Resposta curta: una LLM visibility audit mesura tres coses diferents: si la marca apareix en respostes rellevants, si hi apareix correctament i quines fonts permeten que hi aparegui. Després connecta aquests resultats amb gaps d’entitat, contingut, evidència i autoritat externa per crear un roadmap.
Si una pàgina es pot llegir però falta en les respostes observades, consulta la guia per diagnosticar per què la web no apareix a ChatGPT per separar accés, contingut i l’evidència següent abans d’invertir.
Preguntar una vegada a ChatGPT “coneixes la meva empresa?” no és una auditoria. La resposta pot dependre de formulació, context, moment, mercat i motor. Per obtenir informació útil necessites un set de preguntes estable, categories d’intenció i una metodologia que permeti comparar resultats en el temps.
1. Defineix l’objectiu de negoci abans de les queries
Una auditoria per a una marca hotelera no hauria d’utilitzar les mateixes preguntes que una empresa B2B industrial. Defineix quines decisions vols influir: descobriment, shortlist, selecció de proveïdor, reputació, producte, destinació o suport.
L’objectiu determina el query set i evita mesurar visibilitat que mai podria generar valor.
2. Construeix cinc grups de preguntes
Una base útil combina preguntes de categoria, problema, comparació, selecció i marca. Per exemple: “quines empreses ofereixen X”, “com resoldre Y”, “X vs Z”, “millors proveïdors per a…” i preguntes explícites sobre la marca.
Això permet distingir si el motor només coneix l’empresa quan se li dona el nom o si la recupera espontàniament dins la seva categoria.
3. Afegeix variants naturals
Els usuaris no formulen sempre igual. Inclou preguntes curtes, llargues, tècniques, col·loquials i amb context sectorial. No necessites centenars de sinònims mecànics; necessites representar els camins reals d’investigació.
4. Separa idiomes i mercats
Una marca pot tenir bona visibilitat en anglès i cap en català o castellà. Les fonts utilitzades també poden canviar. Avalua idiomes prioritaris per separat i afegeix ubicació quan influeix en la decisió.
5. Registra presència de marca
La mètrica més bàsica és si apareix o no. Però defineix què compta com a presència: nom exacte, producte, domini o una menció inequívoca. Mantén la regla constant entre mesures.
6. Registra presència de competidors
Una resposta on no apareixes té més valor diagnòstic si saps qui sí hi apareix. Crea una matriu de competidors per clúster i detecta marques recurrents.
Els competidors d’IA no sempre coincideixen amb els competidors comercials que l’equip tenia al cap.
7. Analitza les fonts citades
Quan el motor mostra fonts, registra domini i URL. Classifica font pròpia, mitjà, directori, comunitat, documentació oficial, review, investigació o competidor.
Els patrons indiquen quin tipus d’evidència domina la categoria i quines fonts podries legítimament desenvolupar o guanyar.
8. Diferencia menció i citació
La teva marca pot aparèixer sense que el web oficial sigui font. Això significa que l’entitat existeix en fonts externes, però les teves pàgines potser no estan sent seleccionades. També pot passar el contrari: una pàgina pròpia se cita com a informació sectorial sense que la marca es recomani.
Tots dos són resultats diferents i requereixen accions diferents.
9. Mesura exactitud factual
Revisa país, serveis, públic, producte, preus quan siguin públics, mida si es menciona, dates i qualsevol afirmació sensible. Classifica errors per gravetat.
L’exactitud és especialment important en sectors regulats o quan una resposta pot influir una compra important.
10. Avalua posicionament semàntic
No n’hi ha prou amb aparèixer. Amb quina categoria t’associa el motor? Et descriu com agència, software, consultora o proveïdor industrial? Menciona l’especialitat que vols posicionar?
Una auditoria pot revelar que l’entitat existeix però està categoritzada de manera poc útil.
11. Avalua el context competitiu
Quan apareixen diverses marques, observa per què. Una es menciona per preu, una altra per especialització, una altra per cobertura geogràfica? Aquestes associacions ajuden a entendre quins atributs el corpus vincula a cada competidor.
12. Audita la pàgina canònica d’entitat
La home i pàgines About/Company han d’explicar nom, categoria, serveis, mercats, ubicació i punts diferencials de manera coherent. Si els motors s’equivoquen en informació bàsica, comença aquí.
13. Audita les pàgines de servei
Cada servei prioritari necessita una font clara: definició, abast, procés, lliurables, FAQs, casos i límits. Comprova si la pàgina respon les preguntes que el query set planteja.
14. Audita evidència pròpia
Llista casos, dades, estudis, metodologia, eines, autors i experiència publicable. Una marca sense evidència té menys material diferenciador per competir per citacions.
15. Audita autoritat externa
Busca fonts independents que descriguin l’empresa. Avalua exactitud i actualitat. Identifica absències rellevants: associacions, mitjans sectorials, perfils, marketplaces, directoris professionals o publicacions on la marca hauria d’existir per activitat real.
16. Audita consistència d’entitat
Compara nom, descripció, URL, ubicacions, categories i serveis entre web, perfils i fonts rellevants. Corregeix contradiccions abans d’intentar crear més volum de contingut.
17. Audita rastrejabilitat
Revisa robots, sitemap, indexació, canonicals, estats HTTP, renderitzat i enllaços interns. Una gran pàgina que els motors no recuperen de manera estable no funciona com a font.
18. Audita contingut bloquejat en formats poc recuperables
Si les millors respostes són en PDFs, vídeos, gràfics o eines tancades, crea equivalents textuals accessibles. No eliminis els formats originals; afegeix una capa web que expliqui i contextualitzi.
19. Crea un score per clúster, no un únic percentatge
Un “LLM visibility score 42%” pot ocultar massa. És millor veure descobriment 20%, comparació 50%, marca 90% i problema 15%, per exemple. Així el roadmap es connecta amb intenció.
El score ha de ser una eina interna de comparació, no una veritat universal sobre l’algoritme.
20. Converteix troballes en accions concretes
Cada gap hauria de produir una acció: millorar una pàgina de servei, publicar un cas, aclarir una entitat, crear una comparació, corregir un perfil extern, obtenir una menció legítima, afegir una definició o resoldre un problema tècnic.
21. Prioritza per valor, gap i capacitat d’evidència
No publiquis un article només perquè una pregunta tingui baixa visibilitat. Prioritza preguntes valuoses on l’empresa tingui alguna cosa real a aportar i on el gap es pugui corregir.
22. Repeteix l’auditoria amb metodologia constant
Una mesura aïllada és una foto. Repetir el mateix set permet detectar tendència. Mantén versions del query set i documenta canvis importants per no confondre una metodologia nova amb una millora de visibilitat.
23. Combina dades LLM amb SEO i analítica
Search Console pot mostrar creixement de queries de marca o temes. Analítica pot mostrar visites des de motors i conversions posteriors. CRM pot indicar mencions de ChatGPT o Perplexity en leads si es pregunta de manera natural. Uneix senyals en lloc d’atribuir-ho tot a una sola font.
24. Afegeix una capa d’AI Overviews
Per a Google, incorpora queries on apareixen AI Overviews i registra fonts i presència. L’article sobre Google AI Overviews explica els senyals que convé revisar.
25. Afegeix una capa específica de Perplexity
Perplexity facilita observar fonts en moltes respostes. Utilitza aquesta transparència per estudiar quines pàgines guanyen cites i quin tipus de contingut falta. El framework de Perplexity optimization desenvolupa aquest procés.
26. Documenta errors i correccions
Si detectes informació incorrecta, registra quina font podria estar alimentant-la i quina acció es pren. Amb el temps, aquest registre mostra quins tipus d’error són recurrents i quines fonts tenen més influència.
27. Inclou una revisió humana
L’automatització pot recollir respostes, però algú amb coneixement del negoci ha d’avaluar exactitud, rellevància i context. Un nom detectat no equival automàticament a una recomanació positiva o correcta.
Lliurables d’una LLM visibility audit útil
- Query set versionat per intenció, idioma i mercat.
- Matriu de presència de marca i competidors.
- Mapa de fonts citades.
- Registre d’errors factuals.
- Avaluació d’entitat i categories associades.
- Gap de pàgines font i evidència.
- Auditoria tècnica de recuperabilitat.
- Roadmap prioritzat d’accions.
- Baseline per repetir mesura.
A The GEO Company entenem l’auditoria com una eina de decisió. L’objectiu no és produir un gràfic bonic, sinó saber què cal canviar perquè els sistemes tinguin millors fonts sobre la marca.
Preguntes freqüents sobre LLM visibility audit
Quins motors s’haurien d’incloure?
Depèn del mercat, però normalment interessa cobrir ChatGPT, Gemini, Perplexity i experiències generatives de Google. Altres motors es poden afegir segons audiència.
Quantes preguntes necessita una auditoria?
Un primer baseline pot ser útil amb 30–100 preguntes ben seleccionades. Empreses amb diverses línies, països o productes poden necessitar sets més grans.
Un score de visibilitat és comparable entre eines?
No necessàriament. Cada eina defineix presència, motors, prompts i freqüència de manera diferent. Utilitza el score principalment per comparar la teva pròpia evolució amb una metodologia estable.
Quan cal repetir l’auditoria?
Mensualment o trimestralment segons velocitat del mercat i volum d’accions. Després de canvis importants de marca o arquitectura pot ser útil crear una nova mesura de referència.
Com presentar el baseline a direcció
No comencis per una puntuació global. Resumeix tres troballes: on la marca ja és entesa correctament, en quines preguntes comercials està absent i quins errors o fonts requereixen atenció. Després presenta cinc accions prioritzades amb propietari i termini. L’auditoria guanya valor quan acaba en decisions de contingut, reputació, tècnica o distribució.