Share of Model (SoM): la métrica de visibilidad en IA que todavía medimos bastante mal

Actualizado el 17 de agosto de 2026.

Cuando corrimos nuestro primer baseline de Share of Model, lo interesante no fue el número. Fue darnos cuenta de algo: cuanto más miras cómo se calcula el SoM, más difícil resulta fingir que es un número exacto. El prompt, el motor, el modo de razonamiento, el país y hasta una reformulación mínima pueden cambiar qué marcas aparecen.

Los dashboards adoran convertir incertidumbre en un decimal. El decimal queda precioso. Jamás eso lo volverá verdad.

¿Qué es exactamente el Share of Model?

Es un concepto relativamente nuevo, nacido con la popularización de las AI en 2024. En corto: la cantidad de menciones a tu marca dividido por el total de menciones en tu categoría.

Si en un conjunto de respuestas aparecen 100 menciones de marcas y 20 son tuyas, tu Share of Model competitivo es 20%. Misma lógica del 'Share of voice' trasladada a ChatGPT, Gemini, Perplexity y compañía.

La desafiante molestia: no hay una fórmula mágica para calcularlo.

Algunas plataformas llaman SoM al porcentaje de respuestas donde tu marca aparece. Si sales en 20 de 100 respuestas, reportan 20%. Semrush, por ejemplo, define su AI Share of Voice de forma competitiva: tus menciones divididas por las menciones totales de las marcas de la categoría.

Las dos métricas sirven. Responden preguntas distintas. Lo importante es siempre utilizar la misma para medir tu crecimiento.

Por eso, antes de celebrar un 28%, mira el denominador. Un SoM sin fórmula es básicamente un número con buen branding.

¿Cómo lo mediría para que diga algo de verdad?

La unidad que más me interesa ya no es el prompt exacto. Es la familia de intención.

"Mejor agencia GEO", "qué empresa me ayuda a aparecer en ChatGPT" y "agencias para mejorar visibilidad en IA" pueden representar una intención parecida. La IA no necesariamente las trata como equivalentes.

Un preprint publicado en mayo de 2026 hizo unas 6.000 ejecuciones con reformulaciones y otras 6.000 repitiendo los mismos prompts en modelos de OpenAI y Anthropic. Dos formas naturales de expresar el mismo intento compartían solo entre 14% y 29% de las marcas recomendadas. Al repetir exactamente el mismo prompt, la coincidencia subía al 50%–61%.

Eso cambia bastante cómo conviene leer un tracker. Si mides veinte frases congeladas, estás midiendo muy bien esas veinte frases. No necesariamente estás midiendo "lo que la IA piensa de tu categoría".

Nosotros preferimos mantener estable el tema, el mercado, el idioma y el motor, pero usar varias formulaciones por intención y repetir mediciones. Después miramos la distribución. Menos foto de carnet, más película.

¿Y la posición dentro de la respuesta?

Importa, pero conviene no mezclar métricas.

PAWC, el Position-Adjusted Word Count del paper original de GEO, pondera cuánto texto de una respuesta se atribuye a una fuente y dónde aparece. Sirve para medir prominencia de fuentes. No mide la frecuencia con la que una marca es nombrada y no es un "SoM ajustado por posición".

Para marca, yo separaría la frecuencia de mención, la primera posición en la que aparece y si la IA realmente la recomienda. Tres señales distintas. Meterlas en una licuadora produce un score muy elegante y bastante difícil de auditar.

¿Qué dicen los datos más recientes de 2026?

El dato que más me interesa ahora mismo no es cuánto SoM tiene Nike o Salesforce. Es cuánto del mapa todavía no tiene dueño.

Semrush analizó 1.094 categorías de ChatGPT en Estados Unidos entre enero y junio de 2026, con más de 50.000 marcas. Solo el 15,2% tenía un líder claro: una marca presente en al menos cuatro de cinco prompts relacionados y con cinco puntos de ventaja sobre la siguiente.

Otro 31,2% tenía un líder todavía débil. El 53,7% estaba directamente abierto.

La parte rara: la mitad de categorías con mayor demanda representaba el 98% del volumen de búsqueda con IA de la muestra, pero apenas el 11,3% tenía un dueño claro.

Hay muchísimo uso concentrado en temas donde ChatGPT todavía cambia de marca con facilidad. Y seguirá cambiando mes a mes, modelo a modelo.

Cuando una marca sí consolidaba una ventaja suficiente, la historia cambiaba: esos líderes mantuvieron el primer puesto en el 90,4% de las comparaciones mes contra mes.

Para mí, ese dato vale más que inventar un benchmark universal de "buen SoM". Hoy interesa saber si tu categoría está disputada, qué margen tienes y si consigues repetir presencia alrededor del tema.

La parte que casi nadie mete en el dashboard

SoM mira lo que la IA dice. Pero también conviene mirar de dónde lo aprendió.

En junio de 2026, Semrush analizó 3.981 apariciones de dominios en ChatGPT, Gemini, AI Overviews y AI Mode. El 61,7% fueron "ghost citations": la IA utilizó una web como fuente, pero nunca nombró a la marca dentro de la respuesta.

Puede pasar lo contrario también. Un 25,1% de las apariciones fueron menciones de marca sin una cita a ese dominio.

Y otro estudio reciente, todavía como preprint, analizó 167.551 citas asociadas a 128 marcas y 13 idiomas. El 85,7% apuntaba a webs que la marca no controlaba. Solo el 14,3% terminaba en propiedades propias.

Esto tiene una consecuencia bastante incómoda: puedes mejorar tu visibilidad sin que tu web sea la fuente que empuja esa mejora.

Tu sitio sigue importando. También importa muchísimo qué dicen de ti medios, comunidades, reviews, directorios, vídeos y otras fuentes que el modelo ya usa para entender tu categoría. Relacionado: Por qué ChatGPT no menciona tu empresa.

Mi lectura: SoM sirve cuando dejas de tratarlo como un solo número

Nuestro baseline nos dio una línea de salida clara. Perfecto. A partir de ahí se mide el movimiento.

Lo que no haría es prometer que 15% es "bueno", que 30% es "excelente" o que cualquier marca debería empezar a moverse en 60 días. Todavía hay demasiada variación entre categorías, motores, modos y metodologías para vender eso como una ley.

Sí me interesa una señal mucho más aburrida: que una marca pase de no aparecer a aparecer de forma repetible en varias formulaciones de la misma intención, que gane terreno frente a competidores y que ese movimiento sobreviva varias mediciones.

Prefiero un 8% que puedo reproducir a un 35% fabricado con prompts que casualmente nos quieren mucho.

¿Qué guardaría en el dashboard?

• Cobertura de menciones: en qué porcentaje de respuestas aparece la marca.
• Share of Model competitivo: qué parte de todas las menciones de la categoría pertenece a la marca.
• Motor, mercado y modo por separado: ChatGPT no debería mezclarse con Perplexity, y ni siquiera todos los modos de ChatGPT se comportan igual.
• Menciones frente a citas: si la marca es nombrada, citada, ambas cosas o ninguna.
• Volatilidad: cuánto cambia el resultado al repetir y reformular la misma intención.

Con eso ya puedes saber si la visibilidad está creciendo o si el dashboard simplemente tuvo un buen día.

Preguntas frecuentes

¿Qué Share of Model es bueno?

No hay un benchmark universal serio todavía. Depende de la categoría, los competidores, el motor, el mercado y la metodología. Compara contra tu propio baseline y contra marcas que compiten por las mismas intenciones.

¿SoM = 0 significa que la IA no conoce mi marca?

Significa que no apareció en el universo que mediste. Puede existir en otras preguntas, mercados o modos. Por eso el diseño del set importa tanto como el porcentaje final.

¿Una cita cuenta como una mención?

No. La IA puede utilizar tu página como fuente sin escribir el nombre de tu marca, y puede nombrar tu marca sin enlazar tu web. Conviene medir ambas cosas por separado.

Fuentes

• Marketing Week — "Share of model" is the new marketing measure for the AI era (11 julio 2024)
• Semrush — How to measure AI share of voice (17 julio 2026)
• Semrush — AI visibility is a topic-level game: 50,000 brands in ChatGPT (20 julio 2026)
• Semrush — Only 25% of cited sources overlap between ChatGPT reasoning modes (30 junio 2026)
• Semrush — Why 62% of AI citations don't lead to brand mentions (9 junio 2026)
• Schulte, Bleeker & Kaufmann — Don't Measure Once: Measuring Visibility in AI Search (preprint, abril 2026)
• Jack et al. — Paraphrase Brittleness in Production Retrieval-Augmented Commercial Recommendation (preprint, mayo 2026)
• Zatuchin — How Large Language Models Source Brand Reputation Across Languages and Markets (preprint, junio 2026)
• Aggarwal et al. — GEO: Generative Engine Optimization (paper original; PAWC)