EIDAI™ Entity Representation Framework
¿Qué sabe realmente la inteligencia artificial sobre una marca, cómo la identifica, qué información le atribuye, cómo la relaciona con su actividad y hasta qué punto esa representación le permite recomendarla correctamente?
Esta pregunta conecta directamente EIDAI™, AVM™, PCI™ y MEIA™
1. De investigar capacidades a obtener inteligencia sobre entidades
Se han estudiado diferentes operaciones:
Reconocer una entidad.
Identificarla correctamente.
Diferenciarla de otras entidades.
Atribuirle sus atributos.
Identificar sus relaciones.
Reconocer cuándo no existe información suficiente.
Estas operaciones tienen una utilidad práctica que va más allá de evaluar un modelo.
Permiten investigar la calidad de la representación que la IA construye y reproduce sobre una marca.
Pensemos en un ejemplo.
Una empresa puede aparecer mencionada en ChatGPT, Gemini, Claude o Perplexity, pero:
Ser confundida con otra empresa.
Tener una actividad incorrectamente identificada.
Recibir atributos que pertenecen a otra entidad.
Aparecer asociada a productos o servicios que no ofrece.
Mantener relaciones empresariales incorrectas.
Ser reconocida, pero no recomendada.
Ser recomendada con información desactualizada.
En todos estos escenarios existe visibilidad, pero no necesariamente una representación correcta.
Aquí aparece una distinción fundamental:
Visibilidad IA no equivale a representación correcta.
Visibilidad
¿Aparece la marca en las respuestas de la IA?
Identidad
¿Reconoce la IA a la entidad correcta?
Representación
¿Comprende correctamente quién es, qué hace y qué la caracteriza?
Atribución
¿Asocia correctamente sus atributos, actividades y relaciones?
Visibilidad cualificada
¿Puede identificarla, representarla y recomendarla correctamente cuando el contexto lo requiere?
Esta última dimensión es donde creo que podemos aportar un valor diferencial.
No se trata únicamente de medir cuánto aparece una marca, sino también qué imagen de esa marca está reproduciendo la inteligencia artificial.
2. ¿Qué sabemos realmente después de las investigaciones?
Nivel 1. Conocimiento experimental documentado
Es el que procede directamente de los expedientes EIDAI™
| Dimensión | Qué hemos obtenido |
| Reconocimiento | P01.1 identificó las 8 apariciones del inventario |
| Relaciones | P01.3 cotejó 7 relaciones previstas e identificó 2 adicionales respaldadas |
| Desambiguación | P02 resolvió 3 identificaciones y produjo 1 abstención justificada |
| Atribución | P03 dispone de diseño, registro y prompt, pero no de resultados ejecutados |
¿Qué podemos afirmar?
Establecido procedimientos diferenciados para examinar distintas capacidades.
Documentado respuestas correctas y abstenciones justificadas.
Comprobado que es posible evaluar separadamente la identificación, la desambiguación y las relaciones.
Establecido cómo diseñar una prueba específica de atribución de atributos.
¿Qué no podemos afirmar todavía?
Que todos los modelos de IA identifican correctamente las marcas, que tienen una determinada precisión general o que sus representaciones son estables en cualquier circunstancia.
Esta distinción es importante porque nos permite construir conocimiento sin exagerar sus resultados.
Nivel 2. Conocimiento longitudinal de PCI™
En PCI-L01 observaciones longitudinales de las respuestas de distintos modelos sobre Otterly.
El corpus documentado de esa fase contenía 80 respuestas RAW, procedentes de cuatro modelos, cinco prompts y cuatro ondas temporales.
Rsultados relevantes:
Reconocimiento, identificación, categoría, comprensión y atribución presentaron persistencia del 100 % en las observaciones analizadas.
Recomendación presentó una persistencia del 87,5 %.
Posición comparativa, del 87 %.
Fuentes, del 76,7 %.
Volatilidad en determinadas respuestas.
Porcentajes exclusivamente de aquel corpus, no representan tasas generales de los sistemas de IA.
Reconocer una entidad no significa necesariamente recomendarla.
Establece una relación entre EIDAI™ y AVM™:
EIDAI™ examina si la IA identifica y representa correctamente la entidad.
AVM™ examina su visibilidad, cobertura, consistencia, contexto, recomendación y fuentes.
PCI™ estudia cómo evolucionan esas señales a lo largo del tiempo.
Nivel 3. Conocimiento metodológico de MEIA™
MEIA™ permite convertir los resultados en información examinable.
Su aportación es importante porque evita confundir:
Una respuesta de IA con un hecho.
Una coincidencia con una demostración.
Una interpretación con una evidencia.
Una ausencia de información con una información negativa.
Existe una metodología para producir y documentar conocimiento sobre IA.
3. Construir un modelo de representación de entidades en IA
EIDAI™ para construir una estructura que permita analizar la representación de cualquier marca, empresa, profesional, producto o institución en los sistemas de IA.
EIDAI™ Entity Representation Framework
Marco de análisis de la identificación y representación de entidades en inteligencia artificial.
Sistema de evaluación que permita conocer cómo los modelos identifican, distinguen, describen, relacionan y atribuyen información a una entidad.
Cinco dimensiones operativas;
Entity Recognition
¿La IA reconoce la existencia de la entidad?
Entity Identification & Disambiguation
¿Identifica a la entidad correcta y la distingue de otras?
Entity Attribute Attribution
¿Le asigna correctamente sus características?
Entity Relationship Resolution
¿Identifica correctamente sus relaciones con otras entidades?
Entity Representation Accuracy
¿La información resultante ofrece una representación fiel, coherente y respaldada?
La quinta dimensión sería una capa de evaluación transversal, no una capacidad que podamos considerar ya validada por los experimentos actuales.
Nos permitiría integrar los resultados anteriores y evaluar la calidad global de la representación.
¿Qué información podríamos obtener?
En un análisis de una empresa real.
El resultado podría tener esta estructura:
| Elemento analizado | Información obtenida |
| Identidad | Nombre y entidad reconocida |
| Identificación | Correspondencia con la entidad correcta |
| Actividad | Actividad que la IA le atribuye |
| Especialización | Productos y servicios identificados |
| Atributos | Características asociadas |
| Relaciones | Personas, marcas y organizaciones vinculadas |
| Diferenciación | Confusiones con otras entidades |
| Evidencia | Fuentes que respaldan las afirmaciones |
| Incertidumbre | Información que la IA no puede determinar |
4. Cómo conectar EIDAI™ con AVM™
Arquitectura integrada de investigación AI Visibility MEIA™
Marco metodológico
Producir, documentar y verificar la evidencia.
EIDAI™
Identidad y representación
¿La IA identifica y representa correctamente a la entidad?
AVM™
Visibilidad y recomendación
¿Cuándo, dónde y cómo aparece y recomienda a la entidad?
PCI™
Evolución y comportamiento temporal
¿Qué señales persisten, emergen, desaparecen o cambian?
AI Visibility Inteligence
Capa de interpretación y aplicación
Diagnóstico · Evidencia · Oportunidades · Evolución · Recomendaciones
Arquitectura en cuatro preguntas diferentes:
| Investigación | Pregunta |
| EIDAI™ | ¿Quién cree la IA que es la entidad? |
| AVM™ | ¿Qué visibilidad y capacidad de recomendación tiene? |
| PCI™ | ¿Cómo evoluciona esa situación? |
| MEIA™ | ¿Qué evidencia respalda lo que afirmamos? |
La integración debe ser informativa antes que matemática.
5. Utilidad real: un nuevo tipo de auditoría
Aquí es donde empezaría a transformar la investigación en un producto tangible.
Mi propuesta sería desarrollar un:
Propuesta de producto
AI Entity Representation Audit™
Auditoría de identidad y representación de entidades en inteligencia artificial.
Análisis que identifica cómo los sistemas de IA reconocen, describen, diferencian y atribuyen información a una marca o entidad.
Entregables potenciales
Perfil de identidad reconocido por la IA.
Mapa de atributos asociados.
Mapa de relaciones entre entidades.
Detección de confusiones y atribuciones incorrectas.
Identificación de información ausente.
Contraste entre respuestas y fuentes documentales.
Diagnóstico de riesgos de representación.
Recomendaciones para mejorar la presencia y representación digital.
No se limita a analizar si una marca tiene contenido indexado, autoridad o menciones.
Examina qué información está utilizando la IA cuando habla de esa marca.
Ejemplo de diagnóstico
Una empresa que obtiene el siguiente resultado en una evaluación hipotética:
| Área | Resultado |
| Reconocimiento de marca | Correcto |
| Identificación de actividad | Correcta |
| Atribución de servicios | Parcial |
| Relaciones empresariales | Inconsistentes |
| Diferenciación de competidores | Insuficiente |
| Fuentes de respaldo | Limitadas |
| Recomendación | Irregular |
¿Qué utilidad tiene esto para la empresa?
No le diríamos simplemente que tiene poca visibilidad.
Le podríamos explicar:
La IA reconoce su marca.
No reproduce consistentemente toda su actividad.
Parte de sus servicios no aparecen correctamente asociados.
Existen relaciones que necesitan contrastarse.
La información que respalda su representación es insuficiente o no aparece en determinadas respuestas.
Existen oportunidades concretas para mejorar la información disponible y su atribución.
Esto convierte una investigación experimental en inteligencia accionable.
El diagnóstico tendría que distinguir los errores de la IA de las posibles deficiencias de la información pública de la propia empresa.
6. Información a extraer y conservar
Repositorio centralizado de conocimiento EIDAI™
EIDAI™ Knowledge Repository
- Evidencias
Prompts, registros, respuestas, documentos originales y referencias.
- Resultados
Identificaciones correctas, errores, confusiones, atribuciones y abstenciones.
- Conocimiento
Patrones observados, diferencias entre capacidades, límites y conclusiones.
- Aplicaciones
Indicadores, auditorías, informes, oportunidades de mejora y productos.
La información debería poder consultarse sin necesidad de volver a revisar todas las conversaciones y pruebas originales.
Matriz de conocimiento EIDAI™
| Campo | Contenido |
| ID | Identificador del hallazgo |
| Dimensión | Reconocimiento, identificación, etc. |
| Experimento | P01, P02 o P03 |
| Evidencia | Referencia al documento original |
| Observación | Qué ocurrió |
| Evaluación | Correcto, incorrecto o no concluyente |
| Conclusión | Qué podemos afirmar |
| Limitación | Qué no podemos afirmar |
| Aplicación | Cómo puede utilizarse en AI Visibility |
Permitiría transformar documentación dispersa en información estructurada y reutilizable.
7. Los indicadores a desarrollar
| Indicador propuesto | Qué mediría |
| Entity Recognition Rate | Reconocimiento correcto de la entidad |
| Entity Identification Accuracy | Identificación de la entidad correcta |
| Disambiguation Accuracy | Resolución correcta de ambigüedades |
| Attribute Attribution Accuracy | Atribución correcta de atributos |
| Relationship Accuracy | Correspondencia de relaciones |
| Representation Accuracy | Fidelidad global de la representación |
Unsupported Attribution Rate: proporción de atributos atribuidos sin respaldo suficiente.
Justified Abstention Rate: proporción de situaciones no resolubles en las que el sistema se abstiene correctamente.
Definir denominadores, criterios de adjudicación, tratamiento de casos no evaluables y condiciones de repetición antes de publicar porcentajes.
No como métricas validadas de EIDAI™
Propuesta de operacionalización de las dimensiones investigadas.
PASO 1. EIDAI™ — Matriz de conocimiento consolidado
PASO 2. EIDAI™ — Modelo de representación de entidades
PASO 3. Integración EIDAI™ + AVM™ + PCI™
PASO 4. Primer diagnóstico aplicado
AI Visibility Measurement y Predictive AI Visibility Research.
Aproximaciones a la visibilidad IA:
¿Cuántas veces aparece una marca?
¿Qué posición ocupa?
¿Qué modelos la recomiendan?
¿Qué competidores aparecen?
¿Qué fuentes utiliza la IA?
AVM™ amplia la investigación:
¿La IA está hablando de la entidad correcta?
¿La distingue de otras entidades?
¿Qué atributos le asigna?
¿Qué información mezcla?
¿Qué relaciones establece?
¿Qué información no conoce?
¿Qué aspectos de su representación permanecen y cuáles cambian?
¿La representación que reproduce es suficientemente correcta como para sustentar una recomendación?
Esta cuestión conecta identidad, representación, visibilidad y recomendación.
No solamente medir si una marca es visible para la IA, sino determinar si es visible como lo que realmente es.
Arquitectura de investigación y aplicación.
Manu Duque – AI Visibility Research
Arquitectura de conocimiento de investigación
MEIA™
Sistema metodológico de evidencia y verificación.
EIDAI™
Identificación, desambiguación y representación de entidades.
AVM™
Medición de visibilidad, cobertura, consistencia, contexto y recomendación.
PCI™
Investigación longitudinal y predictiva de la visibilidad IA.
AI Visibility Intelligence
La aplicación práctica del conocimiento.
Diagnosticar, medir, interpretar y mejorar cómo los sistemas de inteligencia artificial reconocen, representan y recomiendan entidades.
EIDAI™ no es simplemente una colección de pruebas para comprobar si ChatGPT identifica correctamente dos empresas ficticias.
Es el comienzo de una estructura que permite estudiar un problema fundamental de AI Visibility: la diferencia entre que una inteligencia artificial mencione una entidad y que realmente la identifique, la comprenda y la represente correctamente.
AVM™ nos permite medir su visibilidad.
EIDAI™ nos ayuda a examinar la identidad y la representación.
PCI™ nos permite estudiar su evolución.
MEIA™ nos permite respaldar todo ello mediante evidencia.
