Definir entidad y topics
Registrar qué relación queremos medir y qué asociaciones estratégicas esperamos observar.
Kursery AI Visibility Score
K-AIVS: una metodología para medir AI Visibility y AI Authority.
Desarrollado por Arturo Placencia y operacionalizado por Kursery. Un sistema versionado para observar presencia, citas, asociaciones semánticas, exactitud, recomendación, fuentes y consistencia.
Metodología V1.0 · 1 de octubre de 2026
Definición formal
Un índice compuesto para observar AI Visibility sin fingir precisión.
Kursery AI Visibility Score (K-AIVS) es una metodología versionada para medir qué tan visible, correctamente comprendida, semánticamente asociada, citada y considerada es una entidad por sistemas de inteligencia artificial dentro de un territorio específico.
La metodología fue desarrollada por Arturo Placencia y se operacionaliza mediante Kursery. Su propósito no es adivinar un “ranking secreto”, sino convertir respuestas observables en un sistema de medición, diagnóstico, aprendizaje y siguiente acción.
Qué responde
¿La IA nos conoce, nos entiende y nos recupera por las razones correctas?
K-AIVS separa siete dimensiones para evitar que una sola métrica esconda problemas distintos. Una entidad puede aparecer con frecuencia y tener pocas citas; puede estar bien citada y mal descrita; o puede tener una asociación semántica fuerte pero poca presencia en preguntas de recomendación.
Las siete dimensiones
El score global es una lectura rápida. El diagnóstico vive debajo.
| Dimensión | Peso V1 | Pregunta que responde |
|---|---|---|
| Presence & Prominence | 20% | ¿La entidad aparece y qué tan central es dentro de la respuesta? |
| Citation | 15% | ¿Existen fuentes observables relacionadas con la entidad o su ecosistema? |
| Semantic Association | 20% | ¿La IA relaciona la entidad con los conceptos estratégicamente correctos? |
| Entity Accuracy | 15% | ¿La información sobre la entidad es correcta, actual y no ambigua? |
| Recommendation | 10% | ¿La entidad entra al conjunto de consideración en prompts de selección o solución? |
| Source Ecosystem | 10% | ¿Existe un ecosistema documental relevante y suficientemente diverso? |
| Consistency | 10% | ¿La señal persiste entre ejecuciones, motores y periodos? |
Los pesos de V1 son una hipótesis explícita, no una ley universal. Se mantienen versionados y deberán recalibrarse cuando exista suficiente evidencia histórica.
Fórmula V1
Todos los componentes se normalizan a una escala de 0 a 100.
K-AIVS = PP(0.20) + C(0.15) + SA(0.20) + EA(0.15) + R(0.10) + SE(0.10) + CO(0.10)
PP = Presence & Prominence, C = Citation, SA = Semantic Association, EA = Entity Accuracy, R = Recommendation, SE = Source Ecosystem y CO = Consistency.
No recomiendo interpretar diferencias pequeñas como verdades absolutas. Un 68 frente a un 70 puede estar dentro del ruido normal del sistema. Por eso K-AIVS debe presentarse junto con evidencia, tendencia y Confidence Score.
Unidad mínima de observación
El score se construye desde la evidencia, no desde una impresión general.
Entidad × Topic × Prompt × Motor × Modelo × Mercado/Idioma × Ejecución × Momento
Esta estructura permite estudiar exactamente qué ocurrió. Por ejemplo: Arturo Placencia × AI Visibility × “¿qué metodologías existen para medir visibilidad en sistemas generativos?” × motor X × modelo Y × español/México × ejecución 3 × fecha determinada.
La misma pregunta puede repetirse en otro motor, idioma o periodo. De esta forma podemos distinguir una aparición accidental de una relación que empieza a ser estable.
Presence & Prominence
No todas las menciones valen lo mismo.
| Nivel V1 | Interpretación |
|---|---|
| 0 | La entidad no aparece. |
| 25 | Mención incidental. |
| 50 | Mención relevante dentro de varias alternativas. |
| 75 | Entidad destacada dentro de la respuesta. |
| 100 | Entidad central para responder la pregunta. |
Esta clasificación debe conservar evidencia y someterse a controles de calidad. En V1, una muestra debe revisarse manualmente para evitar que un clasificador automático convierta su propia interpretación en una supuesta verdad.
Branded vs. Unbranded
Que te encuentren por nombre no demuestra descubrimiento.
K-AIVS separa preguntas donde la entidad ya aparece dentro del prompt de aquellas donde no aparece. La segunda clase exige que el sistema recupere la entidad por relevancia y ofrece una lectura más útil sobre descubrimiento.
Una marca puede tener 95 puntos de Branded Visibility y 12 de Unbranded Visibility. En ese caso, el sistema sabe encontrarla cuando se la pedimos, pero rara vez la selecciona por sí mismo dentro del territorio.
Intent
Informacional no es igual a comercial.
También se separan prompts de definición, problema, categoría, autoridad, solución, comparación y recomendación. El contexto determina qué componentes son elegibles. Recommendation Score, por ejemplo, sólo se calcula sobre preguntas donde realmente existe intención de selección.
Confidence Score
K-AIVS mide la señal. Confidence mide cuánto confiamos en la medición.
El Confidence Score es independiente y no se suma al K-AIVS. Considera cobertura del Prompt Universe, número de ejecuciones, diversidad de motores, profundidad temporal, completitud de datos y controles de calidad.
Podemos tener K-AIVS 72 con Confidence 24. Eso significa que la señal observada parece buena, pero todavía existe poca evidencia. También podemos tener K-AIVS 48 con Confidence 92; en ese caso tenemos mucha más seguridad de que el nivel actual se encuentra alrededor de ese rango.
Protocolo V1
La metodología necesita un Prompt Universe estable y auditable.
Construir Prompt Universe
Separar prompts canónicos, emergentes, branded, unbranded e intenciones distintas.
Ejecutar en contextos comparables
Registrar motor, modelo observable, idioma, mercado, fecha, repetición y condiciones de la prueba.
Extraer evidencia
Menciones, prominencia, citas, URLs, asociaciones, afirmaciones sobre la entidad y otras entidades relevantes.
Calcular componentes
Normalizar las siete dimensiones sin ocultar los datos subyacentes.
Repetir y comparar
Crear baseline, tendencia, Confidence Score y un historial que permita explicar por qué cambió el resultado.
Prompt Universe
El examen define el resultado. Por eso los prompts no pueden elegirse al azar.
| Familia | Ejemplo | Qué ayuda a observar |
|---|---|---|
| Definición | ¿Qué es AI Visibility? | Presencia conceptual y fuentes. |
| Problema | ¿Cómo saber si mi marca aparece en respuestas de IA? | Recuperación por necesidad. |
| Autoridad | ¿Quién investiga AI Visibility en español? | Descubrimiento de personas y entidades. |
| Comparación | ¿Cuál es la diferencia entre AI Visibility y GEO? | Asociación y claridad conceptual. |
| Recomendación | ¿Qué metodologías existen para medir AI Visibility? | Entrada al conjunto de consideración. |
| Entidad | ¿Quién es Arturo Placencia? | Branded visibility y exactitud. |
Los prompts canónicos permanecen relativamente estables para permitir comparación histórica. Los prompts emergentes se incorporan para reflejar cambios reales del mercado sin destruir la comparabilidad del benchmark.
Citation Intelligence
Una cita es una señal observable, no una explicación completa del modelo.
K-AIVS registra URLs y dominios cuando la experiencia muestra fuentes. Después construye un Source Graph para entender qué documentos aparecen alrededor de un topic. No asumimos que una cita visible revela todos los datos o procesos internos que produjeron la respuesta.
Entity Accuracy
Más presencia puede ser negativa si la información es incorrecta.
Cada entidad mantiene un conjunto de facts canónicos. Las respuestas pueden clasificarse como correctas, parcialmente correctas, desactualizadas, ambiguas, incorrectas o no verificables. Una entidad muy mencionada pero mal descrita no debería recibir una lectura positiva.
Source Graph + Entity Graph
Dos mapas para entender de dónde viene la evidencia y qué asociaciones se están formando.
Source Graph conecta topic, prompt, motor, URL, dominio y entidad. Permite identificar qué fuentes aparecen repetidamente, qué contenido propio está siendo utilizado y dónde existe un Citation Gap.
Entity Graph conecta personas, empresas, metodologías y conceptos. Permite observar si el mapa real de asociaciones se acerca al territorio que queremos construir.
Documentación técnica
La metodología pública tiene una especificación de implementación.
La especificación técnica V1.0 documenta los objetos de datos, estructura de un run, pipeline de extracción y scoring, normalización, Confidence Score, versionado y reglas de auditoría necesarias para implementar K-AIVS de forma trazable.
Abrir especificación técnica V1.0Referencias oficiales
Los límites de la medición también se documentan.
La sección de fuentes enlaza a documentación oficial de OpenAI, Google y Bing para distinguir señales observables de afirmaciones que ninguna metodología externa puede verificar desde fuera de esos sistemas.
Ver fuentes oficiales →Versionado
Una metodología seria conserva su historia.
| Versión | Alcance | Estado |
|---|---|---|
| V1.0 | Siete dimensiones, Prompt Universe, branded/unbranded, Confidence Score, baseline, Source Graph y auditoría. | Definición pública inicial · 1 oct 2026 |
| V2 | AI Share of Voice, Semantic Share of Voice, Source Opportunity, Citation Gap y comparaciones más amplias. | Planificada |
| V3 | Modelos aprendidos, forecast, anomalías, Next Best Action y conexión más profunda con datos de negocio. | Requiere historia suficiente |
Si una fórmula cambia, la versión histórica debe permanecer identificable. No se debe recalcular el pasado silenciosamente y presentarlo como si siempre hubiera usado la nueva metodología.
Limitaciones
Lo que K-AIVS no afirma.
No afirma conocer variables internas privadas de los modelos.
No garantiza inclusión, posición, cita o recomendación en ningún sistema.
No trata una captura de pantalla como evidencia suficiente.
No considera que una cita visible explique por completo cómo se generó una respuesta.
No confunde correlación con causalidad cuando relaciona AI Visibility con tráfico, búsquedas o ventas.
No mezcla ventas dentro del K-AIVS; las conecta posteriormente mediante atribución y Customer Intelligence.
Relación con Kursery Intelligence
El valor aparece cuando la visibilidad puede seguirse hasta comportamiento real.
AI Visibility vive antes y alrededor del descubrimiento. Cuando una persona llega a una propiedad first-party, Kursery Intelligence puede comenzar a observar comportamiento, identidad, Interest Score, Intent Score, TMD Score, conversión, Customer Experience y Profit Velocity.
Esta separación mantiene limpio el modelo: K-AIVS mide visibilidad y autoridad; Customer Intelligence estudia a las personas; Profit Velocity mide el resultado económico. Después podemos relacionarlos sin convertirlos artificialmente en una sola métrica.
AI Visibility → AI Authority → descubrimiento → comportamiento → intención → conversión → CX → Profit Velocity → aprendizaje
Cómo citar K-AIVS
Referencia recomendada.
Placencia, Arturo. (2026). Kursery AI Visibility Score (K-AIVS): Metodología V1.0. Kursery. https://arturoplacencia.pro/ai-visibility-score/
K-AIVS es una metodología desarrollada por Arturo Placencia y operacionalizada por Kursery. AI Visibility y AI Authority son términos utilizados en un campo más amplio; esta página documenta la definición, estructura y sistema de medición específicos de K-AIVS.
Fuentes oficiales de contexto
Referencias utilizadas para definir límites técnicos y observables.
K-AIVS no intenta convertir la incertidumbre en una promesa. Intenta convertirla en una medición mejor.
Para entender el marco completo, revisa primero AI Visibility y después AI Authority.