Informe de cierre del experimento longitudinal exploratorio
Autor: Manu Duque
Proyecto: PCI™ — Predictive AI Visibility
Caso analizado: E01 — Otterly
Periodo de observación: agosto–octubre de 2026
Estado final: piloto exploratorio concluido; capacidad predictiva no demostrada.
«PCI™-L01: un piloto sobre medición y predicción de la visibilidad en IA: qué hemos observado, qué hemos contrastado y qué no hemos podido demostrar»
1. Resumen ejecutivo
El experimento PCI™-L01 se diseñó para estudiar cómo los sistemas de inteligencia artificial reconocen, identifican, describen, comparan y recomiendan una entidad, y para comprobar si los cambios observados a lo largo del tiempo contienen información útil para anticipar su visibilidad futura.
Se trabajó con Otterly como entidad de referencia, cuatro sistemas de IA ChatGPT, Gemini, Claude y Perplexity y cinco preguntas estandarizadas. Las capturas se organizaron en ocho olas, desde T0 hasta T7, entre agosto y octubre de 2026.
El proyecto produjo observaciones reales, matrices de anotación, estados comparables, registros prospectivos de predicción y evaluaciones frente a una referencia sencilla: el baseline de persistencia PB0.1
Los resultados permiten extraer tres conclusiones principales:
La visibilidad en IA puede estudiarse mediante observaciones estructuradas. Es posible registrar si una entidad aparece, cómo se identifica, qué categoría se le atribuye, cómo se describe y si se recomienda ante determinadas preguntas.
Las respuestas no deben tratarse como una representación única, estable y universal de la visibilidad. Las observaciones presentan diferencias entre preguntas, sistemas y momentos; además, existen ambigüedades y posibles influencias del contexto que deben controlarse.
No se ha demostrado capacidad predictiva incremental. En las dos evaluaciones prospectivas disponibles, el método no superó al baseline de persistencia. El último intervalo, T6–T7, solo puede analizarse de forma descriptiva porque no se ha podido verificar un registro de predicciones bloqueado antes de la captura de T7.
Por tanto, PCI™-L01 no demuestra que podamos predecir con fiabilidad la visibilidad futura de una marca.
Sí demuestra la utilidad de separar las observaciones de las interpretaciones, establecer reglas de medición y exigir pruebas antes de formular afirmaciones predictivas.
2. ¿Qué pretendíamos demostrar?
La pregunta central era:
¿Contienen las señales observables de AI Visibility información sobre el estado futuro de esa visibilidad, con cuánta antelación y con qué ventaja frente a un baseline sencillo?
Esta pregunta se descompone en dos niveles.
Nivel A. Medición y evolución
Queríamos comprobar si podíamos observar de forma sistemática:
Reconocimiento e identificación de una entidad.
Categoría y comprensión de su función.
Presencia en respuestas de recomendación.
Posición comparativa frente a otras opciones.
Presencia espontánea cuando la pregunta no nombra a la entidad.
Cambios de persistencia, aparición, desaparición y ambigüedad.
Diferencias entre sistemas y entre momentos de captura.
Nivel B. Predicción
Queríamos averiguar si las señales registradas en un momento determinado podían anticipar el estado de una observación posterior.
Para ello se estableció un baseline de persistencia, PB0.1: como predicción de referencia, se asume que el estado siguiente será igual al estado actual.
Un método predictivo solo demostraría una ventaja si sus resultados superasen de forma verificable esa referencia, bajo reglas establecidas antes de observar los resultados que se pretende predecir.
Esta distinción es fundamental: medir un fenómeno no equivale a predecirlo, y predecirlo correctamente en algunos casos no demuestra por sí solo que el método aporte valor adicional.
3. ¿Cómo se ejecutó el experimento?
La unidad operativa de observación fue la combinación de modelo y pregunta.
| Elemento | Diseño |
| Entidad | Otterly |
| Sistemas observados | ChatGPT, Gemini, Claude y Perplexity |
| Preguntas | P01–P05, con redacción estandarizada |
| Observaciones previstas por ola | 20: cuatro sistemas por cinco preguntas |
| Periodo | T0–T7, de agosto a octubre de 2026 |
| Referencia predictiva | PB0.1: persistencia del estado |
| Evidencia primaria | Respuestas RAW capturadas |
| Análisis | Anotación, comparación temporal y evaluación prospectiva cuando existía un registro previo verificable |
El corpus documentado comprende hasta 160 observaciones correspondientes a ocho olas de 20 respuestas cada una.
Esta cifra describe el volumen de capturas previsto y documentado en el piloto; no implica que todas las observaciones tengan idéntica calidad ni que todas sean aptas para cualquier análisis.
El procedimiento siguió una secuencia de trabajo:
Captura original → anotación → determinación del estado → comparación temporal → registro prospectivo → evaluación.
Las respuestas originales se conservaron para evitar que una interpretación posterior sustituyera a la evidencia.
También se mantuvieron visibles las anomalías de configuración, las ambigüedades de identificación y los posibles indicios de influencia contextual.
4. ¿Qué hemos demostrado con las observaciones?
4.1. Es posible estructurar la observación de la visibilidad en IA
Las respuestas permiten registrar dimensiones observables y diferenciadas: reconocimiento, identificación, categoría, comprensión funcional, recomendación, posición comparativa y presencia espontánea.
Esto aporta una base operativa para estudiar la visibilidad en lugar de reducirla a una impresión general del tipo «la IA conoce la marca».
La posibilidad de medir una dimensión no demuestra que exista un indicador universal, que todas las dimensiones tengan el mismo significado o que su medición sea directamente comparable entre plataformas.
4.2. Los distintos tipos de visibilidad no deben confundirse
Que un sistema identifique correctamente una empresa no significa necesariamente que la recomiende.
Que la recomiende no significa que la sitúe en primer lugar. Que la mencione no significa que la cite como fuente.
Y que aparezca una vez no demuestra que su presencia sea estable.
El experimento permite defender una distinción metodológica entre:
Reconocimiento: el sistema parece reconocer la entidad.
Identificación: atribuye la respuesta a la entidad correcta.
Representación: describe su categoría y función.
Recomendación: la incluye entre las opciones propuestas.
Posición comparativa: la presenta en una determinada relación con las alternativas.
Citación y fuentes: aparecen referencias cuya función y pertinencia deben analizarse por separado.
Evolución temporal: una dimensión puede mantenerse, cambiar, aparecer o desaparecer entre capturas.
Estas dimensiones no son intercambiables y no deberían resumirse automáticamente en una única cifra de «visibilidad».
4.3. La estabilidad es una referencia útil, pero no una garantía
En el análisis inicial T0–T3 se observó una mayor persistencia en dimensiones como reconocimiento, identificación, categoría y comprensión, mientras que recomendación, posición comparativa y señales relacionadas con las fuentes mostraron más variación en las matrices iniciales.
Estos resultados deben interpretarse dentro del corpus, los prompts y las reglas de anotación utilizados.
No prueban que todas las marcas o sistemas se comporten de la misma manera.
La conclusión práctica es que conviene medir cada dimensión por separado y no dar por hecho que una presencia estable implica una recomendación estable o una ventaja competitiva permanente.
4.4. Las respuestas espontáneas pueden aportar señales interesantes
La pregunta P05 permite observar si Otterly aparece sin ser nombrada explícitamente.
Esta señal se denominó SCE (Spontaneous Competitive Emergence).
En T7, Otterly apareció en las respuestas P05 de Gemini y Perplexity, así como en ChatGPT, aunque en este último caso la posible influencia de conversaciones anteriores quedó sin resolver. Claude no la mencionó.
Esta distribución constituye una observación útil para futuras investigaciones.
No demuestra por sí sola que Otterly haya ganado autoridad general, que sea una recomendación preferente del mercado o que su visibilidad haya aumentado de forma universal.
Una mención espontánea es una señal que merece estudiarse, no una prueba automática de posicionamiento, autoridad o éxito comercial.
5. ¿Qué ha demostrado la evaluación predictiva?
La parte predictiva ofrece el resultado más importante para decidir cómo cerrar el proyecto.
Evaluación prospectiva T4 → T5
Predicciones acertadas: 20 de 20.
Exactitud del método: 100 %.
Resultado del baseline PB0.1: 100 %.
Ganancia respecto al baseline: 0 puntos porcentuales.
El resultado parece perfecto si se observa de forma aislada. Sin embargo, la referencia sencilla obtuvo exactamente el mismo resultado.
Por tanto, el método no demostró una ventaja predictiva incremental en ese intervalo.
Evaluación prospectiva T5 → T6
Predicciones acertadas: 17 de 20.
Predicciones fallidas: 3 de 20.
Exactitud del método: 85 %.
Exactitud del baseline PB0.1: 85 %.
Ganancia respecto al baseline: 0 puntos porcentuales.
En este segundo intervalo se produjeron cambios que la predicción de persistencia no anticipó. El método obtuvo el mismo resultado global que el baseline.
Estos dos intervalos ilustran una diferencia esencial entre acertar y aportar capacidad predictiva adicional.
Un método puede acertar muchas veces porque el estado permanece estable. Para demostrar que predice algo más que esa estabilidad, debe superar la referencia en datos prospectivos comparables.
Comparación descriptiva T6 → T7
No se ha podido verificar un registro de predicciones bloqueado antes de la captura de T7.
Por ello, el intervalo T6–T7 no puede presentarse como una tercera evaluación predictiva válida.
El cotejo descriptivo identificó:
18 de 20 pares estables bajo la codificación gruesa utilizada.
2 de 20 pares con cambios observados.
Un cambio en la identificación de Otterly en Gemini P01, desde una situación ambigua a una identificación presente.
Un cambio en la presencia espontánea de Otterly en Perplexity P05, de ausencia a presencia.
Estas cifras describen lo sucedido entre las dos olas. No son aciertos ni fallos predictivos y no deben utilizarse para calcular una exactitud predictiva o una ventaja sobre PB0.1
Resultado global de la parte predictiva
| Intervalo | Resultado del método | Baseline PB0.1 | Ganancia demostrada |
| T4 → T5 | 100 % | 100 % | 0 puntos porcentuales |
| T5 → T6 | 85 % | 85 % | 0 puntos porcentuales |
| T6 → T7 | No evaluable como predicción prospectiva | No procede calcularla | No demostrada |
La conclusión es inequívoca: en las evaluaciones prospectivas válidas realizadas hasta ahora, PCI™-L01 no ha demostrado superar al baseline de persistencia.
Esto no demuestra que toda predicción de AI Visibility sea imposible. Demuestra que, con este piloto y los resultados obtenidos, no existe evidencia suficiente para afirmar que el método desarrollado aporte una ventaja predictiva.
6. ¿Qué no hemos demostrado?
Para evitar interpretaciones excesivas, deben quedar expresamente excluidas las siguientes afirmaciones:
No hemos demostrado causalidad. No sabemos si un cambio observado se debe al contenido de la marca, a fuentes externas, a una actualización del modelo, a la formulación de la pregunta o a otros factores.
No hemos demostrado predicción fiable a 30, 60 o 90 días. El experimento no ha validado una capacidad general de pronóstico con esos horizontes.
No hemos demostrado superioridad frente a otros métodos. El método no ha superado el baseline PB0.1 en los dos intervalos prospectivos evaluables.
No hemos demostrado generalización. El caso principal estudiado es una entidad, cuatro sistemas y cinco preguntas. No representa todo el mercado, todos los sectores ni todas las consultas.
No hemos demostrado una visibilidad universal de la marca. Hemos observado respuestas a consultas concretas, en sistemas concretos y en momentos concretos.
No hemos demostrado que una mención equivalga a autoridad o preferencia comercial. Presencia, recomendación, posición, citación y calidad son dimensiones distintas.
No hemos demostrado que las recomendaciones sean factualmente correctas por el mero hecho de aparecer. Las afirmaciones de las respuestas necesitan verificación independiente cuando se utilizan como evidencia factual.
No hemos demostrado una relación causal entre mejorar el contenido o aplicar técnicas GEO y obtener una mayor visibilidad. Ese efecto no fue aislado experimentalmente.
No hemos demostrado que las observaciones estén libres de contaminación contextual o de variaciones de configuración. Algunas anomalías permanecen registradas y limitan la interpretación de determinados casos.
La ausencia de estas pruebas no significa que las hipótesis sean falsas. Significa que, con la evidencia reunida, no podemos presentarlas como hechos demostrados.
7. ¿Qué limitaciones debemos reconocer?
El piloto tiene límites importantes:
Una sola entidad principal, Otterly.
Cuatro sistemas de IA, cuyas versiones y configuraciones pueden variar.
Cinco prompts, que cubren solo una parte de las intenciones posibles.
Un número limitado de olas y transiciones prospectivas.
Posibles diferencias en contexto, recuperación de fuentes, configuración y comportamiento de cada plataforma.
Casos ambiguos y anomalías que requieren conservarse en la interpretación.
Ausencia de un registro prospectivo T6→T7 verificable, que impide evaluar ese intervalo como predicción.
Falta de evidencia suficiente para establecer la precisión predictiva en otras entidades, periodos, sectores o condiciones.
Estas limitaciones no invalidan las observaciones. Delimitan las conclusiones que podemos extraer de ellas.
8. ¿Qué aporta el experimento como guía para otros usuarios?
La aportación más generalizable de PCI™-L01 es una forma de trabajar con afirmaciones sobre AI Visibility sin confundir datos, interpretaciones y promesas.
Protocolo práctico de evaluación
Paso 1. Definir la afirmación.
Especificar qué se pretende demostrar: presencia, recomendación, citación, posición comparativa, evolución o predicción futura.
Paso 2. Definir la unidad de observación.
Indicar entidad, prompt, sistema, versión o configuración conocida, fecha y condiciones de captura.
Paso 3. Conservar la respuesta original.
No sustituir el texto RAW por una síntesis ni eliminar los fragmentos que contradigan la hipótesis inicial.
Paso 4. Establecer reglas de anotación.
Definir por adelantado qué cuenta como mención, identificación correcta, recomendación, cita, ambigüedad o ausencia.
Paso 5. Separar observación e interpretación.
Una mención es un hecho observable en la respuesta. Que esa mención represente autoridad, preferencia o una tendencia del mercado es una interpretación que necesita más evidencia.
Paso 6. Repetir las capturas de forma comparable.
Mantener las preguntas y las condiciones tan estables como sea posible, documentando las variaciones inevitables.
Paso 7. Para predecir, registrar antes de observar.
Guardar y fechar las predicciones antes de capturar la siguiente ola. Un pronóstico elaborado después de conocer el resultado no es una prueba prospectiva.
Paso 8. Comparar con una referencia sencilla.
Antes de atribuir valor a un método, medir qué habría conseguido una regla básica como mantener el estado anterior.
Paso 9. Registrar anomalías y casos no concluyentes.
No convertir automáticamente una observación ambigua en positiva o negativa. La incertidumbre también forma parte del resultado.
Paso 10. Publicar la conclusión proporcional a la evidencia.
Diferenciar entre lo observado, lo interpretado, lo que sigue siendo una hipótesis y lo que ha sido validado prospectivamente.
Este protocolo no garantiza que una investigación llegue a un resultado positivo. Su utilidad consiste en que permite concluir incluso cuando una hipótesis no se confirma.
9. ¿Cómo debemos cerrar PCI™-L01?
Propongo declarar concluido el piloto en su estado actual, con el siguiente alcance:
Conservar las respuestas RAW, matrices de anotación, estados, registros de predicción y comparaciones existentes.
Mantener las anomalías y las limitaciones documentadas.
No reconstruir retrospectivamente el registro T6→T7.
No atribuir exactitud predictiva al cotejo descriptivo T6–T7.
No prolongar la captura de datos únicamente para intentar obtener una mejora estadística.
Cerrar la evaluación predictiva como ventaja incremental no demostrada.
Conservar las señales de recomendación, posición comparativa y presencia espontánea como hipótesis que podrían estudiarse en investigaciones posteriores, sin tratarlas como hallazgos predictivos confirmados.
El cierre no requiere afirmar que la investigación ha resuelto el problema de la predicción. Requiere dejar claro qué ha observado, qué ha evaluado y dónde termina la evidencia disponible.
10. Conclusión final
PCI™-L01 comenzó con la intención de investigar si la evolución de la visibilidad de una entidad en sistemas de inteligencia artificial podía medirse y, posteriormente, anticiparse.
El experimento ha permitido organizar observaciones longitudinales, distinguir dimensiones de visibilidad y comprobar la utilidad de un procedimiento que conserva la evidencia original, define estados y compara resultados a lo largo del tiempo.
También ha permitido comprobar que los buenos resultados aparentes no bastan para acreditar capacidad predictiva: en T4–T5 el método alcanzó un 100 % de aciertos, pero el baseline obtuvo el mismo resultado; en T5–T6 ambos alcanzaron un 85 %
En T6–T7 se observaron cambios, pero no se dispone de un registro prospectivo previo verificable que permita evaluarlos como predicciones.
Por tanto, no hemos demostrado que PCI™ pueda predecir la visibilidad futura mejor que una regla de persistencia.
Tampoco hemos demostrado que la visibilidad en IA sea imposible de predecir. Hemos delimitado lo que este piloto permite afirmar y lo que todavía necesita pruebas.
Ese es el resultado que debemos comunicar: una investigación exploratoria que ha producido observaciones útiles, ha sometido una hipótesis a comparación y no ha encontrado, hasta el momento, evidencia de ventaja predictiva incremental.
La lección para el resto de usuarios es aplicable a todo el ámbito de la visibilidad en IA: no confundir una respuesta con una tendencia, una mención con una recomendación, una recomendación con una autoridad demostrada, una correlación con una causa ni un acierto con una predicción validada.
La conclusión rigurosa no es la afirmación más ambiciosa, sino la afirmación más fuerte que la evidencia permite sostener.
PCI™-L01 queda así cerrado como piloto exploratorio y ejemplo de ejecución metodológica.
Su contribución principal no es haber probado una capacidad predictiva que los datos no respaldan, sino haber mostrado cómo investigar, contrastar y comunicar afirmaciones sobre AI Visibility sin presentar como hechos aquello que todavía no se ha demostrado.
La conclusión más importante del experimento PCI™-L01 es esta: hemos conseguido documentar y observar señales de visibilidad en respuestas de distintos sistemas de IA a lo largo del tiempo, pero no hemos demostrado que esas señales permitan predecir de forma fiable la visibilidad futura ni que nuestro método predictivo supere una referencia sencilla.
Eso no convierte el experimento en un fracaso.
Su principal valor está en haber identificado qué puede medirse, qué cambia, qué permanece estable y qué afirmaciones todavía no podemos sostener con pruebas suficientes.
Precisamente esa distinción es útil en un ámbito donde a menudo se confunden las observaciones, las interpretaciones y las promesas comerciales.
PCI™-L01 actúa como piloto exploratorio y demostración metodológica, sin prolongar la recogida de datos para intentar obtener una conclusión más favorable.
Podemos presentar sus resultados actuales con transparencia y utilizarlo como guía práctica para evaluar futuras afirmaciones sobre AI Visibility.
Hemos observado y medido señales de visibilidad en IA, pero no hemos demostrado que permitan predecir el futuro mejor que asumir que el estado actual se mantiene.
La diferencia entre ambas afirmaciones es precisamente lo que este experimento nos ha enseñado a respetar.
