Per què la IA no recomana el mateix a tothom i com segmentar la teva visibilitat GEO

Per què la IA no recomana el mateix a tothom?

La pregunta sembla òbvia, però la majoria de les estratègies GEO l'ignoren del tot. Els models de llenguatge no funcionen com un motor de cerca clàssic que retorna una llista estàtica de resultats. Funcionen com a sistemes probabilístics que generen respostes condicionades per múltiples variables: el text del prompt, l'idioma, la localització geogràfica, l'historial de conversa i, en plataformes com ChatGPT, la memòria persistent de l'usuari.

Un estudi de SparkToro i Gumshoe.ai (gener 2026) ho va quantificar: 600 voluntaris van executar 2.961 prompts idèntics a ChatGPT, Claude i Google AI. Segons les seves dades, la probabilitat d'obtenir la mateixa llista de marques en dues execucions del mateix prompt va ser inferior a l'1%. Les llistes variaven en composició, ordre i nombre d'elements. És un estudi amb limitacions (finestra temporal de dos mesos, voluntaris no representatius), però la magnitud de la variabilitat és difícil d'ignorar.

Aquesta variabilitat no és soroll. És arquitectura. Els LLMs estan dissenyats per generar respostes diverses, no deterministes. Cada execució recorre camins probabilístics lleugerament diferents. I quan afegeixes variables d'usuari — localització, idioma, context previ — la divergència s'amplifica.

Ho hem comprovat amb clients. Quan introdueixes variables de perfil (idioma, context de viatge, localització) als prompts d'un audit GEO, les llistes de recomanacions canvien completament. No és teoria. És una cosa que qualsevol marca pot verificar en 30 minuts.

Els LLMs generen respostes probabilístiques condicionades al perfil de l'usuari. La mateixa pregunta produeix recomanacions diferents segons qui la formuli, des de quina ubicació i amb quin historial. Tractar la visibilitat GEO com una mètrica única és ignorar com funcionen aquests sistemes.

Quines variables canvien el que la IA recomana?

No totes les variables pesen igual. N'hi ha tres que hem identificat com les més determinants a la pràctica:

1. Localització geogràfica i context regional

La ubicació de l'usuari influeix directament en les respostes, fins i tot quan el prompt no esmenta cap lloc. Otterly.ai va documentar que ChatGPT localitza les seves respostes segons la ubicació de l'usuari a través de dos mecanismes: el context de navegació web (quan activa cerca) i la informació inferida de converses prèvies. Això significa que la mateixa pregunta des de Madrid i des de Munic genera respostes diferents sense que l'usuari faci res explícit.

Per a marques amb component local o regional (turisme, hostaleria, serveis professionals), això és crític. El teu contingut pot estar optimitzat per a un mercat i ser completament invisible per a un altre.

2. Perfil d'usuari i memòria conversacional

ChatGPT ja opera amb un sistema de memòria de dues capes: memòries explícites (que l'usuari aprova) i insights implícits de converses anteriors. Un usuari que ha parlat repetidament de viatges amb nens rebrà recomanacions diferents d'algú que ha explorat opcions d'aventura en solitari. El model no parteix de zero: parteix del que sap de tu.

I no és només ChatGPT. Gemini, Copilot i altres models avancen en la mateixa direcció: respostes cada vegada més condicionades al perfil acumulat de l'usuari.

3. Formulació del prompt i segment implícit

La investigació de SparkToro va trobar una cosa reveladora: quan 142 participants van escriure els seus propis prompts sobre auriculars, la similitud semàntica mitjana va ser de només 0,081. És a dir, usuaris amb la mateixa intenció formulen la pregunta de formes radicalment diferents. I cada formulació activa camins diferents del model.

Un CEO que pregunta «quina consultoria de creixement digital necessito» no escriu el mateix que un CMO que busca «eines per optimitzar visibilitat a AI Overviews». Mateix territori, mateix problema, respostes completament diferents.

Les tres variables que més condicionen la resposta d'un LLM són la ubicació geogràfica de l'usuari, el seu perfil acumulat a la plataforma i la formulació específica del prompt. Una estratègia GEO que no contempla aquestes tres capes treballa amb un model incomplet.

Quines dades confirmen que la visibilitat en IA està fragmentada?

La intuïció que «la IA canvia el que diu segons qui pregunta» necessita evidència sòlida. I hi és.

L'anàlisi d'Ahrefs sobre 730.000 parells de consultes (setembre 2025) va mostrar que AI Mode i AI Overviews de Google — dues superfícies del mateix ecosistema — citen URLs diferents al voltant del 87% de les vegades per a la mateixa cerca. Només comparteixen al voltant del 14% de les fonts citades. I tanmateix, arriben a conclusions semànticament similars en el 86% dels casos. Mateixa resposta, fonts radicalment diferents.

En el costat de l'usuari, la investigació de McKinsey (agost 2025, n=1.927 consumidors als EUA) va trobar que aproximadament la meitat dels enquestats utilitza intencionadament cerca impulsada per IA per prendre decisions de compra. Les dades suggereixen ús al llarg de l'embut: el 73% per investigar categories, el 61% per comparar productes, el 57% per obtenir recomanacions personalitzades. Cadascuna d'aquestes interaccions està potencialment condicionada pel perfil de l'usuari.

La fragmentació no para aquí. Dades recents d'Ahrefs (febrer 2026) mostren que els AI Overviews redueixen el CTR de la primera posició orgànica en un 58%. I que només el 38% de les URLs citades a AI Overviews apareixen també al top 10 orgànic, davant del 76% de mitjans de 2025. El sistema de citació de la IA s'està desacoblant activament del rànquing clàssic.

Opinió de l'Asier: Quan veus aquests números junts, la conclusió és incòmoda però clara: la «visibilitat GEO» com a mètrica única és una ficció útil. El que realment tens és visibilitat fragmentada per plataforma, per superfície, per perfil d'usuari i per formulació del prompt. Si només mesures «quantes vegades apareix la meva marca a ChatGPT» sense segmentar per persona, estàs mesurant una mitjana que no representa ningú.

Traducció GEO: si la teva marca apareix al 60% de les respostes per a un prompt genèric en anglès però al 8% per a un prompt en espanyol amb context de família, tens un problema de segmentació, no de visibilitat global.

La visibilitat en IA està fragmentada per plataforma, superfície, localització i perfil. Segons Ahrefs, les fonts citades divergeixen al voltant del 87% entre AI Mode i AI Overviews per a la mateixa query. Segons SparkToro, les llistes de marques recomanades es repeteixen menys de l'1% de les vegades a la seva mostra. La mètrica de visibilitat única és insuficient.

Què implica això per a la teva estratègia GEO?

Si la IA personalitza per perfil, la teva estratègia de contingut ho ha de fer també. No es tracta de crear una pàgina per cada tipus d'usuari (això és inviable i contraproduent). Es tracta d'una cosa més quirúrgica: entendre quins perfils d'usuari generen els prompts que importen per al teu negoci i assegurar-te que el teu contingut respon a cadascun d'ells.

Hi ha tres moviments concrets:

Mapejar els teus prompts per persona, no només per keyword

El research de keywords tradicional assumeix que la intenció és estàtica. En GEO, la intenció és dinàmica i condicionada. La mateixa necessitat («millorar la meva visibilitat digital») genera prompts completament diferents segons qui la formuli. Un CEO demanarà «consultoria de creixement digital per a empresa mitjana». Un CMO preguntarà «eines GEO per optimitzar presència a AI Overviews». Un director de màrqueting digital buscarà «comparativa de plataformes de tracking de visibilitat IA».

Cadascun d'aquests prompts activa fonts, tons i recomanacions diferents. Si el teu contingut només cobreix un d'aquests angles, ets invisible per als altres dos.

Segmentar per localització i idioma

Eines com Scrunch i Gumshoe.ai ja permeten segmentar el tracking GEO per regió i persona. I les dades mostren que la divergència regional és significativa. Un prompt idèntic executat des d'Alemanya i des d'Espanya pot generar llistes de recomanacions sense cap marca en comú.

Per a marques amb mercats internacionals o amb dependència del turisme, això no és un matís: és la variable que explica per què la inversió en contingut no es tradueix en visibilitat als mercats que importen.

Optimitzar per al «query fan-out», no només per al prompt literal

Google ha confirmat que tant AI Mode com AI Overviews utilitzen una tècnica anomenada query fan-out: quan un usuari fa una pregunta, el sistema la descompon en múltiples sub-consultes i cerca fonts per a cadascuna per separat. Dades recents d'Ahrefs suggereixen que aquest mecanisme està guanyant pes en la selecció de fonts, especialment des de l'adopció de Gemini 3 com a model per defecte a AI Overviews (gener 2026).

Això significa que el teu contingut no només necessita respondre al prompt principal, sinó cobrir les adjacències semàntiques que el model explorarà. I aquestes adjacències varien segons el perfil de l'usuari.

Una estratègia GEO efectiva el 2026 mapeja prompts per persona (no només per keyword), segmenta visibilitat per localització i idioma, i optimitza per al query fan-out que els models executen internament en processar cada consulta.

Com es veu això a la pràctica?

Patró operatiu: visibilitat asimètrica per perfil

En els últims mesos hem observat un patró recurrent en almenys tres clients del sector serveis B2B i turisme experiencial. L'anomenem internament «visibilitat asimètrica per perfil». No és un cas aïllat: és un patró que es repeteix amb prou regularitat com per considerar-lo estructural.

Com es manifesta: la marca té presència raonable en respostes d'IA per a prompts genèrics en anglès o espanyol neutre. Però quan introdueixes variables de perfil — idioma específic del mercat objectiu, context familiar, pressupost mig-alt, cerca des d'una localització concreta — la marca desapareix. No baixa de posició: desapareix.

Mini-baseline anonimitzat (turisme experiencial, Canàries, Q4 2025): vam executar el mateix prompt en tres idiomes (espanyol, anglès, alemany) amb i sense context de perfil (viatge en parella vs. família amb nens) a ChatGPT i Perplexity, 20 execucions per combinació. La marca del client apareixia al 65% de les execucions per al prompt genèric en anglès. En alemany amb context de viatge familiar, la freqüència d'aparició baixava al 5%. A Perplexity, directament no apareixia en cap execució en alemany. El segment de turisme familiar alemany era, segons les seves pròpies dades de venda, el que major tiquet mitjà generava.

Diagnòstic: el contingut estava optimitzat per a un perfil d'usuari (el més genèric, en l'idioma de l'equip de màrqueting) però no cobria els angles semàntics que activen respostes per a altres perfils. Faltava cobertura en alemany amb vocabulari de viatge familiar, faltaven senyals d'autoritat en plataformes que els LLMs consulten per al mercat DACH, i faltava contingut que respongués a les sub-consultes (query fan-out) que genera aquest tipus de prompt.

Acció: es van crear tres peces de contingut específiques per al perfil familiar DACH, es van optimitzar fitxes en plataformes de ressenyes amb presència al mercat alemany, i es va ajustar el schema per reflectir l'oferta familiar. A les 8 setmanes, la freqüència d'aparició en prompts en alemany amb context familiar havia pujat del 5% al 35%. No és un èxit absolut, però confirma que el problema era de segmentació de contingut, no d'autoritat general de la marca.

La meva opinió: L'error més comú que veig és assumir que «si apareixo a ChatGPT, ja estic cobert». No. Apareixes per a un tipus d'usuari, amb un tipus de prompt, des d'una localització. Per al teu client ideal real — el que paga i repeteix — pot ser que siguis completament invisible. I no ho sabràs fins que mesuris segmentat.

Aquest patró connecta directament amb el que a Elevam treballem a través de la Matriu Prompts x Models (Elevam Labs): una eina que encreua els prompts reals del teu ICP amb les respostes dels principals LLMs, segmentats per perfil, idioma i plataforma. No mesura «visibilitat mitjana». Mesura visibilitat per a qui importa.

El patró de «visibilitat asimètrica per perfil» apareix de forma recurrent en marques amb mercats internacionals o segments diversos: presència raonable per a prompts genèrics, invisibilitat per als perfils que realment generen negoci. El cas anonimitzat de turisme a Canàries ho il·lustra: del 65% al 5% d'aparició en canviar d'anglès genèric a alemany amb context familiar.

Quina és l'escala d'aquesta oportunitat (i d'aquest risc)?

Els números de context ajuden a dimensionar el que està en joc. ChatGPT va superar els 800 milions d'usuaris actius setmanals el febrer de 2026. Google AI Overviews apareix ja en un percentatge significatiu de les cerques (al voltant del 50% segons estimacions d'anàlisi de tendències), amb projecció de superar el 75% el 2028. McKinsey estima que fins a 750.000 milions de dòlars en despesa de consum podrien canalitzar-se a través de cerca IA el 2028.

I tanmateix, segons el mateix informe de McKinsey, només el 16% de les marques fa seguiment sistemàtic del seu rendiment en cerca IA. El 84% restant no sap si apareix, per a qui apareix ni què diu la IA sobre elles.

Ara afegeix la capa de personalització: d'aquest 16% que sí mesura, quants segmenten per perfil d'usuari? La resposta honesta és: gairebé cap. La majoria mesura visibilitat mitjana, que és com mesurar la temperatura mitjana d'un hospital i concloure que tots els pacients estan bé.

Investigació de McKinsey sobre personalització amb IA assenyala que més del 75% dels consumidors rebutgen contingut que no senten rellevant per a ells. Si la IA recomana la teva marca a un perfil equivocat o no et recomana al perfil correcte, no ets al joc.

McKinsey projecta 750.000M$ en despesa a través de cerca IA el 2028, però només el 16% de les marques mesura la seva visibilitat en IA i pràcticament cap segmenta per perfil d'usuari. El gap entre l'escala de l'oportunitat i la sofisticació del mesurament és enorme.

Com començar a segmentar la teva visibilitat GEO per perfils?

No cal una eina enterprise per fer el primer pas. Però sí que cal un canvi de mentalitat: deixar de pensar en «la meva visibilitat en IA» com una mètrica única i començar a tractar-la com una matriu.

Un enfocament operatiu que apliquem a Elevam:

1. 01

   Defineix 2-3 persones reals del teu ICP

   No arquetips genèrics. Persones amb idioma, localització, nivell de sofisticació i tipus de pregunta específics. El CEO d'una empresa de 5M€ a Barcelona que busca créixer digitalment no escriu igual que el Head of Digital d'una multinacional a Frankfurt.

2. 02

   Genera 5-8 prompts realistes per a cada persona

   No keywords SEO disfressades de prompts. Preguntes reals, formulades com les escriuria cada perfil. En el seu idioma. Amb el seu context. Si el teu mercat inclou turistes alemanys, aquests prompts han d'estar en alemany.

3. 03

   Executa cada prompt en almenys 3 plataformes i 10+ vegades

   ChatGPT, Gemini, Perplexity. Registra: apareix la teva marca? Amb quina freqüència? En quin context? Quins competidors apareixen? Quines fonts es citen?

4. 04

   Encreua els resultats en una matriu Persona × Plataforma × Visibilitat

   Allà veuràs on tens cobertura i on tens punts cecs. Aquests punts cecs són oportunitats de contingut molt concretes.

Aquest procés és, en essència, la versió simplificada del que executem a través del Protocol HSA d'Elevam quan diagnostiquem la presència en IA d'un client. La diferència és que el HSA ho sistematitza, ho encreua amb dades de negoci i genera un pla d'acció prioritzat. Però el principi és el mateix: no mesuris visibilitat mitjana; mesura visibilitat segmentada.

Per segmentar visibilitat GEO, defineix 2-3 persones reals del teu ICP, genera prompts realistes per a cadascuna, executa'ls 10+ vegades en 3+ plataformes i encreua els resultats en una matriu Persona x Plataforma x Visibilitat. Els punts cecs que emergeixin són oportunitats de contingut concretes.

Conclusió: el GEO genèric ja no és suficient

Durant els primers anys de GEO, la pregunta era binària: apareixes o no apareixes en respostes d'IA? Aquesta pregunta ja no és útil. La pregunta rellevant ara és: per a qui apareixes?

La personalització de les respostes d'IA no és una hipòtesi: és un fet documentat per SparkToro, Ahrefs, McKinsey i per la mateixa arquitectura dels models. La teva marca no té «una visibilitat en IA»: té múltiples visibilitats condicionades per perfil, idioma, localització i plataforma.

Opinió de l'Asier: Crec que estem en un punt d'inflexió. Les marques que entenguin que el GEO és inherentment segmentat — i actuïn en conseqüència — guanyaran un avantatge desproporcionat. No perquè la tècnica sigui difícil, sinó perquè gairebé ningú l'està executant. És l'equivalent als primers anys del SEO: qui es mogui abans, guanya més.

Si vols entendre on és la teva marca en aquest nou mapa, el punt de partida és un diagnòstic que segmenti per perfils reals. És el que fem a través de l'enfocament CREF© d'Elevam: un sistema que connecta visibilitat, contingut, conversió i negoci. No com a peces soltes, sinó com a arquitectura.

La pregunta GEO rellevant ja no és «si apareixes en IA», sinó «per a qui apareixes». Les marques que segmentin la seva visibilitat per perfil d'usuari, idioma i plataforma capturaran un avantatge competitiu desproporcionat en un mercat on el 84% encara no mesura la seva presència en cerca IA.

Lectura següent:

Si la teva empresa depèn de la visibilitat digital per captar clients, necessites saber com et veu la IA. Explora com funciona el nostre servei de GEO i IA aplicada o consulta el Glossari GEO per familiaritzar-te amb els conceptes clau.

Lectures relacionades

• Com exposar dades a la IA amb schema, feeds i entitat
• Per què la IA no recomana el mateix a tothom
• Baselines GEO públics d'Elevam Labs

Treballem junts?

Si vols aplicar això a la teva empresa amb un equip que combina SEO tècnic, GEO i captació de pagament mesurats en compte de resultats, demana'ns una auditoria sense compromís. També pots veure casos reals o llegir els baselines GEO públics que publica Elevam Labs cada trimestre.