Cómo Softonic resolvió en 4 meses un problema de reputación en la IA que arrastraba desde hacía una década

Para quién es esto: equipos de marca, SEO y comunicación de empresas con una larga historia en internet, donde las respuestas de IA todavía se apoyan en cosas que dejaron de ser ciertas hace años.

En resumen

Los modelos de IA señalaban a Softonic como una fuente de descargas de riesgo, aunque la empresa llevaba años depurando su catálogo y sus señales de confianza. En los cuatro meses siguientes a la adopción de LLM Pulse, identificaron los prompts concretos que generaban esa percepción, construyeron un plan de contenidos y relaciones públicas centrado en ellos y elevaron el sentimiento positivo en 7 puntos porcentuales en los prompts sin marca monitorizados.

Sobre Softonic

Softonic es una de las mayores plataformas de descubrimiento de software del mundo, con más de 100 millones de usuarios al año en más de 20 idiomas. Su catálogo abarca desde utilidades de código abierto hasta aplicaciones comerciales de productividad, con reseñas editoriales y análisis de seguridad detrás de cada ficha.

El problema: una brecha de sentimiento en la IA que no podían ver

Las herramientas tradicionales de SEO y de monitorización de marca le decían a Softonic que todo iba bien. El tráfico orgánico era saludable, las búsquedas de marca se mantenían estables y los sitios de reseñas mostraban buenas puntuaciones.

Entonces el equipo empezó a hacer comprobaciones puntuales en ChatGPT, Perplexity y Gemini, y el panorama era muy distinto:

• "Is Softonic safe?" devolvía respuestas cautelosas y con reservas en 3 de 5 modelos.
• Los prompts largos sobre recomendaciones de software incluían con frecuencia advertencias sobre problemas históricos de hace una década.
• Los competidores con catálogos más pequeños se recomendaban por delante de Softonic en el 47% de los prompts de comparación directa.

Necesitaban una forma de cuantificar esa brecha, decidir qué corregir primero y medir si las correcciones funcionaban.

Qué hicieron con LLM Pulse

Paso 1: mapear los prompts que de verdad importan

Con Seguimiento de prompts, el equipo configuró 450 prompts de alta intención en inglés y español, los dos idiomas que concentran la mayor parte de su riesgo en la búsqueda con IA. Cada prompt se ejecuta cada semana en ChatGPT, Perplexity, Gemini, Google AI Mode y Google AI Overviews.

Después del primer ciclo de ejecución tenían una lista ordenada de los prompts en los que Softonic tenía la visibilidad más baja, el sentimiento más negativo o ambas cosas.

Paso 2: usar el seguimiento del sentimiento para encontrar la narrativa

El Seguimiento del sentimiento desglosó cada mención de Softonic en tres elementos: la polaridad (positiva, neutral o negativa), los temas que había detrás (seguridad, anuncios, software agrupado, calidad de las apps) y las fuentes que el modelo citaba como evidencia.

Ahí estuvo la clave. El 78% del sentimiento negativo venía de hilos de foro antiguos y de un único informe de un incidente de 2014 que los modelos de IA seguían recuperando a través de citaciones obsoletas.

Paso 3: actuar sobre las citaciones y las recomendaciones de contenido

A partir de ahí, el método de trabajo se escribió solo:

• PR y outreach para actualizar las fuentes citadas cuando era posible. Más del 95% tenía más de 10 años.
• Reescritura del contenido de las 22 páginas de mayor impacto señaladas por Recomendaciones de contenido, centrada en la seguridad, la transparencia y las señales de confianza.
• Nuevas landing pages canónicas para las preguntas en las que los modelos de IA no tenían nada actual que citar.
• GEO Testing para hacer pruebas A/B del diseño y de la colocación de las señales de confianza.

Paso 4: medirlo cada semana

Cada lunes el equipo revisa la visibilidad por grupo de prompts (Tasa de mención y AI Visibility Score), la variación del sentimiento semana a semana, las nuevas citaciones que consiguen las páginas reescritas y el Share of Voice frente a sus cuatro principales competidores.

Los resultados a los cuatro meses

El sentimiento neto mejoró 7 puntos porcentuales en cuatro meses. Quien pregunta hoy a un modelo de IA por Softonic obtiene una imagen de la empresa tal como es hoy, y no una moldeada por el informe de un incidente de hace una década. El equipo repite el mismo ciclo cada semana y sigue trabajando en ello.

«Entender cómo perciben los LLM nuestra marca ya no es opcional. Es la siguiente frontera de una estrategia de SEO moderna. LLM Pulse nos aporta el conocimiento profundo que necesitamos para ver exactamente qué influye en nuestra visibilidad en IA. Ha convertido nuestras intuiciones en una hoja de ruta con pasos concretos, y asegura que nuestro contenido se perciba con precisión en todos los modelos principales.»

Ferran Gavin, Director de Catálogo y Tráfico, Softonic

Por qué funcionó

• Cobertura multimodelo. Softonic dejó de optimizar para un solo modelo y empezó a optimizar para la respuesta que quiere que reciban los usuarios, sea cual sea la IA a la que se pregunte.
• Los prompts como unidad de trabajo. En lugar de un objetivo difuso de «mejorar la percepción de marca», tenían una lista cerrada de prompts y un criterio claro de cuándo cada uno estaba terminado.
• Sentimiento y citaciones, juntos. La polaridad por sí sola solo habría confirmado que había un problema. Las citaciones les dijeron qué fuentes tenían que corregir.

Aplica el mismo método

Si tu marca lleva una década en internet, puede que los modelos de IA sigan respondiendo con fuentes que dejaste de reconocer hace años. Empieza una prueba gratuita para ver qué prompts y qué fuentes moldean hoy tus respuestas, o habla con nosotros si prefieres revisarlo antes con alguien.