Cada vez que usamos ChatGPT (u otra IA) para preguntar por una marca, el sistema no busca la marca como tal, sino que explora otras cosas que busca en paralelo y que, como usuario, no verás.

He analizado a 3 de mis clientes (en distintos sectores) usando una batería de prompts, en total, 189, preguntando por aspectos relativos a sus marcas, lo que me ha llevado a 1797 búsquedas realizadas por ChatGPT y que paso a analizar en este pequeño estudio.

¿El objetivo? Entender qué busca exáctamente, en qué orden y qué podemos aprender para nuestros proyectos.

En qué consiste el análisis

Esta es la metodología que he seguido para extraer los datos y poder escribir este artículo :)

Métrica	Valor
Proyectos analizados	3 (salud, deportes, hoteles)
Prompts brand lanzados	189
Prompts que generaron fan-out	174
Ejecuciones totales	723
Ejecuciones con fan-out	687
Sub-queries fanout	1797
Modelo	GPT 5.5 (agosto 2026)
Tipo de prompt	100% branded, 12 categorías

Con esto datos vemos un matiz importante de resaltar y es que no todos los prompts disparan fan-out, de estos 3 proyectos analizados, se ven que en 15 de los 189 prompts no se generan fan-out y 36 de las 723 ejecuciones, se resuelven sin fan-out.

Esto significa que en 1 de cada 20 casos, el modelo ya sabía la respuesta sin necesidad de hacer esas búsquedas.

Por otro lado, cabe señalar que todas esas sub-queries identificadas son una especie de «demanda invisible», que tiene un papel fundamental en determinar qué fuentes entran en la respuesta final de ChatGPT.

También, respecto a por qué lanzar los prompts varias veces, si cada prompt es ejecutado una sola vez genera menos de 3 sub-queries o fanout de media, pero cuando lo llevamos a 4 ejecuciones, la cifra de sub-queries aumenta hasta 10,3 diferentes. Por eso he preferido no ejecutar una sola vez, para evitar ruido y no tener que fiarme de resultados meramente circunstanciales, tratar de pasar a otros más estructurales.

Si tienes dudas de cómo enfocar tu monitorización y cuántas repeticiones deberías usar en cada caso, para tener unos datos solventes y sólidos, te recomiendo que leas este post.

Por último, los temas, familias o agrupaciones se consolidaron combinando técnicas de embeddings, tf-idf y detección de los comandos «site:», además de usar expresiones regulares para identificar los nombres de marca para hacer los cálculos y agrupaciones.

Ya sabes, el post tiene como objetivo compartir patrones, no se van a indicar nombres explícitos de los proyectos, como entenderás, por temas de confidencialidad.

Cifras resumen del análisis

Un prompt de marca no genera una sola búsqueda, sino que genera más de 10, y de esas, 3 van dirigidas a un dominio concreto a través del comando site, en vez de a una SERP abierta.

Métrica	Global	Rango entre proyectos
Sub-queries por prompt	10,3	9,7 – 10,7
Sub-queries por ejecución	2,6 (máx. 13)	2,5 – 2,7
Longitud media de la sub-query	7 palabras	6,7 – 8,0
Sub-queries que incluyen brand	93,4%	92,6% – 94,5%
Sub-queries con «site:»	30,2%	25,9% – 37,4%

El 7,8% de las sub-queries tienen 3 palabras o menos y 15,8% tienen 10 palabras o más, esto nos hace pensar que los fan-out no constituyen una «cola larga conversacional», sino que parece que hay un SEO oculto entre bambalinas escribiendo esas sub-consultas a partir del prompt principal.

Aunque los prompt, presumiblemente, mantengan una naturaleza conversacional pura, la infraestructura de los LLMs que carecen (por ahora) de sus propios índices, tienen mecanismos que siguen anclados a los buscadores clásicos y sus modos de funcionamiento.

Los 3 ejes descubiertos en los fan-out de marca

Antes de entrar en los patrones, un aspecto a tener en cuenta es que una misma sub-query puede contener el comando «site:», palabras entrecomilladas o incluir un año, por eso quiero destacar primero 3 ejes que tratan de resumir el análisis de dónde busca, cómo pregunta y qué pregunta.

Eje 1: Dónde busca

Resumidamente, este es el deglose de dónde busca nuestro modelo cuando le damos los prompts de marca:

Destino	n	%
SERP abierta (sin site:)	1254	69,8%
site: [dominio propio]	299	16,6%
site: [dominio de grupo]	142	7,9%
site: [terceros]	100	5,6%
site: [competidor]	2	0,1%

Esto significa que 1 de cada 6 fan-out de un prompt de marca va específicamente a tu dominio y 7 de cada 10 no llevan comando «site:».

Eje 2: Cómo pregunta

Si queremos profundizar en los datos sonbre cómo hace las preguntas o búsquedas, el deglose deja claro el panorama cuando monitorizamos prompts de marca:

Patrón	n	%
Comando «site:»	543	30,2%
Comillas exactas	427	23,8%
Año explícito	352	19,6%
Booleanos OR / paréntesis	24	1,3%
«filetype:» o PDF	10	0,6%
Url literal	6	0,3%
Exclusión con «-«	5	0,3%
«inurl» / «intitle»	0	0%

Esto desvela que sigue siendo muy importante tener controlado el proyecto en términos no solo de indexación, también de ser explícitos en la redacción de contenido y optimización de encabezados, títulos y descripciones.

Eje 3: Qué pregunta

Los prompts categorizados por áreas nos ayudan a hacer una radiografía de dónde se concentran los fan-out para darnos mayor detalle de la situación:

Tema	%
Marca genérica	23,3%
Producto y servicio	20,6%
Reputación y confianza	10,0%
Identidad de marca	6,8%
Oficialidad y canales	6,2%
ESG y sostenibilidad	5,2%
Postventa y atención	4,8%
Legal y compliance	4,1%
Propiedad industrial	4,0%
Certificaciones y premios	3,8%
Personas y directivos	3,6%
Reporting corporativo	3,5%
Seguridad y filtraciones	2,3%
Prensa y medios	1,8%

Ahora, con los 3 ejes claros vemos que solo el 0,8% de las sub-queries nombra a un competidor, por tanto, podemos decir que las consultas fan-out de marca son centrípetas (siempre quise usar esta palabra), es decir, giran en torno a la propia entidad, sus dominios o activos digitales de grupo o satétlit y también aquellas fuentes que la validan.

Esto es un gran insight y aprendizaje para los proyectos: controlar la marca, la narrativa y tener ordenada la presencia digital, sientan las bases de la visibilidad en IAs.

Los 7 patrones identificados de las fan-out de marca

Patrón 1: Fan-out de dominio propio

El 55,1% de todos los comandos «site:» apuntan al dominio principal de la marca, este patrón se repite en todos los proyectos analizados, sin excepción. Algunos ejemplos observados:

site:[DOMINIO PROPIO] [atributo corporativo]
site:[DOMINIO PROPIO] [producto/servicio] [condiciones]
site:[DOMINIO PROPIO] "[frase literal]" "[frase literal]"
site:[DOMINIO PROPIO]/[subcarpeta] [atributo]
site:[DOMINIO PROPIO] aviso legal [MARCA] CIF

Esto implica que el modelo que hemos usado para chequear los prompts está usando el dominio de la marca como fuente primaria, de verdad, por eso lo incluye como una búsqueda en Google como «dame todo lo que tengas de este dominio».

Entonces, si tienes contenidos potenciales sin indexar, que no pueden responder ante ese tipo de patrones, estás dejando la puerta abierta a terceros.

Otro dato. El 64,4% de los prompts de marca activan al menos una búsqueda de «site:» sobre su propio dominio, del 36% restante podemos tener como hipótesis que, o bien el modelo ya tenía la respuesta o no consideró el dominio como una fuente útil.

Patrón 2: Fan-out de grupo o entidad matriz

El dato que apoya este patrón es que el 26,2% de los «site:» apuntan a dominios del mismo grupo o matriz, ya sean dominios corporativos, salas de prensa, subdominios que contienen información de sostenibilidad, soporte u otros activos internacionales.

Algunos ejemplos:

site:[DOMINIO DE GRUPO] informe anual [año] [MARCA] [métrica]
site:[DOMINIO DE GRUPO] EINF [año] [MARCA] [reclamaciones|proveedores]
site:[DOMINIO DE GRUPO] [MARCA] liderazgo personas sostenibilidad
site:[SUBDOMINIO DE GRUPO] (sostenibilidad|prensa|soporte) [atributo]

Esto tiene varias lecturas e implicaciones, ya que cualquier web del grupo que hable de la marca, va a tener gran importancia a nivel de arquitectura para GEO (o visibilidad en IAs). Dependiendo de la estrategia global de publicación de contenidos, datos y hechos, las citas podrían moverse a unos u otros activos, aunque sean del mismo grupo, pero podrían estar superando dominios globales a dominios locales.

Patrón 3: Fan-out de terceros y validación externa

Encontramos que el 18,4% de los «site:» de los fan-out van a terceros, aunque son menos numerosos, pueden actuar de «árbitros» de la marca, algunos ejemplos encontrados:

• Registros oficiales y de propiedad industrial, como oficinas de patentes y marcas, bases de datos de patentes, protección de datos, registros mercantiles o consultas de CIF.
• Redes sociales a través de los perfiles oficiales
• Plataformas de reseñas y consumo como agregadores de opiniones, portales de reclamaciones y organizaciones de consumidores. Ejemplos como OCU, Trustpilot…
• Medios y prensa económica
• Bases de datos sectoriales, observatorios…

La mayor implicación de esto es ampliar las miras del proyecto y tratar de observar en qué lugares podemos optimizar nuestra presencia, aunque a día de hoy, no los controlemos.

Patrón 4: Fan-out de literalidad (las comillas)

El 23,8% de las sub-queries llevan comillas, con mayor énfasis en los proyectos de salud y hoteles, que en el de deportes. Los hallazgos de este patrón:

Tipo de cadena	n	%
2-4 palabras: marcas, cargos, secciones	499	55,4%
Términos únicos (1 palabra)	300	33,3%
Códigos o IDs: CIF, expedientes, PDF	78	8,7%
Frases largas (más de 5 palabras)	24	2,7%

Los ejemplos concretos anonimizados:

"[frase literal de tu web]" "[MARCA]"
"[Nombre Apellido]" "[MARCA]" LinkedIn
"[código de expediente]" [organismo] [incidencia]
"[nombre-del-archivo.pdf]" "[partida contable]"

Esto implica que el modelo está poniendo entre comillas frases que ya ha visto previamente para confirmarlas, es una especie de «fact-checking» contra tu propio contenido. Así que frases de tu web como claims, cargos o cifras, se convierten en hechos a verificar.

A tener en cuenta las licencias creativas que nos tomamos a nivel de copywriting o de diseño de claims, CTAs, etc. pues podría ser contraproducente si no se hace teniendo en cuenta estos nuevos canales de descubrimiento y captación.

Patrón 5: Fan-out temporal

Otro aspecto que se ha hablado mucho en estudios americanos e ingleses, es el tema del freshness. En mi estudio, he podido observar que el 19,6% de las sub-queries o fan-outs contienen un año explícito, siendo más alta esta cifra en un sector u otro.

Algunos ejemplos:

[MARCA] [atributo] [año actual]
[MARCA] informe anual [año-1] [métrica] oficial
[MARCA] [producto] precio [año actual]

Por tanto, la implicación que tiene esto es que el propio modelo trata de forzar frescura, desconfiando de su propio conocimiento, así que todos aquellos contenidos sin fecha visible, sin fecha de actualización datada o con años antiguos en los elementos como títulos, encabezados o descripciones, puede tener menos opciones frenta a contenidos actuales y bien fechados.

Patrón 6: Fan-out de oficialidad y compliance

Si nos paramos a ver los ejemplos:

[MARCA] [país] página oficial devoluciones garantías pago seguro
[MARCA] valores fundamentales
[MARCA] eslogan oficial
[MARCA] empresa matriz

Lo que en otras épocas ha sido contenido que no servía «para posicionar» e incluso se indicaba para no indexar en Google, ahora ya no son urls de relleno y podrían ayudar a dar visibilidad de marca y blindar menciones y citas a la marca propia y cerrar la puerta a terceros.

Hablamos de páginas como «quiénes somos», «aviso legal», «misión, visión y valores», etc.

Patrón 7: Fan-out de riesgo reputacional

El estudio encuentra que el 10,1% de los fan-outs son de reputación y confianza, muy apoyado en temas de opiniones, reseñas, valoraciones, reclamaciones y quejas, por ejemplo:

[MARCA] opiniones confianza reclamaciones [plataforma de reseñas] [año]
[MARCA] opiniones problemas frecuentes
[MARCA] [tipo de incidencia] quejas cobertura
"[DOMINIO PROPIO]" "breach"
site:[DOMINIO DE TERCEROS] [MARCA] brecha

Los fan-outs se pueden convertir en este caso en auditorías de reputación no solicitadas, así que es vital controlar las narrativas sobre incidencias, quejas, etc.

La identidad digital ambigua

Esto no es el patrón 8, pero conviene mencionarlo porque creo que refleja muy bien el impacto de los LLMs y sus respuestas, en las marcas.

Al revisar todos los dominios que aparecen en los comandos «site:» me encontré dos cosas interesantes que quiero compartir

Lanza búsquedas sobre dominios que están redirigidos

En uno de los proyectos analizados, las búsquedas del fan-out se hacen usando el comando «site:» sobre un dominio que es antiguo y ya está redirigiendo al actual.

Quizás su conocimiento previo se formó con la web anterior, no con la actual, y a diferencia del patrón temporal de los años donde busca verificar la frescura, en este caso, no duda de los dominios, los da por buenos.

Esto ya es una implicación directa en la forma en la que trabajamos la infraestructura de un proyecto y su mapa de activos digitales, ser ordenado y aplicar la higiene básica de SEO con un buen inventario de redirecciones.

Prueba varios perfiles sociales para la misma marca

También es un hallazgo revelador encontrar que ciertas consultas de fan-out (5,5%) se las llevan las redes sociales y no siempre van a un perfil concerto.

En uno de los proyectos encontramos que el modelo probó hasta 3 cuentas de Instagram distintas en los fan-out, 2 de LinkedIn, 2 de Facebook y 1 de Youtube, para buscar cuáles eran los perfiles sociales, mediante ese tanteo intenta adivinar cuáles son los correctos.

Esto tiene muchísima relación con el patrón 6 en el que hablaba de la oficialidad, si busca eso es porque no tiene la información 100% resuelta.

Para esto, debería entrar en juego una correcta comunicación, enlaces en la web, marcados Schema para informar de los perfiles, coherencia con el nombre entre perfiles…. Suena básico, pues lo básico sin resolver ahora te puede exponer a perder poco a poco el control de tu marca en los LLMs.

El insight multilingüe

Algo a tener muy en cuenta, el 8,9% de las sub-consultas usan léxico en inglés, si nos fijamos en proyeectos con presencia internacional ese porcentaje sube a 27,3% y si el proyecto es local, baja al 1,0%. Además, el 9,9% de las ejecuciones mezclan idiomas.

Así que si tu marca tiene presencia internacional el modelo va a integrar el inglés aunque los usuarios pongan sus prompts en español y tus activos globales, van a tener presencia, así que importa mucho la coherencia de mensajes entre versiones idiomáticas, no ya la traducción en si, sino qué contenido cuenta cada activo. Para tener presente.

Un hallazgo sobre la forma de escalar

Ahora vamos a intentar entender en qué orden busca las cosas ChatGPT, cuando le damos prompts de marca, porque los fan-outs resultantes siguen una secuencia y quizás podemos intentar leer las señales ahí.

Empieza preguntando, termina comprobando

De este análisis hemos obtenido 1797 sub-queries, entonces podemos ordenarlas por el lugar que ocupan dentro de su ejecución y vemos el siguiente patrón:

• La primera búsqueda es lenguaje natural
• A partir de la segunda, cambia, aparece el comando «site:» que acota la búsqueda a un dominio concreto
• Después, empiezan a aparecer comillas, que especifican frases exactas o literales, palabra a palabra

El gráfico muestra precisamente eso, primero se acota y luego se verifica, por tanto, al principio necesita saber dónde mirar y luego necesita comprobar si dice exáctamente lo que cree, lo segundo ocurre solo cuando la primera parte no ha sido suficiente.

También se puede ver que las consultas se hacen más cortas, entendiendo que el modelo deja de describir.

Contraste entre la primera y la última búsqueda

De hecho, si comparamos solo la primera búsqueda de cada ejecución con la última, gráficamente, es indiscutible

El uso de «site:» se multiplica por 4, pero las comillas, por 25.

La secuencia paso a paso

Si ordenamos todo lo anterior, podemos resumir en 4 fases el recorrido que han hecho los fan-outs en este estudio de 3 proyectos de diferentes sectores:

1. Pregunta abierta: lenguaje natural sin comandos ni comillas
2. Acotar: comando «site:»
3. Verificar: aparecen las comillas para ver si dice algo literalmente
4. Insistir: reformulaciones más cortas y específicas

Esto es un ejemplo real anonimizado y usando corchetes para tratar de mostrar los patrones, el prompt preguntaba «en qué eventos participa [marca]»

Mira la web de la marca, no encuentra lo que busca, busca frases entrecomilladas, va a web de terceros, vuelve y busca frase literal de una nota de prensa.

Esos 11 pasos que muestra el gráfico, de este ejemplo, nos da una pista de las oportunidades que ofrece trabajar la visibiidad orgánica y en IAs, teniendo muy presente el funcionamiento de los buscadores y de los modelos.

Escalar no es la norma

Sin embargo, la mayoría de los prompts ejecutados y las consultas fan-out resultantes, no terminan escalando, ¿qué significa esto?

Dentro de las 687 ejecuiciones con fan-out, 246 hacen una sola búsqueda y 193 hacen 2, el 63,9% de las ejecuciones se resuelven en 2 búsquedas o menos, además de que no todas las ejecuciones generan fan-out.

Por tanto, escalar no es el comportanmiento por defecto, sino que ocurre cuando todo lo anterior no ha servido.

Además, en ocasiones se ve que el modelo pregunta lo mismo de varias maneras diferentes, en el 23,1% de las ejecuciones con 2 o más búsquedas, hay al menos un par de ocasiones en las que la búsqueda es idéntica o apenas cambian unos pocos terminos, a veces simplemente es el nombre de la marca a secas, sus valores, misión o eslogan…

Esto también nos deja un insight interesante a tener en cuenta. Si el modelo insiste en hacer búsquedas parecidas o iguales, y n o estás en una, probablmente no estés en ninguna.

Habrá que repetir este estudio y ampliarlo a más marcas, seguramente, pero ya hay una hipótesis sobre la mesa: un fan-out largo puede significa que el modelo está «rebuscando» y eso abre la puerta a acabar en webs de terceros y no en la de la propia marca.

Ideas accionables para tener en cuenta

1. Una url indexable por cada atributo corporativo
2. Añade los datos clave en el html literal, no solo en archivos pdf o dentro de imágenes
3. Consistencia en claims y slogans, para cumplir cuando haga búsquedas exactas
4. Fechas de actualización visibles y años en curso en contenido corporativo y resto de contenidos
5. Páginas propias de opiniones, reclamaciones, incidencias…
6. Coherencia entre dominio principal de cada mercado y los dominios de grupo
7. Perfiles sociales únicos enlazados
8. Presencia y datos correctos en registros oficiales
9. Redirecciones vivas de migraciones pasadas

Límites de este estudio

• Tres proyectos, tres sectores. Los patrones se repiten en los tres, pero tres no es una muestra representativa del mercado.
• Un modelo y un momento. GPT-5.5, agosto de 2026, justo antes del lanzamiento de GTP 5.6.
• Un método de captura. Los datos se han extraido a través de la API oficial de OpenAI, lo cual puede diferir de los resultados de usuarios reales.
• Solo prompts de marca. Nada de esto es extrapolable a prompts genéricos.
• Observamos lo recuperado, no lo citado. Se centra en qué buscó el modelo, no en al detalle sobre la respuesta, menciones ni citas.
• Las observaciones dentro de una misma ejecución no son independientes, así que los márgenes de error reales son algo mayores que los calculados.

Referencias

Gumshoe — How much data do you need to measure AI visibility with confidence?

https://gumshoe.ai/blog/how-much-data-do-you-need-to-measure-ai-visibility-with-confidence/

Ahrefs (Despina Gavoyannis) — What is Query Fan-Out? https://ahrefs.com/blog/query-fan-out/

Ahrefs — How AI Search Engines Work https://ahrefs.com/seo/how-ai-search-engines-work

Search Engine Land — Query fan-out: what it is and how it works https://searchengineland.com/guide/query-fan-out

Search Engine Land — How to optimize for query fan-out https://searchengineland.com/guide/how-to-optimize-for-query-fan-out

iPullRank (Mike King) — The AI Search Manual, capítulo sobre query fan-out e intención latente https://ipullrank.com/ai-search-manual/query-fan-out

Lily Ray — What we can learn from evolving ChatGPT fan-out queries https://lilyraynyc.substack.com/p/what-we-can-learn-from-evolving-chatgpt

Peec AI — Patterns we see in ChatGPT query fanouts https://peec.ai/blog/patterns-we-see-in-chatgpt-query-fanouts

Google — Documentación sobre funciones de IA en la Búsqueda https://developers.google.com/search/docs/appearance/ai-features

Patente US11663201B2 — Generación de variantes de consulta https://patents.google.com/patent/US11663201B2/en

Natzir Turrado — Por qué trocear tu contenido es malo para tu SEO y para la IA https://natzir.com/posicionamiento-buscadores/trocear-contenido-ia-seo/