Whitepaper técnico

LEBAM: una metodología para medir la visibilidad de marca en motores de inteligencia artificial

Versión 1.0 · Junio de 2026 · Ricardo Mansilla, Nexux Intelligence · Versión markdown

1. Resumen ejecutivo

Las respuestas generadas por inteligencia artificial —ChatGPT, Perplexity, los AI Overviews de Google, Copilot— se han convertido en el primer punto de contacto entre millones de usuarios y las marcas. El problema: la mayoría de las empresas no tiene forma de saber qué dicen esos motores sobre ellas, ni si las mencionan en absoluto. Las herramientas de SEO tradicional miden rankings de enlaces; los motores de IA no devuelven enlaces, devuelven respuestas.

LEBAM (Leading Evaluation of Brand AI Mentions) es una metodología de medición que cuantifica la visibilidad de una marca en cinco motores de IA reales mediante 70 prompts fijos en español, agregados en un score global de 0 a 100 y descompuestos en cuatro pilares de diagnóstico: Entidad, Extractabilidad, Evidencia y Consenso. La metodología se apoya en investigación académica revisada por pares (GEO-Bench, KDD 2024; GEO-16; AutoGEO, ICLR 2026, entre otros) y en datos de auditorías reales.

El resultado práctico: una marca puede conocer su posición de partida, diagnosticar en qué pilar está su debilidad, aplicar correcciones y medir el cambio con la misma vara. En el caso de nexux.es, la aplicación del ciclo completo elevó la presencia de la marca de 5 a 13 consultas con mención (Tier D, datos internos Nexux). Lo que no se mide, no se optimiza. LEBAM existe para medirlo.

2. El cambio de paradigma: de rankings a citas

Durante veinte años, la visibilidad digital de una marca se ha medido con una métrica dominante: la posición en la página de resultados de Google. Todo el aparato del SEO —keywords, backlinks, autoridad de dominio— está construido sobre la premisa de que el usuario ve una lista de enlaces y hace clic en uno.

Esa premisa se está rompiendo. Los datos de clickstream muestran que la proporción de búsquedas que terminan sin ningún clic a una web externa pasó del 56% en mayo de 2024 al 69% en mayo de 2025 (Similarweb, 2025, Tier C), coincidiendo con el despliegue masivo de AI Overviews. En AI Mode, la interfaz conversacional de búsqueda de Google, el 93% de las sesiones termina sin visita a ninguna web (Google I/O 2026, Tier B).

La consecuencia para las marcas es estructural, no incremental. Cuando un usuario pregunta a ChatGPT «¿cuál es la mejor app de citas en España?» o a Perplexity «compara X con Y», el primer toque de marca ya no es tu posición en una lista de enlaces: es lo que la respuesta dice de ti. Si el motor no te menciona, para ese usuario no existes. Si te menciona con información incorrecta, esa es tu carta de presentación. Y nada de esto aparece en Google Search Console, en Analytics ni en ninguna herramienta de ranking.

Esta nueva disciplina tiene nombre: AEO (Answer Engine Optimization) o GEO (Generative Engine Optimization). Y tiene fundamento empírico: el paper fundacional del campo, GEO-Bench (arXiv 2311.09735, presentado en KDD 2024, Tier A), demostró que optimizar contenido específicamente para motores generativos puede aumentar la visibilidad dentro de las respuestas hasta un 40%. Es decir: la visibilidad en respuestas de IA no es una lotería ni una caja negra inamovible. Es una variable optimizable.

Pero ninguna variable se puede optimizar sin medirla primero. El SEO tuvo sus rankings; el AEO necesita su equivalente. Eso es LEBAM: una metodología sistemática, reproducible y multi-motor para medir cuánto, cómo y dónde aparece una marca en las respuestas de los motores de IA que sus clientes usan cada día.

3. Fundamento académico

LEBAM no parte de intuiciones de agencia: parte de un cuerpo de investigación que en los últimos dos años ha establecido qué factores determinan que un motor generativo cite o mencione una fuente. Estos son los trabajos clave y lo que cada uno aporta a la metodología.

GEO-Bench (arXiv 2311.09735, KDD 2024, Tier A). El paper que fundó el campo. Sus autores construyeron un benchmark de 10.000 consultas y midieron qué transformaciones de contenido aumentan la visibilidad de una fuente dentro de respuestas generativas. Hallazgos centrales: añadir citas a fuentes, estadísticas y citas textuales de expertos incrementa la visibilidad entre un 30% y un 40%; la optimización agregada alcanza hasta +40%; y el keyword stuffing —la táctica clásica del SEO de baja calidad— no funciona en motores generativos, llegando a ser contraproducente. Implicación para la medición: la visibilidad en IA responde a factores propios, distintos de los del SEO; medirla requiere instrumentos propios.

GEO-SFE (arXiv 2603.29979, Tier A). Aísla el efecto de la estructura del contenido (jerarquía de encabezados, fragmentación, formato) del efecto semántico (qué se dice). Resultado: la estructura por sí sola, manteniendo el contenido constante, produce un +17,3% en citaciones. Implicación: dos webs con la misma información pueden tener visibilidades muy distintas; una auditoría debe medir el resultado final en los motores, no solo la calidad aparente del contenido.

GEO-16 (arXiv 2509.10762, Tier A). Propone un marco de 16 pilares técnicos de «citabilidad» y lo valida cross-engine. Las páginas con puntuación G≥0,70 que cumplen al menos 12 de los 16 pilares alcanzan una tasa de citación del 78% a través de distintos motores. Los pilares con mayor peso predictivo: metadatos, HTML semántico y datos estructurados (Schema.org). Implicación: existe un conjunto identificable de correcciones técnicas con efecto medible — exactamente el tipo de acción que un ciclo auditoría→corrección→re-auditoría puede verificar.

Estudio Ahrefs sobre 75.000 marcas (Ahrefs, 2025, Tier C). Análisis correlacional a gran escala entre señales web y presencia de marca en respuestas de IA. Las menciones de marca en la web abierta correlacionan entre 0,664 y 0,709 con la presencia en respuestas de IA — y superan a los backlinks como señal predictiva en una proporción de 3 a 1. Implicación: la presencia en IA se construye más con menciones (PR, prensa, foros, listados) que con enlaces; un pilar de medición debe capturar la mención espontánea, no solo la citación de URL. Al ser un estudio de correlación con metodología transparente pero sin revisión por pares, lo clasificamos como Tier C y lo usamos como evidencia de apoyo, no como fundamento.

AutoGEO (arXiv 2510.11438, ICLR 2026, Tier A). Demuestra que las preferencias de cada motor generativo son aprendibles automáticamente y, sobre todo, específicas de cada motor: lo que aumenta la citación en Perplexity no es idéntico a lo que la aumenta en ChatGPT o en Google. Implicación directa para LEBAM: medir un solo motor y extrapolar es metodológicamente incorrecto. La medición debe ser multi-motor, con resultados desglosados por motor.

Confidence Decay (arXiv 2604.03656, Tier A). Modela cómo el contenido envejecido pierde «confianza» en los procesos de generación de respuesta: los motores degradan progresivamente las fuentes que perciben como desactualizadas. Implicación: la frescura del contenido no es un factor cosmético sino estructural, y la visibilidad de una marca no es estática — lo que obliga a medir de forma periódica, no puntual.

De este cuerpo de evidencia se derivan los tres principios de diseño de LEBAM:

1. Multi-motor obligatorio (AutoGEO): cada motor tiene preferencias propias; un score mono-motor es una foto parcial.
2. Medición de resultado, no de proxy (GEO-SFE, GEO-16): se mide lo que los motores responden realmente, no lo que la web «debería» conseguir.
3. Medición periódica (Confidence Decay): la visibilidad decae y fluctúa; el instrumento debe ser reproducible para comparar momentos en el tiempo.

4. La metodología LEBAM

4.1 Fórmula global

LEBAM produce un score de visibilidad de 0 a 100, calculado como media ponderada de la visibilidad en cinco motores:

Score = 0,25·S_chatgpt + 0,25·S_perplexity + 0,20·S_aio + 0,15·S_copilot + 0,15·S_qwen

Los pesos reflejan el volumen y la relevancia comercial de cada superficie: ChatGPT y Perplexity concentran el mayor volumen de consultas conversacionales con intención informacional y de compra; los AI Overviews heredan la base de usuarios de Google (más de 2.500 millones de usuarios activos mensuales, Google, Tier B); Copilot cubre el ecosistema Microsoft (Windows, Edge, 365); y Qwen aporta lectura sobre el ecosistema Alibaba, relevante en LATAM y Asia.

Dos reglas de integridad son innegociables:

• Si un motor no está disponible en el momento de la auditoría (caída de API, sesión expirada), su peso se renormaliza entre los motores restantes y el informe declara explícitamente qué motor faltó. Nunca se simula ni se rellena un resultado con datos de otro motor.
• El score se interpreta por bandas: 0–15 visibilidad Baja, 16–40 Emergente, 41–70 Competitiva, 71–100 Dominante.

4.2 Los cuatro pilares

Un único número responde «¿cuánto apareces?», pero no responde «¿por qué no apareces más?». Para diagnosticar, LEBAM descompone la visibilidad en cuatro pilares, cada uno puntuado de 0 a 100:

Pilar	Qué mide	Cómo se calcula
Entidad	Los motores reconocen correctamente quién eres	Prompts de marca (categoría A): ¿aparece la marca asociada a su sector real, sin confundirla con homónimos?
Extractabilidad	Tu dominio se cita como fuente	En los motores que muestran fuentes (Perplexity, AI Overviews, Copilot): ¿aparece la URL del dominio entre las citas?
Evidencia	Te mencionan sin preguntar por ti	50 prompts genéricos del sector (sin nombrar la marca): ¿aparece la marca de forma espontánea?
Consenso	Tu visibilidad es transversal, no anecdótica	Porcentaje de prompts en los que al menos 3 de los 5 motores mencionan la marca

La separación en pilares es lo que convierte el score en un instrumento de trabajo. Una marca puede tener Entidad alta (los motores saben quién es cuando se les pregunta directamente) y Evidencia baja (nadie la menciona en consultas genéricas tipo «mejores X en España»): su problema no es de identidad sino de autoridad en su categoría, y las acciones correctas son de contenido y PR, no de schema técnico. Otra puede tener Evidencia razonable pero Extractabilidad nula: la mencionan, pero su web nunca aparece como fuente — un problema de citabilidad técnica que apunta directamente a los pilares de GEO-16 (datos estructurados, HTML semántico, metadatos). Sin la descomposición, ambas marcas verían «score 35» y no sabrían que necesitan estrategias opuestas.

El pilar Entidad incorpora además una salvaguarda contra falsos positivos: una mención solo computa si la respuesta asocia la marca a una palabra clave de su sector. Esto evita que marcas con nombres comunes u homónimos inflen artificialmente su puntuación.

4.3 Los 70 prompts

La auditoría ejecuta un cuestionario cerrado de 70 prompts, distribuidos en 7 categorías:

Categoría	Nº	Qué simula
A — Marca	10	Usuarios que preguntan directamente por la marca
B — Mejores	15	«¿Cuáles son las mejores X?» — listados de categoría
C — Comparativa	10	«Marca vs competidor» — decisión entre opciones
D — Informacional	15	Dudas del sector sin intención de compra inmediata
E — Transaccional	10	Intención de compra o contratación
F — Local	5	Consultas con componente geográfico
G — Conversacional	5	Preguntas largas en lenguaje natural, long-tail

Tres decisiones de diseño merecen explicación:

• Prompts fijos, no dinámicos. Si los prompts cambian entre auditorías, los scores no son comparables. El cuestionario cerrado garantiza que la diferencia entre dos mediciones refleja un cambio real en la visibilidad, no un cambio en las preguntas.
• Español nativo. Los 70 prompts están redactados originalmente en español, no traducidos del inglés. Los motores responden de forma distinta según el idioma y la formulación de la consulta; medir el mercado hispanohablante con prompts traducidos introduce sesgo.
• Por qué 70. Es el equilibrio entre significancia estadística (suficientes observaciones por categoría y por pilar para que el score sea estable) y viabilidad operativa: la auditoría completa cuesta aproximadamente 0,45 € en llamadas de API (Tier D, datos internos Nexux), lo que permite medir con frecuencia en lugar de una vez al año.

Los prompts se instancian con variables — {brand}, {domain}, {niche}, {location}, {competitor1-3} — de modo que el mismo cuestionario es aplicable a cualquier marca de cualquier sector manteniendo la comparabilidad metodológica.

4.4 Motores y fuentes de datos

Motor	Tipo de acceso	Modelo	Coste marginal
ChatGPT	API (OpenRouter)	gpt-4o-mini	~0,001 €/consulta
Perplexity	API (OpenRouter)	perplexity/sonar	~0,001 €/consulta
Google AI Overviews	Scraping (Playwright)	N/A	0 € (~5–8 s/consulta)
Copilot	Scraping (Playwright)	N/A	0 € (~10–15 s/consulta)
Qwen	API (DashScope)	qwen-plus con búsqueda	~0,0005 €/consulta

Una nota de honestidad metodológica que distingue a LEBAM de prácticas habituales del mercado: cada motor es lo que dice ser. La medición de ChatGPT se hace contra el modelo de OpenAI vía API, etiquetada explícitamente como «GPT-4o mini, sin navegación» (mide el conocimiento paramétrico del modelo, lo que ChatGPT «sabe» de la marca sin buscar). La de Google AI Overviews se hace contra resultados reales de Google en España, capturados con navegador automatizado. No se usan motores sustitutos etiquetados como si fueran otros — una práctica que detectamos en versiones anteriores de nuestra propia herramienta y que eliminamos en la versión 3.0 precisamente porque invalida la medición.

En Google AI Overviews hay una métrica adicional: no todas las búsquedas activan un AI Overview. LEBAM registra por separado la tasa de AIO (en qué porcentaje de los prompts Google muestra respuesta generativa) y la visibilidad de la marca dentro de los AIO que sí aparecen. Penalizar a una marca porque Google no generó AIO para una consulta sería medir el comportamiento de Google, no el de la marca.

4.5 Flujo de ejecución

70 prompts × 5 motores ≈ 350 respuestas potenciales

Fase 1 — Motores API (ChatGPT, Perplexity, Qwen): ~30 s en bloque
Fase 2 — Google AI Overviews (Playwright, con pausas anti-bloqueo): ~7 min
Fase 3 — Copilot (Playwright, con pausas anti-bloqueo): ~12 min

Duración total de la auditoría: 45–60 minutos
Coste total: ~0,45 €

Cada respuesta se almacena íntegra junto a su análisis (¿menciona la marca?, ¿cita el dominio?, ¿asocia el sector correcto?), de modo que cualquier score es auditable hasta la respuesta literal del motor que lo originó. La reproducibilidad es el criterio rector: misma marca, mismos prompts, misma fecha → mismo score.

5. Resultados reales: el caso nexux.es

Todos los datos de esta sección son Tier D — datos internos de Nexux Intelligence, obtenidos auditando una propiedad propia. Los presentamos como caso ilustrativo del ciclo de trabajo, no como benchmark generalizable a otros sectores o marcas.

Situación inicial. La primera auditoría LEBAM de nexux.es (aplicación de citas, mercado español) arrojó un score de 23/100 — banda Baja. El desglose por pilares contaba la historia completa: la marca era esencialmente desconocida para los motores de IA. Aparecía en una fracción mínima de los prompts genéricos de su categoría (Evidencia baja), su dominio no figuraba como fuente en ningún motor con citas (Extractabilidad cercana a cero) y ningún prompt alcanzaba consenso multi-motor.

Acciones aplicadas. Sobre ese diagnóstico se ejecutó un plan de cinco fases alineado con la evidencia académica de la sección 3: implementación de datos estructurados Schema.org (Organization, FAQPage) y metadatos completos — los pilares de mayor peso según GEO-16; reestructuración del contenido con jerarquía semántica clara (GEO-SFE); creación de contenido informacional respondiendo a las consultas reales de la categoría; archivo llms.txt y apertura de robots.txt a los crawlers de IA; y generación de menciones externas, en línea con la correlación menciones-visibilidad del estudio de Ahrefs.

Resultado medido. Tras completar la quinta fase y respetar el ciclo de re-indexación, la re-auditoría —con la misma versión del instrumento y los mismos 70 prompts— registró un aumento de 5 a 13 consultas con mención de marca (Tier D, datos internos Nexux): más del doble de presencia con el mismo método de medición.

Lecciones del caso. Primera: el punto de partida realista de una marca digital pequeña en España es la banda Baja — los motores de IA no conocen a la mayoría de las marcas que no han trabajado específicamente su presencia, y asumir lo contrario es la primera fuente de sorpresas desagradables. Segunda: las correcciones técnicas y de contenido producen movimiento medible en semanas, no años. Tercera: sin la línea base inicial, el progreso habría sido invisible — la mejora de 5 a 13 menciones no aparece en ninguna herramienta de SEO convencional.

Un hallazgo lateral del proceso: al buscar referencias contra las que comparar nuestros resultados, constatamos que no existe ningún benchmark público de visibilidad GEO/AEO para el mercado español. Los estudios disponibles (GEO-Bench y derivados) trabajan en inglés y con consultas anglosajonas. Ese vacío es, a la vez, la limitación honesta de este caso (no podemos situarlo contra una media de mercado) y la oportunidad que motiva la hoja de ruta de la sección 8.

6. Por qué LEBAM es diferente

El espacio de la medición digital está poblado de herramientas excelentes que, sin embargo, no miden este problema:

Enfoque	Qué hace	Limitación frente al problema
SEO tradicional (rankings)	Posición de enlaces en buscadores	No mide presencia dentro de respuestas de IA
Google Search Console	Clics e impresiones en Google	No incluye AI Overviews ni AI Mode; ciega ante ChatGPT, Perplexity, Copilot
Herramientas de reputación	Menciones en prensa y redes	No mide si los motores de IA citan o mencionan la marca
LEBAM	Presencia real en 5 motores de IA con 70 prompts fijos	Primera metodología multi-motor en español

Los diferenciadores, en concreto:

1. Multi-motor. Cinco motores reales — ChatGPT, Perplexity, Google AI Overviews, Copilot y Qwen — medidos por separado y agregados con pesos explícitos. La evidencia de AutoGEO (arXiv 2510.11438) muestra que las preferencias son específicas de cada motor; medir solo uno es extrapolar sin base.
2. Diagnóstico, no solo nota. Los cuatro pilares (Entidad, Extractabilidad, Evidencia, Consenso) señalan dónde está el problema y, por tanto, qué acción corresponde.
3. Español nativo. Prompts diseñados para el mercado hispanohablante, no traducciones.
4. Coste viable. ~0,45 € por auditoría completa (Tier D, datos internos Nexux) frente a los miles de euros anuales de las plataformas enterprise de «AI visibility» — lo que hace económicamente posible medir con frecuencia mensual o semanal.
5. Reproducibilidad. Cuestionario cerrado, motores etiquetados honestamente, respuestas almacenadas íntegras, regla de no-simulación. Misma marca, mismos prompts, misma fecha: mismo score. Una medición que no es reproducible no es una medición; es una opinión con decimales.

7. Guía práctica: qué hacer con estos datos

Para el responsable de marketing que quiera actuar, el ciclo de trabajo es el siguiente:

Paso 1 — Auditoría baseline. Ejecutar una primera auditoría LEBAM completa. El objetivo no es la nota, es la fotografía: score global, banda, desglose por motor y por pilar. Sin línea base, ninguna acción posterior será evaluable.

Paso 2 — Diagnóstico por pilar. Cada pilar débil apunta a una familia de acciones distinta:

• Entidad baja → los motores no saben quién eres o te confunden con otro. Acciones: schema Organization completo, página «sobre nosotros» inequívoca, presencia en fuentes de conocimiento (Wikipedia/Wikidata si procede), PR de marca.
• Extractabilidad baja → te conocen pero tu web no aparece como fuente. Acciones: datos estructurados y HTML semántico (los pilares de mayor peso en GEO-16), contenido con datos originales y estudios propios que merezcan citación, metadatos completos.
• Evidencia baja → no apareces cuando preguntan por tu categoría sin nombrarte. Acciones: contenido informacional que responda las consultas reales del sector, presencia en listados y comparativas de terceros, menciones en medios — la señal que el estudio de Ahrefs sitúa por encima de los backlinks en proporción 3:1.
• Consenso bajo → solo uno o dos motores te conocen. Acciones: diversificar superficies (las preferencias son específicas por motor, AutoGEO), asegurar que los crawlers de todos los motores pueden acceder al contenido.

Paso 3 — Implementar. Ejecutar las correcciones priorizando los pilares más débiles y las acciones de mayor evidencia académica.

Paso 4 — Re-auditar a las 2–4 semanas. Es el ciclo aproximado de re-indexación y actualización de los motores. Re-auditar antes mide ruido; mucho después, pierde la trazabilidad causa-efecto.

Paso 5 — Comparar antes/después. Siempre con la misma versión de la metodología. Los scores de versiones distintas del instrumento no son comparables entre sí, y mezclarlos es el error metodológico más común en este espacio.

Y repetir: por el efecto de decaimiento de confianza documentado en arXiv 2604.03656, la visibilidad en IA no es una conquista permanente sino una posición que se mantiene. La medición puntual diagnostica; la medición periódica gobierna.

8. El futuro: 2026–2027

Cuatro tendencias definen hacia dónde va este campo y cómo evolucionará LEBAM con él:

AI Mode como superficie por defecto. Google está convirtiendo la búsqueda conversacional en la experiencia principal para un parque de usuarios que se mide en miles de millones. Cuando la respuesta generativa sea el punto de partida de la mayoría de las búsquedas —y el 93% de esas sesiones termine sin clic (Google I/O 2026, Tier B)— la visibilidad dentro de la respuesta dejará de ser una métrica complementaria para ser la métrica.

La automatización commoditiza lo básico. Líneas de investigación como AutoGEO (ICLR 2026) demuestran que las optimizaciones estándar de contenido son automatizables. La consecuencia económica es predecible: el valor se desplazará desde «aplicar las técnicas» —que será barato y ubicuo— hacia la medición rigurosa (saber si funcionan para tu marca) y la generación de señales externas (menciones, autoridad, PR) que ningún script puede fabricar.

El vacío español como ventana. Todo el aparato académico y comercial del GEO trabaja en inglés. No existe benchmark público de visibilidad en IA para consultas en español, pese a ser el segundo idioma con más hablantes nativos del mundo. Esa ventana no permanecerá abierta indefinidamente.

La verificación de citas como categoría. A medida que los motores citan más fuentes, verificar que las citas existen, son correctas y apuntan a quien deben se perfila como categoría de producto propia — una extensión natural de la infraestructura de medición de LEBAM.

Nuestro objetivo declarado para este ciclo: publicar el primer benchmark GEO público en español bajo la metodología LEBAM, con corpus abierto de prompts y resultados agregados por sector.

9. Sobre Nexux Intelligence

Nexux Intelligence es una agencia española especializada en AEO/GEO: visibilidad de marcas en motores de respuesta de inteligencia artificial.

Tres cosas nos definen. Primera: metodología propia. LEBAM es nuestro instrumento de medición, desarrollado y operado internamente — no dependemos de herramientas de terceros ni de cajas negras cuyos criterios no podemos auditar. Segunda: corpus en español. Cada auditoría —70 prompts × 5 motores, por cliente y en el tiempo— alimenta el mayor conjunto de datos de visibilidad en IA para el mercado hispanohablante del que tenemos constancia, y la base del futuro benchmark público. Tercera: cero humo. Cada cifra de este documento tiene fuente rastreable; los datos propios están etiquetados como tales (Tier D) y no se presentan como verdades de mercado. Aplicamos a nuestro marketing el mismo estándar de evidencia que aplicamos a nuestras auditorías.

Si quiere conocer el score LEBAM de su marca —dónde está, por qué, y qué hacer al respecto—, el primer paso es una auditoría baseline.

Contacto: Ricardo Mansilla · hola@nexuxintelligence.es · nexuxintelligence.es

Referencias

• GEO: Generative Engine Optimization (GEO-Bench). arXiv 2311.09735. KDD 2024. (Tier A)
• GEO-SFE: Structural Features for Generative Engine Optimization. arXiv 2603.29979. (Tier A)
• GEO-16: A Sixteen-Pillar Framework for AI Citability. arXiv 2509.10762. (Tier A)
• AutoGEO: Learning Engine-Specific Preferences for Generative Engine Optimization. arXiv 2510.11438. ICLR 2026. (Tier A)
• Confidence Decay in Generative Retrieval. arXiv 2604.03656. (Tier A)
• Ahrefs: estudio de correlación sobre 75.000 marcas, menciones web y presencia en IA. 2025. (Tier C)
• Similarweb: evolución de búsquedas zero-click, mayo 2024 – mayo 2025. (Tier C)
• Google I/O 2026: datos de comportamiento en AI Mode. (Tier B)
• Auditorías internas Nexux Intelligence sobre nexux.es, 2026. (Tier D)

© 2026 Nexux Intelligence. Este documento puede citarse con atribución. La metodología LEBAM y su cuestionario de 70 prompts son propiedad de Nexux Intelligence.