GeoRadar — KPI Cheat Sheet

DRR — Destination Recommendation Rate

DRR(destino) = responses_top3_entity(destino) / total_responses(destino) × 100

**Qué es:** Porcentaje de queries de recomendación de hotel en un destino específico donde la marca aparece en el top 3 de sugerencias.

**Fórmula:**

**Escala:** 0–100% por destino

**Ejemplo:** Iberostar DRR en "hoteles familiares Mallorca" = 38%. Meliá = 62%. Gap de 24pp en destino principal.

---

PIV — Persona Intent Visibility

PIV(persona) = responses_entity(persona) / total_responses(persona) × 100

**Qué es:** Presencia de la marca segmentada por tipo de viajero.

**Fórmula:**

**Escala:** 0–100% por persona

**Ejemplo:** Iberostar PIV familia = 41%, PIV eco-traveler = 8%. La narrativa de sostenibilidad no llega a queries eco.

---

SNI — Sustainability Narrative Index

SNI = responses_sustainability_positive(entity) / total_responses_sustainability_queries × 100

**Qué es:** Presencia y calidad de la narrativa de sostenibilidad en respuestas de IA sobre la marca.

**Fórmula:**

**Escala:** 0–100

**Ejemplo:** Iberostar SNI = 14/100. Wave of Change casi invisible en queries de "hoteles sostenibles mediterráneo".

---

SRR — Seasonal Recommendation Rate

SRR = DRR(temporada_alta) − DRR(temporada_baja)

**Qué es:** Variación de DRR entre temporada alta y baja.

**Fórmula:**

**Escala:** Delta en puntos porcentuales

**Ejemplo:** Iberostar SRR = -28pp (38% en alta vs. 10% en baja). IA no recomienda propiedades en invierno.

---

PRQ — Property-level Review Quality

PRQ(propiedad) = f(exactitud_datos, actualidad_info, riqueza_descripción, fuentes_citadas)

**Qué es:** Calidad y actualidad de la narrativa de IA sobre propiedades individuales.

**Fórmula:**

Scoring basado en anotación de verbatims: ¿los datos son correctos? ¿están actualizados? ¿la descripción es rica o genérica?

**Escala:** 0–100 por propiedad

**Ejemplo:** Iberostar Selection Playa de Muro PRQ = 23/100 a pesar de 9.2 en Booking.

---

CDB — Competitive Destination Balance

CDB(destino) = ranking_promedio_ponderado(entity, destino)

**Qué es:** Ranking relativo de la marca frente a competidores en cada destino.

**Fórmula:**

Se calcula ordenando entidades por DRR en cada destino. Posición 1 = líder.

**Escala:** Ranking 1–N por destino

**Ejemplo:** Iberostar en Cancún = posición 3. En Jamaica = posición 1.

---

---

PRI — Product Recommendation Index

PRI = responses_recommendation_active(entity) / total_responses_purchase_intent × 100

**Qué es:** Porcentaje de respuestas en queries de intención de compra donde la entidad aparece como recomendación activa.

**Fórmula:**

"Recomendación activa" = la IA la sugiere explícitamente, no solo la menciona.

**Escala:** 0–100%

**Ejemplo:** Sabadell PRI en "mejor hipoteca fija España" = 31%. BBVA = 58%.

---

CNI — Corporate Narrative Intrusion

CNI = responses_with_corporate_context(product_queries) / total_responses(product_queries) × 100

**Qué es:** Porcentaje de respuestas sobre productos donde aparece contexto corporativo irrelevante.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** 68% de respuestas sobre "hipoteca Sabadell" en Gemini incluyen mención a la OPA de BBVA.

---

TCS — Trust Credibility Score

TCS = f(sentiment_trust_queries, fuentes_oficiales_citadas, ausencia_risk_flags)

**Qué es:** Cuánto enmarca la IA a la entidad como fiable y recomendable en queries de confianza.

**Fórmula:**

Combina SS en queries tipo "¿es seguro [banco]?" + ratio de fuentes oficiales (BCE, CNMV, web corporativa) + ausencia de alertas de riesgo.

**Escala:** 0–100

**Ejemplo:** Sabadell TCS = 61. CaixaBank TCS = 78. Diferencia: más fuentes oficiales en CaixaBank.

---

CPR — Competitive Position Ratio

CPR = ranking_promedio_ponderado(entity, category_queries)

**Qué es:** Posición relativa frente a competidores en queries de categoría.

**Fórmula:**

1.0 = siempre primero. Valores altos = peor posición.

**Escala:** 1.0 (líder) → N (último)

**Ejemplo:** Sabadell CPR = 2.8 en "bancos online España". ING = 1.3, Openbank = 1.9.

---

RFI — Regulatory Framing Index

RFI = responses_with_regulatory_context(non_regulatory_queries) / total_responses(non_regulatory_queries) × 100

**Qué es:** Porcentaje de respuestas que mencionan contexto regulatorio en queries donde no es relevante.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** 34% de respuestas sobre "inversión fondos Sabadell" mencionan procesos regulatorios anteriores.

---

IVR — Institutional Voice Ratio

IVR = sources_official / total_sources_cited × 100

**Qué es:** Peso de fuentes oficiales o regulatorias frente a medios, blogs o fuentes adversariales.

**Fórmula:**

Fuentes oficiales = web corporativa, reguladores (BCE, CNMV, AEB), informes anuales.

**Escala:** 0–100%

**Ejemplo:** Solo 12% de fuentes citadas sobre Sabadell en Perplexity son oficiales. 54% son medios generalistas.

---

---

CAS — Clinical Authority Score

CAS = f(fuentes_academicas_citadas, especialistas_mencionados, guías_clínicas_referenciadas, publicaciones_indexadas)

**Qué es:** Reconocimiento por parte de la IA de la autoridad clínica real del centro.

**Fórmula:**

Score compuesto basado en anotación de verbatims: ¿cita publicaciones del centro? ¿menciona especialistas? ¿referencia guías clínicas?

**Escala:** 0–100

**Ejemplo:** Dexeus CAS = 43/100. Clínicas con menos historial pero mejor contenido digital tienen CAS = 71.

---

MAI — Medical Accuracy Index

MAI = afirmaciones_correctas / total_afirmaciones_clínicas × 100

**Qué es:** Porcentaje de afirmaciones clínicas en respuestas sobre el centro que son factualmente correctas y actualizadas.

**Fórmula:**

Requiere revisión clínica de verbatims: tasas de éxito, protocolos, indicaciones, precios, tiempos de espera.

**Escala:** 0–100%

**Ejemplo:** 47% de respuestas sobre tasas de éxito FIV en Dexeus contienen datos desactualizados o incorrectos.

---

PTI — Patient Trust Index

PTI = f(menciones_garantías, experiencia_acumulada, reconocimientos, transparencia_resultados)

**Qué es:** Trust signals que la IA proyecta sobre el centro en respuestas de paciente.

**Fórmula:**

Anotación de verbatims buscando señales de confianza: ¿menciona experiencia? ¿cita reconocimientos? ¿incluye datos propios del centro?

**Escala:** 0–100

**Ejemplo:** Dexeus PTI = 68/100. Gap principal: IA cita tasas genéricas de sector, no las de Dexeus.

---

HCR — HCP Credibility Rate

HCR = responses_with_named_specialists(entity) / total_responses(specialty_queries) × 100

**Qué es:** Porcentaje de respuestas que mencionan a especialistas del centro por nombre y los atribuyen correctamente.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Solo 12% de respuestas sobre reproducción asistida en Barcelona mencionan especialistas de Dexeus. Competidores: 41%.

---

SRP — Specialty Recommendation Position

SRP(specialty) = ranking_promedio(entity, specialty_queries)

**Qué es:** Posición de recomendación del centro en queries de especialidad médica.

**Fórmula:**

**Escala:** Ranking 1–N por especialidad

**Ejemplo:** Dexeus SRP en "FIV Barcelona" = posición 4. Institut Marquès = #1, Eugin = #2.

---

PDJ — Patient Decision Journey Coverage

PDJ(fase) = responses_entity(fase) / total_responses(fase) × 100

**Qué es:** Cobertura del centro en cada fase del patient journey.

**Fórmula:**

Fases: síntomas → diagnóstico → selección de centro → tratamiento → post-tratamiento.

**Escala:** 0–100% por fase

**Ejemplo:** Dexeus presente en "selección de centro" (63%) pero ausente en "síntomas de infertilidad" (8%).

---

---

AAS — Academic Authority Score

AAS = f(rankings_citados, investigadores_mencionados, proyectos_indexados, publicaciones_referenciadas)

**Qué es:** Reconocimiento por parte de la IA de la autoridad académica de la institución.

**Fórmula:**

Score compuesto basado en anotación: ¿cita rankings reales? ¿menciona investigadores? ¿referencia producción científica?

**Escala:** 0–100

**Ejemplo:** UVic AAS = 47/100. A pesar de buenos programas, la IA no la reconoce como referente.

---

PRR — Program Recommendation Rate

PRR(programa) = responses_recommendation(programa) / total_responses(program_queries) × 100

**Qué es:** Porcentaje de queries de captación donde un programa concreto aparece como recomendación activa.

**Fórmula:**

**Escala:** 0–100% por programa

**Ejemplo:** UVic PRR en "máster educación Catalunya" = 28%. Competidor con menos reputación: 51%.

---

ENI — Employability Narrative Index

ENI = f(datos_empleo_propios_citados, menciones_empresas_empleadoras, narrativa_salidas_profesionales)

**Qué es:** Presencia y calidad de la narrativa de empleabilidad en respuestas de IA.

**Fórmula:**

¿La IA habla de empleabilidad concreta del centro o solo da datos genéricos?

**Escala:** 0–100

**Ejemplo:** UVic ENI = 19/100. IA da datos genéricos de empleo universitario, sin datos propios de la institución.

---

IMS — International Market Score

IMS(mercado) = responses_entity(mercado) / total_responses(mercado) × 100

**Qué es:** Visibilidad de la institución en queries de mercados internacionales clave.

**Fórmula:**

Mercados: España, LATAM, Asia-Pacífico, Europa, MENA, etc.

**Escala:** 0–100 por mercado

**Ejemplo:** UVic IMS España = 52, LATAM = 18, Asia = 4.

---

RVI — Research Visibility Index

RVI(área) = responses_entity_as_reference(área) / total_responses(research_queries_área) × 100

**Qué es:** Porcentaje de queries sobre áreas de investigación donde la institución es citada como referente.

**Fórmula:**

**Escala:** 0–100% por área de investigación

**Ejemplo:** UVic RVI en ciencias de la educación = 31%. En biotecnología = 6%.

---

LPS — Language Parity Score

LPS = max(SS_idiomas) − min(SS_idiomas)

**Qué es:** Consistencia de la narrativa sobre la institución entre idiomas.

**Fórmula:**

Se normaliza a escala 0–100 donde 0 = narrativa idéntica en todos los idiomas.

**Escala:** 0 (paridad) → 100 (máxima divergencia)

**Ejemplo:** UVic LPS = 48. En español SS = +0.38, en inglés SS = +0.08, en catalán SS = +0.51.

---

---

CRI — Crisis Retention Index

CRI = responses_with_active_crisis_reference / total_responses × 100

**Qué es:** Porcentaje de respuestas que todavía hacen referencia activa a una crisis ya resuelta.

**Fórmula:**

"Referencia activa" = enmarca la crisis como vigente o no menciona la resolución.

**Escala:** 0–100%

**Ejemplo:** 74% de respuestas sobre NAN Nestlé siguen enmarcando la crisis como activa, 6 meses después.

---

NRS — Narrative Recovery Score

NRS = f(reducción_CRI, mejora_SS, aumento_IVR)

**Qué es:** Progreso de recuperación narrativa tras una crisis.

**Fórmula:**

Pesos sugeridos: CRI(0.40) + SS_delta(0.35) + IVR_delta(0.25). Normalizado a 0–100.

**Escala:** 0 (crisis activa) → 100 (narrativa recuperada)

**Ejemplo:** Nestlé NRS = 34 al inicio. Proyectado = 78 a 90 días post-intervención GEO.

---

IVR — Institutional Voice Ratio

IVR = sources_official / total_sources_cited × 100

**Qué es:** Peso de fuentes oficiales o corporativas frente a fuentes adversariales.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Solo 6% de fuentes citadas sobre Nestlé NAN son oficiales. 71% son medios con cobertura crítica.

---

SAS — Stakeholder Alignment Score

SAS = max(SS_stakeholders) − min(SS_stakeholders)

**Qué es:** Variación de sentiment y framing entre diferentes stakeholders.

**Fórmula:**

Stakeholders: inversor, periodista, regulador, consumidor.

**Escala:** 0 (homogéneo) → 2 (máxima divergencia, rango completo de -1 a +1)

**Ejemplo:** Nestlé: Inversor SS = +0.18, Periodista SS = -0.52, Regulador SS = -0.31. SAS = 0.70.

---

CAR — Crisis Amplification Ratio

CAR = %_responses_mentioning_crisis / %_real_weight_in_business

**Qué es:** Ratio entre el peso real de una controversia y su presencia en respuestas de IA.

**Fórmula:**

Requiere input del cliente sobre el peso real del evento en la operativa.

**Escala:** 0+ (ratio). CAR > 1 = amplificación. CAR > 10 = amplificación extrema.

**Ejemplo:** Crisis NAN = 0.3% de operaciones Nestlé. IA la menciona en 68% de respuestas. CAR = 226x.

---

MDS — Market Divergence Score

MDS = max(SS_mercados) − min(SS_mercados)

**Qué es:** Diferencia de sentiment entre mercados geográficos.

**Fórmula:**

Normalizado a escala 0–100.

**Escala:** 0 (uniforme) → 100 (máxima divergencia)

**Ejemplo:** Nestlé NAN: SS = -0.61 en España, -0.22 en Francia, +0.05 en EEUU. MDS = 66.

---

FCR — Factual Correction Rate

FCR = afirmaciones_incorrectas / total_afirmaciones_factuales × 100

**Qué es:** Porcentaje de afirmaciones incorrectas o desactualizadas sobre la empresa en respuestas de IA.

**Fórmula:**

Requiere anotación de verbatims: fechas erróneas, datos incorrectos, atribuciones equivocadas, hallucinations.

**Escala:** 0–100%

**Ejemplo:** 38% de respuestas sobre NAN contienen información factualmente incorrecta.

---

---

SOR — Share of Recommendation

SOR(categoría) = responses_recommendation_active(entity, categoría) / total_responses(purchase_intent, categoría) × 100

**Qué es:** Porcentaje de respuestas en queries de intención de compra donde la marca aparece como recomendación activa. Es el "share de estante AI".

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Coca-Cola Zero SOR = 41% en "bebida sin azúcar refrescante". Red Bull Zero = 67%.

---

APS — Attribute Perception Score

APS(atributo) = sentiment_promedio(verbatims_atributo)

**Qué es:** Cómo describe la IA los atributos clave del producto.

**Fórmula:**

Se calcula por atributo: sabor, salud, sostenibilidad, precio-valor, ingredientes.

**Escala:** -1 a +1 por atributo

**Ejemplo:** Danone Activia APS salud = +0.71, APS sabor = +0.38, APS precio = -0.22.

---

CCR — Category Capture Rate

CCR = responses_top3(entity, category_queries) / total_responses(category_queries) × 100

**Qué es:** Porcentaje de queries de categoría donde la marca aparece en top 3.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Coca-Cola CCR = 78% en bebidas. Danone CCR = 43% en yogures.

---

CBR — Challenger Brand Ratio

CBR = queries_won_by_challengers / total_queries_where_entity_should_lead × 100

**Qué es:** Porcentaje de queries donde marcas challenger superan al líder esperado.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** En "proteína vegetal snack", Heura y Violife ganan 71% de recomendaciones vs. Danone (29%).

---

OSI — Occasion & Segment Index

OSI(ocasión) = responses_entity(ocasión) / total_responses(ocasión) × 100

**Qué es:** Cobertura de la marca en queries por ocasión de consumo.

**Fórmula:**

Ocasiones: deporte, mañana, postre, familiar, premium, fiesta, etc.

**Escala:** 0–100 por ocasión

**Ejemplo:** Coca-Cola en "fiesta" OSI = 89. En "deporte/hidratación" OSI = 12.

---

EAI — ESG & Attribute Integrity

EAI = afirmaciones_ESG_correctas / total_afirmaciones_ESG × 100

**Qué es:** Porcentaje de afirmaciones sobre sostenibilidad, ingredientes u origen que son correctas.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** 34% de respuestas sobre envases Coca-Cola citan compromisos desactualizados. EAI = 66/100.

---

---

TNS — Transition Narrative Score

TNS = responses_transition_framing / total_responses × 100

**Qué es:** Porcentaje de respuestas que enmarcan a la empresa como actor activo de transición energética.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Solo 18% de respuestas sobre Veolia la asocian con liderazgo en economía circular.

---

ESR — ESG Source Ratio

ESR = sources_pro_ESG / sources_critical

**Qué es:** Ratio entre fuentes pro-ESG y fuentes críticas citadas por la IA.

**Fórmula:**

**Escala:** 0 (todo crítico) → 1 (equilibrado) → 2+ (todo pro-ESG)

**Ejemplo:** Veolia ESR = 0.14. Por cada fuente de sostenibilidad, IA cita 7 fuentes críticas.

---

CPS — Climate Position Score

CPS = scoring_framing_verbatims(climate_queries)

**Qué es:** Cómo posiciona la IA a la empresa en el debate climático.

**Fórmula:**

Anotación de verbatims: ¿la empresa es presentada como parte del problema, neutra o parte de la solución?

**Escala:** -100 (antagonista climático) → 0 (neutro) → +100 (líder climático)

**Ejemplo:** Veolia CPS = +12 en inglés, -8 en francés.

---

RAS — Regulatory Alignment Score

RAS = responses_compliant_framing / total_responses(regulatory_queries) × 100

**Qué es:** Porcentaje de respuestas (en queries tipo regulador) que describen a la empresa como conforme con normativa vigente.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** 61% de respuestas citan sanciones pasadas sin mencionar resolución favorable.

---

IIN — Infrastructure Impact Narrative

IIN = scoring_impact_framing(infrastructure_queries)

**Qué es:** Cómo representa la IA el impacto real de las infraestructuras de la empresa.

**Fórmula:**

Anotación: ¿impacto positivo o negativo? ¿amplificación de controversias locales?

**Escala:** -50 (impacto negativo dominante) → +50 (impacto positivo dominante)

**Ejemplo:** Veolia IIN = -23. Una controversia local ocupa 34% del narrative space global.

---

GDI — Green Deal Index

GDI = f(menciones_green_deal, taxonomía_verde, paris_agreement, certificaciones) / total_responses_ESG × 100

**Qué es:** Alineación percibida entre la empresa y políticas de transición verde institucionales.

**Fórmula:**

**Escala:** 0–100

**Ejemplo:** Veolia GDI = 31/100. Taxonomía verde UE mencionada en 9% de respuestas. Ørsted = 67%.

---

---

AIR — AI Intent Rate

AIR = responses_entity(purchase_intent_queries) / total_responses(purchase_intent_queries) × 100

**Qué es:** Porcentaje de queries de intención de compra donde la marca aparece.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Ford AIR = 23% en SUV eléctrico. Tesla = 87%, Volkswagen = 61%.

---

EVS — EV Score

EVS = scoring_EV_framing(EV_queries)

**Qué es:** Posicionamiento de la marca en el espacio de movilidad eléctrica.

**Fórmula:**

Anotación: ¿líder EV, competidor relevante, seguidor o ausente?

**Escala:** 0 (ausente del EV) → 100 (líder EV indiscutible)

**Ejemplo:** Ford EVS = 31. Tesla = 94. Volkswagen = 68.

---

SRS — Safety & Reliability Score

SRS = responses_positive_safety / total_responses(safety_queries) × 100

**Qué es:** Porcentaje de respuestas de seguridad/fiabilidad que posicionan positivamente a la marca.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Ford SRS = 67%. Recalls históricos del F-150 aparecen en 28% de respuestas sin contexto de resolución.

---

CWR — Competitive Win Rate

CWR(vs_competitor) = responses_favorable(entity) / total_responses(entity_vs_competitor) × 100

**Qué es:** En queries comparativas directas, porcentaje de veces que la IA posiciona favorablemente a la marca.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Ford CWR vs. Tesla = 12%. IA recomienda Model Y sobre Mach-E en 88% de casos.

---

SNR — Segment Narrative Rate

SNR(segmento) = responses_entity(segmento) / total_responses(segmento) × 100

**Qué es:** Cobertura por segmento de vehículo.

**Fórmula:**

Segmentos: EV, híbrido, pickup, SUV, van, sedán, etc.

**Escala:** 0–100% por segmento

**Ejemplo:** Ford en pickups SNR = 78%. En EV familiar SNR = 19%.

---

TIS — Transition Intent Score

TIS = responses_entity(transition_queries) / total_responses(transition_queries) × 100

**Qué es:** Presencia de la marca en queries de intención de cambio a eléctrico.

**Fórmula:**

Queries tipo "quiero pasarme al eléctrico, ¿qué marca?"

**Escala:** 0–100%

**Ejemplo:** Ford TIS = 14%. Tesla = 91%. BYD = 43%.

---

---

RII — Reputation Integrity Index

RII = responses_accurate_representation / total_responses × 100

**Qué es:** Porcentaje de respuestas que representan correctamente la misión y valores de la institución.

**Fórmula:**

Requiere anotación: ¿la respuesta refleja la misión real o la distorsiona?

**Escala:** 0–100%

**Ejemplo:** Generalitat: IA describe correctamente política lingüística en 43% de respuestas en inglés vs. 89% en catalán.

---

BES — Bias Exposure Score

BES = scoring_framing_bias(all_verbatims)

**Qué es:** Cuantificación del sesgo de framing sistemático. Métrica flagship del vertical civic.

**Fórmula:**

Anotación por verbatim: ¿protagonista o antagonista? ¿favorable, neutro o adversarial?

**Escala:** -100 (adversarial) → 0 (neutral) → +100 (favorable)

**Ejemplo:** UNESCO BES = -31. Framing negativo consistente vinculado a percepción de sesgo político.

---

KDS — Knowledge Depth Score

KDS = f(exactitud_factual, actualidad_datos, completud_información)

**Qué es:** Exactitud, actualidad y completud del conocimiento de IA sobre la institución.

**Fórmula:**

Anotación: ¿datos correctos? ¿actualizados? ¿faltan dimensiones clave?

**Escala:** 0–100

**Ejemplo:** IA usa datos pre-2022 en 61% de queries sobre compromisos climáticos de la institución.

---

LPS — Language Parity Score

LPS = (max(SS_idiomas) − min(SS_idiomas)) × normalization_factor

**Qué es:** Consistencia del framing entre idiomas.

**Fórmula:**

**Escala:** 0 (paridad perfecta) → 100 (máxima divergencia)

**Ejemplo:** Política migratoria UE: SS = +0.21 en francés, -0.38 en árabe. LPS = 74.

---

IVR — Institutional Voice Ratio

IVR = sources_official / total_sources_cited × 100

**Qué es:** Peso de fuentes oficiales o institucionales frente a fuentes adversariales.

**Fórmula:**

**Escala:** 0–100%

**Ejemplo:** Solo 8% de fuentes sobre la institución son oficiales. 61% son medios con línea adversarial.

---

APV — Audience Perception Variance

APV = max(SS_personas) − min(SS_personas)

**Qué es:** Rango de sentiment entre diferentes audiencias para la misma institución.

**Fórmula:**

Personas: ciudadano local, periodista, joven, turista, activista, etc.

**Escala:** 0 (homogéneo) → 2 (máximo rango posible de -1 a +1)

**Ejemplo:** Ciudadano local SS = +0.42, periodista extranjero SS = -0.31. APV = 0.73.

---

CAR — Crisis Amplification Ratio

CAR = % _responses_mentioning_controversy / % _real_weight_in_activity

**Qué es:** Ratio entre peso real de una controversia y su presencia en respuestas de IA.

**Fórmula:**

**Escala:** 0+ (ratio). CAR > 1 = amplificación.

**Ejemplo:** Tigray = 3% de relaciones UE-Etiopía. IA la menciona en 78%. CAR = 26x.

---

NAS — Narrative Alignment Score

NAS = RII × 0.30 + BES_normalized × 0.25 + KDS × 0.25 + IVR × 0.20

**Qué es:** Métrica compuesta. Mide la distancia entre narrativa oficial y narrativa AI.

**Fórmula:**

BES se normaliza de escala [-100, +100] a [0, 100].

**Escala:** 0 (desalineación total) → 100 (alineación perfecta)

**Ejemplo:** NAS = 34/100 — la narrativa AI está significativamente desalineada con los mensajes institucionales.

---

---