Cómo Worksmile aumentó la visibilidad de la IA en 27% con Chatbeat

Los resultados de un vistazo

Acerca de Worksmile

Worksmile es una plataforma de RRHH para toda la organización. Aborda los retos a los que se enfrentan los equipos y gestores de RRHH al tiempo que se ocupa de la experiencia de cada empleado: automatiza procesos, agiliza la comunicación y da soporte a la gestión de beneficios en un solo lugar.

Destacado en este estudio de caso:

Magdalena Radecka - Directora de Marketing de Worksmile. En Worksmile, dirige el equipo responsable de la generación de demanda y la mejora del conocimiento de la marca.

Desafío

Worksmile se dio cuenta de que su “historia de marca” ya no se contaba en un único lugar, sino que se reconstruía dentro de las respuestas de LLM. Y cuando los equipos de RRHH y Personas hacían preguntas aparentemente sencillas, el resultado no se ajustaba de forma fiable a cómo Worksmile quería ser entendida. 

A veces, la descripción era exacta; otras, el contexto de RR.HH. resultaba vago, o los modelos se apoyaban en fuentes de terceros y obsoletas, de modo que la narración iba a la deriva en función de la indicación y el modelo.

El verdadero problema no era una respuesta incorrecta, sino la falta de visibilidad y control:

• no había forma de ver qué indicaciones iban a la deriva,
• ninguna manera de entender qué fuentes estaban dando forma a la respuesta,
• no hay un camino claro para mejorar las clasificaciones y convertirse en la fuente que los sistemas de IA citan realmente.

Worksmile necesitaba hacer operativa la “visibilidad de la IA”, algo que pudieran rastrear, fijar y demostrar con movimientos en posiciones y citaciones.

Solución

Worksmile utilizó Chatbeat como capa continua de visibilidad de la IA - seguir cómo responden los distintos modelos a preguntas concretas, qué fuentes citan y en qué difiere el mensaje de la marca según las preguntas.

Así se creó un sencillo bucle de retroalimentación:

Seguimiento puntual → lagunas narrativas → acciones de contenido → volver a comprobar clasificaciones y citas

La mayor ventaja de Chatbeat es una forma rápida y sencilla de ver cómo estamos posicionados en LLM en cada momento, cuantitativamente. Se puede comprobar manualmente de forma cualitativa, pero sólo con una pequeña muestra y con un coste enorme. Chatbeat proporciona un acceso rápido a los datos y nos permite reaccionar con rapidez.

Magdalena Radecka

Jefe de Marketing de Worksmile

Lo que Chatbeat aporta a Worksmile en la práctica

1. Control de la reputación en las respuestas LLM

Antes de que Worksmile se convirtiera en una plataforma de experiencia del empleado y RRHH, era conocida como Fitqbe, centrada en el bienestar y los beneficios.

Desde entonces, se han movido a otras áreas, pero debido a esa historia, los LLM eran a veces engañosos en cómo describían la marca, basándose en datos de antes del cambio de marca.

Worksmile quería controlar cómo describen la marca los modelos lingüísticos - y responder inmediatamente si la narración empieza a desviarse de su posicionamiento deseado.

Información clave de Chatbeat: Los LLM manejaron bien la descripción de Worksmile como plataforma de beneficios, pero “entendieron” peor las partes de HCM y comunicaciones internas. El equipo relacionó rápidamente esto con la historia de la marca y la presencia de materiales archivados en línea, que siguen influyendo en la forma en que la IA “ve” a Worksmile.

Desde que empezamos a utilizar Chatbeat, hemos adquirido un nivel de conocimiento adicional: no sólo a partir de las indicaciones manuales a diferentes LLM, sino también viendo cómo nos posicionamos en respuesta a preguntas específicas.

Magdalena Radecka

Jefe de Marketing de Worksmile

Acción: 

A partir de ahí, crearon un plan de acción concreto:

• reducir la exposición de los contenidos relacionados con el bienestar (por ejemplo, ocultando algunas subpáginas y escenarios),
• poner más énfasis en los contenidos sobre comunicación interna y procesos de RRHH,
• distribuir y promocionar contenidos fuera del sitio web (por ejemplo, publicando anuncios en nuevas plataformas como Bing)

Resultado: 

El equipo ya está viendo el primer cambio en las respuestas de la IA hacia la comunicación interna y el compromiso.

La comparación que se muestra a continuación es entre el segundo trimestre (cuando Worksmile empezó a explorar la IA) y el cuarto trimestre de 2025 para una de las preguntas del área de RRHH. 

• Q2: 17.3 (Worksmile comienza a explorar la IA)
• Q4 2025: 12.6 (+4,7 puestos) -> 27% aumento
• Últimos 30 días (a 22 de enero de 2026): 10º puesto

El siguiente paso es verificar los progresos dentro de unos meses, añadiendo más preguntas de “HCM-heavy” al seguimiento y comprobando cómo cambia el posicionamiento de los modelos con el paso del tiempo.

2. Construir una estrategia de contenidos preparada para el LLM

Worksmile no se detuvo en la reputación y el control narrativo en los LLM: también quería que su propio contenido se convirtiera en el modelos de fuentes primarias cite al responder a preguntas sobre la marca y el sector. 

En lugar de tratar la “visibilidad LLM” como un afortunado efecto secundario de un buen marketing, lo enfocaron como un canal: medibles, comprobables y planificadas.

Información clave de Chatbeat: Al comprobar las fuentes clave, vieron qué fuentes son las más citadas y pudieron examinar por qué. Vieron qué fuentes de su propio dominio se citaban y cuánta cuota de voz tenían y pudieron trabajar para aumentar su cuota de voz.

Cuando empezamos a utilizar Chatbeat, vimos cómo estamos posicionados en diferentes LLM. En algunos estamos mejor (por ejemplo, ChatGPT), y en otros peor. Eso nos ayudó a profundizar en la investigación: qué hacer en los sitios en los que tenemos peores resultados, qué formatos y lugares de publicación funcionarán. Lo convertimos en un plan y construimos un mapa de contenidos: sabemos qué formato preparar para cada LLM. Y vuestra herramienta nos ayuda a verificar esas hipótesis.

Magdalena Radecka

Jefe de Marketing de Worksmile

Acción:

A partir de ahí, pasaron de la intuición a un sistema repetible, utilizando ideas de posicionamiento para hacer que la investigación fuera procesable:

• identificar qué LLMs los clasifican bien frente a los que los clasifican mal
• determinar qué formatos y canales de publicación mejoran la visibilidad
• traducir los aprendizajes en un mapa de contenidos (formato → canal → LLM de destino).
• utilizar la información de Chatbeat para verificar hipótesis e iterar

Resultados:

Cambio de trimestre a trimestre (citas para un indicador seleccionado):

• T2 2025: sólo 1 fuente de Worksmile aparece entre las 10 primeras, y ocupa el puesto #5.
• Q4 2025: Alcanzada la milla de obras #1 en citas - y añadió 2 fuentes más en el Las 10 principales fuentes (capturas de pantalla a continuación).
  

Manual de contenidos LLM

¿Quieres mejorar la frecuencia con la que tu marca es citada por los LLM que utilizan contenidos? Esto es lo que hizo Worksmile y lo que realmente funcionó.

3. Evaluación comparativa de resultados e indicadores clave de rendimiento

Worksmile también necesitaba un punto de referencia numérico para asegurarse de que no se quedaba atrás y para priorizar el esfuerzo allí donde fuera más rápido.

Información clave de Chatbeat: Podrían rastrear visibilidad/puntuación de la marca como métrica sanitaria de alto nivel y combinarla con posición mediana como un KPI más procesable - desglosado por LLM y comparado con la competencia (por ejemplo, MyBenefit, PeopleForce). 

Esto reveló dos cosas: 

• por lo general, obtenían buenos resultados frente a la mayoría de los competidores
• un competidor ocupaba sistemáticamente una posición más alta, lo que cambió su enfoque de “más visibilidad a cualquier precio” a mejorar la calidad y corrección de los mensajes - enseñar a los LLM a describirlos como quieran.

Acción:

Con los KPI por modelo (por ejemplo, Pasar de #3 a #2 en ChatGPT a mediados de año; +1 en Perplejidad; +2 en Claude y Géminis; alcanzar una visibilidad “excelente” a finales de año.), utilizaron el punto de referencia para tomar decisiones de marketing concretas:

• dar prioridad a las mejoras donde el rendimiento era más débil (modelo + conjunto de indicaciones)
• canales de prueba que influyen en el abastecimiento de LLM (por ejemplo, Bing, YouTube, Wikipedia/Wikidata)
• realizar experimentos en plataformas adicionales (Quora/Reddit)

Resultado:

En unos pocos meses -no años- han pasado de un índice de visibilidad global a otro. “respetable” a “bueno”, y convirtió la visibilidad de LLM en un sistema medible que informa directamente las prioridades de marketing y los OKR.

Para llevar a otras marcas

El planteamiento de Worksmile era eficaz y repetible: