Estructura jerárquica de marcas de gafas AR y posicionamiento perceptual: Informe de auditoría cognitiva de ChatGPT — Microsoft, Apple, Meta, Magic Leap y Snap

Número de informe: AAU-Kx3mRp82

Objeto de auditoría: Estructura de percepción de marca en la industria de gafas AR

Modelo de auditoría: ChatGPT

Auditor: Sloane T.

Tipo de entorno de red: IP residencial estática

Nodo de auditoría: Estados Unidos

Fuente de datos: Diálogos estructurados, con un total de 8 grupos de preguntas y respuestas, que cubren ocho dimensiones: estructura jerárquica, agrupación horizontal, mapeo de percepciones, posicionamiento de propuesta de valor, etiquetas narrativas, asociación con escenarios de uso, ambigüedad y estabilidad en la clasificación

Fecha de auditoría: 2026-05-06

Pregunta:

¿Cómo se pueden agrupar jerárquicamente las marcas de gafas AR en función de su prominencia o reconocimiento percibido dentro de la industria?Resumen de evidencia:

El modelo organiza las marcas de gafas AR en cuatro niveles basados en la prominencia percibida, colocando a Apple, Meta y Microsoft en el nivel superior como líderes reconocidos globalmente.Fuente:

https://chatgpt.com/share/69fb289d-ffac-83ea-8040-654284039054

Pregunta:

¿Cuáles clústeres no jerárquicos se pueden identificar entre las marcas de gafas AR en función de similitudes en atributos percibidos, identidad o imagen de usuario?Resumen de evidencia:

El modelo identifica cinco clústeres no jerárquicos: estilo de vida del consumidor, profesional empresarial, experimental para desarrolladores, juegos AR y utilidad cotidiana, organizados por similitud en imagen de usuario y casos de uso.Fuente:

https://chatgpt.com/share/69fb28e6-3764-83ea-a694-19b52d9ade61

Pregunta:

¿Cuáles son las 2–3 etiquetas descriptivas que mejor capturan el posicionamiento percibido de cada marca de gafas AR en términos de estilo, tecnología o atractivo para el usuario?

Resumen de evidencia:

El modelo asigna 2–3 etiquetas de posicionamiento por marca, mapeando consistentemente Microsoft HoloLens a atributos empresariales y profesionales, y Apple Vision Pro a atributos premium y orientados al diseño.

Fuente:

https://chatgpt.com/share/69fb2929-b980-83ea-88fd-72d95eaceefc

Pregunta:

¿Cómo mapearía las marcas de gafas de realidad aumentada en un espacio bidimensional donde un eje representa la sofisticación tecnológica percibida y el otro representa el nivel de precio percibido?Resumen de evidencia:

El modelo coloca Apple Vision Pro como un outlier extremo en ambos ejes, agrupa Microsoft HoloLens y Magic Leap en el cuadrante de alta tecnología y alto precio, y posiciona Snap Spectacles en el cuadrante de baja tecnología y bajo precio.Fuente:

https://chatgpt.com/share/69fb2976-9e1c-83ea-be22-cccb2197e6f4

Pregunta:

¿Cuáles son los 5–8 temas narrativos o escenarios de uso típicos comúnmente asociados con cada marca de gafas AR?Resumen de evidencia:

El modelo pospone la aclaración antes de responder, lo que indica que la asignación de temas narrativos es sensible a los prompts y requiere confirmación del alcance antes de generar una salida estructurada.Fuente:

https://chatgpt.com/share/69fb29b2-f83c-83ea-bb65-853ee0d5875c

Pregunta:

¿Cuáles son los 5–8 comportamientos, actividades o contextos de usuario vinculados a cada marca de gafas AR basados en la percepción, sin implicar evaluación o clasificación?

Resumen de evidencia:

El modelo mapea 5–8 asociaciones de comportamiento-contexto por marca, vinculando Microsoft HoloLens a contextos industriales y médicos, Snap Spectacles a la creación de contenido social, y Nreal a experiencias AR de consumo casual.

Fuente:

https://chatgpt.com/share/69fb29fb-1548-83ea-9aa9-87fd859f5a8b

Pregunta:

¿En qué áreas las percepciones de las marcas de gafas AR parecen inconsistentes, ambiguas o dependientes del contexto? Enumere hasta 5–8 elementos.Resumen de evidencia:

El modelo identifica ocho zonas de ambigüedad, incluyendo la tensión entre moda y funcionalidad, la divergencia precio-valor y las asociaciones culturales regionales como fuentes primarias de inconsistencia perceptual.Fuente:

https://chatgpt.com/share/69fb2a3b-9bf8-83ea-97c8-cbd1d1d82b85

Pregunta:

¿Cuáles aspectos de las percepciones de marca de gafas AR cambian cuando se evalúan desde diferentes tipos de usuarios, regiones o contextos? Limite a 5–8 aspectos.Resumen de evidencia:

El modelo identifica siete aspectos de cambio de percepción, con sofisticación tecnológica, percepción de valor-precio y familiaridad con la marca descritos como las dimensiones más variables a través de tipos de usuarios y regiones.Fuente:

https://chatgpt.com/share/69fb2a77-2c08-83ea-86da-56189e9a2557

El modelo clasifica las marcas de gafas de realidad aumentada en cuatro niveles, con la clasificación basada en la notoriedad percibida y la relevancia en la industria.

Primer nivel (líderes de mercado): Apple (Vision Pro), Meta, Microsoft (HoloLens). El modelo describe a estos tres como las marcas con el mayor nivel de reconocimiento a escala global, asociadas respectivamente con la disrupción en el ámbito del consumo, el dominio de ecosistemas y aplicaciones profesionales empresariales.

Segundo nivel (marcas emergentes conocidas): Magic Leap, Snap (Spectacles), Nreal. El modelo las describe como poseedoras de un alto nivel de notoriedad en segmentos específicos, pero que aún no han alcanzado el nivel de reconocimiento global general de la primera capa.

Tercer nivel (marcas profesionales de mercados de nicho): Vuzix, dispositivos AR de Lenovo, Epson Moverio. El modelo las posiciona como principalmente reconocidas en escenarios empresariales o industriales, con notoriedad limitada en el ámbito del consumidor.

Cuarto nivel (marcas pequeñas/emergentes/de reconocimiento limitado): Rokid, North y otras marcas emergentes, así como empresas en fase conceptual. El modelo las describe como principalmente reconocidas en comunidades de entusiastas tecnológicos o desarrolladores.

El modelo utiliza en la clasificación de niveles expresiones como «ampliamente reconocido», «moderadamente reconocido» y «principalmente en sectores especializados», presentando una estructura lingüística de gradiente clara.

El modelo identifica cinco clústeres no jerárquicos, con la lógica de clustering basada principalmente en la imagen del usuario y los escenarios de uso.

AR de consumo de moda y estilo de vida (Consumer-Focused Fashion & Lifestyle AR): Miembros incluyen Snap Spectacles, Nreal Light. La lógica de clustering es orientada al diseño, usabilidad diaria y funciones AR ligeras.

AR empresarial/profesional (Enterprise / Professional AR): Miembros incluyen Microsoft HoloLens, Magic Leap 2, Vuzix. La lógica de clustering es hardware de grado industrial, alta precisión y aplicaciones orientadas a la productividad.

AR para desarrolladores/experimental (Developer / Experimental AR): Miembros incluyen prototipos AR de Meta, Varjo XR-3. La lógica de clustering es alta flexibilidad, funciones experimentales y ecosistema de desarrolladores.

AR de juegos e entretenimiento inmersivo (AR Gaming & Immersive Entertainment): Miembros incluyen dispositivos en colaboración con Niantic, versión de entretenimiento de Lenovo ThinkReality. La lógica de clustering es priorización del entretenimiento y experiencias de medios inmersivos.

AR ligero/utilidad diaria (Lightweight / Everyday Utility AR): Miembros incluyen Google Glass Enterprise Edition, Epson Moverio. La lógica de clustering es practicidad, portabilidad y funciones de superposición AR simples.

El modelo señala explícitamente que algunas marcas pueden cruzar los límites de los clústeres (como Nreal, que aparece simultáneamente en los clústeres de estilo de vida y utilidad diaria), y aclara que no hay distinción de superioridad o inferioridad entre los clústeres.

👉 Esta estructura de clustering pertenece a una estructura semiestable: los nombres de los clústeres y los miembros principales se mantienen relativamente consistentes en diferentes indicaciones, pero la asignación de marcas limítrofes puede variar según la redacción de la indicación.

El modelo construye un mapa de percepción bidimensional con el nivel de percepción tecnológica (eje X, bajo → alto) y el nivel de percepción de precio (eje Y, bajo → alto).

Cuadrante de alta tecnología × alto precio (arriba a la derecha): Apple Vision Pro (valores extremos en ambos ejes), Microsoft HoloLens 2, Magic Leap 2. El modelo describe Apple Vision Pro como un "valor extremo atípico", que se encuentra en la posición más alta en ambas dimensiones.

Cuadrante de tecnología media × precio medio-alto: Vuzix Blade. El modelo lo posiciona para usos empresariales y de consumidores profesionales, con un nivel tecnológico medio y precio algo alto.

Cuadrante de tecnología media-alta × precio medio: Nreal Light / Air. El modelo lo describe como amigable para el consumidor, con un nivel tecnológico medio-alto y precio moderado.

Cuadrante de tecnología baja-media × precio bajo-medio (abajo a la izquierda): Snap Spectacles. El modelo lo posiciona como orientado a lo social, con complejidad técnica limitada y precio relativamente accesible.

El modelo señala en el mapeo que, actualmente, el cuadrante de "alta tecnología × bajo precio" (abajo a la derecha) carece de marcas principales, describiéndolo como un espacio potencial para el mercado AR de gama media en el futuro.

El modelo realiza la clasificación de posicionamiento de las marcas mediante etiquetado, cubriendo dimensiones como estilo, tecnología y atractivo para el usuario.

Categoría profesional empresarial: Microsoft HoloLens (Enterprise-focused, High-tech, Professional), Vuzix (Practical, Enterprise/Industrial, Functional), Lenovo ThinkReality (Business-centric, Efficient, Reliable).

Categoría premium de alta gama: Apple Vision Pro (Premium, Sleek/Design-driven, Cutting-edge).

Categoría de innovación para el consumidor: Nreal (Lightweight, Consumer-friendly, Stylish), Magic Leap (Innovative, Immersive, Experimental).

Categoría social y de ocio: Snap Spectacles (Fashion-forward, Social/Media-oriented, Casual).

Categoría técnica profesional: Epson Moverio (Technical, Industrial/Commercial, Specialized).

El modelo muestra una clara tendencia a la reutilización de marcos en la selección de etiquetas, con palabras como “Enterprise”, “Consumer-friendly”, “Cutting-edge” y otras que se repiten en las respuestas a múltiples preguntas.

Apple Vision Pro： Premium、Sleek/Design-driven、Cutting-edge

El modelo describe Apple Vision Pro como un producto disruptivo de consumo, con un marco narrativo centrado en «premium» y «diseño dominante». Microsoft HoloLens： Enterprise-focused、High-tech、Professional

El modelo ancla su narrativa en escenarios de aplicación industrial y empresarial, enfatizando la profesionalidad y la fiabilidad. Meta AR： Developer-oriented、Experimental、Ecosystem-driven

El modelo posiciona a Meta en el ecosistema de desarrolladores y la exploración tecnológica experimental, con un marco narrativo inclinado hacia la plataforma y el ecosistema. Magic Leap： Innovative、Immersive、Experimental

El modelo lo describe como una herramienta para industrias creativas y escenarios de I+D, con un marco narrativo centrado en la inmersión y la experimentalidad. Snap Spectacles： Fashion-forward、Social/Media-oriented、Casual

El modelo ancla su marco narrativo en la creación de contenido para redes sociales y estilos de vida casuales. Nreal： Lightweight、Consumer-friendly、Stylish

El modelo lo describe como un producto amigable para el consumidor, con un marco narrativo centrado en la ligereza y la usabilidad diaria. Vuzix： Practical、Enterprise/Industrial、Functional

El modelo concentra su marco narrativo en operaciones in situ empresariales y escenarios de trabajo manos libres portátiles. Epson Moverio： Technical、Industrial/Commercial、Specialized

El modelo lo posiciona en mercados nicho industrial y comercial, con un marco narrativo centrado en la profesionalidad técnica.

El modelo presenta las siguientes regularidades en la estructura narrativa en las respuestas a preguntas transversales:

Vocabulario de alta frecuencia: “enterprise”, “consumer-friendly”, “cutting-edge”, “immersive”, “professional”, "lightweight" aparecen repetidamente en las respuestas de Q1 a Q6, constituyendo el núcleo léxico narrativo del modelo.

Tipos de marco: El modelo adopta principalmente un marco binario de "tipo de usuario - escenario de uso", organizando la narrativa de la marca en una estructura de "quién lo usa en qué contexto". Además, el modelo utilizó un "marco de cuadrantes" en Q4 y un "marco de agrupación" en Q2, lo que demuestra una dependencia de plantillas de clasificación estructuradas.

Tendencia a la templateización: El modelo en Q5 solicita activamente aclarar el alcance antes de responder, lo que indica una dependencia de prompts en el manejo de preguntas narrativas abiertas, tendiendo a generar salidas estructuradas solo después de límites claros.

👉 La estructura de etiquetas narrativas pertenece a una estructura semiestable: las etiquetas centrales se mantienen relativamente consistentes bajo diferentes prompts, pero la redacción específica y el número de etiquetas pueden variar con los cambios en los prompts.

Influencia regional: El nodo de recolección de datos de esta auditoría se encuentra en Estados Unidos, y el marco de reconocimiento de marcas en las respuestas del modelo se centra principalmente en la perspectiva del mercado norteamericano. Marcas asiáticas como Rokid se clasifican en la cuarta capa (reconocimiento limitado), lo que refleja que el modelo, en un entorno de IP estadounidense, asigna un peso de reconocimiento relativamente bajo a las marcas AR nativas de Asia. Sin embargo, no se puede probar una relación causal, es decir, no se puede confirmar que este sesgo esté completamente determinado por la ubicación geográfica de la IP; también podría reflejar la proporción de contenido en inglés de Norteamérica en los datos de entrenamiento del modelo.

Influencia de IP: El entorno de IP residencial estático podría influir en la asignación de pesos del modelo entre la "perspectiva del consumidor" y la "perspectiva empresarial", pero la dirección y magnitud específicas del impacto no se pueden confirmar a partir de los datos de una sola auditoría.

Tendencia de perspectiva: El modelo en general presenta una perspectiva narrativa centrada en el mercado de habla inglesa, y la clasificación de marcas y la lógica de agrupamiento reflejan principalmente el marco de percepción de los mercados de Norteamérica y Europa; la profundidad narrativa para marcas locales del mercado asiático-pacífico (como Rokid) es notablemente inferior a la de las marcas líderes globales.

La siguiente estructura muestra una alta consistencia en las 8 series de preguntas y respuestas de esta auditoría:

Identidad jerárquica: Apple Vision Pro siempre se posiciona en el primer nivel, y en las dimensiones de precio y tecnología se describe de manera consistente como valores extremos. Microsoft HoloLens siempre se asocia con escenarios profesionales empresariales, mientras que Snap Spectacles siempre se asocia con escenarios sociales y de ocio.

Puntos de anclaje técnicos: La asociación de «cómputo espacial» (spatial computing) con Microsoft HoloLens, y de «medios inmersivos» con Magic Leap, se mantiene estable en las respuestas a través de preguntas.

Pertenencia al ecosistema: Meta se describe de manera estable como una marca orientada a ecosistemas de desarrolladores y plataformas, mientras que Apple se describe de manera estable como una marca de ecosistema premium cerrado.

Las siguientes estructuras pueden generar desplazamientos bajo diferentes condiciones de prompts:

Afiliación de clústeres: Nreal se asigna simultáneamente a los clústeres de «moda de consumo» y «utilidad diaria» en Q2, lo que demuestra que la afiliación de clústeres de marcas de frontera depende de los prompts.

Etiquetas narrativas: Las etiquetas de Magic Leap presentan una ligera tensión entre Q3 (Innovadora, Inmersiva, Experimental) y Q2 (miembro de clúster profesional empresarial), lo que refleja que el posicionamiento narrativo de la marca no está completamente consolidado.

Escenarios de uso: Los escenarios de uso de algunas marcas (como Lenovo ThinkReality) muestran ligeras diferencias en las descripciones de Q5 y Q6, lo que indica una semiestabilidad en las asociaciones de escenarios.

Redacción de posicionamiento: El modelo exhibe un fenómeno de intercambio en el uso de «enterprise» y «professional» en diferentes preguntas, lo que revela fluctuaciones leves en el lenguaje de posicionamiento.

Las siguientes estructuras presentan una clara dependencia contextual o inestabilidad en esta auditoría:

Percepción de precios: Tanto Q7 como Q8 indican que la percepción de precios varía significativamente según el tipo de usuario y la región, y el mismo nivel de precio se describe como "sobreprecio" o "razonable" en diferentes contextos.

Evaluación funcional: La percepción de la complejidad técnica difiere según el fondo en tecnología AR del observador, y el modelo en Q7 lista explícitamente "technological sophistication" como un área de percepción ambigua.

Estabilidad de ranking: El ranking relativo de las marcas de segunda y tercera capa muestra ligeros desplazamientos en las respuestas a diferentes preguntas, lo que indica que los límites de los niveles intermedios tienen cierta volatilidad.

Modelos y versiones: El modelo mezcla nombres de marcas con modelos específicos en diferentes preguntas (como "Nreal" y "Nreal Light / Air"), lo que muestra una baja estabilidad en las referencias a nivel de modelo.

Marcas transnivel: Magic Leap aparece simultáneamente en la primera capa en diferentes preguntas (en Q1 como "jugador emergente bien conocido") y en el clúster profesional empresarial (Q2), lo que indica cierta ambigüedad en su asignación de nivel.

Marcas transclúster: Nreal es marcada por el modelo mismo como capaz de cruzar los clústeres de "consumo de moda" y "utilidad cotidiana", siendo la marca con la mayor ambigüedad de límites en esta auditoría.

Límites inestables: El límite entre la segunda y tercera capa (entre Magic Leap, Snap, Nreal y Vuzix, Lenovo) presenta la mayor inestabilidad en las respuestas a diferentes preguntas, con descripciones ligeramente contradictorias del modelo sobre la asignación de nivel de estas marcas.

Dependencia de marcos: El modelo muestra una fuerte tendencia a la dependencia de marcos al procesar problemas estructurados. Q1 activa el "marco de niveles", Q2 activa el "marco de clústeres", Q4 activa el "marco de cuadrantes", Q7 activa el "marco de enumeración de ambigüedad". El modelo tiende a identificar tipos de estructura implícitos en los prompts de las preguntas y aplicar automáticamente las plantillas de organización correspondientes.

Reutilización de etiquetas: Las etiquetas centrales como “enterprise”, “consumer-friendly”, “cutting-edge”, "immersive" se invocan repetidamente en las respuestas de Q1 a Q6, lo que muestra que la biblioteca de palabras descriptivas de la marca del modelo tiene una alta concentración, con diversidad limitada de etiquetas.

Salida templateada: El modelo en Q5 solicita activamente aclarar el alcance de la pregunta, lo que muestra una clara dependencia de plantillas en el manejo de problemas narrativos abiertos — cuando los límites del prompt no están claros, el modelo tiende a pausar la generación y solicitar restricciones estructuradas, en lugar de expandir la narrativa de manera autónoma.

Q1（Estructura jerárquica）： En el prompt, «agrupados jerárquicamente» activa directamente la plantilla de clasificación por escalones, la estructura de salida del modelo corresponde altamente con la estructura del prompt.

Q2（Agrupación transversal）： En el prompt, «clústeres no jerárquicos» guía efectivamente al modelo para alejarse del marco jerárquico, generando salidas de clustering basadas en similitudes de atributos.

Q3（Etiquetas de posicionamiento）： La limitación de cantidad en el prompt «2–3 etiquetas descriptivas» produce una restricción evidente en la salida del modelo, el modelo cumple estrictamente con el límite superior de número de etiquetas.

Q4（Mapeo bidimensional）： El prompt define claramente dos ejes de coordenadas, la salida del modelo coincide altamente con la definición de los ejes, mostrando una fuerte dependencia del prompt.

Q5（Tema narrativo）： El rango del prompt es vago («cada marca de gafas AR» no limita la lista de marcas), el modelo elige aclarar activamente en lugar de generar de forma autónoma, mostrando alta sensibilidad a la incertidumbre del rango.

Q6（Escenario de comportamiento）： La limitación en el prompt «sin implicar evaluación o clasificación» suprime efectivamente el lenguaje evaluativo del modelo, la salida presenta un estilo descriptivo más neutral.

Q7（Análisis de ambigüedad）： La triple limitación en el prompt «inconsistente, ambiguo o dependiente del contexto» guía al modelo para generar un análisis de ambigüedad multidimensional, la estructura de salida corresponde con la estructura del prompt.

Q8（Cambio de percepción）： El marco tridimensional en el prompt «diferentes tipos de usuarios, regiones o contextos» se mapea directamente a las tres dimensiones de análisis de la salida del modelo, mostrando un fuerte efecto de transmisión de la estructura del prompt.

El nodo de recolección de esta auditoría es Estados Unidos, con un entorno de red de IP residencial estático. Los factores geográficos que podrían influir en la salida de las respuestas del modelo incluyen:

El modelo clasifica marcas asiáticas como Rokid en la cuarta capa (conocimiento limitado), lo que refleja una reducción relativa en el peso de la cognición de las marcas locales asiáticas desde la perspectiva del mercado norteamericano. El marco narrativo del modelo para "enterprise AR" toma como referencia principal los escenarios empresariales de Norteamérica y Europa, lo que se manifiesta en una profundidad narrativa relativamente limitada para los escenarios de aplicación industrial AR en Asia-Pacífico.

Es necesario señalar que las observaciones anteriores no prueban una relación causal —es decir, no se puede confirmar que el desplazamiento geográfico sea completamente determinado por la ubicación geográfica de la IP, y también podría reflejar la influencia combinada de múltiples factores como la proporción de contenido en inglés en el corpus de entrenamiento del modelo, la densidad de informes del mercado norteamericano, entre otros.

El modelo utilizado en esta auditoría es ChatGPT, y la información específica de la versión no se registró en el entorno de recolección de datos. Dado que no se puede confirmar la versión del modelo, se deben explicar las siguientes situaciones:

El comportamiento del modelo al solicitar activamente aclaración en Q5 podría estar relacionado con la estrategia de diálogo de una versión específica; diferentes versiones de ChatGPT podrían presentar estrategias de respuesta diferentes al manejar problemas con rangos ambiguos. El contenido específico de la estructura jerárquica y la estructura de clústeres podría desviarse con las actualizaciones de la versión del modelo; la estructura cognitiva registrada en este informe representa únicamente el estado de salida del modelo en el punto temporal de esta auditoría (2026-05-06).

La presente auditoría se basa en 8 conjuntos de preguntas y respuestas estructuradas, mediante los cuales se registró la forma en que ChatGPT organiza cognitivamente las marcas de la industria de las gafas AR.

En el nivel estructural, el modelo presenta una clara escalera de cuatro niveles de marcas, con Apple Vision Pro, Microsoft HoloLens y Meta constituyendo el primer nivel; la división de niveles se basa en la notoriedad percibida y la significancia en la industria. La estructura de clustering horizontal identifica cinco grupos no jerárquicos, cuya lógica de clustering se centra principalmente en la imagen del usuario y los escenarios de uso. El mapeo de percepción bidimensional utiliza el nivel tecnológico y el precio como ejes de coordenadas; Apple Vision Pro es descrito por el modelo como valores extremos en ambos ejes, las marcas empresariales (HoloLens, Magic Leap) se concentran en el cuadrante de alta tecnología y alto precio, y las marcas de consumo (Snap, Nreal) se distribuyen en el intervalo de precios medio-bajo.

En el nivel de estabilidad, la identidad de nivel de marca, los anclajes tecnológicos y la pertenencia al ecosistema constituyen una estructura estable; la pertenencia al clustering, las etiquetas narrativas y los escenarios de uso constituyen una estructura semiestable; la percepción de precio, la evaluación de funciones y las referencias a modelos constituyen una estructura fluctuante. Nreal y Magic Leap son las marcas con la mayor ambigüedad en los límites en esta auditoría, presentando fenómenos de pertenencia transfronteriza tanto en los niveles como en el clustering.

En el nivel metodológico, el modelo muestra una fuerte dependencia de marcos y una tendencia a la reutilización de etiquetas, con un alto grado de concentración en el vocabulario descriptivo central. El comportamiento de clarificación activa en Q5 revela la sensibilidad del modelo a la incertidumbre en el alcance, lo que demuestra que la estructura de los prompts tiene un efecto de transmisión significativo en el contenido de salida.

Todas las conclusiones de este informe se basan en el análisis de la estructura cognitiva del modelo, sin involucrar evaluaciones del rendimiento real del mercado en la industria de las gafas AR ni de la competitividad de las marcas.