NiubiGEO: mide si ChatGPT o Claude recomiendan tu producto

Cuando alguien le pregunta a ChatGPT, Claude o Perplexity qué herramienta usar para algo, Google no participa en la respuesta. “Si no existes para las IAs, no existes para el mercado”, resumía Nix0n en X al presentar NiubiGEO, una herramienta open source para medir precisamente eso: si los modelos te mencionan a ti o a tu competencia.

Un matiz antes de seguir: el tuit dice “por eso creé NiubiGEO”, pero el repositorio lo publica la cuenta Albert-Weasker y el proyecto tiene su propia web comercial. Aquí hablamos del repositorio, no de quién lo firma en redes.

Qué hace

NiubiGEO (Apache 2.0, TypeScript, más de 4.800 estrellas desde que se creó a principios de septiembre) parte de una pregunta: ¿recomienda la IA tu producto y, si no, a quién recomienda? El flujo es este:

1. Introduces un dominio. Cada producto es un proyecto con su configuración, sus ejecuciones y sus pruebas.
2. Eliges modelos. Puedes mezclar OpenRouter, APIs directas de proveedores y endpoints compatibles con OpenAI, y decidir por modelo si usa búsqueda web.
3. Lanzas la prueba. Cada modelo responde por separado; si uno falla, el resto sigue disponible.
4. Revisas los resultados: cómo describe cada modelo tu producto, qué competidores nombra, qué palabras clave asocia y qué fuentes cita.
5. Pruebas keywords sin nombrar tu marca para ver quién aparece cuando el usuario pregunta de forma genérica, que es lo que de verdad importa.

Lo que lo distingue de un simple script que lanza prompts es que guarda las pruebas: la respuesta original, la posición del texto, las citas que devuelve el proveedor y las URLs normales de la respuesta, por separado. Los fallos y las incertidumbres también quedan registrados. Puedes repetir mediciones o programarlas, aunque la programación necesita que esté corriendo el worker de monitorización.

Cómo se instala

git clone --branch v0.2.1 --depth 1 https://github.com/Albert-Weasker/niubigeo.git
cd niubigeo
npm ci
cp .env.example .env
# añade OPENROUTER_API_KEY en .env
npm run server

Abre http://localhost:8787 y crea tu primer proyecto. Hace falta Node.js 22.13 o superior, y hay guía de Docker para quien prefiera contenedores. La versión 0.2.1 añade accesos rápidos para 16 plataformas y un catálogo de modelos filtrable. Para finales de octubre se prevén un panel de competidores y otro de monitorización continua de keywords, aunque el propio proyecto avisa de que la fecha puede cambiar.

Si solo quieres ver qué sale, el repositorio incluye 20 casos reales (Notion, Figma o PostHog, entre otros) con capturas y respuestas originales, que puedes consultar sin instalar nada ni poner una API key.

Lo que enseñan los casos

Los ejemplos del README muestran bien por qué medir esto es más difícil de lo que parece:

• Notion: cada modelo destaca un aspecto distinto (notas, espacio de trabajo, colaboración) y nombra competidores diferentes.
• Figma: en una prueba con la keyword “prototyping” sin nombrar la marca, dos respuestas sin búsqueda web solo explicaban el concepto. La que usaba búsqueda sí nombró a Figma.
• PostHog: en “feature flags”, las respuestas citaban páginas como un post del blog de Splunk. Seguir la cita te dice de dónde sale la respuesta, no por qué el modelo recomienda algo.

Los límites

• Mencionar no es recomendar. El proyecto lo repite y hace bien: que un modelo te reconozca cuando le preguntas por tu dominio es muy distinto de que te recomiende sin que le nombres. Solo las pruebas de keywords sin marca se acercan a lo segundo.
• Las respuestas no son deterministas. Unas pocas ejecuciones no demuestran una tendencia. Si vas a informar de “visibilidad” a un cliente, necesitas repeticiones y un método, que el proyecto documenta en su metodología de medición.
• No es gratis de usar. El código sí, pero cada prueba consume llamadas a modelos y búsquedas web con tu clave. Probar muchos modelos y keywords a diario suma.
• Tiene un lado comercial. El README enlaza a servicios de pago de “optimización GEO” y a un asesor en vídeo externo. La tarjeta del asesor se desactiva con NIUBIGEO_VIDEO_ADVISOR_ENABLED=false, y el proyecto asegura que el workbench local no carga scripts de terceros ni envía datos del proyecto.
• No arregla nada, solo mide. Saber que no apareces es el primer paso; cambiarlo depende del contenido, las fuentes que citan los modelos y la reputación de tu marca. Si ese es tu problema, las skills de marketing de NotFair trabajan en la otra mitad.

Frente a las alternativas comerciales que el propio README cita (Profound, Peec AI, Otterly.AI, Semrush AI Visibility, Ahrefs Brand Radar), NiubiGEO no compite en datos de demanda ni en flujos de marketing. Compite en que puedes ver cada respuesta y cada fuente, y en que el código es tuyo.