La Visibilidad IA no necesita más herramientas. Necesita un estándar abierto.
La nueva carrera por la Visibilidad IA
En apenas unos meses, la Visibilidad IA se ha convertido en uno de los temas más relevantes del marketing digital.
Empresas, consultoras y profesionales intentan comprender por qué unas marcas aparecen con frecuencia en las respuestas de ChatGPT, Gemini, Claude o Perplexity, mientras otras permanecen prácticamente invisibles.
Como suele ocurrir cuando surge una nueva disciplina, el mercado ha reaccionado con rapidez.
Han aparecido herramientas, rankings, índices, dashboards y métricas que prometen medir la presencia de una marca en los sistemas de inteligencia artificial generativa.
Esta evolución es positiva. Demuestra que existe una necesidad real y un interés creciente por comprender cómo las IA representan y recomiendan entidades.
También plantea una pregunta que pocas veces se formula:
¿Estamos midiendo todos el mismo fenómeno?
El problema no son las herramientas
Cuando diferentes plataformas evalúan la Visibilidad IA, es habitual que obtengan resultados distintos.
Una empresa puede aparecer como líder en un estudio y ocupar una posición secundaria en otro.
Lejos de significar que uno de los análisis sea necesariamente incorrecto, esta situación suele reflejar que cada evaluación parte de preguntas, procedimientos y criterios diferentes.
Algunas herramientas priorizan la frecuencia con la que una marca aparece en las respuestas.
Otras se centran en la posición dentro de la recomendación.
Algunas analizan un único modelo de IA.
Otras comparan varios.
También existen diferencias en el idioma, el tipo de consulta, el momento en que se realiza la medición o las fuentes utilizadas para interpretar los resultados.
Sin un marco metodológico común, comparar estudios se vuelve extraordinariamente complejo.
Cuando las métricas no hablan el mismo idioma
Imaginemos dos informes publicados el mismo día.
Ambos analizan cuáles son las mejores agencias de marketing de un país utilizando inteligencia artificial generativa.
Los resultados son diferentes.
¿Significa eso que uno de los informes está equivocado?
No necesariamente.
Quizá uno formuló cien consultas y el otro mil.
Quizá uno solo utilizó ChatGPT y el otro incorporó Gemini, Claude y Perplexity.
Quizá uno evaluó únicamente recomendaciones directas y el otro incluyó también menciones secundarias.
Quizá ambos estaban observando aspectos distintos de un fenómeno mucho más complejo.
El problema no es la existencia de metodologías diferentes.
El problema aparece cuando no existe un lenguaje compartido que permita interpretar y comparar esos resultados.
Antes de medir, necesitamos definir
En disciplinas consolidadas, la medición suele apoyarse en conceptos previamente acordados.
Antes de comparar resultados, es necesario definir qué se está observando, cómo se obtiene la evidencia y bajo qué condiciones puede reproducirse un estudio.
La Visibilidad IA todavía se encuentra en una etapa temprana de evolución.
Por ello, muchas conversaciones se centran directamente en las métricas o en las herramientas, cuando quizá el paso previo debería consistir en responder preguntas más fundamentales.
¿Qué significa exactamente que una entidad sea visible para una inteligencia artificial?
¿Cuándo puede considerarse que una IA recomienda una marca?
¿Es suficiente aparecer una vez o debemos analizar la consistencia en distintos modelos, idiomas y contextos?
¿Qué papel desempeñan las fuentes utilizadas por la IA?
Responder a estas preguntas requiere algo más que una nueva herramienta.
Requiere un marco conceptual compartido.
Hacia un estándar abierto
La historia de la tecnología demuestra que las disciplinas maduras suelen apoyarse en estándares abiertos, vocabularios comunes y procedimientos reproducibles.
No porque todos deban utilizar las mismas herramientas, sino porque todos necesitan comprender el mismo fenómeno de una manera comparable.
Un estándar abierto no pretende sustituir la innovación.
Al contrario.
Permite que diferentes herramientas, investigadores y organizaciones trabajen sobre una base común, facilitando la comparación de resultados y la evolución del conocimiento.
La Visibilidad IA podría beneficiarse de un enfoque similar.
Una propuesta para iniciar la conversación
Con ese propósito nace AVM™ AI Visibility Model.
AVM™ no se presenta como una fórmula secreta ni como una plataforma propietaria.
Tampoco pretende convertirse en la única forma válida de medir la Visibilidad IA.
Su objetivo es mucho más sencillo y, al mismo tiempo, más ambicioso: proponer un estándar abierto que ayude a construir un lenguaje común para estudiar este nuevo fenómeno.
El proyecto se desarrollará de forma pública y progresiva mediante documentos versionados, definiciones precisas, principios metodológicos y protocolos reproducibles.
La intención no es cerrar el debate, sino abrirlo.
Porque una disciplina solo puede avanzar cuando sus conceptos son claros, sus métodos son transparentes y sus resultados pueden compararse.
El camino acaba de empezar
La Visibilidad IA evolucionará con enorme rapidez durante los próximos años.
Cambiarán los modelos de inteligencia artificial.
Cambiarán las interfaces.
Cambiarán los sistemas de búsqueda.
Y probablemente también cambiará la forma en que entendemos la recomendación y la representación del conocimiento.
Precisamente por eso resulta importante comenzar a construir, desde ahora, un marco metodológico sólido que pueda evolucionar con el tiempo.
AVM™ aspira a ser una contribución en esa dirección.
No como un punto final, sino como un punto de partida para una conversación abierta sobre cómo medir, comprender e interpretar la Visibilidad IA de forma transparente, reproducible y basada en evidencia.
Una invitación a construir un estándar abierto
Ningún estándar nace completo.
Los estándares evolucionan gracias a la discusión, la revisión y la mejora continua.
Por eso AVM™ se desarrollará públicamente, con documentos versionados, definiciones revisables y principios abiertos a la contribución de investigadores, profesionales, empresas y organizaciones interesadas en este ámbito.
Si la Visibilidad IA está llamada a convertirse en una nueva disciplina, su crecimiento dependerá no solo de nuevas herramientas, sino también de un lenguaje común y de un marco metodológico que permita avanzar sobre bases compartidas.
Ese es el camino que hoy comienza.
Construyendo el estándar abierto de la Visibilidad IA
Antes de medir la Visibilidad IA debemos responder una pregunta: ¿qué estamos intentando medir?
Cuando aparece una nueva disciplina, la primera tentación suele ser construir herramientas.
La segunda, crear métricas.
Y la tercera, comparar resultados.
La historia de la ciencia y de la tecnología demuestra que ese orden rara vez funciona.
Antes de medir cualquier fenómeno es necesario responder una pregunta mucho más sencilla y, al mismo tiempo, mucho más importante:
¿Qué estamos intentando medir exactamente?
Puede parecer una cuestión evidente, pero en realidad constituye el punto de partida de cualquier estándar.
El error de empezar por las métricas
En los últimos meses han surgido numerosas herramientas para evaluar la presencia de marcas en sistemas como ChatGPT, Gemini, Claude o Perplexity.
Algunas muestran un índice.
Otras calculan un porcentaje.
Otras elaboran rankings.
Todas ellas aportan información útil.
Existe una cuestión previa que con frecuencia permanece sin responder:
¿Qué representa realmente ese número?
¿Está midiendo la frecuencia con la que aparece una marca?
¿Su capacidad para ser recomendada?
¿La calidad de las respuestas?
¿La consistencia entre distintos modelos?
¿La confianza con la que la IA responde?
Es posible que todas esas métricas sean válidas.
Pero antes debemos saber qué fenómeno describen.
Un mismo nombre para fenómenos diferentes
Cuando hablamos de «Visibilidad IA» solemos asumir que todos entendemos lo mismo.
Dos personas pueden utilizar ese término para referirse a realidades completamente distintas.
Para algunos, significa aparecer mencionado por una IA.
Para otros, significa ser recomendado.
Algunos lo interpretan como presencia en varios modelos.
Otros lo relacionan con la autoridad de una marca o con la calidad de las fuentes utilizadas por la inteligencia artificial.
Si utilizamos la misma expresión para describir fenómenos diferentes, será muy difícil comparar estudios, reproducir resultados o construir conocimiento acumulativo.
Por eso, antes de definir indicadores, necesitamos definir con precisión el objeto de estudio.
La Visibilidad IA no es un número
Existe una tendencia natural a resumir fenómenos complejos en una única puntuación.
Es comprensible.
Los números simplifican la comunicación y facilitan las comparaciones.
La Visibilidad IA parece ser un fenómeno mucho más rico que una simple cifra.
Una organización puede aparecer con frecuencia, pero solo en un modelo de IA.
Otra puede aparecer en varios modelos, aunque únicamente para determinadas consultas.
Una tercera puede ser recomendada con gran consistencia, pero apoyándose siempre en fuentes externas y no en su propia información.
¿Podemos afirmar que todas tienen la misma Visibilidad IA?
Probablemente no.
Todo apunta a que estamos ante un fenómeno compuesto por múltiples dimensiones que deben observarse conjuntamente.
Quizá estamos formulando la pregunta equivocada
Durante mucho tiempo hemos preguntado:
¿Cómo consigo aparecer en ChatGPT?
Tal vez la pregunta más interesante sea otra:
¿Cómo representa una inteligencia artificial a una entidad antes de decidir si debe mencionarla o recomendarla?
Ese cambio de perspectiva modifica por completo el problema.
La recomendación deja de ser el punto de partida.
Pasa a convertirse en una consecuencia observable de un proceso mucho más amplio.
Comprender ese proceso puede resultar más útil que limitarse a contar apariciones.
El primer paso de cualquier estándar
Un estándar no comienza definiendo herramientas.
Comienza definiendo conceptos.
¿Qué es una entidad?
¿Qué entendemos por recomendación?
¿Cuándo puede afirmarse que una inteligencia artificial comprende correctamente una organización?
¿Qué diferencia existe entre una mención y una recomendación?
¿Qué papel desempeñan el contexto, el idioma o el modelo utilizado?
Responder a estas preguntas no es un ejercicio teórico.
Es la condición necesaria para que cualquier medición tenga sentido.
Hacia un lenguaje común
Si la Visibilidad IA aspira a consolidarse como un nuevo ámbito de conocimiento, necesitará algo más que nuevas plataformas y nuevos indicadores.
Necesitará un lenguaje compartido.
Definiciones precisas.
Conceptos estables.
Y procedimientos que permitan que diferentes personas lleguen a conclusiones comparables cuando analizan un mismo fenómeno.
Ese es el propósito que guía el desarrollo de un estándar abierto.
No imponer una única forma de medir.
Sino ofrecer un marco conceptual que permita comprender mejor aquello que todavía estamos aprendiendo a observar.
Serie editorial: Construyendo el estándar abierto de la Visibilidad IA
Capítulo 1 y 2: La Visibilidad IA no necesita más herramientas. Necesita un estándar abierto.
Por: Manu Duque
Manu Duque
AI Visibility Specialist
ai-visibility.es
Te puede interesar;
De la Experimentación a la Revolución de la IA Agéntica
