Cómo construir un universo de prompts comerciales para un producto B2B SaaS

Las preguntas de compra que merece la pena medir en AI Search son las ligadas a una decisión de compra real — intención de categoría, caso de uso, comparativa, integración, seguridad y pricing — redactadas como un comprador las teclea en un asistente. Constrúyelas en un universo de prompts: un panel de discovery abierto que exploras libremente, más un panel de medición congelado pequeño (unas 15–40 preguntas) que observas repetidamente para que los resultados sigan siendo comparables. Etiqueta por separado los prompts branded, non-branded y de competidores, y nunca trates el número de prompts como volumen de búsqueda.

Para quién es

Esta guía es para SEO leads y product marketers que ya han decidido medir la visibilidad en AI Search y ahora necesitan definir qué medir — antes de observar una sola superficie.

Úsala cuando montas la medición por primera vez, o cuando tu lista actual es en realidad un export de keywords con un signo de interrogación.

Definiciones que conviene fijar

• Universo de prompts — el conjunto curado de preguntas de compra que mides, organizado por intención.
• Panel de discovery — una lista abierta y en evolución para descubrir qué preguntas importan. Puede cambiar.
• Panel de medición — un subconjunto congelado que observas repetidamente. Congelarlo es lo que hace comparable el antes/después.
• Branded vs non-branded — los prompts branded te nombran a ti o a tu producto; los non-branded describen la categoría o el trabajo. Responden preguntas distintas y se leen por separado.
• Controles y prompts tratados — los controles son preguntas que no esperas que un cambio afecte; los prompts tratados son los que un arreglo concreto debería influir. Tener ambos permite distinguir un efecto real de un cambio general.

El método: construye por intención, luego congela

1. Enumera las seis intenciones comerciales

Para cada intención, escribe las preguntas que un comprador hace a un asistente durante su investigación:

Intención	Forma de la pregunta
Categoría	“mejor [categoría] para [segmento]”
Caso de uso	“cómo hacen los equipos [trabajo a resolver] con software”
Comparativa	“[tú] vs [competidor]”, “alternativas a [competidor]”
Integración	“¿[herramienta de categoría] se integra con [sistema]?”
Seguridad	“¿[herramienta de categoría] cumple SOC 2 / RGPD?”
Pricing	“¿cuánto cuesta el software de [categoría] para [segmento]?”

Punto de decisión: si una intención no corresponde a un momento del recorrido de tu comprador, quítala — no rellenes el conjunto por simetría.

2. Redacta como un comprador, no como una herramienta de keywords

Escribe “¿Cuál es la mejor herramienta de análisis de contratos para un equipo legal de 20 personas?” — no “herramienta análisis contratos”. Los asistentes responden a preguntas naturales, y el lenguaje de comprador es lo que hace aflorar las respuestas que de verdad necesitas medir.

3. Separa discovery de medición

Mantén un panel de discovery amplio al que puedas añadir en cualquier momento. Luego elige un panel de medición congelado — el subconjunto que te comprometes a observar de forma programada. Cambia el conjunto congelado de forma deliberada y poco frecuente, y anota cuándo lo haces, porque cada cambio rompe la comparabilidad con observaciones previas.

4. Etiqueta cada prompt

Etiqueta cada pregunta por intención, por branded/non-branded, por mercado e idioma, y marca controles vs prompts tratados. Las etiquetas son lo que te permite leer “mejoramos en prompts de comparativa pero no en los de categoría” en vez de una media borrosa.

5. Dimensiona según lo que puedas observar

Un panel de medición que puedas ejecutar repetidamente en varias superficies gana a una lista gigante que observas una vez. El tamaño depende de cuántas superficies y repeticiones puedas sostener — no de la ambición.

Un ejemplo honesto

Un panel inicial compacto para un producto de análisis de contratos podría congelar algo así, etiquetado por intención:

• Categoría: “mejor software de análisis de contratos para equipos legales de mid-market” · non-branded
• Caso de uso: “cómo revisan los equipos legales contratos más rápido con IA” · non-branded
• Comparativa: “[Producto] vs [Competidor A]” · branded
• Integración: “¿el software de análisis de contratos se integra con Salesforce?” · non-branded
• Seguridad: “¿[Producto] cumple SOC 2 Type II?” · branded
• Pricing: “¿cuánto cuesta el software de análisis de contratos por asiento?” · non-branded

Es un conjunto inicial ilustrativo, no un panel final recomendado. Tus intenciones, segmentos y competidores sustituyen estos.

Fallos comunes

• Vertidos de keywords disfrazados. Una lista de sustantivos con “mejor” delante no es una pregunta de comprador.
• Todo categoría, nada de comparativa. Los prompts de comparativa e integración son donde ocurre el shortlisting; saltárselos oculta tus brechas más difíciles.
• No congelar nunca. Si el conjunto cambia cada semana, nunca podrás atribuir un cambio a nada.
• Prompts sin etiquetar. Sin etiquetas de intención y branded, los resultados colapsan en un número ininterpretable.
• Tratar el número como demanda. Un universo de prompts más grande no es más volumen de búsqueda.

Limitaciones de un universo de prompts

Un universo de prompts describe qué merece la pena medir, no cuánta gente lo pregunta. No estima demanda y no garantiza que un asistente reciba nunca tu pregunta exacta. Es un instrumento para observación comparable — nada más y nada menos.

Checklist

• Consideradas las seis intenciones comerciales; las irrelevantes descartadas a propósito.
• Preguntas redactadas como las teclearía un comprador.
• Panel de discovery y panel de medición congelado mantenidos por separado.
• Cada prompt etiquetado por intención, branded/non-branded, mercado e idioma.
• Controles y prompts tratados marcados.
• Panel dimensionado a lo que puedes observar repetidamente en varias superficies.
• Número de prompts nunca presentado como volumen de búsqueda.

Dónde encaja CitePatch

Tu universo de prompts es el input, no el output. El AI Search Radar toma el panel congelado y lo ejecuta de forma programada en las superficies, manteniendo las preguntas estables para que un cambio en la respuesta sea señal y no ruido.

Si quieres ver la forma del output antes de construir tu propio conjunto, abre el informe de muestra.