Investigar cómo la inteligencia artificial reconoce, interpreta y representa las entidades
Una nueva línea de investigación dentro de la AI Visibility.
¿Qué es ERIA™?
ERIA™ (Entity Representation in AI) es un proyecto de investigación independiente que propone estudiar cómo los sistemas de inteligencia artificial representan a las entidades marcas, empresas, productos, servicios y personas, cuando generan respuestas, explicaciones, comparaciones y recomendaciones.
Su objetivo es investigar no solo si una entidad aparece en las respuestas de la IA, sino también cómo es identificada, qué características se le atribuyen, cómo se describe su función, qué fuentes respaldan esas afirmaciones y en qué condiciones es recomendada.
ERIA™ parte de una distinción fundamental: ser visible en un sistema de inteligencia artificial no significa necesariamente estar correctamente representado por él.
Una marca puede aparecer en una respuesta y, sin embargo, ser descrita de manera incompleta, confundida con otra entidad, asociada a características incorrectas o recomendada mediante argumentos insuficientemente respaldados.
Comprender estas diferencias es el punto de partida de ERIA™
¿Por qué nace ERIA™?
La expansión de los sistemas de inteligencia artificial conversacional está transformando la manera en que las personas descubren información, comparan alternativas y reciben recomendaciones.
En este contexto, la visibilidad de una entidad ya no puede estudiarse únicamente mediante su presencia en buscadores, sus posiciones orgánicas o la frecuencia con la que aparece mencionada.
Las respuestas generadas por IA introducen una cuestión adicional: cómo se construye y comunica la representación de una entidad dentro de una respuesta.
¿La IA identifica correctamente la marca?
¿Comprende qué ofrece?
¿Distingue sus características de las de sus competidores?
¿Puede respaldar sus afirmaciones con fuentes pertinentes?
¿La recomienda por razones coherentes con la información disponible?
Estas preguntas requieren métodos de observación y evaluación que permitan diferenciar hechos observables, interpretaciones y conclusiones verificadas.
ERIA™ nace para investigar ese espacio.
No parte de la premisa de que los sistemas de IA representan necesariamente mal a las entidades, ni de que existe un único mecanismo responsable de sus respuestas.
Parte de una pregunta abierta: ¿cómo podemos evaluar de forma sistemática la calidad de la representación que una IA ofrece de una entidad?
¿Qué pretende ERIA™?
ERIA™ pretende desarrollar un marco metodológico que permita estudiar la representación de entidades en sistemas de IA mediante criterios explícitos, observaciones documentadas y evidencias verificables.
Sus objetivos son:
Diferenciar visibilidad y representación
Determinar qué información aporta la simple aparición de una entidad y qué información adicional necesitamos para evaluar cómo está representada.
Evaluar la identificación
Examinar si el sistema se refiere a la entidad correcta y evita confusiones.
Analizar la descripción
Estudiar la precisión con la que se comunican su categoría, funciones, atributos y características distintivas.
Examinar la atribución
Identificar qué afirmaciones pueden contrastarse con fuentes y si esas fuentes las respaldan realmente.
Investigar la recomendación
Analizar en qué contextos se recomienda una entidad y qué justificaciones acompañan a esa recomendación.
Mejorar la reproducibilidad
Establecer procedimientos de captura, anotación y evaluación que otros investigadores puedan aplicar y contrastar.
ERIA™ no pretende asumir de antemano que todas estas dimensiones forman una única escala ni que pueden resumirse en una puntuación universal. Esa posibilidad deberá investigarse y validarse.
¿Qué persigue?
ERIA™ persigue una comprensión más precisa de la relación entre la presencia de una entidad en las respuestas de IA y la calidad de la información mediante la cual es representada.
Su investigación se orienta a cuatro resultados:
Conocimiento. Comprender qué diferencias existen entre reconocer, identificar, describir, atribuir y recomendar una entidad.
Medición. Definir variables, criterios de anotación e indicadores que permitan evaluar esas diferencias de forma consistente.
Evidencia. Contrastar las afirmaciones generadas por los sistemas con referencias documentales verificables, distinguiendo los errores confirmados de las incertidumbres y los casos no evaluables.
Aplicación. Explorar cómo los resultados pueden ayudar a empresas, marcas, investigadores y profesionales de la visibilidad digital a comprender mejor su representación en sistemas de IA.
La finalidad no es producir más métricas por sí mismas, sino averiguar qué información aporta cada métrica y qué conclusiones permite sostener.
¿Qué busca investigar?
La investigación se organiza inicialmente en seis dimensiones de observación:
Reconocimiento
¿Aparece la entidad en las respuestas a preguntas pertinentes? ¿En qué contextos se menciona?
Identificación
¿La entidad está correctamente identificada o se confunde con otra marca, empresa, producto o servicio?
Categoría y función
¿La respuesta describe correctamente qué es la entidad, qué ofrece y para qué sirve?
Atributos y diferenciación
¿Las características atribuidas son correctas, están suficientemente respaldadas y permiten distinguir la entidad de otras alternativas?
Atribución y fuentes
¿Las afirmaciones pueden verificarse? ¿Las fuentes citadas son pertinentes y respaldan realmente lo que se afirma?
Recomendación y justificación
¿La entidad es recomendada? ¿En qué contexto y con qué argumentos? ¿La justificación es coherente con la información disponible?
Estas dimensiones constituyen una propuesta inicial de investigación. Su definición operacional, independencia, fiabilidad y posible relación entre ellas deberán evaluarse mediante estudios empíricos.
¿Qué problema pretende resolver?
Las métricas convencionales de visibilidad pueden indicar si una marca aparece, cuántas veces se menciona o con qué frecuencia se recomienda.
Esas observaciones no bastan por sí solas para determinar si la representación de la marca es correcta, completa, diferenciada y verificable.
ERIA™ pretende abordar esa limitación mediante una evaluación que vaya más allá de la presencia.
Su pregunta no es únicamente:
¿La IA habla de esta marca?
También es:
¿Qué dice sobre ella, hasta qué punto es correcto, en qué evidencias se apoya y qué podemos demostrar acerca de esa representación?
Esta diferencia permite estudiar situaciones que una medición basada exclusivamente en menciones podría no distinguir: visibilidad acompañada de errores, descripciones incompletas, confusiones entre entidades o recomendaciones cuya justificación no está suficientemente respaldada.
ERIA™ no presupone que estas situaciones sean generalizadas. Pretende identificarlas, clasificarlas y determinar su alcance mediante evidencia.
¿Qué solución aporta al ámbito de la AI Visibility?
La aportación propuesta de ERIA™ es incorporar una perspectiva de evaluación de la calidad de la representación a la investigación sobre visibilidad en IA.
En lugar de limitarse a contabilizar apariciones, plantea estudiar qué información se comunica sobre cada entidad y cómo puede contrastarse.
Esta perspectiva podría proporcionar:
Un protocolo para evaluar la representación de una entidad.
Una taxonomía documentada de errores y limitaciones de representación.
Criterios para vincular afirmaciones con evidencias de referencia.
Matrices de anotación que permitan registrar resultados y desacuerdos.
Procedimientos para comparar respuestas entre sistemas, preguntas y momentos de captura.
Una base metodológica para futuras investigaciones sobre visibilidad, atribución y recomendación.
El resultado esperado es una forma más rigurosa de interpretar la visibilidad: no como una cifra aislada, sino como un conjunto de observaciones cuya calidad y significado pueden evaluarse.
La eficacia de esta propuesta deberá demostrarse mediante un piloto y validaciones posteriores. ERIA™ no se presenta todavía como un estándar validado, una herramienta comercial consolidada ni un modelo universal de puntuación.
¿De dónde parte ERIA™?
ERIA™ nace como una nueva línea de investigación que aprovecha el aprendizaje metodológico de proyectos anteriores de Manu Duque, especialmente AVM™ (AI Visibility Model) y PCI™ (Predictive AI Visibility).
AVM™ proporciona antecedentes para organizar dimensiones de observación relacionadas con la visibilidad, el contexto, la consistencia, la calidad de las recomendaciones y las fuentes.
PCI-L01 permitió trabajar con capturas longitudinales de respuestas reales, sistemas de anotación, registros de evidencia y protocolos para distinguir resultados observados de hipótesis.
El cierre de PCI-L01 también estableció una limitación importante: el piloto no demostró que el enfoque predictivo superase al baseline de persistencia.
ERIA™ no pretende reinterpretar ese resultado como un éxito predictivo. Lo utiliza como aprendizaje para formular una pregunta diferente, más delimitada y susceptible de evaluación específica.
La reutilización de los datos anteriores estará condicionada a su adecuación al nuevo objetivo y a la disponibilidad de evidencias de referencia suficientes.
¿Cómo se desarrollará?
ERIA™ propone avanzar mediante una secuencia de investigación controlada:
Fase 1. Revisión de antecedentes.
Identificar investigaciones y métodos existentes para precisar la contribución potencial del proyecto.
Fase 2. Definición del modelo.
Establecer qué significa una representación correcta, qué variables deben observarse y cómo se clasifican las respuestas.
Fase 3. Auditoría de evidencia.
Determinar qué datos de proyectos anteriores pueden reutilizarse y cuáles requieren nuevas capturas.
Fase 4. Estudio piloto.
Aplicar el protocolo a un conjunto manejable de respuestas de IA sobre entidades documentadas.
Fase 5. Evaluación metodológica.
Examinar la consistencia de las anotaciones, los casos ambiguos, la calidad de las referencias y los límites de las conclusiones.
Fase 6. Publicación y revisión.
Documentar los resultados, las limitaciones, los datos permitidos para su difusión y las condiciones necesarias para reproducir el estudio.
Cada fase deberá generar evidencias y decisiones documentadas. La investigación avanzará cuando los resultados justifiquen hacerlo, no por la necesidad de producir una conclusión positiva.
¿Qué puede aportar al futuro de la visibilidad en IA?
Si el marco demuestra ser útil y reproducible, ERIA™ podría contribuir a una evolución de la AI Visibility desde el seguimiento de apariciones hacia una evaluación más profunda de la representación de entidades.
Para los investigadores, podría aportar definiciones y procedimientos comparables.
Para las empresas, podría ayudar a identificar cómo son descritas, qué información requiere verificación y dónde existen posibles errores de representación.
Para los profesionales del SEO, GEO y marketing digital, podría proporcionar una perspectiva complementaria para analizar la presencia de las marcas en entornos conversacionales.
Para el campo de la inteligencia artificial, podría generar evidencia sobre la relación entre reconocimiento, descripción, atribución y recomendación, sin asumir que estas dimensiones son equivalentes.
Estas aplicaciones son objetivos potenciales, no resultados ya demostrados. Su alcance dependerá de lo que revele la investigación.
Principio fundamental
ERIA™ se fundamenta en una regla metodológica:
No basta con observar lo que una IA dice sobre una entidad. Necesitamos establecer qué ha dicho, cómo lo hemos evaluado, qué evidencias respaldan nuestra interpretación y qué conclusiones podemos defender.
El proyecto distingue sistemáticamente entre observaciones, inferencias, hipótesis y resultados validados.
No busca confirmar una idea preconcebida, sino someterla a evaluación.
No busca crear métricas sin fundamento, sino investigar qué merece ser medido.
No busca atribuir capacidades o limitaciones universales a los sistemas de IA a partir de casos aislados, sino construir conocimiento acumulativo, contrastable y transparente.
Visión
ERIA™ aspira a contribuir a un marco de investigación en el que la visibilidad en inteligencia artificial pueda analizarse no solo por la presencia de una entidad, sino también por la calidad, la verificabilidad y el contexto de su representación.
Su propósito es ayudar a responder una pregunta cada vez más relevante en los entornos digitales:
Cuando la inteligencia artificial habla de una entidad, ¿qué sabemos realmente sobre la forma en que la representa?
Investigar esa diferencia es el punto de partida de ERIA™.
ERIA™ — Entity Representation in AI
Una línea de investigación independiente sobre la representación de entidades en sistemas de inteligencia artificial.
Investigación: Manu Duque
AI Visibility Measurement & Predictive AI Visibility Research
Estado del proyecto: propuesta de investigación en desarrollo. El marco, las hipótesis y sus posibles aplicaciones están pendientes de validación empírica.
Manu Duque
AI Visibility Specialist
ai-visibility.es
