Skip to main content
Profound MCP ofrece a los asistentes de IA acceso de solo lectura a los datos de Answer Engine Optimization (AEO), visibilidad de marca, citas, sentimiento, compras y Agent Analytics de Profound. Usa esta página para entender lo que puede hacer el servidor MCP alojado antes de conectarlo a un cliente MCP. Cuando estés listo para conectarte, consulta las guías de conexión.

​
Cómo funcionan las herramientas en conjunto

La mayoría de las conversaciones comienzan con las herramientas de descubrimiento y luego pasan a los informes. Así es como suele verse:
1

Confirma el acceso

Pregunta qué datos puedes ver. El asistente confirma el usuario que inició sesión, las organizaciones, regiones y permisos disponibles con whoami.
2

Encuentra el alcance adecuado

Pregunta por la marca o el sitio que te interesa. El asistente lo resuelve con list_organizations y luego con list_categories para los informes de visibilidad o con list_domains para los informes de tráfico.
3

Agrega filtros opcionales

Pide acotar la pregunta a un mercado, motor de IA, conjunto de prompts, tema o etiqueta. El asistente resuelve esos filtros con list_regions, list_models, list_tags, list_topics y list_prompts.
4

Ejecuta un informe

Pregunta por lo que quieres que se informe. El asistente obtiene datos de visibilidad, sentimiento, citas, respuestas a prompts, compras, referencias o rastreo de bots para el rango de fechas que indiques.

​
Comportamiento y seguridad

Todas las herramientas son de solo lectura. Obtienen datos de análisis, pero no crean, actualizan ni eliminan nada en Profound. Todas las herramientas de informes establecen las siguientes sugerencias MCP: Las fechas son cadenas ISO 8601 en formato YYYY-MM-DD. Los informes validan start_date y end_date y devuelven un error accionable si la ventana de fechas no es válida.

​
Informes de visibilidad

Estas herramientas se limitan a un category_id y un rango de fechas. Úsalas para entender cómo aparecen las marcas en las respuestas de IA, tanto en las respuestas de texto normales como en los resultados del modo de compras.

​
Informes de visibilidad de marca

Usa estas herramientas para entender cómo aparecen las marcas en las respuestas de IA, qué tono tienen esas respuestas, qué tan precisas son y qué fuentes citan los motores de IA.
Mide con qué frecuencia y con qué prominencia aparece una marca en las respuestas de IA para una categoría en un rango de fechas.Prompts de ejemplo:
  • “¿Qué tan visibles fuimos en las respuestas de IA el mes pasado, desglosado por modelo?”
  • “¿Estamos ganando o perdiendo visibilidad frente a los competidores este trimestre?”
Métrica predeterminada: visibility_score. Las otras métricas son share_of_voice y average_position.visibility_score es un decimal sin procesar. Multiplícalo por 100 para que coincida con el porcentaje que muestra la plataforma de Profound, de modo que 0.42 es 42 %.EntradasNotas:
  • Cada fila incluye un objeto asset de {name, owned}. Los resultados siempre se agrupan por marca además de por group_by, por lo que obtienes una fila por marca por intervalo.
  • limit limita los grupos de nivel superior en lugar de las filas, por lo que una consulta agrupada devuelve más filas que el límite que establezcas.
Mide el sentimiento que expresan las respuestas de IA sobre una marca o competidor en una categoría en un rango de fechas, o el sentimiento de las páginas que esas respuestas citan.Prompts de ejemplo:
  • “¿Qué tono tienen las respuestas de IA sobre nuestros precios?”
  • “¿Qué páginas citadas son más negativas sobre nuestra marca?”
El sentimiento proviene de las propias respuestas o de las páginas que citan, y source selecciona cuál.EntradasNotas:
  • citation_category, page_contains, citation_sort_by y citation_sort_direction solo están disponibles cuando source es citation; de lo contrario, devuelven un error.
  • Los filtros acotan los resultados, pero nunca los agrupan. Cuando source es citation, model cambia qué páginas califican y su cuota de citas, pero el sentimiento sigue siendo el de la página, no el del modelo.
Muestra qué fuentes citan los motores de IA para una categoría, y con qué frecuencia, en un rango de fechas.Prompts de ejemplo:
  • “¿Qué sitios citan más los motores de IA en nuestra categoría?”
  • “¿Con qué frecuencia citan las respuestas de IA nuestro propio dominio?”
Métricas predeterminadas: count y citation_share. count es la frecuencia de citas sin procesar, y citation_share se promedia por modelo de IA para que siga siendo comparable entre modelos.Sin group_by, cada fila es un dominio citado, ordenado del más citado al menos citado. Usa este valor predeterminado para encontrar qué sitios citan más los motores de IA.
group_by: ["page"] devuelve una fila por página citada y no se puede combinar con scope: "owned" ni con domain_filter, ya que ambos acotan a un dominio.
EntradasNotas:
  • Cada fila incluye un rank, donde 1 es el más citado. first_cited_at solo se devuelve en las filas de página.
  • limit limita los grupos de nivel superior en lugar de las filas, por lo que una consulta agrupada devuelve más filas que el límite que establezcas.
Obtiene las respuestas que dieron los motores de IA a los prompts de una categoría en un rango de fechas: el texto sin procesar detrás de las métricas de visibilidad.Prompts de ejemplo:
  • “¿Qué respondieron los motores de IA a nuestros prompts de ahorro la semana pasada?”
  • “Trae las respuestas detrás de la caída de visibilidad del mes pasado.”
EntradasNotas:
  • Varios ID en una lista coinciden con cualquiera de esos ID. Cuando se establecen ambas entradas, una respuesta debe coincidir con ambas.
  • Los filtros se aplican antes de la paginación, por lo que una llamada filtrada solo pagina entre las respuestas que coinciden.
Informa con qué precisión describen las respuestas de IA una categoría en un rango de fechas: la puntuación de FactCheck, su tendencia y los recuentos de afirmaciones precisas e inexactas que la sustentan.Prompts de ejemplo:
  • “¿Cuál es nuestra puntuación de FactCheck del mes pasado?”
  • “¿Está mejorando la precisión y qué modelos son los menos precisos?”
Las filas siempre devuelven accuracy, accurate e inaccurate. Sin group_by, el informe devuelve la puntuación principal de la categoría.EntradasNotas:
  • FactCheck se limita a una categoría, por lo que no hay entrada de marca ni de competidor.
  • Los filtros coinciden con los nombres de forma exacta.
  • topic_negate solo se aplica a topic y deja que los demás filtros acoten como de costumbre.
Enumera las afirmaciones inexactas que hicieron las respuestas de IA sobre una categoría en un rango de fechas.Prompts de ejemplo:
  • “¿Qué afirmaciones inexactas surgieron en nuestra categoría el mes pasado?”
  • “¿Cuál es la evidencia detrás de la afirmación inexacta más común y qué páginas se citan para ella?”
EntradasNotas:
  • group_by admite un solo valor, y group_by: ["tag"] no se puede combinar con un filtro tag. No se admite agrupar por fecha, cita o afirmación.
  • citation_sources agrega las páginas citadas para cada afirmación, por lo que no se puede combinar con group_by, y limit debe ser 5 o menos. Un límite mayor devuelve un error en lugar de reducirse automáticamente.
  • Los valores de include agregan por qué cada afirmación es inexacta, qué modelos la repitieron y qué páginas se citan para ella. Esos valores se pueden combinar, por lo que una sola llamada sin agrupar puede devolver juntos el tema, el razonamiento, los modelos, la evidencia y las fuentes de citas de una afirmación.
  • Para obtener la puntuación, su tendencia o los recuentos de afirmaciones precisas e inexactas, usa get_factcheck_report en su lugar.

​
Informes heredados de visibilidad y citas

get_visibility_report y get_citations_report tienen cada uno una versión anterior que devuelve la forma de respuesta heredada: filas como valores posicionales, agrupadas con dimensions en lugar de group_by, y sin la delimitación por marca de scope y assets. Ambas siguen disponibles para las integraciones creadas con la forma anterior.
Estas herramientas usan una ventana de fechas semiabierta: start_date es inclusivo y end_date es exclusivo. Para cubrir todo abril de 2026, pasa start_date: 2026-04-01 y end_date: 2026-05-01. Las herramientas actuales tratan ambos extremos como inclusivos, por lo que las mismas fechas cubren una ventana diferente.
Mide con qué frecuencia y con qué prominencia aparece una marca en las respuestas de IA para una categoría en un rango de fechas, y devuelve la forma de respuesta heredada. Para integraciones nuevas, usa get_visibility_report en su lugar.Métrica predeterminada: visibility_score.Otras métricas útiles incluyen share_of_voice, mentions_count, executions y average_position. Las dimensiones útiles incluyen date, region, topic, model, prompt, tag, persona y asset_name.EntradasNotas:
  • visibility_score es un decimal sin procesar. Multiplícalo por 100 para que coincida con el porcentaje que muestra la plataforma de Profound.
  • Sin un filtro de activos ni asset_name en dimensions, visibility_score se suma entre todas las marcas rastreadas de la categoría, por lo que el total puede superar 1. Para limitar el informe a una marca, pasa asset_filter o agrega asset_name a dimensions.
Muestra qué fuentes citan los motores de IA para una categoría, y con qué frecuencia, en un rango de fechas, y devuelve la forma de respuesta heredada. Para integraciones nuevas, usa get_citations_report en su lugar.Métricas predeterminadas: count y citation_share. Las dimensiones incluyen hostname, path, root_domain, url, model, topic, prompt, tag y persona.
root_domain_filter debe ir acompañado de dimensions: ["root_domain"].
Entradas

​
Informes de visibilidad en compras

Actualmente, los datos de análisis de compras solo están disponibles para ChatGPT.
Usa estas herramientas para entender cómo aparecen las marcas, los productos y los minoristas cuando la IA responde a un prompt con resultados del modo de compras.
Empieza por preguntarle al asistente con qué frecuencia los prompts de la categoría devuelven resultados de compras (get_shopping_trigger_rate_report). Si rara vez lo hacen, los demás informes de compras tendrán pocos datos que mostrar.
Mide con qué frecuencia aparece cada marca cuando ChatGPT devuelve resultados de compras. Es el equivalente de compras de get_visibility_report.Prompts de ejemplo:
  • “¿Qué marcas aparecen más en los resultados de compras de ChatGPT para nuestra categoría?”
  • “¿Cómo se compara nuestra visibilidad en compras con la de los competidores, día a día?”
EntradasNotas:
  • Cada fila incluye un objeto asset de {name, owned}, y el activo siempre es una clave de agrupación implícita: los resultados son una fila por activo e intervalo de agrupación.
Mide la visibilidad de productos individuales dentro de los resultados de compras de IA, con una fila por producto más cualquier intervalo de agrupación.Prompts de ejemplo:
  • “¿Qué tan visibles son nuestros productos en los resultados de compras de ChatGPT?”
  • “¿Dónde se vende nuestro producto estrella y a qué precio?”
EntradasNotas y consejos:
  • Las métricas predeterminadas son visibility_score, average_position, visibility_rank, position1_percentage, position2_percentage, position3_percentage, position_above3_percentage, product_rating y product_num_reviews.
  • Las métricas position son la forma en que tu asistente distingue entre “siempre se muestra, siempre en cuarto lugar” y “a veces se muestra en primer lugar”. Cada una es una fracción sin procesar de 0 a 1 de las apariciones del producto en esa posición, y juntas suman aproximadamente 1, por lo que 0.30 es 30 %.
  • El modo include_merchants no acepta group_by ni target_product, y las métricas de frecuencia de posición no están disponibles en él.
Mide qué minoristas aparecen en los resultados de compras de una categoría.Prompt de ejemplo:
  • “¿Qué minoristas muestra ChatGPT para nuestra categoría?”
EntradasLa entrada view decide qué representa cada fila y qué métricas están disponibles.Cada vista acepta sus propias métricas, y el servidor rechaza cualquier cosa fuera de ese conjunto:Notas y consejos:
  • Este informe no tiene filtro de minorista ni de producto, por lo que no puedes acotar los resultados a un solo minorista. En su lugar, acota por tema, región, persona, prompt o etiqueta y luego busca el minorista que te interesa en las filas devueltas.
  • El campo de metadatos info.view indica la vista que aplicó el servidor. view es opcional y su valor predeterminado es distribution, así que si las filas no se ven como esperabas, revisa info.view para ver qué vista las generó.
Mide con qué frecuencia los prompts devuelven resultados del modo de compras. Es el denominador detrás de los demás informes de compras; el asistente puede usarlo para explicar un resultado escaso o vacío.Prompts de ejemplo:
  • “¿Con qué frecuencia nuestros prompts activan resultados del modo de compras?”
  • “¿Qué temas activan el modo de compras con más frecuencia?”
EntradasNotas y consejos:
  • Las métricas predeterminadas son total_runs, shopping_triggered_runs y trigger_rate_percentage.
  • A pesar de su nombre, trigger_rate_percentage es una fracción decimal entre 0 y 1, por lo que 0.17 significa 17 %.
  • Agrupa los resultados por prompt o topic para ver qué prompts o temas activan resultados de compras con más frecuencia. Esos son los lugares donde vale la pena optimizar la visibilidad en compras.

​
Informes de tráfico

Estas herramientas se limitan a un dominio rastreado, no a una categoría. El asistente primero resuelve el dominio con list_domains y pasa el nombre de host exacto que devuelve Profound.
Mide las visitas que recibió un dominio desde motores de IA, como ChatGPT y Perplexity, en un rango de fechas.Métrica predeterminada: visits. Las dimensiones útiles incluyen referral_type, referral_source y date.Entradas
Mide la actividad de los rastreadores de IA en un dominio en un rango de fechas, incluidos bots como GPTBot y PerplexityBot.Prompts de ejemplo:
  • “¿Qué rastreadores de IA visitan nuestro dominio?”
  • “¿GPTBot nos está rastreando más desde la actualización del sitio?”
Métricas predeterminadas: count y citations. Las dimensiones útiles incluyen bot_provider, bot_name, bot_type y date.Entradas

​
Recursos

Profound MCP también expone recursos MCP de solo lectura: material de referencia estático que un cliente MCP puede cargar en el contexto. El espacio {term} acepta cualquier slug del índice del glosario, que incluye las métricas y los conceptos de informes detrás de las herramientas de esta página: