La teva empresa apareix a ChatGPT? Com saber quina visibilitat tens realment en IA

Preguntar a ChatGPT pel nom de la teva empresa i obtenir una resposta correcta pot donar una falsa sensació de tranquil·litat.

Analitzar la visibilitat a ChatGPT exigeix anar més enllà d’aquesta consulta directa: cal observar què passa quan la marca no és escrita a la pregunta i el sistema ha de decidir si és rellevant.

La IA et coneix. D’acord. Però, si un potencial client utilitza aquests entorns per buscar i comparar proveïdors, la pregunta que importa és una altra: la teva empresa entra en consideració quan encara no saben que existeixes?

A Èmfasi ho hem provat amb la nostra pròpia marca. En una consulta directa, diversos entorns d’IA van saber identificar-nos. Però en 28 respostes de descoberta, necessitat, alternatives i control geogràfic, Èmfasi no va aparèixer cap vegada.

No és una sentència sobre la nostra visibilitat. És una línia base. Ens serveix per saber on som abans de decidir on té sentit invertir temps, contingut, SEO o autoritat. I sobretot mostra per què “surto a ChatGPT” i “tinc visibilitat real en IA” no són la mateixa afirmació.

En resum

Per saber si una empresa té visibilitat en IA no n’hi ha prou amb preguntar pel seu nom. Cal provar preguntes que representin moments comercials reals, registrar si la marca apareix, com és descrita, davant de quins competidors i amb quines fonts, i repetir el mateix conjunt de preguntes en diversos entorns.

El resultat no és una posició fixa. És una fotografia comparable que permet detectar absències, errors de representació i oportunitats, i decidir si realment hi ha un problema que mereix prioritat.

1. El problema no és si ChatGPT et coneix. És si et considera

Hi ha dues proves que sovint es confonen.

La primera és fàcil: escrius el nom de l’empresa i preguntes què en sap. Si la resposta és raonablement correcta, confirmes que aquell sistema té informació suficient per identificar la marca.

La segona és més exigent: no dius el nom de la teva empresa i preguntes com ho faria un comprador.

Per exemple:

“Quines empreses recomanaries per auditar la visibilitat d’una marca en ChatGPT, Gemini i Perplexity?”

“Quines agències ofereixen serveis GEO per a empreses B2B a Catalunya?”

En aquest article, GEO fa referència a Generative Engine Optimization: el treball orientat a entendre i millorar com una marca pot ser descoberta, interpretada, citada o considerada en entorns d’IA.

“Quines alternatives hi ha a [competidor]?”

Aquí la marca ja no té l’avantatge de sortir escrita a la pregunta. El sistema ha de recuperar-la, entendre que és rellevant per aquella necessitat i decidir si entra o no dins de la resposta.

Aquesta diferència és important perquè les dues consultes mesuren coses diferents.

Una pregunta de marca comprova sobretot coneixement i exactitud.

Una pregunta de descoberta o necessitat comprova si la marca entra espontàniament en el conjunt d’opcions que el sistema considera plausibles.

Des d’un punt de vista comercial, la segona s’acosta més al moment en què un potencial client està fent una primera selecció de proveïdors i encara no ha decidit amb qui parlar.

Per això, quan una empresa ens diu “hem preguntat a ChatGPT i sí que sortim”, la següent pregunta no hauria de ser “com hi sortim més?”, sinó “en quines preguntes apareixem i quines d’aquestes tenen valor comercial?”.

2. Què vol dir exactament “tenir visibilitat en IA”?

“Visibilitat en IA” és una expressió massa ampla si no la convertim en variables observables.

Per treballar-la, a Èmfasi ens és més útil separar tres capes.

La primera capa és presència. Respon a la pregunta més bàsica: apareixes o no apareixes?

La segona és representació. Aquí ja no n’hi ha prou amb sortir. Cal comprovar si la IA associa correctament la marca al servei, al sector, al mercat, al tipus de client i als atributs que realment la defineixen.

La tercera és evidència. Una resposta pot recuperar informació de la web, citar una pàgina pròpia o recolzar-se en fonts de tercers. Saber quines fonts intervenen ajuda a entendre el context digital que envolta la marca.

Aquesta distinció evita un error habitual: reduir la visibilitat a un percentatge d’aparicions.

Una empresa pot tenir moltes mencions però estar mal descrita. Pot ser citada com a font però no ser recomanada. Pot aparèixer només quan l’usuari escriu el seu nom, però desaparèixer quan pregunta per una necessitat.

Per això una auditoria útil no hauria de respondre només “surts / no surts”. Hauria de respondre “on surts, com surts, per quin tipus de pregunta i amb quina informació”, perquè cada resposta porta a una decisió diferent.

3. Les preguntes de marca són útils, però no són les que més s’assemblen a una decisió de compra

No totes les preguntes tenen el mateix valor diagnòstic.

Una consulta de marca és necessària per saber si el sistema identifica l’empresa i si la descriu correctament. Però si l’objectiu és entendre visibilitat comercial, cal incorporar altres intencions.

Nosaltres distingim, com a mínim, cinc famílies.

• La consulta de marca comprova coneixement.
• La consulta de categoria comprova descobribilitat.
• La consulta de necessitat comprova encaix entre problema i proveïdor.
• La consulta d’alternatives comprova si la marca entra en un espai competitiu.
• La consulta comparativa permet analitzar com és representada quan ja forma part explícita de l’avaluació.

Aquesta manera de treballar evita un biaix important. Si totes les preguntes contenen el teu nom, és molt fàcil concloure que “tens visibilitat” quan en realitat només has demostrat que el sistema pot respondre quan li dones la marca dins de la pregunta.

Aquesta distinció també connecta amb un canvi que ja hem analitzat a Èmfasi: els assistents poden intervenir abans del clic, quan l’usuari encara està explorant opcions i construint criteris de compra.

Per entendre el canvi de context, pots ampliar-ho a «De sortir a Google a aparèixer en les respostes de la IA: la nova visibilitat digital».

I, si vols aprofundir en la fase de descoberta i decisió, a «La IA està canviant com decidim què comprar? Què diuen realment les dades».

4. Una resposta d’IA no funciona com una pàgina de resultats fixa

No. Una resposta d’IA no es comporta com una llista fixa de resultats. En SEO estem acostumats a parlar de posicions dins d’una pàgina de resultats; en un entorn generatiu, aquesta metàfora té límits.

OpenAI documenta que ChatGPT pot cercar al web per respondre preguntes amb informació actualitzada i enllaços a fonts rellevants.

Perplexity explica que Pro Search fa múltiples cerques, sintetitza informació procedent de fonts diverses i enllaça les fonts originals.

Google explica que AI Overviews i AI Mode poden utilitzar tècniques i models diferents, i que el conjunt de respostes i enllaços pot variar. També descriu processos en què el sistema llança diverses cerques relacionades sobre subtemes i fonts de dades abans de construir una resposta.

Això implica que una resposta concreta depèn de diverses condicions: la formulació de la pregunta, l’entorn utilitzat, la data i la informació que el sistema recupera en aquell moment.

Tampoc té sentit interpretar una aparició puntual com si fos una “posició 3” estable.

La conseqüència pràctica és clara: si volem comparar, necessitem unes regles estables.

• Mateixes preguntes.
• Mateixos criteris.
• Mateix mercat.
• Idioma registrat.
• Data registrada.
• I, quan sigui possible, més d’un entorn d’IA.

No per eliminar la variabilitat, sinó per evitar comparar coses diferents i treure conclusions que les dades no sostenen.

5. Mesurar visibilitat no és el mateix que mesurar trànsit

No. Visibilitat i trànsit responen preguntes diferents i s’han de mesurar per separat.

Una empresa pot influir en una resposta d’IA sense rebre cap clic.

També pot rebre trànsit de referència d’un assistent sense saber en quina pregunta concreta va començar la descoberta.

I pot ser citada com a font sense ser recomanada com a proveïdor.

Per això una única font de dades no explica tota la visibilitat.

Una prova comparativa de preguntes executada amb GEO Metrics respon sobretot: “què passa quan executem aquestes preguntes sota aquestes condicions?”.

Bing Webmaster Tools, en canvi, ja ofereix un informe específic sobre rendiment en IA amb cites, pàgines citades, consultes utilitzades per recuperar contingut de suport i evolució temporal en experiències de Microsoft. Microsoft deixa clar que aquestes dades mostren activitat de citació i que no indiquen, per si soles, rànquing, autoritat, importància ni causalitat.

Google Search Console comptabilitza el rendiment d’AI Overviews i AI Mode dins dels seus informes de rendiment i continua ampliant la informació disponible sobre funcions generatives, però no ofereix una reproducció completa de cada pregunta i resposta generada.

L’analítica web pot identificar part del trànsit de referència des d’alguns assistents, però només veu les sessions que arriben al web.

Per tant, la visibilitat en IA s’ha d’interpretar combinant capes:

• respostes observades
• mencions i recomanacions
• citacions i fonts
• trànsit quan existeix
• exactitud de marca
• evolució temporal

Confondre aquestes capes porta a conclusions massa ràpides. Mesurar bé comença per saber què respon cada dada i què no pot demostrar.

6. Què s’ha de mesurar per analitzar la visibilitat a ChatGPT

Si vols mesurar la presència a ChatGPT, **una línia base no necessita un número únic. **D fet, convertir-ho tot en una única “puntuació GEO” pot amagar més del que explica. És més útil conservar variables que responguin preguntes concretes.

Aquestes variables es poden combinar després en indicadors agregats, però primer convé conservar la dada original.

Per exemple, saber que una marca apareix en 6 de 10 respostes és útil. Però ho és molt més si sabem que quatre d’aquestes aparicions són simples mencions, dues són recomanacions i una descriu incorrectament el servei.

El mateix passa amb les cites.

Que una web sigui citada no significa necessàriament que la marca sigui recomanada. Bing diferencia explícitament citació de rànquing o importància: una citació mostra que un contingut ha estat referenciat dins d’una resposta.

Mesurar bé és separar senyals que responen preguntes diferents. Per a qui ha de decidir pressupost i prioritats, és més útil saber quin problema hi ha que acumular més indicadors.

7. Si vols comparar, fixa les regles abans de veure el resultat

La qualitat d’una prova comparativa depèn tant de les preguntes com de les regles d’execució.

Si canviem la pregunta després de veure una resposta que no ens agrada, regenerem fins que la marca apareix o eliminem del recompte els resultats desfavorables, deixem de mesurar i comencem a seleccionar evidència.

Per evitar-ho, les regles de la prova han de quedar tancades abans d’executar.

Hi ha una regla especialment important: separar preguntes assistides i no assistides.

Si escrivim “Compara Èmfasi amb Citora”, Èmfasi apareixerà a la resposta perquè l’hem introduïda nosaltres. Aquesta consulta és útil per analitzar representació, però no per calcular aparició espontània.

En canvi, una consulta com “Quines agències recomanaries per auditar la visibilitat en IA d’una empresa B2B?” sí pot servir per observar si la marca entra per iniciativa del sistema.

Aquesta separació no és un detall tècnic. Canvia completament la interpretació del resultat i evita prendre decisions sobre una dada que sembla bona, però que en realitat hem provocat nosaltres mateixos.

8. Què vam fer amb Èmfasi: 6 preguntes, 7 entorns i 42 respostes

Per comprovar-ho sobre un cas real, vam utilitzar GEO Metrics amb la pròpia marca d’Èmfasi.

GEO Metrics és una plataforma especialitzada a mesurar com apareixen les marques en respostes generades per IA. Permet monitoritzar presència, exactitud, cites i comparació competitiva en entorns com ChatGPT, Gemini, Claude, Perplexity, Grok, Copilot i Google AI Mode.

A Èmfasi som Partner Oficial certificat de GEO Metrics i utilitzem la plataforma com una de les eines de mesura dels projectes GEO. La tecnologia ens ajuda a recollir i ordenar moltes més respostes; el valor continua estant en interpretar què significa cada resultat, què podem afirmar i quina decisió té sentit prendre després.

La prova es va executar l’1 d’octubre de 2026.

Vam treballar amb sis preguntes i set entorns disponibles a GEO Metrics: AI Mode, AI Overviews, ChatGPT, Claude, Gemini, Grok i Perplexity.

En total, 42 respostes.

Catalunya és el mercat principal d’Èmfasi i, per això, concentra les consultes de categoria i necessitat. Espanya s’utilitza com a control geogràfic perquè l’agència també treballa puntualment amb empreses de la resta de l’Estat i en projectes internacionals.

Les dades que segueixen provenen d’una prova pròpia d’Èmfasi executada amb GEO Metrics l’1 d’octubre de 2026.

La prova no pretén ser una mostra estadística del mercat, ni un rànquing d’agències, ni una demostració de com “funcionen” universalment els models.

És una fotografia controlada per veure què passa quan canviem la intenció de la consulta mantenint un mateix objecte d’anàlisi.

També hi ha una limitació metodològica que hem volgut conservar, no amagar.

La consulta de categoria de Catalunya es va executar amb la formulació “quines agències o consultores a Catalunya…”. Aquesta redacció pot afavorir proveïdors percebuts com a ubicats o presents al territori.

Per això no utilitzem aquesta consulta per estimar una quota de mercat ni per afirmar que Èmfasi té o no té “visibilitat general a Catalunya”.

La tractem com una observació dins d’un conjunt més ampli.

Aquesta transparència també forma part de la prova: documentar els límits és més útil que ajustar-los a posteriori per obtenir una conclusió més còmoda.

9. Primer resultat: la IA ens coneix, però no sempre ens descriu bé

La consulta directa de marca preguntava què sabia cada entorn d’Èmfasi, en què estava especialitzada, quins serveis oferia i amb quin tipus d’empreses treballava.

Segons la mesura d’exactitud de GEO Metrics, quatre de les set respostes van coincidir completament amb la descripció esperada, dues ho van fer parcialment i una va ser incorrecta.

Això dona un 57,1% d’exactitud estricta si només comptem les coincidències completes. Però la dada més útil no és el percentatge. És veure què falla.

Claude, per exemple, va confondre Èmfasi amb una consultora de comunicació estratègica i relacions públiques, amb serveis com gabinet de premsa, comunicació de crisi i relacions institucionals.

No és una omissió menor. És una altra identitat empresarial.

Això ens recorda que la visibilitat no és només aparèixer. També és ser representat correctament.

En altres entorns, en canvi, la marca es descrivia de manera coherent amb la realitat: agència de màrqueting digital i web, seu a Sabadell, experiència B2B industrial i serveis de SEO, GEO, captació, analítica i desenvolupament.

Per tant, la consulta de marca ens dona dues lectures alhora:

1. la identitat d’Èmfasi és recognoscible en diversos sistemes;
2. però encara existeixen errors importants de representació en alguns entorns.

Aquest és un problema diferent de no aparèixer. I requereix una resposta diferent.

10. Segon resultat: 0 aparicions en 28 respostes de descoberta

Després de la consulta assistida de marca, vam mirar què passava quan Èmfasi ja no estava escrita a la pregunta.

Vam agrupar quatre tipus de consulta que sí compten com a visibilitat espontània:

1. categoria a Catalunya
2. necessitat d’una empresa B2B que vol auditar i millorar la seva visibilitat en IA
3. alternatives a Citora (competidor especialitzat)
4. control de categoria a Espanya

El resultat va ser 0 aparicions d’Èmfasi en 28 respostes.

És la dada més cridanera de la prova i, precisament per això, és la que més fàcilment es podria interpretar malament.

• No significa que Èmfasi “no tingui visibilitat en IA”.
• No significa que cap assistent ens recomani mai.
• No significa que els competidors siguin millors proveïdors.
• I tampoc significa que el 0/28 sigui una quota de mercat.

El que sí podem afirmar és molt més concret:

en aquesta mostra, amb aquestes preguntes, aquests entorns i aquesta data, Èmfasi no va entrar espontàniament en les respostes de descoberta que vam executar.

Això és una línia base. I una línia base és útil perquè permet fer-se una pregunta millor: què diferencia els casos en què una marca és coneguda dels casos en què és considerada?

Aquesta pregunta és molt més accionable que “com faig per sortir a ChatGPT?”.

11. La comparació assistida confirma una altra cosa: quan obliguem a mirar-nos, hi ha informació

També vam executar una comparació explícita entre Èmfasi, Citora, Prompteo i DailyMedia (tots ells competidors especialitzats).

Aquesta consulta no compta per visibilitat espontània perquè Èmfasi ja apareix escrita a la pregunta, però serveix per analitzar representació.

Sis dels set entorns van identificar Èmfasi dins de la comparació. GEO Metrics va registrar una posició mitjana d’entitat de 2,0, una quota de presència (Share of Voice) del 16,2% i vuit citacions del domini emfasi.com.

La temptació seria convertir això en un titular del tipus “Èmfasi és la segona agència més visible”… Seria incorrecte.

La posició només existeix dins d’aquella comparació assistida i sota els criteris d’aquella execució.

La lectura útil és una altra: quan els sistemes reben el nom d’Èmfasi i se’ls demana que la comparin, hi ha prou informació disponible perquè la majoria puguin construir una descripció de l’empresa i recuperar fonts pròpies.

El problema que revela el 0/28 no és exactament “la IA no sap qui som”. És que aquest coneixement no es tradueix, en aquesta mostra, en consideració espontània.

Aquesta diferència és precisament la que volem poder mesurar al llarg del temps.

12. Les fonts també formen part del diagnòstic

La prova comparativa va mostrar una altra cosa útil: les respostes no es construeixen només a partir de les webs corporatives dels proveïdors.

En les consultes apareixen fonts de tercers com LinkedIn, rànquings sectorials, mitjans i webs especialitzades.

Per exemple, en la consulta de necessitat vam registrar 17 citacions a linkedin.com entre les fonts utilitzades pels entorns analitzats. En la consulta d’alternatives, citora acumulava 14 citacions. I en la comparació assistida, emfasi.com va ser citat vuit vegades.

Aquestes xifres no demostren causalitat. No podem afirmar que “tenir més LinkedIn” o “aconseguir més backlinks” faci que una marca sigui recomanada.

Sí que mostren una realitat útil per al diagnòstic: l’ecosistema informatiu és més ampli que la web pròpia.

OpenAI explica que ChatGPT Search pot incorporar informació del web i mostrar fonts. Perplexity descriu un procés de síntesi a partir de múltiples fonts. Bing permet observar quines pàgines d’un domini són citades en experiències d’IA.

Per tant, quan analitzem una absència o una mala representació, no hauríem de mirar només “què diu la nostra web”.

També convé preguntar:

• quines fonts estan entrant a les respostes?
• quines marques apareixen de manera recurrent?
• com són descrites?
• què hi ha fora de la web pròpia que reforça o contradiu aquesta descripció?

Això ja ens acosta a un diagnòstic.

Encara no a una causa.

13. Com convertir els resultats en decisions

Per això no interpretem totes les absències de la mateixa manera.

Si la marca no apareix

El primer problema és de presència. Cal revisar en quins tipus de pregunta desapareix, quins competidors ocupen aquell espai i quines fonts alimenten les respostes abans de decidir si el problema és de contingut, SEO, autoritat o cobertura temàtica.

Si la marca apareix però està mal descrita

El problema és de representació. Aquí la prioritat no és necessàriament “aconseguir més mencions”, sinó corregir inconsistències sobre serveis, sectors, mercats, especialització o informació corporativa.

Si la marca apareix i està ben descrita, però les fonts són febles o poc diverses

El problema és d’evidència. Pot tenir sentit reforçar fonts pròpies, dades verificables, continguts específics o presència en fonts externes rellevants.

Aquesta distinció evita una mala pràctica molt habitual: aplicar la mateixa recepta GEO a qualsevol resultat.

• No tota absència es resol publicant més.
• No tota descripció incorrecta es resol amb més autoritat.
• I no tota citació és una recomanació.

La utilitat d’una línia base és precisament separar aquests problemes abans de començar a executar.

14. Com fer una primera prova sense eines especialitzades

No cal començar amb una plataforma de monitorització ni convertir el responsable de màrqueting en especialista GEO.

Una empresa pot fer una primera comprovació manual amb cinc preguntes ben triades.

1. Marca

Pregunta què sap l’assistent de la teva empresa, què ofereix i per a qui treballa.

2. Categoria

Pregunta quins proveïdors ofereixen el teu servei al mercat on realment competeixes.

3. Necessitat

Formula el problema com ho faria un client potencial, sense mencionar la teva marca.

4. Alternatives

Pregunta per alternatives a un competidor real.

5. Comparació

Compara explícitament la teva empresa amb una o dues alternatives segons criteris que el comprador faria servir.

Després registra cada resposta amb la mateixa plantilla:

• data
• entorn utilitzat
• pregunta exacta
• si la marca apareix
• tipus de presència
• competidors
• descripció de la marca
• errors o omissions
• fonts citades

El valor d’aquest exercici no és el resultat d’un únic dia.

És disposar d’una primera fotografia que es pugui repetir amb les mateixes condicions.

Si cada mes canvies les preguntes perquè s’adaptin al resultat que vols veure, ja no estàs monitoritzant. Estàs buscant confirmació.

15. Quan una prova manual deixa de ser suficient

Una prova ràpida és útil per detectar senyals.

Una auditoria té sentit quan necessitem prendre decisions sense traslladar tota aquesta complexitat al client.

Per exemple, quan volem saber si el problema es concentra en unes intencions concretes, si hi ha diferències per mercat o idioma, si determinats competidors són recurrents, si existeixen errors de marca repetits o si unes fonts apareixen molt més que altres.

En aquest punt cal ampliar el sistema.

• No només més preguntes.
• Millor cobertura del procés de compra.
• Separació per intencions.
• Competidors definits abans d’executar.
• Mercats i idiomes.
• Mètriques consistents.
• Revisió de fonts.
• Repetició temporal.
• I, sobretot, una sortida accionable.

Una auditoria que acaba amb un quadre de comandament però no ajuda a decidir què corregim, què reforcem i què encara no és prioritari és només un altre informe.

I aquí GEO no viu separat del SEO. Google Search Central indica que les bones pràctiques SEO continuen sent rellevants per a AI Overviews i AI Mode i que no cal una optimització tècnica especial només per aparèixer en aquestes experiències. Si el diagnòstic detecta problemes de rastreig, arquitectura, contingut o indexació, la resposta continuarà sent també SEO.

A Èmfasi plantegem l’auditoria GEO com una línia base que ha de desembocar en prioritats. El client no hauria d’haver d’arribar sabent si necessita contingut, SEO, arquitectura, informació de marca, autoritat externa o monitorització. La feina és entendre quin problema hi ha, ordenar les opcions i explicar què convé fer primer —i què encara no toca fer.

Quan aquesta primera lectura mostra absències, errors de representació o diferències recurrents entre competidors, a Èmfasi ho treballem dins del nostre servei de posicionament GEO i visibilitat en IA, connectant el diagnòstic amb contingut, SEO, arquitectura, autoritat i seguiment.

16. La pregunta correcta ja no és “surto a ChatGPT?”

La pregunta útil és:

“Quan un client potencial formula preguntes relacionades amb el meu mercat, en quines aparec, com em descriuen, davant de quins competidors i amb quines fonts?”

Aquesta pregunta és menys còmoda perquè no es respon amb una captura.

Però és molt més útil. La nostra pròpia prova ho mostra bé. Èmfasi és recognoscible en una consulta directa de marca. La majoria d’entorns poden explicar què fem. Alguns recuperen i citen el nostre domini quan els obliguem a comparar-nos.

I, al mateix temps, en les 28 respostes no assistides de la prova no vam aparèixer cap vegada. Això no és un resultat que calgui maquillar. És exactament el tipus de dada que necessitem abans de decidir què treballar.

Mesurar bé no consisteix a buscar el resultat que ens deixa millor. Consisteix a construir una línia base que ens permeti entendre què passa ara i comprovar, més endavant, si les accions que fem canvien realment alguna cosa.

Fonts i referències

Dades pròpies Èmfasi · Prova de visibilitat en IA executada amb GEO Metrics l’01/10/2026. Les 42 respostes, els resultats d’exactitud i les aparicions espontànies citades a l’article provenen d’aquesta prova; les condicions i limitacions s’expliquen al cos del contingut.