Metodología del estudio
Cómo medimos el posicionamiento GEO de los restaurantes de Dénia
Este artículo describe el diseño completo de la medición, publicado antes de cerrar un ranking. Si el ranking final se aparta de lo que aquí se describe, es un error nuestro que corregiremos y señalaremos.
Por el equipo de ArribaIA · Actualizado el
Resumen
Medimos qué restaurantes de Dénia mencionan los asistentes de IA (vía API, con una fase de interfaz web prevista más adelante) lanzándoles consultas automatizadas de forma continua, que cruzan gastronomía, intención, idioma, presupuesto, zona y franja horaria. Un segundo modelo actúa como árbitro para extraer restaurante, posición, atributos y tono de cada respuesta. No es una encuesta ni una opinión editorial: es una medición de visibilidad y frecuencia de recomendación, con límites que detallamos más abajo.
Objetivo
Qué queremos responder
El objetivo es documentar, con un método reproducible, qué restaurantes de Dénia aparecen en las respuestas de varios asistentes de IA cuando se les pregunta dónde comer, y bajo qué condiciones cambia esa respuesta.
No perseguimos determinar por qué un modelo cita a un restaurante y no a otro: ningún proveedor publica el funcionamiento interno de su sistema de respuesta, y no vamos a presentar como hallazgo algo que el experimento no puede demostrar.
Preguntas de investigación
- 01¿Qué restaurantes de Dénia mencionan los asistentes de IA analizados con más frecuencia, y en qué posición?
- 02¿Cambia la respuesta según la gastronomía, la intención, el idioma, el presupuesto o la zona de la consulta?
- 03¿Hay diferencias relevantes entre los asistentes de IA analizados?
- 04¿Cambia la respuesta según la franja horaria en la que se lanza la consulta?
- 05¿Qué diferencia hay, si la hay, entre consultar vía API y consultar con la interfaz web real del asistente?
Diseño experimental
Cómo está construido el experimento
Un sistema propio genera y envía consultas automatizadas a cada asistente, guarda la respuesta completa y la pasa a un segundo modelo que actúa como árbitro para extraer los datos estructurados. Ningún paso del proceso involucra opinión humana sobre qué restaurante es mejor.
Cadencia de recogida
La medición no tiene fecha de cierre: lanzamos consultas de forma continua, repartidas en varias franjas horarias del día, hora de Madrid, y analizamos periódicamente lo acumulado hasta ese momento. Cada cifra que publicamos es una foto fija de un corte concreto, nunca el total definitivo.
Volumen de consultas
Ya hemos lanzado miles de consultas, distribuidas entre todas las combinaciones de variables descritas a continuación, y la cifra sigue creciendo cada día. No publicamos un número exacto aquí porque cambiaría en cuanto lo escribiéramos: la cifra confirmada se actualiza en la sección de cifras de la portada del estudio y en cada corte de datos que cerremos para el ranking.
Variables
Cada consulta cruza varias de estas variables a la vez, para acercarse a cómo pregunta la gente de verdad en vez de repetir un único guion.
Gastronomía
- Restaurantes en general
- Japonés y sushi
- Asiático
- Mexicano
- Italiano y pizzería
- Arrocería valenciana
- Marisco y pescado
- Tapas
- Alta cocina
"Restaurantes en general" funciona como consulta de referencia sin gastronomía específica, no como una categoría gastronómica más: la tratamos aparte en el análisis, no como comparable directa de las otras ocho.
Intención de búsqueda
- Reserva inmediata
- Reserva futura
- Descubrimiento
- Consulta situacional
Idioma
- Español
- Inglés
- Valenciano
El diseño contempla un reparto aproximado de 65 % español, 25 % inglés y 10 % valenciano. Confirmaremos el reparto real del dataset y lo corregiremos aquí si no coincide con el previsto.
Presupuesto
- Consulta con presupuesto explícito
- Consulta sin presupuesto (la IA decide qué asumir)
Zona de Dénia
- Dénia en general
- Les Marines
- Les Rotes
- El Puerto
- El casco antiguo
- Playa
Las consultas que no especifican zona se tratan como "Dénia en general": no forzamos una zona en preguntas donde una persona real no la mencionaría.
Modelos
Qué asistentes de IA analizamos, y cómo
La fase actual del experimento lanza las consultas contra las APIs de los proveedores, no contra sus interfaces de usuario. Usar la API da automatización, control sobre las condiciones de cada consulta, repetibilidad y un registro exacto de lo que se envió y lo que se respondió: condiciones difíciles de garantizar a mano y a este volumen con una interfaz web.
Eso también significa que estos resultados describen el comportamiento de la API, no necesariamente el de la interfaz de consumo que usa una persona normal. Tratamos esa diferencia en detalle en GEO en la práctica: API vs interfaz.
Proveedores consultados vía API en esta fase
- OpenAI, con y sin la herramienta de búsqueda web activada
- DeepSeek
Fase de interfaz de usuario
Está prevista una segunda fase que repita una muestra representativa de consultas usando la interfaz real de cada asistente. Es más lenta y difícil de escalar que la API, pero puede representar mejor el producto que usa una persona, y sirve para contrastar si la API y la interfaz coinciden. Publicaremos qué proveedores y versiones exactas entran en esa fase cuando arranque, no antes.
API vs interfaz
Por qué esto no es lo mismo que abrir ChatGPT y preguntar
Una API y la interfaz de un asistente pueden compartir el mismo modelo por debajo y aun así no dar la misma respuesta: la interfaz puede aplicar personalización, historial de conversación, herramientas activadas por defecto o ajustes de producto que la llamada a la API no incluye salvo que se activen explícitamente.
Esto no es una suposición nuestra: la propia documentación de proveedores de este tipo de herramientas describe la búsqueda vía API como una capacidad configurable con controles (filtros, fuentes, acceso en vivo) que no siempre están presentes de la misma forma en el producto de consumo.
Extracción
Cómo pasamos de una respuesta en texto a datos estructurados
Cada respuesta se guarda completa, tal y como la devuelve el asistente. Un segundo modelo, actuando como árbitro, lee esa respuesta y extrae qué restaurantes se mencionan, en qué posición dentro del texto, con qué atributos y con qué tono.
Esta extracción automática puede equivocarse: puede pasar por alto una mención ambigua, mal-clasificar un atributo o interpretar mal una referencia indirecta a un restaurante. Es una limitación conocida del diseño, no un detalle que escondamos, y la tratamos con más detalle en la sección de limitaciones.
Definiciones
Qué entendemos exactamente por posición y por mención
- Mención
- Cualquier referencia identificable a un restaurante concreto de Dénia dentro de la respuesta del asistente, sea como recomendación principal, como alternativa o dentro de una lista.
- Posición
- El orden en el que aparece cada restaurante mencionado dentro de la respuesta, de principio a fin del texto. No es una posición en un buscador: es el orden de aparición dentro de una respuesta en prosa o en lista.
- Nombre normalizado
- El nombre de cada restaurante se normaliza con un proceso determinista (misma entrada, mismo resultado siempre) para evitar contar el mismo local dos veces por una variación de escritura o mayúsculas.
- Procedencia de la mención
- Si el restaurante aparece en el texto de la respuesta, en una URL citada, o en ambos sitios.
Atributos
Qué registra el sistema por cada consulta
Este es el esquema de datos que registra el sistema por cada consulta, tanto en las ya lanzadas como en las que se lanzarán a partir de ahora. Lo publicamos para que pueda contrastarse con el dataset explorable cuando esté disponible.
- Pregunta exacta enviada al asistente
- Respuesta completa devuelta
- Modelo y proveedor consultado
- Si la herramienta de búsqueda web estaba activada
- URLs citadas en la respuesta, si las hay
- Restaurantes mencionados y su nombre normalizado
- Posición de cada mención
- Sentimiento expresado sobre cada restaurante mencionado
- Tipo de cocina, precio, zona, terraza y vistas, cuando la respuesta los indica
- Procedencia de la mención (texto, URL citada, o ambos)
Criterios de análisis
Cómo distinguimos un patrón de una causa
Cuando un análisis derivado del dataset (por gastronomía, por zona, por presencia web) muestre que un atributo aparece más veces asociado a restaurantes con más menciones, lo llamamos asociación descriptiva o correlación, no causa.
No afirmamos que tener terraza, tener web o pertenecer a una gastronomía concreta haga que un restaurante aparezca mejor en las respuestas de IA, salvo que el propio diseño del experimento permita aislar esa variable, algo que este experimento no está construido para hacer de forma general.
Limitaciones
Lo que este experimento no puede afirmar
- Cualquier cifra publicada aquí es una foto fija de un corte de datos concreto: la recogida sigue avanzando después de esa foto, así que el dataset completo siempre es mayor que lo último publicado.
- La normalización de nombres es determinista pero no infalible: una variación de escritura no prevista puede escapar al proceso.
- La extracción automática con un modelo árbitro puede cometer errores de clasificación o pasar por alto una mención ambigua.
- El muestreo está orientado a cubrir combinaciones de variables, no a representar la proporción real de búsquedas que hace la gente en Dénia.
- Los resultados vía API pueden no coincidir exactamente con lo que vería una persona usando la interfaz de consumo del mismo asistente.
- Cada proveedor y modelo tiene su propio comportamiento: no generalizamos una conclusión de un modelo a "la IA" en general.
- Un mismo modelo puede responder de forma distinta a la misma pregunta en otro momento: no tratamos ninguna respuesta individual como estable en el tiempo.
Reproducibilidad
Qué hace falta para repetir este experimento
El diseño (variables, cadencia de recogida, proceso de extracción y definiciones) es el que se describe en esta página, y se mantiene así una vez publicados los resultados: si algo cambia, lo señalamos con fecha de modificación.
La misma arquitectura está pensada para repetirse con otro sector o otra ciudad, no solo con restaurantes de Dénia: es la base editorial y técnica que ArribaIA usará para futuros estudios de visibilidad GEO local.
Fuentes y referencias
En qué documentación nos apoyamos
Solo incluimos aquí fuentes que hemos consultado directamente en la documentación original del proveedor, no resúmenes de terceros.
- Documentación oficialGoogle Search CentralAI Features and Your Website
Documentación oficial de Google sobre cómo funcionan AI Overviews y AI Mode dentro de la Búsqueda: no existe un índice de IA separado, y no hay requisitos técnicos adicionales más allá de las buenas prácticas de SEO habituales.
- Documentación oficialGoogle Search CentralSpam Policies for Google Web Search
Política oficial de Google sobre abuso de contenido a escala, incluido el uso de IA generativa para crear muchas páginas sin aportar valor real a quien las lee.
- Documentación oficialOpenAIWeb search (Responses API)
Documentación oficial de la herramienta de búsqueda web de la API de OpenAI: describe las citas y fuentes que devuelve la API cuando la búsqueda está activada, y los controles disponibles que no siempre están presentes de la misma forma en el producto de consumo.
- Documentación oficialDeepSeekDeepSeek API Docs
Documentación oficial de la API de DeepSeek, usada para confirmar el formato del endpoint y los modelos disponibles en el momento de diseñar el experimento.
Preguntas frecuentes
Dudas habituales sobre el método
¿Por qué usáis un modelo de IA para extraer datos de las respuestas de otro modelo de IA?
Porque a este volumen de consultas, revisar cada respuesta a mano no es viable, y la alternativa (un patrón de texto fijo) no entiende lenguaje natural con la fiabilidad suficiente. Es un método rápido, pero con un margen de error real, que reconocemos en la sección de limitaciones en vez de presentarlo como perfecto.
¿Por qué no esperáis a tener el ranking para publicar la metodología?
Porque publicar el método antes que el resultado es lo que hace que el resultado se pueda auditar de verdad. Si publicásemos la metodología después del ranking, cualquiera podría sospechar que la ajustamos para encajar con lo que salió.
¿Vais a actualizar esta página con cifras reales?
Sí. Cada vez que cerramos un corte de datos para publicar o revisar el ranking, actualizamos las cifras de esta página (volumen de consultas, reparto de idiomas) y lo indicamos con la fecha de modificación.
¿Quieres que analicemos tu sector?
Esta arquitectura de medición está pensada para repetirse. Si tienes un negocio local y quieres entender su visibilidad en IA, o si trabajas en investigación y quieres proponer una colaboración, escríbenos.