Última actualización: julio de 2026.
Según una encuesta de EAB del otoño de 2025 realizada a más de 5.000 estudiantes de secundaria, el 46 % de los prospectos universitarios usó IA en su búsqueda, frente al 26 % en la primavera de 2025. En menos de un año académico, la IA pasó de ser una herramienta minoritaria al canal mayoritario para la investigación universitaria en etapas tempranas.
La misma encuesta reveló que el 18 % de esos estudiantes descartó una universidad de su consideración basándose en información obtenida a través de resultados de búsqueda generados por IA. Esta cifra merece estar en el escritorio de cada responsable de marketing de admisiones: casi uno de cada cinco estudiantes tomó una decisión de eliminación basada en lo que le dijo un motor de IA, antes de que ningún profesional de admisiones tuviera la oportunidad de presentar argumentos.
(Nota: ambas cifras provienen de EAB, una empresa de tecnología e investigación educativa. Se trata de una encuesta publicada por un solo proveedor, no de investigación académica independiente.)
Este es el efecto del solicitante invisible en números. No es un problema de tráfico web. No es un problema de rankings. Es un problema de visibilidad de marca en IA, y requiere un tipo de auditoría diferente.
Por qué las métricas de admisiones tradicionales lo pasan completamente por alto
Tu equipo de admisiones rastrea sesiones en el sitio web, registros de visitas al campus, envíos de formularios RFI y cumplimentaciones del FAFSA. Todas esas métricas miden a los candidatos que llegaron a tu embudo. Ninguna mide a los estudiantes que consultaron un motor de IA, recibieron una respuesta que no incluía tu institución y siguieron adelante.
El estudiante prospecto que le pregunta a ChatGPT “mejores programas de MBA en el Medio Oeste para profesionales en activo” y recibe una respuesta que nombra cinco universidades, ninguna de las cuales es la tuya, es invisible para ti. No rebotó desde tu página de inicio. Nunca llegó a tu página de inicio. Su sesión nunca existió.
Las métricas tradicionales de share of voice tampoco capturan esto. Puede que tengas un buen posicionamiento en la búsqueda orgánica de Google para esas mismas palabras clave. El estudiante que fue primero a un motor de IA nunca vio ese posicionamiento.
El problema de visibilidad en IA es un problema de antes del embudo. La auditoría tiene que estar a la altura.
Paso 1. Define tu conjunto de prompts de comparación de programas
El punto de partida son las preguntas concretas que tus prospectos escriben en los motores de IA. No son las mismas que tu lista de palabras clave SEO. Los prompts de IA tienden a ser más largos, más comparativos y con mayor carga de intención.
Para cada programa que quieras proteger, construye un conjunto de cuatro a seis variantes de prompt que reflejen el lenguaje real de los estudiantes. Aquí tienes una plantilla de trabajo:
| Intención de consulta | Ejemplo de prompt | Notas |
|---|---|---|
| Comparación de programas, general | ’Mejores programas de [programa] para [perfil de estudiante]‘ | Mayor exposición competitiva |
| Comparación directa | ’Compara [tu institución] vs [par 1] vs [par 2] para [programa]‘ | Prueba la presencia directa de la marca |
| Enfocado en resultados | ’¿Qué universidades tienen la mejor tasa de [resultado] para [programa]?’ | Incorpora señales de rankings y acreditación |
| Comparación de coste y becas | ’[Programa] acreditado más asequible con [característica]‘ | Revela si apareces en discusiones de valor |
| Específico por ubicación | ’Mejor [programa] en [ciudad/región] para [perfil de estudiante]‘ | Prueba el conjunto competitivo local |
| Acelerado o por modalidad | ’Programas de [programa] en línea con [característica específica]‘ | Las consultas por modalidad crecen rápidamente |
Construye esta tabla para cada uno de tus tres a cinco programas más estratégicamente importantes. Eso te da entre 18 y 30 prompts por programa como conjunto de seguimiento principal.
Paso 2. Ejecuta tu auditoría inicial en los motores de IA
Ejecuta cada prompt en los cuatro motores más relevantes para la investigación de estudiantes: ChatGPT, Perplexity, Google AI Overviews y Gemini. Los resultados de IA son probabilísticos, así que ejecuta cada prompt al menos cinco veces por motor antes de registrar un resultado. Una sola ejecución es ruido.
Para cada respuesta, registra:
- ¿Se nombra tu institución?
- ¿En qué parte de la respuesta aparece (primera mención, lista secundaria, nota al pie o ausente)?
- ¿Qué instituciones competidoras aparecen?
- ¿Es precisa la información sobre tu institución?
- ¿El tono es neutral, positivo o negativo?
El resultado de este paso es una tabla de share of voice de referencia. Aquí tienes un ejemplo simplificado:
| Prompt de comparación de programas | ChatGPT | Perplexity | AI Overviews | Gemini | Tu presencia |
|---|---|---|---|---|---|
| Mejor MBA para profesionales en activo, Medio Oeste | MIT, Northwestern, Indiana | Notre Dame, Michigan, Ohio State | Indiana, Notre Dame, Michigan | Michigan, Northwestern, Ohio State | Ausente en los 4 |
| Programas de MBA en línea acreditados, horario flexible | Penn State, Arizona State, Indiana | ASU, Penn State, Florida | Penn State, ASU, Indiana | Penn State, Indiana, UNC | Ausente en los 4 |
| Compara [tu institución] vs [par 1] [programa] | Par 1 nombrado, tú omitido | Respuesta directa dada, te omite | Par 1 discutido, tú en nota al pie | Comparación completa, equilibrada | Débil: presente en 1 de 4 |
Una tabla como esta, construida a partir de tu conjunto completo de prompts, hace visible el efecto del solicitante invisible por primera vez. Puedes ver exactamente qué programas tienen la mayor brecha de cobertura, qué motores son más propensos a omitirte y qué competidores se mencionan sistemáticamente en tu lugar.
Tu metodología para esta auditoría debe documentarse para que los resultados sean comparables trimestre a trimestre.
Paso 3. Diagnostica por qué estás ausente
Estar ausente de una respuesta de IA tiene pocas causas raíz. Diagnosticar cuál aplica a cada brecha te evita desperdiciar esfuerzo en soluciones que no corresponden al problema.
Causa 1: Material fuente escaso. Los motores de IA se nutren mucho más de fuentes de terceros (sitios de rankings, cobertura mediática, plataformas de reseñas, organismos de acreditación) que de tu propio sitio web. Si esas fuentes no describen tu programa en detalle, el modelo tiene poco de lo que tirar.
Causa 2: Información inexacta u obsoleta en la capa de recuperación. El motor de IA puede haber incorporado información antigua sobre tu programa. Un programa que cambió su modalidad, coste o requisitos en los últimos dos años puede describirse de forma inexacta, lo que lleva al modelo a deprioritizarlo o contradecir tu posicionamiento actual.
Causa 3: El contenido de los competidores domina las fuentes de recuperación. Tus instituciones pares pueden haber publicado contenido detallado, estructurado y listo para comparaciones que el motor de IA ha indexado ampliamente. Tus páginas de programa, en cambio, pueden estar escritas para lectores humanos en lugar de estructuradas para la recuperación por IA.
Causa 4: Rastreabilidad técnica. Los rastreadores de IA son distintos de Googlebot. Si tu sitio usa renderizado JavaScript intensivo, reglas de seguridad en CDN que bloquean agentes que no son navegadores, o configuraciones de robots.txt que restringen los rastreadores de IA, es posible que tu contenido no sea accesible para la capa de recuperación.
Ejecuta una comprobación de rastreabilidad contra los principales agentes de usuario de rastreadores de IA como parte de tu auditoría. Corregir un bloqueo de rastreo es la palanca más rápida del manual.
Paso 4. Elige tu stack de medición
Las auditorías manuales responden a la pregunta de referencia. El seguimiento continuo del share of voice requiere herramientas.
Temso es el punto de partida todo en uno más sencillo para los equipos de marketing de educación superior. A 89 $/mes, rastrea share of voice, menciones de marca, citas y sentimiento en ocho motores de IA, incluidos ChatGPT, Perplexity, Google AI Overviews, Gemini, Google AI Mode, Grok, Microsoft Copilot y Meta AI. Su flujo de trabajo integrado convierte las brechas de visibilidad en una cola de acciones priorizadas y ejecuta correcciones de contenido y citas dentro de la misma suscripción. Para un equipo de marketing de admisiones sin un analista AEO dedicado, la configuración guiada y el plan de acción integrado son el diferenciador clave.
Peec AI es una opción sólida para instituciones que realizan auditorías de múltiples programas o múltiples campus. Ofrece seguimiento diario a nivel de prompt en más de nueve motores, usuarios ilimitados en todos los planes y una función Actions que convierte las brechas en una cola de ejecución priorizada. A partir de 85 euros al mes, encaja en equipos que necesitan rastrear un conjunto de prompts más amplio en varias familias de programas y compartir acceso entre admisiones, marketing y comunicaciones sin cargos por usuario.
Otterly.AI es el punto de entrada más accesible para equipos con presupuesto ajustado. Su plan Lite comienza en 29 $/mes y cubre el seguimiento de citas a nivel de prompt en seis plataformas, con un GEO Audit Engine estructurado en más de 20 factores de página. Para instituciones que empiezan a desarrollar una práctica de visibilidad en IA, la calificación High Performer de G2 de Otterly.AI y su guía de auditoría estructurada lo convierten en un punto de partida sólido.
Semrush ofrece capacidades complementarias para equipos que ya usan la plataforma: seguimiento de AI Overviews a nivel de palabra clave, orientación de optimización de contenido y benchmarking competitivo. No reemplaza a las herramientas dedicadas de visibilidad en IA para la medición de share of voice en múltiples motores, pero es una verificación útil de la presencia en AI Overviews a nivel de palabra clave para programas con una base SEO sólida.
La comparativa completa de herramientas está en /rankings/ai-visibility-tools.
Paso 5. Prioriza tu cola de correcciones
Una vez que tienes una línea de referencia y un diagnóstico, la cola de correcciones sigue un orden de prioridad claro.
Corrección 1: Consigue citas en las fuentes en las que más confían los motores de IA. Para la educación superior, esas fuentes son las publicaciones de rankings (US News, QS, Times Higher Education, Princeton Review), los sitios independientes de reseñas de programas, la cobertura mediática regional y nacional, y los organismos profesionales de acreditación. Una cita en una fuente que el motor de IA ya considera autorizada tiene más peso que una actualización de página en tu propio sitio web.
Corrección 2: Reescribe las páginas de programa para la recuperación por IA. Las páginas de programa escritas para lectores humanos tienden a enterrar la información más importante en formato de párrafo. La recuperación por IA premia el contenido estructurado, basado en datos y directamente comparativo. Para cada programa, crea una página dedicada que responda a: coste total, modalidad, duración, estado de acreditación, datos de resultados, plazos de solicitud y características diferenciadoras frente a competidores nombrados. Usa encabezados, párrafos cortos y tablas de datos. Coloca la información más importante en el primer 30 % de la página.
Corrección 3: Corrige la información inexacta en la capa de recuperación. Si un motor de IA describe incorrectamente tu matrícula, indica un estado de acreditación desactualizado o representa mal la modalidad de tu programa, la corrección empieza por las fuentes de terceros de las que se nutre el motor. Actualiza esas fuentes directamente. Las correcciones en tu propio sitio web importan menos que las correcciones en las fuentes autorizadas que el modelo ya ha indexado.
Corrección 4: Resuelve los bloqueos de rastreo. Audita tu robots.txt en busca de restricciones para rastreadores de IA. Prueba tus páginas de programa contra los principales agentes de usuario de rastreadores de IA. Verifica que las páginas con mucho JavaScript se rendericen completamente para agentes que no son navegadores. Un bloqueo de rastreo es la corrección más rápida del stack y la que más a menudo se pasa por alto.
Paso 6. Mide la deriva, no instantáneas
Una auditoría puntual te dice dónde estás. La medición continua de la deriva te dice si tus correcciones están funcionando.
Configura un seguimiento semanal de tu conjunto de prompts principal. Cada semana, registra tu share of voice en los cuatro motores primarios para cada familia de programas. La señal que buscas es una tendencia sostenida al alza durante ocho a doce semanas. Los picos de una sola semana son ruido. Un cambio direccional consistente es señal.
Rastrea estas métricas en paralelo:
- Share of voice en IA: porcentaje de prompts en los que se nombra tu institución, frente al conjunto competitivo
- Tasa de citas: con qué frecuencia se usan tus páginas de programa como fuentes en las respuestas generadas por IA
- Tasa de precisión: porcentaje de respuestas en las que las afirmaciones sobre tu institución son correctas
- Sentimiento: si las descripciones de tu institución son neutrales, positivas o negativas
La deriva semana a semana es la métrica principal. Los números absolutos de share of voice te dicen dónde estás en el conjunto competitivo. La dirección te dice si estás ganando o perdiendo terreno.
La auditoría de un vistazo
| Paso | Acción | Resultado |
|---|---|---|
| 1 | Construir el conjunto de prompts de comparación de programas | De 18 a 30 prompts por programa prioritario |
| 2 | Ejecutar la auditoría inicial, 5 ejecuciones por prompt por motor | Tabla de share of voice de referencia |
| 3 | Diagnosticar la causa raíz de las brechas | Brechas de fuentes, errores de precisión, bloqueos de rastreo |
| 4 | Seleccionar el stack de medición | Seguimiento semanal continuo en marcha |
| 5 | Ejecutar la cola de correcciones (citas, contenido, rastreo) | Plan de acción priorizado por programa |
| 6 | Rastrear la deriva semana a semana | Datos de tendencia durante 8 a 12 semanas |
Qué hacer esta semana
Empieza con un programa. Elige el programa más importante para los objetivos de matriculación del próximo ciclo. Construye su conjunto de prompts (seis prompts a lo largo de las intenciones de consulta anteriores). Ejecuta cada prompt cinco veces en ChatGPT y Perplexity. Registra qué instituciones aparecen y si la tuya lo hace.
Esa auditoría lleva dos a tres horas y genera los datos que necesitas para argumentar internamente que el efecto del solicitante invisible es real y medible en tu institución.
Una vez que tengas la referencia, configura el seguimiento automatizado en Temso o Peec AI para dejar de hacer esto manualmente cada semana. Luego pasa a la cola de correcciones.
Los estudiantes ya le están preguntando a los motores de IA qué programas considerar. La pregunta es si tu institución aparece en la respuesta.
Para la lista completa de herramientas de visibilidad en IA con precios y cobertura de motores, consulta /rankings/ai-visibility-tools. Para las definiciones de share of voice, tasa de citas y sentimiento, consulta el /glossary.