Cuando preguntamos a una inteligencia artificial cuál es la mejor herramienta, la empresa más recomendable o el profesional más reconocido de un determinado ámbito, solemos prestar atención únicamente a la respuesta.
Observamos el resultado.
Leemos la recomendación.
Comparamos las marcas que aparecen.
Y, casi de forma automática, intentamos entender por qué una organización ha sido mencionada y otra no.
Quizá estemos observando únicamente la última fase de un proceso mucho más amplio.
Porque antes de recomendar, una inteligencia artificial necesita construir una representación del mundo.
La recomendación es un resultado, no el punto de partida
Cuando una persona responde a una pregunta, rara vez improvisa desde cero.
Antes interpreta el contexto.
Recupera conocimientos.
Relaciona conceptos.
Evalúa alternativas.
Y solo después formula una respuesta.
Con los modelos de inteligencia artificial ocurre algo parecido.
Aunque sus mecanismos sean completamente diferentes a los del razonamiento humano, las respuestas no aparecen de manera aislada.
Son el resultado de un proceso de construcción, organización y utilización del conocimiento disponible para generar una respuesta coherente con la consulta recibida.
La recomendación, por tanto, no constituye el inicio del proceso.
Es su consecuencia observable.
Representar significa mucho más que almacenar información
Con frecuencia pensamos que una inteligencia artificial funciona como una gran base de datos.
Si una organización aparece, asumimos que «está dentro».
Si no aparece, concluimos que «no existe».
La realidad es mucho más compleja.
Los modelos generativos no solo manejan información.
Construyen relaciones entre conceptos.
Asocian entidades con contextos.
Establecen conexiones entre atributos, categorías, fuentes y patrones lingüísticos.
Cuando responden, no recuperan simplemente un dato.
Generan una representación contextualizada de aquello que consideran más adecuado para resolver la consulta.
Comprender ese proceso resulta mucho más interesante que limitarse a contar apariciones.
No todas las representaciones producen recomendaciones
Una organización puede formar parte del conocimiento que maneja un modelo y, sin embargo, no aparecer recomendada en una consulta concreta.
¿Por qué?
Porque la representación depende del contexto.
Una misma entidad puede resultar altamente relevante para un tipo de pregunta y prácticamente irrelevante para otra.
Puede estar asociada a un sector específico, a un idioma determinado o a una necesidad concreta.
Esto significa que la ausencia de una recomendación no implica necesariamente ausencia de representación.
Y, del mismo modo, una recomendación puntual no garantiza una representación sólida.
La diferencia entre ambos conceptos resulta esencial para comprender la Visibilidad IA.
La representación como objeto de estudio
Quizá durante demasiado tiempo hemos intentado estudiar únicamente aquello que podemos observar.
Las respuestas.
Las menciones.
Los rankings.
Las recomendaciones.
Muchas disciplinas científicas han demostrado que comprender un fenómeno exige analizar también los procesos que lo hacen posible.
En el caso de la Visibilidad IA, ese proceso comienza mucho antes de que una respuesta llegue al usuario.
Comienza cuando un modelo organiza el conocimiento disponible, establece relaciones entre entidades y construye una representación suficientemente coherente como para responder a una consulta.
Ese proceso no es visible directamente.
Pero sus efectos sí pueden observarse.
Y precisamente ahí aparece un nuevo campo de estudio.
Del resultado al mecanismo
Existe una diferencia importante entre preguntar:
¿Por qué esta marca ha sido recomendada?
Y preguntar:
¿Cómo ha llegado la inteligencia artificial a construir esa representación?
La primera cuestión busca explicar un resultado.
La segunda intenta comprender un mecanismo.
Las disciplinas maduras no se limitan a describir lo que ocurre.
Intentan explicar por qué ocurre.
Ese cambio de perspectiva puede marcar una diferencia importante en la forma de investigar la Visibilidad IA durante los próximos años.
Una nueva forma de observar la Visibilidad IA
Si aceptamos que la recomendación es una consecuencia y no el origen del fenómeno, también cambia nuestra forma de medir.
Quizá el objetivo ya no consista únicamente en contabilizar cuántas veces aparece una entidad.
Tal vez debamos intentar comprender cómo es representada por distintos modelos, en qué contextos adquiere relevancia, qué relaciones establece con otros conceptos y qué evidencias parecen reforzar esa representación.
La Visibilidad IA dejaría entonces de entenderse como una simple presencia en las respuestas para convertirse en el estudio de la forma en que los sistemas de inteligencia artificial representan el conocimiento antes de transformarlo en recomendaciones.
Ninguna inteligencia artificial recomienda una marca sin algún tipo de evidencia
Cuando una inteligencia artificial recomienda una empresa, una tecnología o un profesional, solemos centrar nuestra atención en el resultado.
La conversación gira alrededor de una pregunta muy concreta:
¿Por qué ha recomendado esa marca y no otra?
Existe una cuestión todavía más importante.
¿Sobre qué información ha construido esa recomendación?
Responder a esta pregunta supone cambiar completamente la forma de entender la Visibilidad IA.
Porque ninguna recomendación puede existir sin algún tipo de evidencia que la sustente.
Toda representación necesita fundamentos
Cuando una inteligencia artificial genera una respuesta, no lo hace desde el vacío.
La respuesta es el resultado de patrones aprendidos durante el entrenamiento, de la información disponible para el modelo y, en muchos casos, de fuentes adicionales que pueden consultarse en tiempo de inferencia.
Desde la perspectiva del usuario, lo único visible es el texto generado.
Pero detrás de esa respuesta existe una estructura mucho más compleja formada por relaciones, asociaciones y señales que permiten al modelo construir una representación suficientemente consistente para responder.
No siempre podemos observar directamente ese proceso.
Pero sí podemos estudiar algunas de las evidencias que parecen influir en él.
La evidencia no es una única fuente
Existe una idea muy extendida según la cual basta con tener una buena página web para aparecer en las respuestas de una inteligencia artificial.
La realidad parece ser bastante más compleja.
Las representaciones que generan los modelos suelen estar relacionadas con múltiples tipos de señales.
La documentación oficial de una organización.
Las publicaciones especializadas.
Los medios de comunicación.
Los directorios sectoriales.
Las referencias académicas.
La presencia en diferentes comunidades.
Las menciones realizadas por terceros.
Incluso la coherencia con la que toda esa información describe una misma entidad.
No todas las evidencias tienen el mismo peso.
Y ese peso puede variar entre modelos, idiomas, dominios de conocimiento y momentos temporales.
Precisamente por eso resulta más útil hablar de un ecosistema de evidencias que de una única fuente de autoridad.
Evidencia no significa certeza
Conviene hacer una distinción importante.
Que una inteligencia artificial utilice determinadas evidencias para construir una respuesta no significa que esas evidencias sean completas, exactas o suficientes.
Los modelos generativos trabajan con información incompleta, cambiante y, en ocasiones, contradictoria.
La evidencia, por tanto, no debe entenderse como una garantía absoluta de verdad.
Debe entenderse como el conjunto de señales observables que pueden ayudar a explicar por qué una representación adopta una determinada forma.
Esta diferencia es esencial.
El objetivo no consiste en demostrar cómo funciona internamente un modelo.
Consiste en estudiar qué evidencias parecen relacionarse con determinados comportamientos observables.
Del SEO a la ecología de la información
Durante años muchas estrategias digitales se centraron en optimizar una única superficie: la página web.
La Visibilidad IA obliga a ampliar esa mirada.
Una organización ya no está representada únicamente por su sitio web.
Está representada por el conjunto de información que circula sobre ella en diferentes contextos digitales.
Artículos.
Bases de conocimiento.
Documentación técnica.
Publicaciones especializadas.
Repositorios.
Directorios.
Medios.
Referencias cruzadas.
La representación que construye una inteligencia artificial parece emerger de ese ecosistema mucho más amplio.
Comprenderlo exige abandonar una visión centrada exclusivamente en el posicionamiento para adoptar una perspectiva más cercana al estudio de la información.
Una nueva pregunta para una nueva disciplina
Quizá durante años nos hemos preguntado:
¿Cómo consigo que una IA me recomiende?
Tal vez la pregunta más útil sea otra:
¿Qué evidencias necesita una inteligencia artificial para construir una representación suficientemente sólida de una entidad?
Este cambio de enfoque modifica el objetivo de la investigación.
Ya no se trata únicamente de perseguir una recomendación.
Se trata de comprender qué elementos contribuyen a que una organización sea reconocida, contextualizada y relacionada de forma coherente dentro del conocimiento que utiliza un sistema de inteligencia artificial.
Serie editorial: Construyendo el estándar abierto de la Visibilidad IA
Capítulo 5 y 6 · Antes de recomendar, una inteligencia artificial necesita representar el mundo
Manu Duque
AI Visibility Specialist
ai-visibility.es
Te puede interesar;
De la Experimentación a la Revolución de la IA Agéntica
