Sobre AIVIS
AIVIS mide cómo ven un sitio web los buscadores de IA y te dice exactamente qué corregir para que lo encuentren, lo lean y lo citen.
Qué hace AIVIS
Cada análisis lee tu página de inicio y las páginas internas clave como lo hacen los crawlers de IA (sin JavaScript), ejecuta 15 comprobaciones de acceso, estructura, schema.org, actualidad, citabilidad, confianza y velocidad, y pregunta a 7 motores de IA (ChatGPT, Claude, Gemini, Perplexity, Grok, Le Chat y otros) qué saben realmente de tu marca.
Cómo puntuamos
Las comprobaciones deterministas se calculan en código a partir del HTML, robots.txt, sitemap y llms.txt: el mismo sitio obtiene la misma puntuación. Cuando un modelo de lenguaje juzga el contenido, elige entre categorías fijas y la puntuación la calcula el código, no el modelo. Cada resultado incluye la evidencia observada y una corrección concreta.
De dónde viene el método
Las comprobaciones siguen fuentes públicas: las reglas de robots.txt que cada proveedor de IA documenta para sus crawlers, schema.org, la propuesta llms.txt, las directrices E-E-A-T de Google y el estudio GEO de Aggarwal et al. (2023) sobre qué hace que los motores generativos citen un contenido. Nuestras páginas de estudios publican resultados agregados de más de mil dominios analizados.
Independientes
AIVIS es software independiente. No está afiliado a OpenAI, Anthropic, Google, Perplexity, xAI ni Mistral, y ningún motor paga por ser incluido o clasificado.
Escríbenos
Errores, resultados incorrectos, facturación, solicitudes de datos y colaboraciones: una sola dirección, atendida por quienes construyen el producto.
Estudios · Novedades · Contacto · deus+aivis@lumnika.com
Fuentes
En un benchmark de 10.000 consultas, añadir estadísticas, citas y fuentes elevó la visibilidad de una página en las respuestas de los motores generativos hasta un 40 %. Aggarwal et al., GEO: Generative Engine Optimization (KDD 2024)
Los buscadores de IA responden con generación aumentada por recuperación, presentada por Lewis et al. en 2020: primero leen páginas web en vivo, así que una página que no pueden leer no puede ser citada. Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS 2020)