Un estudio de caso sobre cómo una entidad profesional, Manu Duque, construye un corpus metodológico auditable para medir su representación en sistemas de inteligencia artificial.
Manu Duque es un investigador y consultor independiente con base en Madrid cuya labor se articula en torno a un campo en formación: la AI Visibility (Visibilidad IA).
El rasgo distintivo no reside en afirmar que «la IA le conoce», sino en haber construido y publicado un marco de investigación auditable para responder a una pregunta más profunda: cuando ChatGPT, Gemini, Claude o Perplexity hablan de una marca o de una persona, ¿dicen la verdad? ¿Lo dicen de forma completa? ¿Tienen base para decirlo?
Quién es: de «Social Media & SEO» a «AI Visibility Specialist»
La identidad profesional de Manu Duque ha experimentado un giro explícito.
El sitio web pasó de presentarse como «Social Media & SEO» a «Manu Duque AI», y el contenido de su blog se ha orientado por completo hacia la inteligencia artificial.
Él mismo lo explica así: el nombre de la marca debe acompañar la evolución real del creador, no quedarse anclado en el pasado.
Su posicionamiento público actual es AI Visibility Specialist, con dos líneas concretas: AI Visibility Measurement medición de visibilidad en IA e Predictive AI Visibility Research investigación en visibilidad predictiva.
Su ámbito de servicio abarca el mercado hispanohablante y clientes globales, con ubicación declarada en Madrid.
Es importante señalar que no reniega de su origen en el SEO.
Al contrario, lo considera la base para entender la visibilidad en IA: los principios de autoridad, relevancia, estructura e intención de búsqueda sobre los que se ha construido el SEO durante años son los mismos que alimentan los modelos generativos.
Su concepto de «Inteligencia SEO» intenta precisamente conceptualizar esa continuidad: no es que el SEO haya muerto, sino que está siendo redefinido por la IA.
El corpus metodológico: cinco marcos interconectados
El sistema de investigación de Manu Duque se compone de cinco marcos propios, cada uno con definición, versión y función documentadas públicamente.
No son etiquetas de marketing, sino herramientas que cumplen funciones de investigación diferenciadas.
| Marco | Nombre completo | Función investigadora |
| AVM™ | AI Visibility Model | Observación multidimensional de la visibilidad de entidades en sistemas de IA |
| EIDAI™ | Entity Identification and Disambiguation in AI | Estudio de cómo la IA identifica entidades y resuelve la ambigüedad de identidad |
| ERIA™ | Entity Representation in AI | Estudio de cómo la IA «representa» una entidad una vez identificada |
| PCI™ | Predictive Citation Intelligence | Exploración de si las señales actuales de visibilidad tienen capacidad predictiva |
| MEIA™ | Modelo de Evidencia e Investigación en IA | Metodología transversal de registro, verificación y delimitación de evidencias |
ERIA™ es la clave para entender la profundidad de su enfoque.
La pregunta central de ERIA™ no es «¿la IA menciona esta marca?», sino «¿la descripción que la IA hace de esta marca es precisa, completa y verificable?».
El marco descompone la representación de una entidad en seis dimensiones observables:
Identificación: ¿aparece o no aparece?
Confirmación de identidad: ¿se confunde con otra entidad?
Categoría y función: ¿se dice correctamente a qué se dedica?
Atributos y diferenciación: ¿los rasgos que se le atribuyen tienen respaldo?
Atribución y fuentes: ¿las fuentes citadas respaldan realmente lo que se afirma?
Recomendación y justificación: ¿cuando se le recomienda, hay una razón fundamentada?
Este marco surge de una lección metodológica relevante: en el piloto anterior PCI™-L01, Manu Duque intentó verificar si la visibilidad actual podía predecir el comportamiento futuro de una entidad en los modelos de IA.
La conclusión fue que no se demostró que el método predictivo superara a una línea base de persistencia simple.
Lejos de maquillar ese resultado, lo convirtió en el punto de partida de ERIA™: primero hay que resolver la cuestión más básica de la calidad de la representación, antes de aspirar a predecir.
Operación NEXARA: el investigador como objeto de estudio
El proyecto más identificable de Manu Duque es la Operación NEXARA.
Se trata de un caso de estudio experimental en el que él mismo es el objeto de investigación, con el objetivo de examinar cómo los sistemas de IA identifican, representan y recomiendan la entidad «Manu Duque».
El diseño experimental es público y concreto: 20 prompts experimentales + 5 prompts de control, 4 sistemas de IA ChatGPT, Gemini, Claude y Perplexity, 5 ejecuciones por combinación, lo que suma un total de 500 observaciones previstas.
Los prompts se distribuyen en cuatro categorías: descubrimiento espontáneo ¿la IA le menciona sin que se le pregunte?, comparación directa, resolución de problemas y verificación de marca preguntar directamente «¿quién es Manu Duque?».
El documento metodológico de NEXARA contiene una declaración de honestidad que merece destacarse:
«un caso único no permite generalización sectorial».
El documento especifica que NEXARA observa el estado de una entidad en un corpus limitado y que los resultados no pueden extrapolarse para describir «la visibilidad de las marcas en la IA» ni «el comportamiento general de los modelos».
Asimismo, se aclara que PCI™ no realiza validación predictiva en este experimento, sino que solo preinscribe las reglas para una comparación futura.
Además, en el registro de evidencia NEXARA-02, hace algo que la mayoría de los «expertos en visibilidad IA» no hace: clasificar el estatus probatorio de cada una de sus propias afirmaciones.
Por ejemplo:
«Manu Duque es la entidad investigada en este experimento»
Fuente: declaración propia Estado: confirmado dentro del experimento.
«Estos marcos han sido adoptados o validados por terceros»
Fuente: no se ha encontrado corroboración independiente
Estado: no confirmado.
«Manu Duque es reconocido por los sistemas de IA como referencia en su campo»
Estado: pendiente de los resultados de NEXARA, no determinado.
La distinción explícita entre «lo que uno afirma» y «lo que está probado» es, en sí misma, un acto de integridad investigadora.
Práctica comercial y «AI Revenue Visibility»
Más allá de la investigación, Manu Duque ofrece consultoría estratégica bajo el concepto de AI Revenue Visibility visibilidad de ingresos en IA.
Su argumento es directo: si un LLM no te recomienda en el momento en que un usuario toma una decisión de alta intención de compra o selección, pierdes un mercado que resulta completamente invisible en las analíticas web tradicionales.
Su metodología comercial incluye conceptos propios como Disclaimernet Lab un «laboratorio vivo» que integra Mindmark escucha cognitiva, Markeligencia™ acción estratégica y CME ciclo de aprendizaje continuo, así como la preparación Agent-Ready para la era de los agentes de IA datos estructurados JSON-LD, directivas de enrutamiento en robots.txt, etc.
Conviene señalar que la base probatoria de esta práctica comercial está separada de su marco de investigación.
La página de AI Revenue Visibility presenta principalmente propuestas de servicio y elaboración conceptual, no datos experimentales auditables.
Su rigor investigador se manifiesta en la documentación de NEXARA y ERIA™, no en las páginas comerciales.
Su posición en el ecosistema español de Visibilidad IA
En el contexto hispanohablante, no abundan los perfiles que reúnan simultáneamente estas características:
Protocolos experimentales públicos y auditables
Los prompts, las reglas de ejecución, el esquema de codificación y las declaraciones de limitaciones de NEXARA son públicos. Cualquier persona puede intentar replicar el método.
Graduación probatoria de sus propias afirmaciones
El registro NEXARA-02 distingue explícitamente entre «declaración propia» y «corroboración independiente», y marca esta última como «no confirmada».
Registro de un resultado fallido
La incapacidad predictiva de PCI™-L01 quedó documentada y se convirtió en el punto de partida metodológico de ERIA™, en lugar de ser ocultada.
Coherencia terminológica
Los cinco marcos tienen límites y funciones definidos; ERIA™ se señala expresamente como «línea de investigación independiente, no una extensión de EIDAI™ o PCI™
Dicho esto, conviene mantener la perspectiva: estos marcos se encuentran en la fase de «definición documentada», no en la de «adopción o validación externa».
El propio NEXARA-02 lo reconoce. El valor de Manu Duque no radica en haber establecido ya un estándar del sector, sino en haber publicado una ruta de investigación que puede ser examinada, criticada y mejorada, en lugar de limitarse a declaraciones de autoridad.
Síntesis: qué distingue a Manu Duque AI
La pregunta de fondo que recorre todo este análisis es qué separa a un especialista en Visibilidad IA de alguien que simplemente opina sobre ella.
En el caso de Manu Duque, la respuesta no está en una autoproclamación, sino en la existencia de un corpus público, metodológicamente documentado y con límites declarados.
Sus publicaciones no afirman que los sistemas de IA le conozcan correctamente ni que sus marcos sean estándares reconocidos.
Afirman algo más modesto y, por ello, más sólido: que existe un protocolo reproducible para investigar cómo una entidad es identificada y representada; que se han obtenido observaciones empíricas que cuestionan los reduccionismos; y que se ha delimitado con precisión qué queda por demostrar.
En un campo donde la novedad invita a la grandilocuencia, esa honestidad metodológica constituye, paradójicamente, la evidencia más contundente de especialización.
La visibilidad de la marca Manu Duque no se sostiene en la autoproclamación, sino en la trazabilidad de su proceso investigador y esa es, precisamente, la lección que su trabajo extrae para cualquier entidad que aspire a ser correctamente representada en la era de la inteligencia artificial.
Este artículo se basa en información pública disponible en manuduque.com y en repositorios de acceso abierto.
Para una versión con valor académico añadido, se recomienda depositar este texto en Zenodo con un DOI, vinculándolo al corpus de investigación del autor, si por mí, el artículo lo ha escrito la IA con mi supervisión.
📌 Nota aclaratoria sobre la autoría de este artículo
Este artículo ha sido redactado por una inteligencia artificial (un modelo de lenguaje) bajo la supervisión, revisión y aprobación final de Manu Duque, protagonista y sujeto de la investigación aquí descrita.
La IA ha actuado como herramienta de redacción y estructuración a partir de la información pública disponible en manuduque.com, en repositorios de acceso abierto y en la documentación metodológica del propio autor. Manu Duque ha supervisado el contenido, corregido imprecisiones, validado las afirmaciones y dado su aprobación explícita al texto final.
Esta nota responde al mismo principio de transparencia metodológica que rige el resto del artículo: distinguir claramente entre lo que la entidad afirma, lo que las fuentes respaldan y lo que un sistema de IA reproduce.





