De la observación de la AI Visibility a la investigación de su dinámica y capacidad predictiva
Estado: Documento fundacional
Función: Marco conceptual de los proyectos AVM™ y PCI™
Ámbito: AI Visibility Measurement & Predictive AI Visibility Research
1. Punto de partida
La aparición de sistemas de inteligencia artificial capaces de responder preguntas, comparar alternativas, identificar entidades y formular recomendaciones ha introducido una nueva dimensión de visibilidad.
Una entidad puede ser:
reconocida por un sistema;
identificada correctamente;
asociada con una categoría;
considerada una autoridad;
atribuida a determinadas fuentes;
mencionada dentro de una respuesta;
recomendada;
recomendada con una determinada prioridad;
visible en determinados contextos y prácticamente invisible en otros.
Por tanto, la AI Visibility no puede reducirse a una única condición binaria de «aparecer» o «no aparecer».
La primera necesidad es observar y medir ese fenómeno de forma reproducible.
Pero existe una segunda cuestión.
Si la visibilidad cambia con el tiempo, determinadas señales observables podrían aparecer antes de que el cambio sea plenamente visible en las métricas finales.
Esto conduce a una segunda pregunta:
¿Existen señales observables de AI Visibility que contengan información sobre el estado futuro de esa visibilidad?
AVM™ y PCI™ nacen para abordar esas dos cuestiones desde perspectivas complementarias.
2. Los dos problemas
2.1. El problema AVM™
AVM™ — AI Visibility Model aborda principalmente un problema de observación y medición.
La pregunta central es:
¿Cómo podemos describir y medir de forma reproducible el estado de la visibilidad de una entidad dentro de sistemas de inteligencia artificial?
El problema no consiste únicamente en determinar si una entidad aparece.
Es necesario distinguir fenómenos que pueden parecer similares pero que no son equivalentes:
Recognition ≠ Identification
Identification ≠ Understanding
Recognition ≠ Attribution
Mention ≠ Recommendation
Recommendation ≠ Priority Recommendation
Estas distinciones muestran que la visibilidad posee diferentes estados y dimensiones observables.
AVM™ busca proporcionar el marco necesario para describirlos de forma sistemática.
2.2. El problema PCI™
PCI™ parte de una pregunta diferente.
Si AVM™ permite observar el estado de la AI Visibility, PCI™ investiga su dinámica temporal.
La pregunta central de PCI™ es:
¿Qué señales observables de AI Visibility contienen información sobre el estado futuro de esa visibilidad, cuánto tiempo antes lo hacen y si esa información supera a un baseline ingenuo?
Por tanto, PCI™ no comienza preguntando simplemente cuánto mide una señal.
Pregunta si esa señal contiene información anticipatoria.
La diferencia es fundamental.
AVM™ pregunta:
¿Dónde estamos?
PCI™ pregunta:
¿Qué señales actuales podrían indicarnos hacia dónde vamos?
3. Qué tenemos actualmente
Los proyectos no parten únicamente de una construcción teórica.
Existe ya un conjunto de trabajo experimental que proporciona una primera base empírica.
Entre los elementos desarrollados se encuentran:
un modelo conceptual de AI Visibility;
una arquitectura inicial de variables observables;
definiciones y distinciones entre estados de visibilidad;
un protocolo experimental;
un corpus de prompts;
respuestas reales obtenidas de diferentes sistemas de IA;
experimentación cross-model;
matrices de anotación;
observaciones comparativas;
primeras categorías de señales;
arquitectura preliminar de métricas;
y un proceso explícito para separar observación, interpretación e hipótesis.
En particular, el trabajo experimental con los prompts P01–P20 y diferentes modelos ha permitido pasar de una discusión puramente conceptual a un entorno donde determinadas propiedades de AI Visibility pueden observarse directamente en respuestas reales.
Este punto es esencial.
El proyecto no comienza con una métrica arbitraria y después busca datos que la justifiquen.
Comienza con:
preguntas → respuestas reales → observaciones → anotación → variables → medición.
4. Qué hemos observado realmente
Las primeras investigaciones han mostrado que la AI Visibility presenta una estructura más compleja de lo que sugeriría una simple métrica de presencia.
Se han observado, entre otras, diferencias entre:
reconocimiento;
identificación;
categorización;
comprensión;
autoridad;
atribución;
metodología;
precisión;
fuentes;
recomendación;
prioridad de recomendación.
También se ha observado que la respuesta de un sistema puede variar dependiendo del:
modelo;
prompt;
contexto;
intención;
formulación de la pregunta;
y estructura de la respuesta.
Estas observaciones son importantes porque demuestran que «visibilidad» no es una variable elemental.
Sin embargo, estas observaciones no demuestran todavía que ninguna de estas señales sea predictiva.
Esta separación debe mantenerse estrictamente.
5. Qué NO podemos afirmar todavía
El proyecto debe mantener una frontera clara entre evidencia y expectativa.
Actualmente no podemos afirmar, sin una validación experimental específica, que:
una determinada señal prediga cambios futuros de AI Visibility;
una señal sea causal respecto a esos cambios;
una señal permita anticipar cambios con un horizonte temporal concreto;
un determinado modelo de IA sea más predecible que otro;
una combinación de señales produzca una ventaja predictiva estable;
PCI™ constituya ya un modelo predictivo validado;
ni que una métrica actual pueda utilizarse como indicador adelantado universal.
Tampoco debemos confundir:
correlación temporal
con
capacidad predictiva demostrada
ni:
una señal que aparece antes
con:
una señal que contiene información predictiva adicional.
Esta distinción será uno de los principios metodológicos centrales de PCI™.
6. La hipótesis PCI™
PCI™ parte de una hipótesis de investigación, no de una conclusión.
Hipótesis fundamental
Algunas señales observables del estado actual de AI Visibility pueden contener información sobre el estado futuro de esa visibilidad.
Esta hipótesis genera inmediatamente tres preguntas experimentales.
H1 — Información
¿Existe alguna señal observable cuyo estado actual aporte información sobre el estado futuro de AI Visibility?
H2 — Horizonte
Si existe esa información, ¿cuánto tiempo antes puede observarse?
H3 — Valor incremental
¿La información proporcionada por esa señal supera la capacidad predictiva de un baseline ingenuo?
La tercera pregunta es especialmente importante.
Una señal no debería considerarse predictiva simplemente porque el futuro se parece al presente.
Debe demostrar que aporta información adicional.
7. El baseline ingenuo
PCI™ necesita un punto de comparación.
El baseline ingenuo representa, conceptualmente, la expectativa de que:
el estado futuro será aproximadamente igual al estado actual.
Esto permite formular una prueba mucho más exigente.
No basta con demostrar:
«esta señal está relacionada con el futuro».
La pregunta relevante es:
«¿Esta señal permite anticipar el futuro mejor que simplemente asumir que el presente continuará?»
Esta comparación transforma PCI™ de una observación de tendencias en un problema de evaluación predictiva.
8. Qué puede llegar a obtenerse
Si la hipótesis se confirma mediante experimentación suficiente, PCI™ podría llegar a identificar:
8.1. Señales adelantadas
Variables cuyo comportamiento cambia antes de que cambie una medida posterior de AI Visibility.
8.2. Horizonte predictivo
El intervalo temporal durante el cual una señal conserva capacidad informativa sobre el futuro.
8.3. Capacidad incremental
La cantidad de información adicional que aporta una señal frente al baseline.
8.4. Condiciones de validez
Contextos, modelos, categorías o circunstancias en las que una señal funciona o deja de funcionar.
8.5. Combinaciones de señales
Conjuntos de variables que podrían proporcionar mayor capacidad anticipatoria que una señal aislada.
8.6. Señales no predictivas
Este resultado también sería valioso.
Demostrar que determinadas variables describen bien el estado actual pero no anticipan el futuro permitiría evitar interpretaciones incorrectas.
Por tanto, PCI™ no busca únicamente descubrir señales predictivas.
También busca identificar qué señales no deben utilizarse como indicadores adelantados.
9. Relación entre AVM™ y PCI™
AVM™ y PCI™ no son dos proyectos independientes
Tampoco son dos nombres para la misma metodología.
Representan dos niveles diferentes de investigación.
AVM™
Construye la capacidad de:
observar → clasificar → medir → comparar
la AI Visibility.
PCI™
Utiliza esas observaciones para investigar:
observar → medir → comparar en el tiempo → evaluar capacidad predictiva
La relación puede expresarse de forma sencilla:
AVM™ proporciona el lenguaje de observación y medición.
PCI™ investiga qué información temporal puede extraerse de esas observaciones.
AVM™ proporciona el estado.
PCI™ estudia la dinámica del estado.
10. La trayectoria general
Los dos proyectos pueden entenderse como una trayectoria metodológica continua:
OBSERVACIÓN
Capturar respuestas reales de sistemas de IA.
↓
MEDICIÓN
Transformar observaciones en variables reproducibles de AI Visibility.
↓
ESTADO
Determinar cómo se manifiesta la visibilidad en un momento y contexto determinados.
↓
EVOLUCIÓN
Observar cómo esos estados cambian entre diferentes momentos.
↓
PREDICCIÓN
Investigar si determinadas señales actuales contienen información sobre estados futuros.
↓
VALIDACIÓN
Comparar esa capacidad contra un baseline y determinar bajo qué condiciones se mantiene.
Esta trayectoria es deliberadamente progresiva.
No se intenta saltar directamente desde una respuesta de IA hasta una predicción.
11. Una arquitectura conceptual común
El sistema completo puede representarse conceptualmente como:
Respuesta de IA
→ Observaciones
→ Variables observables
→ Medición AVM™
→ Estado de AI Visibility
→ Serie temporal
→ Señales de evolución
→ PCI™
→ Evaluación predictiva
→ Comparación con baseline
→ Evidencia sobre capacidad anticipatoria
Esta arquitectura permite mantener separadas las diferentes capas del conocimiento.
Una respuesta observada no es todavía una métrica.
Una métrica no es todavía una señal predictiva.
Una señal predictiva no es todavía un modelo validado.
Y un modelo predictivo validado no implica necesariamente causalidad.
12. Qué tipo de conocimiento estamos construyendo
El objetivo final no consiste simplemente en producir un nuevo «score».
El proyecto intenta construir una base metodológica para comprender la AI Visibility como un fenómeno dinámico y medible.
En este sentido:
AVM™ intenta establecer una infraestructura de medición.
PCI™ intenta investigar la información temporal contenida en esa infraestructura.
La combinación podría permitir pasar progresivamente de:
«Sabemos medir la visibilidad.»
a:
«Sabemos observar cómo cambia.»
y eventualmente a:
«Sabemos qué señales preceden determinados cambios y bajo qué condiciones.»
La última afirmación, sin embargo, solo podrá realizarse cuando exista evidencia experimental suficiente.
13. Principio epistemológico
Todo el proyecto debe mantener una regla sencilla:
No convertir una observación en una conclusión antes de haber establecido el procedimiento que permite demostrarla.
Por ello, cada resultado debe poder situarse en una de tres categorías:
OBSERVADO
Existe evidencia directa procedente de los experimentos realizados.
HIPOTETIZADO
Existe una explicación o relación que merece ser sometida a prueba.
VALIDADO
La relación ha superado un procedimiento experimental previamente definido y reproducible.
Esta distinción protege al proyecto frente a uno de los principales riesgos de cualquier investigación emergente: convertir patrones interesantes en afirmaciones prematuras.
14. El verdadero objetivo
El objetivo de AVM™ + PCI™ no es simplemente responder:
«¿Qué visibilidad tiene una marca en IA?»
Ni tampoco:
«¿Qué marca aparecerá mañana?»
La cuestión más profunda es:
¿Podemos construir una ciencia de observación de la AI Visibility suficientemente rigurosa como para medir su estado, estudiar su evolución y determinar si existen señales capaces de anticipar sus cambios?
AVM™ aborda la primera parte del problema.
PCI™ aborda la segunda.
Y ambos requieren exactamente lo mismo como fundamento:
observaciones reproducibles, variables claramente definidas, anotaciones consistentes, mediciones comparables, experimentación longitudinal y separación estricta entre evidencia e interpretación.
15. Sinopsis ejecutiva
En su forma más condensada:
AVM™ mide el estado observable de la AI Visibility.
PCI™ investiga la información anticipatoria contenida en ese estado.
AVM™ responde dónde está la visibilidad.
PCI™ investiga hacia dónde puede dirigirse y qué señales podrían advertirlo antes.
AVM™ construye la capa de observación y medición.
PCI™ construye sobre ella la investigación de evolución y predicción.
Ninguno de los dos proyectos debe asumir como demostrado aquello que todavía se encuentra en fase de hipótesis.
La trayectoria común es:
OBSERVACIÓN → MEDICIÓN → ESTADO → EVOLUCIÓN → PREDICCIÓN → VALIDACIÓN.
16. Posición actual del proyecto
El proyecto se encuentra, por tanto, en una fase especialmente importante:
ya no estamos únicamente definiendo qué podría ser AI Visibility;
estamos construyendo las condiciones experimentales necesarias para estudiar cómo se comporta.
AVM™ aporta la arquitectura para observar y medir.
PCI™ plantea la siguiente frontera:
determinar si esas observaciones contienen información sobre el futuro.
La respuesta a esa pregunta todavía no está dada.
Y precisamente por eso constituye una investigación.
Fórmula conceptual final
AVM™
Measure the state.
PCI™
Study the trajectory.
AVM™ + PCI™
Observe → Measure → Understand Evolution → Test Prediction.
Ese es el marco común desde el que deben interpretarse los experimentos, matrices, variables, métricas y futuros modelos desarrollados dentro de ambos proyectos.
Manu Duque
AI Visibility Specialist
ai-visibility.es
