejoró” cuando la realidad subyacente es “Perplexity mejoró, ChatGPT se quedó en cero” es el tipo de afirmación que queda bien en una diapositiva y se desmorona en la primera pregunta de seguimiento de un cliente. La versión honesta de ese informe es más larga y menos favorecedora, y también es la versión que sobrevive al escrutinio.
Qué corregir cuando Perplexity te cita pero ChatGPT no
Esta es la dirección más común de esta división en nuestros propios datos, y probablemente en la mayoría de las marcas que todavía están construyendo autoridad específica de IA en lugar de autoridad web general. Vale la pena comprobar tres cosas, en orden.
Primero, confirma que la brecha es real y no un artefacto de medición. Repite exactamente los mismos prompts, no paráfrasis, en el producto de consumo real de ChatGPT, no en un proxy de API, y registra la fecha, la redacción del prompt y el resultado. Nuestro propio ciclo del segundo trimestre mostró cuánto puede engañar por sí sola una instantánea de proxy.
Segundo, separa las familias de consultas antes de asumir que toda la marca es invisible para ChatGPT. Nuestra referencia mostró la brecha concentrada en familias de consultas transaccionales e informativas, mientras que un prompt de identidad que usaba las mismas páginas seguía dando un resultado fuerte. Un problema de ChatGPT a nivel de toda la marca y un problema de ChatGPT específico de una familia de consultas requieren correcciones distintas, y mezclarlos desperdicia esfuerzo en la solución equivocada.
Tercero, y esta es la corrección que realmente mueve la aguja para la brecha transaccional en concreto, invierte en corroboración fuera de página en lugar de otra ronda de contenido on-page. Un producto de búsqueda en vivo como Perplexity premia directamente una página bien estructurada y actual. Un asistente de propósito general que se apoya en una asociación más amplia premia una marca que el resto de la web abierta ya corrobora, menciones de terceros, respuestas técnicas independientes, listados de directorio verificables y contribuciones nombradas en lugares en los que ya confía el entrenamiento o la recuperación del asistente. El trabajo on-page es el suelo. No es la palanca que cierra esta brecha en concreto.
Qué corregir cuando ocurre lo contrario
El patrón contrario, ChatGPT citando una marca que Perplexity no cita, aparece con menos frecuencia en familias de consultas impulsadas por la actualidad o el ajuste estrecho de nicho, pero merece una breve nota porque la solución es distinta. Si una marca tiene una fuerte asociación web general, enlaces entrantes, menciones de prensa, un nombre conocido, pero sus propias páginas son pobres, desactualizadas o lentas de actualizar, un asistente de propósito general que se apoya en una asociación entrenada más amplia todavía puede sacar la marca de la memoria o de una corroboración amplia, mientras que un producto de búsqueda en vivo que obtiene la página actual real encuentra menos que citar ahí y pasa al resultado más reciente de un competidor.
La corrección en esa dirección es prácticamente la imagen especular del primer caso: menos sobre la autoridad fuera de página, que ya está presente, y más sobre asegurar que la versión en vivo y recuperable de la página refleje de verdad la autoridad que la marca tiene en otros lugares. Actualiza la página, haz explícitas y actuales las afirmaciones concretas que una obtención de búsqueda en vivo querría citar, y confirma que el contenido que respalda la reputación de la marca no reside únicamente en la cobertura de prensa o en perfiles de terceros que un rastreo en vivo no asociaría directamente con el dominio consultado. Esta dirección de la división es más rara en nuestra propia medición, pero es la que más probablemente sorprenda a una marca que asumió que la reputación general se transferiría automáticamente al comportamiento de citación por búsqueda en vivo.
Cómo monitorizar ambos motores sin promediar
Nada de lo anterior es aplicable sin un enfoque de monitorización que mantenga los dos motores, y los dos métodos de medición, separados en cada paso. Nuestra guía complementaria sobre monitorización y métricas de citación en IA cubre en detalle la tabla completa de cadencia y la lista de métricas; el resumen relevante aquí es más estrecho.
Registra cada resultado con cuatro campos: el motor, el prompt exacto, la fecha y si la fuente fue el producto de consumo o un proxy de API. Nunca fusiones los resultados de Perplexity y ChatGPT en una sola media, y nunca cites una cifra de proxy sin indicar que procede de un proxy. Repite una lista fija de prompts semanalmente en las interfaces de consumo reales para detectar rápido los cambios de producto, y reserva herramientas de lote multimodelo más pesadas, del tipo que produjo nuestra propia referencia de Geoboard, para una cadencia de seis a ocho semanas donde la comparación de tendencia realmente signifique algo.
Si estás construyendo o auditando este tipo de monitorización por primera vez, empieza por confirmar que el contenido de tu sitio siquiera sea elegible para ser citado. La mayoría de los asistentes de IA occidentales leen solo HTML sin procesar, no JavaScript ejecutado, lo que es una condición previa que subyace a cada resultado específico de motor descrito en este artículo. Un cero causado por el renderizado del lado del cliente se ve idéntico a un cero causado por una brecha de recuperación genuina hasta que compruebas cuál de los dos estás viendo realmente.
Nota final
Lo más útil que han producido nuestros propios datos hasta ahora no es una puntuación. Es una división: un motor que nos cita, y otro que, el mismo día, en las mismas páginas, no lo hizo. Esa división no es un defecto que ocultar a un cliente o a un interesado. Es la información más aplicable que un programa de monitorización puede producir, porque te dice con precisión qué mecanismo corregir, corroboración fuera de página para la brecha con forma de ChatGPT, actualidad y especificidad de página para el caso contrario más raro, en lugar de mandarte de vuelta a reescribir una página que nunca fue el problema real. Estamos rastreando si esta división se estrecha durante los próximos noventa días como parte de nuestra propia serie de citas de IA de 90 días, y lo reportaremos igual que lo estamos reportando aquí: por motor, por fecha y por método, nunca promediado en una cifra que favorezca a un resultado y esconda al otro. Si quieres que esta diagnosis se ejecute sobre tu propio sitio, con la división desglosada por motor y familia de consultas en lugar de comprimida en una sola puntuación, ese es el punto de partida de nuestro playbook de visibilidad en IA y LLM y del programa que ofrece nuestro servicio de optimización GEO y LLMO.
