Metodología y límites

El set de consultas

Son 19,950 consultas sin marcas, en español de México, para trece categorías de eCommerce. Salen de búsquedas reales en Google México, consolidadas, deduplicadas y agrupadas en 21,503 grupos de demanda, cada uno con un peso (volumen de búsqueda), una categoría, una intención y un representante.

El núcleo son 10,000 consultas: un grupo de demanda, una pregunta neutra, escrita con plantilla según la intención. La expansión son otras 10,000: por cada grupo, una segunda pregunta. Para 9,308 grupos, la misma demanda en tono coloquial mexicano; para 692, una derivada neutra con otro ángulo (mejor opción, dónde comprar, comparación, si conviene).

Las marcas se excluyeron por diccionario. El ranking de marcas sale de las respuestas, nunca de las preguntas.

El control de calidad se hizo con dos revisores automáticos auditados a mano: una prerrevisión sobre 300 consultas estratificadas y un barrido de todos los representantes del set, con 120 de 120 aciertos en la verificación humana. Las correcciones se aplicaron por plantilla o por regla, nunca consulta por consulta. Los grupos que no pasaron se sacaron y se repusieron.

Categorías, en consultas: indumentaria 4,030, supermercado 2,180, hogar 2,038, belleza 1,978, electro 1,772, informática 1,424, salud y farmacia 1,372, construcción 1,282, deportes 990, TV, audio y consolas 948, juguetes 798, celulares 754, mascotas 384. Intenciones: producto específico 17,858; dónde comprar 1,340; recomendación abierta 494; confianza 96; comparación de canales 84; posventa 78.

Los bordes entre hogar y construcción, salud y belleza, supermercado y mascotas son porosos. Las consultas con personajes o franquicias con licencia se excluyeron. El set no cubre instrumentos musicales, material de laboratorio ni ganadería: 25 grupos y 50 consultas quedaron fuera de alcance antes del análisis.

Cómo se ejecutaron las consultas

Los tres asistentes se consultaron el 14 de septiembre de 2026, con LLM Pulse: una ejecución por consulta y asistente, sin repeticiones.

Universo en alcance: 19,950 consultas por asistente, 59,850 ejecuciones y 59,675 respuestas, 335,191 citas (97,827 de ChatGPT, 190,623 de AI Overviews, 46,741 de Gemini). AI Overviews no respondió 175 consultas; se cuentan aparte. Diecisiete respuestas evasivas de Gemini se cuentan como respuestas sin fuentes.

Qué es cada asistente y qué se cuenta como cita y mención está en el capítulo Cómo leer los datos del Radar.

Citas y sitios

Cada fuente se lleva a su dominio (eTLD+1). Las fichas del carrusel de compras de Google se marcan aparte: son el 91.8% de las citas de AI Overviews a google.com y el 92.7% de las de Gemini. Sin esa marca, el ranking tomaría al carrusel por una fuente de contenido.

gob.mx agrupa decenas de organismos en un solo dominio, porque es portal único. La posición de una cita no se usa en el informe: los tres asistentes la numeran distinto.

El tipo de fuente (retailer, marketplace, sitio de marca, redes sociales, institucional, medio, comparador, foro) se asignó a los 1,422 dominios con veinte citas o más. Lo hizo un revisor automático con el nombre, tres URL de ejemplo y su conocimiento del mercado, y se verificó a ciegas por tramos de confianza, con una tasa de éxito del 98%.

Alcance de cita: porcentaje de respuestas del asistente (en la categoría o en el total) con al menos un link al dominio, sin importar posición ni cantidad. Es la unidad de los rankings de sitios. La participación en citas (qué parte de todas las citas del asistente va a cada tipo) se usa solo para el tipo de fuente, porque depende de cuántas fuentes pone cada asistente por respuesta.

Menciones

Las menciones se buscan sobre el texto de la respuesta sin las URL, con un vocabulario de 10,096 entidades en 3,292 grupos: marcas de producto, retailers, marketplaces, referencias (como Profeco). Tres apariciones de la misma entidad en una respuesta cuentan como una.

Alcance de mención: porcentaje de respuestas del asistente (en la categoría o en el total) que nombran a la entidad. Es la unidad de los rankings de marcas y retailers.

Las marcas ambiguas con una palabra común se resolvieron con reglas de contexto; las que no se pudieron resolver quedaron fuera. Hay formas de nombre que el extractor no ve: abreviaturas, marcas dentro de nombres de modelo, grafías raras. Cinco marcas de consumo masivo con nombre ambiguo no se pueden medir como mención.

Las formas compuestas cuya marca madre no existe como entidad quedaron repartidas. HP como unidad de potencia y RCA como conector no cuentan como marca. Las plataformas de entrega (Rappi, Uber Eats, DiDi Food, Cornershop) se tipan como retailer, porque el usuario compra a través de ellas.

Tienda propia

Para afirmar que una marca vende directo, el estudio rastreó 1,858 dominios (los comercios del padrón de Hot Sale 2026 y Buen Fin 2025 más las marcas nombradas) buscando señal de carrito: 1,045 la tienen; 411 no venden online; 369 no respondieron; 18 prohíben el rastreo; 15 quedaron sin dato.

Cincuenta y siete marcas grandes (Samsung, Apple, Adidas, Lenovo y otras) bloquean el rastreador o arman el carrito con JavaScript. Para ellas la venta directa se afirma por conocimiento del equipo, sin verificación automática. Un botón de “comprar ahora” que lleva a otra tienda no cuenta como tienda propia.

Forma de la respuesta

Precios, tablas, opciones, encabezados, meses sin intereses y envío se cuentan con reglas sobre el texto sin URL. Error residual medido sobre la corrida completa: el 2.3% de los 97,775 importes en pesos son el extremo inferior de un rango; de los 4,050 importes en otras monedas, cinco son notación matemática; de las 692 respuestas con “MSI”, 116 nombran a la marca de hardware; el 43.9% de las viñetas contadas como opciones describen un atributo. Envío y encabezados numerados no tienen residual cuantificado. Las tablas se detectan con un error en 59,824 respuestas.

Estabilidad

Una ejecución por consulta y asistente, sin remuestra propia en esta edición.

De ahí salen las reglas de lectura: posición con número solo dentro del top 5 de cada asistente, empate por debajo del 5%, ninguna afirmación a nivel de una consulta.

Por qué no hay promedios

Para la misma consulta, dos asistentes comparten entre el 4% y el 7% de los sitios que citan. AI Overviews pone el 57% de las citas de la corrida. Un ranking por suma es el ranking de AI Overviews; un promedio esconde el desacuerdo: un 5% promedio puede ser 15, 0 y 0, o 5, 5 y 5. Por eso cada cifra se da por asistente, y el promedio solo ordena.

Las tres columnas no pesan lo mismo fuera del informe. El Radar mide qué responde cada sistema, no cuánta gente lo lee, y no pondera por audiencia.

Lo que este Radar no mide

No mide audiencia ni uso de cada asistente. No mide la posición de una cita dentro de la respuesta. No compara México con otros países: cambian el país, el registro y la fecha al mismo tiempo. No mide causas: dice qué citan y nombran los asistentes, no por qué. No mide estabilidad propia. No publica ausencias de empresas.

Reproducibilidad

El set está congelado con hash y once controles automáticos (cantidad de filas, cada grupo dos veces, textos únicos, cero marcas por diccionario, largo de 8 a 30 palabras). Cada etapa del análisis tiene un registro con los hashes de sus entradas y salidas, y las decisiones humanas están firmadas con fecha. Con el set y el export de la corrida se regenera cada cifra del informe.

Relación con las empresas nombradas

Eleven presta o ha prestado servicios a algunas de las empresas nombradas en este informe; ninguna participó en el diseño del set ni en el análisis. El Radar lo financiaron Eleven y LLM Pulse con recursos propios: ninguna de las empresas nombradas aportó dinero ni revisó el informe antes de su publicación.

El set no nombra marcas y quedó congelado con hash antes de que LLM Pulse corriera las consultas; los datos de cada figura se publican en CSV con licencia CC BY 4.0.

Correcciones

Versión 1.0, publicada el 21 de octubre de 2026. Sin correcciones a la fecha.

¿Tu marca o tu tienda aparece en las respuestas? Pide el reporte de tu marca.