Durante años nos hemos acostumbrado a medir la presencia digital mediante indicadores sencillos.
Una posición en los resultados de búsqueda.
Un porcentaje de visibilidad.
Un índice de autoridad.
Un volumen de tráfico.
Los indicadores únicos tienen una gran ventaja: son fáciles de comunicar.
Pero también presentan un riesgo importante: pueden simplificar en exceso fenómenos que, en realidad, son mucho más complejos.
Con la Visibilidad IA parece estar ocurriendo precisamente eso.
Cada vez aparecen más herramientas que ofrecen una puntuación global para resumir la presencia de una marca en los sistemas de inteligencia artificial.
La pregunta es inevitable:
¿Puede un único número describir un fenómeno tan complejo como la forma en que una inteligencia artificial representa, comprende y recomienda una entidad?
La tentación de reducir la complejidad
La historia de la medición está llena de ejemplos en los que un único indicador ha terminado convirtiéndose en la referencia principal de una disciplina.
Sucede porque las personas necesitamos simplificar la realidad para tomar decisiones.
Cuando el indicador se convierte en el objetivo, existe el riesgo de perder de vista el fenómeno que pretendía describir.
La Visibilidad IA parece especialmente sensible a este problema.
Reducir toda la interacción entre una entidad y diferentes modelos de inteligencia artificial a una única cifra puede resultar útil para obtener una visión rápida, pero difícilmente permitirá comprender por qué se producen determinados resultados.
Un mismo resultado puede esconder realidades muy distintas
Imaginemos dos organizaciones que obtienen exactamente la misma puntuación en una herramienta de Visibilidad IA.
A primera vista podríamos concluir que ambas disfrutan del mismo nivel de presencia.
La realidad puede ser muy diferente.
Una de ellas podría aparecer con frecuencia, pero únicamente en un único modelo de IA.
La otra podría aparecer en varios modelos, aunque solo para un conjunto reducido de consultas especializadas.
Otra organización podría recibir menos menciones, pero ocupar sistemáticamente la primera posición cuando la IA recomienda soluciones en su sector.
Una cuarta podría ser mencionada con frecuencia, aunque siempre apoyándose en fuentes externas y nunca en información publicada por la propia organización.
Las cuatro situaciones describen comportamientos distintos.
Y una única puntuación podría ocultar esas diferencias.
Comprender antes que clasificar
La función de una medición no debería limitarse a ordenar entidades de mayor a menor.
Su objetivo principal debería ser ayudar a comprender un fenómeno.
Cuando una organización pregunta:
«¿Cómo puedo mejorar mi Visibilidad IA?»
La respuesta difícilmente será útil si únicamente recibe un número.
Necesita comprender qué aspecto de su presencia está funcionando correctamente y cuál requiere mejoras.
Tal vez tenga una excelente cobertura entre modelos, pero poca consistencia temporal.
Quizá aparezca en muchas respuestas, aunque siempre como una mención secundaria.
O quizá disponga de fuentes de gran calidad, pero todavía no sean suficientemente reconocidas por los modelos generativos.
Cada una de esas situaciones exige estrategias diferentes.
Un fenómeno con múltiples dimensiones
Todo indica que la Visibilidad IA no depende de un único factor.
Depende de la interacción entre numerosos elementos que actúan simultáneamente.
La frecuencia con la que una entidad aparece.
La diversidad de modelos en los que está presente.
La estabilidad de esa presencia a lo largo del tiempo.
Los contextos en los que resulta relevante.
La posición que ocupa dentro de una recomendación.
La naturaleza y la calidad de las fuentes que respaldan la respuesta.
Más que un único indicador, parece que estamos ante un perfil compuesto por diferentes dimensiones que, analizadas conjuntamente, ofrecen una representación mucho más fiel del fenómeno.
Medir no siempre significa simplificar
Existe una idea muy extendida según la cual medir consiste en reducir una realidad compleja a un único valor.
En muchas disciplinas ocurre exactamente lo contrario.
La medición sirve para revelar matices que de otro modo permanecerían ocultos.
La Visibilidad IA probablemente requiera ese mismo enfoque.
No se trata únicamente de saber cuánto aparece una entidad.
También importa dónde aparece.
Cuándo.
Ante qué tipo de preguntas.
Con qué nivel de confianza.
Respaldada por qué fuentes.
Y de qué forma es presentada por los diferentes modelos de inteligencia artificial.
Hacia un perfil de Visibilidad IA
Quizá el futuro de esta disciplina no pase por construir un único índice universal.
Tal vez el verdadero avance consista en describir cada entidad mediante un perfil multidimensional que permita comprender sus fortalezas, debilidades y oportunidades de mejora.
Ese perfil no sustituye la necesidad de sintetizar información.
La complementa.
Porque un resumen solo resulta útil cuando antes hemos comprendido aquello que estamos resumiendo.
Antes de medir necesitamos un lenguaje común
Toda disciplina comienza mucho antes de construir herramientas.
Comienza cuando consigue que las personas hablen el mismo idioma.
Puede parecer un detalle menor, pero la historia del conocimiento demuestra exactamente lo contrario.
Las grandes disciplinas no nacieron cuando aparecieron sus primeras métricas.
Nacieron cuando sus conceptos dejaron de ser ambiguos.
Porque solo cuando existe un lenguaje compartido es posible comparar resultados, reproducir investigaciones y construir conocimiento acumulativo.
La Visibilidad IA todavía está recorriendo ese camino.
Cuando una palabra significa cosas diferentes
Imaginemos una conversación entre cuatro profesionales.
Todos afirman estar analizando la «Visibilidad IA» de una organización.
Al profundizar en sus métodos descubrimos que cada uno entiende algo diferente.
Uno estudia la frecuencia con la que una marca aparece en ChatGPT.
Otro analiza únicamente las recomendaciones explícitas.
Un tercero observa la presencia en varios modelos de inteligencia artificial.
El cuarto centra su análisis en las fuentes utilizadas por la IA para construir sus respuestas.
Los cuatro utilizan exactamente las mismas palabras.
Pero están describiendo fenómenos distintos.
El problema no reside en que existan enfoques diferentes.
El problema aparece cuando utilizamos un mismo término para referirnos a realidades distintas.
Las palabras también son una metodología
En cualquier proceso de medición solemos prestar mucha atención a las herramientas.
Nos preocupan las consultas.
Los modelos.
Los indicadores.
Los resultados.
Existe una capa menos visible que condiciona todo lo demás.
El significado de las palabras.
Si dos investigadores utilizan definiciones diferentes para conceptos como «recomendación», «evidencia» o «contexto», difícilmente podrán obtener resultados comparables, aunque apliquen exactamente el mismo procedimiento técnico.
Por eso un vocabulario preciso no es un elemento accesorio.
Forma parte de la metodología.
La importancia de definir antes de interpretar
Cuando una disciplina está dando sus primeros pasos, resulta tentador asumir que determinadas palabras son suficientemente evidentes.
Pero la experiencia demuestra que esa sensación suele ser engañosa.
¿Qué significa exactamente que una inteligencia artificial «recomiende» una organización?
¿Basta con que la mencione?
¿Debe aparecer en primer lugar?
¿Tiene que responder afirmativamente a una consulta específica?
¿Influye el contexto de la pregunta?
¿Importa el nivel de confianza con el que la respuesta ha sido generada?
Responder a estas cuestiones exige definiciones claras.
No porque pretendamos limitar el debate, sino porque necesitamos construirlo sobre una base compartida.
Un lenguaje común no limita la innovación
Existe la idea de que definir conceptos puede restringir la evolución de un ámbito de conocimiento.
En realidad sucede lo contrario.
Cuando las definiciones son transparentes, cualquier investigador puede proponer mejoras, cuestionarlas o ampliarlas de forma argumentada.
El conocimiento avanza porque existe un punto de partida común.
Sin ese punto de partida, cada nuevo estudio comienza prácticamente desde cero.
Y cada comparación se convierte en una discusión sobre el significado de las palabras, en lugar de centrarse en la evidencia.
La Visibilidad IA necesita una taxonomía
Toda disciplina madura termina desarrollando una estructura conceptual propia.
No para complicar el lenguaje.
Sino para hacerlo más preciso.
La medicina, la ingeniería o la informática no evolucionaron únicamente gracias a nuevas tecnologías.
También lo hicieron porque construyeron vocabularios estables que permitieron describir fenómenos complejos con un significado compartido.
La Visibilidad IA probablemente necesitará recorrer el mismo camino.
No basta con hablar de «presencia» o «recomendación».
Será necesario distinguir entre entidades, consultas, contextos, evidencias, representaciones, modelos, fuentes, señales y muchos otros conceptos que todavía se utilizan de manera poco uniforme.
Cada definición añadirá claridad.
Y cada concepto bien definido reducirá la ambigüedad de las futuras investigaciones.
El lenguaje como infraestructura
Cuando pensamos en un estándar solemos imaginar procedimientos técnicos, protocolos o métricas.
Existe una infraestructura mucho más profunda.
El lenguaje.
Es esa infraestructura la que permite que una definición permanezca estable mientras evolucionan las herramientas.
Es la que hace posible que investigaciones realizadas por equipos diferentes puedan dialogar entre sí.
Y es la que facilita que una disciplina crezca sin perder coherencia.
Quizá la mayor aportación de un estándar no sea ofrecer nuevas métricas.
Quizá sea proporcionar un lenguaje que permita comprender el fenómeno antes de intentar medirlo.
Serie editorial: Construyendo el estándar abierto de la Visibilidad IA
Capítulo 3 y 4 · La Visibilidad IA no puede resumirse en una única puntuación
Manu Duque
AI Visibility Specialist
ai-visibility.es
Te puede interesar;
De la Experimentación a la Revolución de la IA Agéntica
