La estructura de dos capas de la visibilidad en IA

Seis estudios independientes, publicados entre febrero y octubre de 2026, midieron cuán estables son realmente las citas en IA. Sus cifras principales parecen irreconciliables. El 96,8 % de los dominios citados no muestra cambio alguno de una semana a otra (BrightEdge, semana del 1 de febrero de 2026) [3]. Y sin embargo, el 69 % de los dominios citados cambia de un día para otro, medido sobre 530.875 citas (GetMentions AI, junio de 2026) [6]. Además, el 73,5 % de las URL citadas individualmente aparece exactamente una vez y nunca vuelve, con una vida mediana de cero días (Trakkr, 108.650 URL en 177 días) [4].

Las tres cifras son correctas. Describen capas distintas del mismo sistema, en unidades distintas — y en el caso de [3] y [6], la misma capa leída en ventanas distintas. Una vez entendido esto, el problema central del sector deja de ser la falta de datos y pasa a ser lo que siempre fue: un problema de unidad de medida. Un dominio puede mantener su lugar en el conjunto citado mientras la página que lo sostiene se sustituye; una media semanal puede verse plana mientras cada lectura diaria dentro de ella difiere; y una sola ejecución puede producir una diferencia que ninguna prueba estadística respaldaría.

El hallazgo más determinante no trata de ningún motor en concreto. Es que la precisión que el sector declara no es alcanzable con las tasas de muestreo que el sector utiliza. Para reportar una cuota de citas con un intervalo de confianza del 95 % de cinco puntos porcentuales de ancho — es decir, unos ±2,5 puntos, la resolución con la que los equipos afirman «hemos subido» —, un estudio estima 40–50 repeticiones en Gemini, unas 100 en Perplexity y 150 o más en BuscarGPT [1]. La mayoría de los paneles ejecuta una sola vez. La brecha entre lo que se reporta y lo que es medible es el tema de este documento.

Todo producto de visibilidad en IA del mercado se apoya en un supuesto heredado del seguimiento de posiciones: que un número producido hoy puede compararse con el producido ayer y que la diferencia es un cambio en tu posición. El seguimiento de posiciones se ganó ese supuesto a pulso. Los resultados de búsqueda eran lo bastante deterministas como para que pasar de la posición 8 a la 5 significara algo, y la herramienta que lo reportaba podía verificarla una persona escribiendo la consulta.

Los motores de respuesta rompen el último eslabón de esa cadena. Formula la misma pregunta dos veces y el motor puede responder de forma distinta, citando otro conjunto de fuentes, sin que nada haya cambiado en tus páginas. No es un defecto que deba corregirse; es cómo se comporta un sistema generativo con temperatura por encima de cero y recuperación sobre un índice que se actualiza de forma continua. La literatura de medición apenas había abordado la cuestión antes de 2026.

El primer tratamiento riguroso llegó en marzo de 2026. Quantifying Uncertainty in AI Visibility, de Sielinski, replantea todo el ejercicio: una cuota de citas no es una propiedad de una marca, es un estimador muestral de una distribución de respuesta subyacente. Muestrear esa distribución una vez da una estimación puntual con un margen de error que nadie imprimió. El artículo enuncia su afirmación empírica central con claridad: muchas diferencias aparentes entre dominios, y muchos cambios aparentes entre muestras, «no son estadísticamente distinguibles del ruido» [1].

“Single-run visibility metrics provide a misleadingly precise picture of domain performance in generative search.” — Sielinski, arXiv:2603.08924, 39 pages, 13 figures, August 2026 revision [1]

Esa afirmación, tomada en serio, invalida buena parte de lo que reporta la categoría. No invalida el propósito de la categoría. Las marcas siguen necesitando saber si aparecen en la respuesta. Lo que cambia es la forma que la respuesta debe tomar: no «hoy estás en el 12,4 %, por debajo del 15,1 %», sino «tu cuota está entre el 12 y el 16 % con este tamaño de muestra, y el movimiento que observaste cae dentro de ese intervalo».

Lo que está en juego es asimétrico. Una marca que sobrerreacciona al ruido quema presupuesto reescribiendo páginas que nunca fueron el problema. Una marca que muestrea poco se pierde un cambio estructural real — y los estudios de la sección 3 muestran que esos ocurren, solo que más despacio y en otra capa de la que sugiere el seguimiento diario.

Esta es investigación secundaria, y este documento lo dice sin rodeos. Novaxilabs no opera ninguna muestra de monitorización propia. Cada cifra de abajo es un hallazgo publicado de un estudio identificado, reportado con su tamaño de muestra, su ventana de medición y su clase de evidencia. Lo que este documento aporta no son datos nuevos, sino una lectura estructural de estudios que parecen contradecirse, y la traducción de esa lectura en un estándar de reporte.

Clases de evidencia

Las afirmaciones se clasifican en una escala de cinco niveles usada en toda esta serie: Oficial (documentación del proveedor), Preprint académico (publicación en arXiv con métodos y datos declarados, aún sin revisión por pares formal), Medición independiente (muestra de terceros con tamaño y ventana declarados; ningún caso en esta edición), Informado por el proveedor (una empresa de seguimiento que publica datos de su propia plataforma) y Análisis (inferencia razonada, explícitamente no una afirmación de acceso al interior del motor).

Un hecho incómodo merece decirse antes de los hallazgos, porque determina cómo deben leerse: cinco de los seis estudios citados aquí están informados por sus proveedores. BrightEdge, Trakkr, Ahrefs, GetMentions AI y SISTRIX midieron todos sus propios datos de seguimiento y publicaron el resultado; solo el artículo de Sielinski es una fuente académica sin interés comercial en la respuesta. Las referencias [7] y [8] son páginas complementarias del mismo conjunto de datos de Trakkr que [4]: se citan por cifras concretas, no se cuentan como estudios separados. No existe un auditor independiente de datos de citas en IA. Ese es el estado del campo, no una limitación de este documento — y significa que la forma honesta de leer cualquier cifra de esta categoría, incluida esta, es comprobar primero su muestra y su ventana declaradas, y después su titular.

Por qué nunca se comparan cifras absolutas entre estudios

Los estudios no comparten metodología y este documento no finge que lo hagan. SISTRIX siguió 82.619 consultas semanalmente durante 17 semanas en seis países [2]. BrightEdge comparó instantáneas semanales consecutivas en su plataforma AI Catalyst [3]. Trakkr siguió 108.650 URL durante 177 días en ocho modelos [4]. Ahrefs siguió 37.500 citas a diario durante 20 días en cinco herramientas [5]. GetMentions ejecutó 2.398 consultas una vez al día durante 7 días en cuatro motores [6]. Un porcentaje de uno de estos estudios no puede restarse de un porcentaje de otro, y cuando este documento los pone lado a lado compara dirección y estructura, nunca magnitud.

Lo que este documento no afirma

No afirma saber cómo selecciona fuentes ningún motor por dentro. No afirma que estos hallazgos valgan para todos los mercados: el único conjunto multinacional aquí cubre seis mercados occidentales y no es evidencia sobre otros. No afirma que la estructura sea permanente — cada estudio está fechado, y la evidencia del propio documento muestra que el comportamiento de los motores se mueve más rápido de lo que ningún estudio replica.

Cada hallazgo de abajo enuncia una afirmación, nombra el estudio que la sostiene y reporta la muestra sobre la que se apoya. Cuando dos estudios discrepan, aparecen ambas cifras — porque en esta categoría la discrepancia suele ser el hallazgo, no un error que haya que resolver.

La lectura de dos capas resuelve lo que de otro modo parece una contradicción entre los estudios más cuidadosos del campo. También cambia qué puede significar «nuestra visibilidad en IA bajó». Si una página salió de una respuesta mientras el dominio se mantuvo en el conjunto citado, la capa de dominios reportará ningún cambio, la capa de páginas reportará una pérdida, y ambas describen con exactitud el mismo suceso. Un informe que mezcla las dos produce un número sobre el que nadie puede actuar.

El planteamiento de SISTRIX es el más útil operativamente de los publicados hasta ahora: toda respuesta tiene un núcleo fijo y un carrusel. En el 86,5 % de las consultas hay un pequeño conjunto estable de dominios que persiste durante semanas y meses; todo lo demás se reasigna semanalmente. La pregunta que una marca debería hacerse no es «¿estoy en la respuesta?» sino «¿estoy en el núcleo o en el carrusel?» [2] ANÁLISIS

Esa distinción tiene una dimensión temporal que los paneles diarios pasan por alto. La serie de Trakkr a nivel de marca — 857.138 informes diarios que cubren 10.991 marcas durante diez meses — sitúa el tiempo mediano de pico a mitad en 31 días, y encuentra solo 173 de 1.314 marcas seguidas 90 días o más que mantienen una presencia de citas estable [4]. Perder el núcleo es un suceso lento, medido en semanas. Perder una página es un suceso rápido, medido en días. Reportar ambos con la misma cadencia garantiza que el suceso rápido ahogue al lento.

Esta es la razón mecánica por la que los recuentos brutos de citas no pueden compararse entre motores, y la razón por la que «cuota de citas» es la única métrica con un significado defendible entre plataformas [1]. Una marca citada dos veces dentro de una respuesta de BuscarGPT con seis enlaces tiene cerca de un tercio de esa respuesta; las mismas dos menciones dentro de una respuesta de Gemini con cuarenta enlaces son un error de redondeo. Ambas pueden mostrarse a un cliente como «dos citas».

SISTRIX añade un resultado que socava el supuesto de una estrategia de contenidos universal. En Google AI Mode, el 80 % de los dominios del núcleo están en alemán para consultas en alemán, y el 85 % de las URL del núcleo son evergreen, con páginas de producto y de tienda dominando el núcleo mientras guías y noticias rotan. En ChatGPT Buscar el perfil se invierte: los dominios del núcleo obtienen 16/20 en E-E-A-T frente a 14/20 de los periféricos, las fuentes institucionales y de documentación forman el núcleo, y el 68 % del contenido del núcleo está en inglés incluso para consultas en alemán [2]. Las dos plataformas premian perfiles de contenido casi opuestos, y ninguna página individual puede ocupar ambos núcleos con comodidad.

Otra cifra del mismo estudio merece atención porque es el argumento más fuerte contra planificar la estrategia de citas en torno a la cobertura de prensa: solo el 1,4 % de los artículos de noticias citados como fuente permaneció de forma permanente en el conjunto de citas [2]. La noticia editorial es un billete de ida. Lo que sobrevive es evergreen por construcción.

La segunda advertencia práctica del artículo es más sutil y más fácil de errar. Los intervalos de confianza no siempre se estrechan de forma suave al añadir consultas; en BuscarGPT pueden estrecharse y luego volver a ensancharse, porque la distribución subyacente se desplaza durante el muestreo. Quien se detuviera en un punto convenientemente estrecho reportaría un intervalo que subestima la incertidumbre real [1]. La regla segura es comprometer un tamaño de muestra por adelantado — derivado de la plataforma y del tema — en vez de parar cuando la cifra parece aceptable.

Juntando ambos hallazgos, la implicación para el reporte es ineludible. Un panel que muestrea una vez e imprime un porcentaje con dos decimales no está midiendo una diferencia pequeña; está imprimiendo un artefacto. El número es aritmética real sobre datos reales, y no lleva contenido inferencial más allá de la única muestra de la que salió. La brecha de unos pocos puntos que un cliente pregunta cada mes es, con ese tamaño de muestra, la propia incertidumbre de la medición expresada como rendimiento aparente.

SISTRIX llega a la misma conclusión desde otra dirección y añade el mecanismo. Las consultas de marca varían cerca de un 20 % menos que la media (45 % frente a 56 % de rotación hacia dentro), lo que suena tranquilizador hasta que se examinan las co-citas: los doce a quince dominios que se citan junto a una marca cambian al 70 % por semana [2]. El dominio propio de la marca está anclado; el espacio a su alrededor se reasigna semanalmente. Ahí ocurre de verdad el desplazamiento competitivo, y es invisible para una métrica que solo pregunta si la marca apareció.

La consecuencia para la planificación es concreta. Una marca que solo sigue su propio nombre verá una línea estable y concluirá que nada se mueve, mientras el conjunto de fuentes citadas junto a ella rota cada semana. Una marca que solo sigue términos de categoría verá movimiento constante y concluirá que la categoría es inmedible. Ambas están mirando la mitad de la estructura.

El mismo artículo registra un caso en el extremo opuesto, útil porque muestra que el fallo no es universal. BuscarGPT en comederos para aves tenía cinco pares consecutivos con intervalos lo bastante estrechos como para confiar, y ninguno alcanzó el umbral de estabilidad de 0,90 — la anchura media de los intervalos era 0,225, cerca del límite en el que la comparación deja de ser informativa [1]. En los otros dos temas los pares ni siquiera bastaban para calcular. Un panel diario habría reportado una cifra para cada uno de esos días.

Hay una lectura operativa limpia de esto. La comparación por pares responde a «¿ha cambiado desde ayer», una pregunta sobre el ruido. La comparación de extremos responde a «¿ha cambiado a lo largo del periodo que nos importa», la pregunta que realmente hace una revisión trimestral. Un sistema de medición que solo hace la primera seguirá confirmando que nada va mal mientras la cosa que fue contratado para vigilar se mueve en silencio.

Nada de esto sostiene que haya que dejar de medir la visibilidad en IA. Sostiene que la unidad de medida tiene que cambiar, y que tres hábitos de la práctica actual inducen activamente a error.

Dos cifras complementarias de las páginas de datos públicos de Trakkr establecen el mismo punto sobre muestras distintas. El índice de citas en vivo indica que el 74 % de los enlaces citados aparecen en una sola respuesta y nunca más — una segunda muestra detrás de la cifra longitudinal del 73,5 %, no una réplica independiente [7]. El análisis del mismo grupo sobre 1,3 millones de citas halla que Wikipedia por sí sola concentra cerca del 17 % de todas las citas en IA, que es el aspecto de una capa núcleo cuando un único dominio la ocupa [8]. Un carrusel de miles de páginas gira bajo un puñado de fuentes estructuralmente invariables.

1. Dejar de tratar «citado» como un estado binario

Los datos dicen que toda respuesta tiene un núcleo y un carrusel [2]. Una marca está en el núcleo — persistente durante semanas, y lo que un competidor tiene que desplazar — o está en la rotación, donde la presencia de hoy predice muy poco la de la semana que viene. Reportar una sola cifra del tipo «apareces en el 34 % de las respuestas» colapsa ambos estados en un número, y ese número queda dominado por la mitad volátil. La pregunta útil es qué proporción de las consultas seguidas una marca ocupa en posición de núcleo, y cómo se mueve esa proporción mes a mes.

2. Dejar de reportar los deltas diarios como rendimiento

El movimiento diario es real, amplio y casi enteramente no informativo con una muestra por consulta [1][6]. Una serie diaria merece conservarse — así se anuncian una caída, una actualización de modelo o una desindexación repentina — pero no es una métrica de rendimiento. La cifra que un stakeholder debería ver cada semana es una cuota con intervalo; la cifra que merece escalarse es una ruptura en la serie, no un vaivén de dos puntos.

3. Dejar de promediar motores en una sola puntuación

Gemini cita 36–43 enlaces por respuesta, BuscarGPT 5–7, y ambos rotan fuentes a ritmos distintos sobre perfiles de contenido distintos [1][2]. Una «puntuación de visibilidad en IA» mezclada entre motores es una media de cantidades de unidades diferentes, y se mueve cuando cambia la mezcla de consultas y no cuando cambia la marca. Cifras por motor, reportadas por separado, son menos satisfactorias de mirar y mucho más útiles para actuar.

También hay una consecuencia presupuestaria. Si la capa núcleo rota a escala de semanas a meses — la marca mediana de Trakkr tarda 31 días en caer del pico a la mitad [4] —, entonces el ciclo de intervención debería ser mensual, no diario. El contenido publicado para perseguir un vaivén diario optimiza contra el ruido. El contenido publicado para entrar en un conjunto núcleo compite en la escala temporal que los datos realmente sostienen.

Las seis reglas de abajo no son un estilo de la casa. Cada una se deriva directamente de una propiedad medida de los datos, y cada una existe para prevenir un error concreto que los estudios anteriores documentan. Un informe que las omite no es falso en su aritmética; es falso en lo que afirma que la aritmética significa.

Dos de estas reglas se sentirán como un downgrade, porque eliminan cifras que un cliente lleva un año leyendo. Sustituir un porcentaje diario por un intervalo semanal acorta el informe y, a primera vista, lo hace menos informativo. Es más informativo en el único sentido que importa: se puede defender. Una cifra sin tamaño de muestra declarado no puede ser impugnada, y una cifra que no puede ser impugnada no es evidencia.

“If a visibility report cannot answer ‘what was your sample size and window’, the number it contains is not a measurement — it is an impression with two decimal places.” — Inference from the sampling thresholds in [1], stated here as a reporting rule rather than a finding

El estándar tiene también un uso competitivo. En una categoría donde cada proveedor publica una cifra distinta para la misma marca, el proveedor que declara su tamaño de muestra, su ventana y su intervalo es aquel cuya cifra puede reconciliarse con las demás. No es una posición de marketing; es la única posición desde la que una medición puede compararse siquiera.

Las debilidades de este documento son concretas y merecen enunciarse por completo, porque una síntesis hereda cada debilidad de sus fuentes y añade unas cuantas propias.

Ninguna medición original

Novaxilabs no opera ninguna muestra de monitorización. Nada aquí fue medido por el editor, y ninguna cifra se presenta como confirmación independiente de otra. La aportación del documento es estructural: lee seis estudios como un solo sistema y muestra que sus contradicciones aparentes son diferencias de unidad, de ventana y de tipo de pregunta.

La mayor parte de la evidencia la declaran los proveedores

Cinco de los seis estudios los publican empresas que venden seguimiento de citas. Sus secciones de metodología son inusualmente detalladas, y allí donde enuncian limitaciones este documento las repite — pero ninguno ha sido auditado por un tercero, y cada uno tiene un interés evidente en que el fenómeno sea real. Solo el artículo de arXiv [1] es académico y desinteresado. Un lector que descarte todas las cifras declaradas por proveedores se queda con el núcleo metodológico de este documento intacto: la estructura de dos capas y los umbrales de muestreo descansan ambos principalmente en [1] y en la coherencia interna de [2]–[6].

Cobertura estrecha en cada dimensión

Los datos multipaís cubren seis mercados occidentales y nada más [2]. El trabajo sobre umbrales de muestreo cubre tres temas de producto de consumo [1]. La ventana más larga es de diez meses [4]; la más corta, de siete días [6]. Nada de esto puede generalizarse a una categoría, un idioma o un mercado sin comprobarlo, y este documento no lo intenta.

El mecanismo no está explicado

Este documento describe comportamiento, no causas. Puede afirmar que la citación a nivel de dominios es estable mientras que la citación a nivel de páginas no lo es; no puede decir por qué, porque ninguno de los estudios aísla la variable. La reclasificación de la recuperación, los ciclos de refresco del índice, la política de longitud de respuesta y la reescritura de consultas contribuyen de forma plausible, y separarlos exigiría una perturbación controlada que ningún estudio publicado ha intentado. Cualquier afirmación causal asociada a estas cifras — incluidas las halagadoras — es inferencia, no medición.

Un solo estudio cerraría la mayoría de las lagunas

La ausencia más llamativa del campo es un único estudio que combine cuatro propiedades a la vez: varios idiomas, varios motores, una ventana de al menos seis meses y suficientes repeticiones por consulta para adjuntar un intervalo. Cada conjunto de datos existente tiene tres de las cuatro. Ese estudio no existe en el registro público a la fecha de corte de datos de este documento, y por eso sus afirmaciones son estructurales y no predictivas.

Por qué ocho referencias y no veinte

El primer documento de esta serie llevaba veinte fuentes porque su pregunta — qué estructuras de página sobreviven a la citación — tiene una literatura amplia detrás. Esta pregunta no. Cada conjunto de datos público que mide la estabilidad de las citas a escala pertenece a una de cinco empresas de seguimiento, y solo un artículo académico trata directamente la estadística. Engordar la lista con comentarios secundarios habría añadido longitud y quitado trazabilidad, así que la lista se detiene en las ocho páginas que efectivamente portan las cifras usadas aquí. Es un juicio sobre lo que puede comprobarse, no una afirmación de que la literatura sea escasa.

Cómo usar este documento

Como una clave de lectura, no un veredicto. Aplicado a un informe de proveedor, plantea tres preguntas en orden: qué capa mide esta cifra, cuál es su tamaño de muestra y cuál es su ventana. La mayoría de los informes falla en la primera pregunta. Ese fallo generalmente no es deshonestidad — es la salida por defecto de una herramienta construida para muestrear una vez y mostrar un porcentaje —, pero es la razón por la que dos proveedores creíbles pueden publicar cifras incompatibles para la misma marca el mismo mes sin que ninguno de los dos mienta.

Los lectores que quieran las fuentes primarias deberían acudir a ellas directamente. Este documento es un mapa de dónde la evidencia coincide y dónde choca; los choques son más útiles que cualquier resumen de ellos.

Cada fuente de abajo se abrió y se leyó en su página primaria antes de citar cualquier cifra de ella. Ningún número de este documento proviene de una compilación secundaria. Cuando una cifra ampliamente difundida no podía rastrearse hasta un original publicado — la afirmación de 23 millones de citas discutida en el §02 —, se omitió en lugar de atribuirse de forma vaga.

1. 1 Sielinski, R. (2026). Quantifying Uncertainty in AI Visibility: A Statistical Framework for Generative Buscar Measurement. arXiv:2603.08924v3 [stat.AP], 39 páginas, 13 figuras. Primera versión 9 de marzo de 2026; revisada el 26 de agosto de 2026. arxiv.org/abs/2603.08924 PREPRINT ARXIV
2. 2 SISTRIX. (2026, 1 de mayo). AI Citation Drift: How stable are sources in AI search results? 82.619 consultas cualificadas, 1.548.213 instantáneas, 2.556 URL clasificadas, seis países (DE, US, UK, IT, ES, FR), tres plataformas, 17 semanas (17 de diciembre de 2025 – 8 de abril de 2026). sistrix.com/blog/ai-citation-drift PROVEEDOR
3. 3 BrightEdge. (2026, 6 de febrero). AI Buscar Citations: How Much Do They Really Change Week to Week? Instantáneas semanales consecutivas, semana de muestra del 1 de febrero de 2026. help.brightedge.com — weekly AI search insights PROVEEDOR
4. 4 Trakkr Research. (2026, 30 de marzo). The Half-Life of AI Citations (Study 009). 108.650 URL en 200 marcas muestreadas de 960, ocho modelos, ventana de 177 días; más una serie a nivel de marca de 857.138 informes diarios que cubren 10.991 marcas. trakkr.ai/trakkr-research/citation-decay PROVEEDOR
5. 5 Ahrefs. (2026, 29 de octubre). How Stable Are AI Citations? 10 Things We Learned Tracking 37,500 Citations. Cinco herramientas de IA, 20 días de seguimiento diario. ahrefs.com/blog/how-stable-are-ai-citations PROVEEDOR
6. 6 GetMentions AI. (2026, 9 de julio). AI Citation Volatility: A 530,875-Citation Study. 2.398 consultas reales de 56 cuentas de marca, cuatro motores, siete días consecutivos, junio de 2026; 67.144 respuestas, 181.225 URL, 55.387 dominios, 46.259 comparaciones de pares de días. Medido a nivel de dominios. getmentions.ai/blog/ai-citation-volatility-study PROVEEDOR
7. 7 Trakkr. (2026). Trakkr Data — conjuntos de datos de citas actualizados de forma continua, vigentes a 28 de octubre de 2026. Se usan aquí solo para la cuota de enlaces citados que aparecen una sola vez y para la serie diaria de páginas vistas. trakkr.ai/data PROVEEDOR
8. 8 Trakkr. (2026). The Complete, Data-Backed Guide to Earning AI Citations. 1,3 millones de citas en 60.209 dominios, incluidas las cifras de concentración de dominios. trakkr.ai/guides/how-to-get-cited-by-ai PROVEEDOR

Dr. Adrian Whitmore
Research Lead, Novaxilabs

Adrian dirige la investigación de medición en Novaxilabs, donde trabaja sobre los fundamentos estadísticos del seguimiento de citas en IA: cuántas muestras necesita una afirmación de visibilidad, cómo es una métrica estable cuando el sistema subyacente es estocástico, y dónde las cifras publicadas del campo se contradicen entre sí.

Este es el segundo documento de la serie. El primero, Beyond Rankings — What Actually Gets a Page Cited in AI Answers, examinó qué propiedades estructurales de una página sobreviven a la selección por un motor de respuesta. Este retrocede un paso y plantea una pregunta previa: si las cifras con las que se reporta esa selección son lo bastante precisas para significar algo. Ambos documentos trabajan exclusivamente con medición de terceros publicada; Novaxilabs no opera ninguna muestra de monitorización propia, y los datos de su propia plataforma no se usan aquí como evidencia. Las conversaciones sobre metodología, incluidos los desacuerdos con las lecturas anteriores, son bienvenidas en info@novaxilabs.com.