Ayer 28 de junio de 2026 leí 2 artículos de Andrea Volpini publicados en LinkedIn que me interesa resumir en mi blog para a posteriori referenciarlo a mis clientes.
Primero leí Perception Graph: How AI Models See Brands Before They Answer en su blog corporativo.
Sin embargo, a este artículo le precede conceptualmente: AI Visibility Needs a Signal Graph publicado en LinkedIn.
Lo que dice en ambos artículos, si tú querido lector has leído todo lo que he publicado sobre AI Search Optimization, te va a sonar. De hecho a mi me han servido estas lecturas para confirmar el vector de conocimiento que voy adquiriendo ya 2 años estudiando las IAs.
Entonces seamos semánticos y estructurados y traigo aquí puntos claves del 1º, AI Visibility needs a Signal Graph.
Signal Graph
Publicado el 7 de mayo de 2026 © Copyright Andrea Volpini
Andrea empieza advirtiendo de un equivocado marco de trabajo (Framework) al usar las herramientas de rastreo quedándose en la punta del iceberg, dice:
- Hacen una pregunta.
- Capturan una respuesta.
- Comprueban si la marca aparece.
- Comparan la cuota de voz en ChatGPT, Gemini, Perplexity, Claude o Google AI Overviews.
En realidad, contaminan aún más los pocos datos que tenemos.
Y son incompletas.
© Copyright Andrea Volpini
Ataca aquí Andrea que lo importante no es el qué dicen, sino el por qué lo dicen, copio y pego otra vez:
- ¿Qué fuentes influyeron en la respuesta?
- ¿Qué entidades estaban conectadas?
- ¿Qué afirmaciones se extrajeron?
- ¿Qué páginas de terceros se convirtieron en fuentes autorizadas?
- ¿Qué datos se desviaron?
Esa es la capa que falta.
© Copyright Andrea Volpini
Esta capa perdida, es el Signal Graph.
Y ahora viene el motivo principal de por qué escribo este post-memoria para mi, copio:
- Contenido propio
- Páginas de entidades
- Feeds de productos
- Listados locales
- Mercados
- Reseñas
- Páginas de socios
- Wikipedia
- Grokipedia
- Wikidata
- Menciones en noticias
- Descripciones en redes sociales
- Vídeos
- Perfiles desactualizados
- Afirmaciones inconsistentes de terceros
Este es el sustrato que utilizan los sistemas de IA para determinar qué es una marca, qué ofrece, dónde está disponible, si es fiable y cuándo se debe recomendar.
© Copyright Andrea Volpini
Todo esto que lista aquí Andrea, son los nuevos Data points que hay que trabajar para la AI Search Optimization.
Vamos con Perception Graph
Perception Graph
Publicado el 30 de junio de 2026 © Copyright Andrea Volpini.
Empieza Andrea insistiendo en ese Framework o equivocado o incompleto e insiste:
© Copyright Andrea Volpini
Andrea sigue y define Perception Gap [Brecha de percepción]
Una brecha de percepción es la diferencia entre cómo se define la empresa y cómo el modelo parece representarla.
Algunos ejemplos [de Brecha de percepción]:
- El modelo confunde la marca con un único producto dominante;
- El modelo asocia la marca con la categoría equivocada;
- El modelo omite un atributo clave del producto;
- El modelo no relaciona un ingrediente con la línea de productos correcta;
- El modelo no distingue entre públicos o perfiles de clientes;
- El modelo trata a los competidores como intercambiables;
- El modelo repite un lenguaje genérico de la categoría en lugar de la prueba distintiva de la marca;
- El modelo comprende el contenido, pero falla en la toma de decisiones.
© Copyright Andrea Volpini
La anterior lista es brutal por clara e inequívoca.
El Flujo de trabajo de un Gráfico de Percepción
Sospecho que debe ser así en la empresa de Andrea, Wordlift y proyecta:
Perception Graph está diseñado como un flujo de trabajo de diagnóstico repetible.
El proceso comienza con un conjunto de entidades y preguntas guía.
Para una marca, esto puede incluir:
- [Prompts] Preguntas guía sobre la marca;
- [Prompts] Preguntas guía sobre el producto;
- [Prompts] Preguntas guía sobre la competencia;
- [Prompts] Preguntas guía sobre el perfil del cliente;
- [Prompts] Preguntas guía sobre los argumentos de venta;
- [Prompts] Preguntas guía sobre la categoría;
- [Prompts] Preguntas guía sobre la intención de decisión;
- [Prompts] Preguntas guía sobre riesgos y cumplimiento normativo.
El objetivo no es formular una sola pregunta y obtener una sola respuesta. El objetivo es crear un conjunto controlado de preguntas guía que revele cómo el modelo presenta la marca en múltiples contextos.
© Copyright Andrea Volpini
El artículo sigue y profundiza en una metodología muy elaborada que no incluyo más en este, mi resumen.
Recomiendo leer A practical example en el que analiza el prompt: “Compare Renault with Tesla” / “Is Renault an EV innovator?”