Operación Nexara: AI Visibility – Experimental Case Study
Operación Nexara
AI Visibility — Experimental Case Study
De la observación a la evidencia verificable.
Un caso práctico de identificación, representación, medición y análisis de visibilidad de una entidad en sistemas de inteligencia artificial.
Resultado que buscamos
Un experimento realmente ejecutado.
Un conjunto de respuestas originales.
Una base de datos estructurada.
Indicadores calculados a partir de observaciones.
Un informe de resultados.
Un expediente metodológico que permita auditar el proceso.
Una demostración de aplicación profesional.
Estructura inicial de 20 prompts experimentales, 5 controles, 4 modelos y 5 ejecuciones por combinación: 500 observaciones previstas. Contempla identificación de entidades, medición multidimensional y seguimiento predictivo.
Manu Duque
2. Cómo llevarlo a la práctica
En cuatro fases. Cada una tendría un resultado concreto y no pasaríamos a la siguiente sin cerrar documentalmente la anterior.
FASE 1 — Preparación experimental
Primera
Construir el experimento
Aquí no medimos todavía. Definimos exactamente qué vamos a medir.
Entregables:
Identificación de la entidad investigada.
Ficha de referencia y fuentes de contraste.
Pregunta de investigación.
Hipótesis y variables.
Corpus definitivo de prompts.
Reglas de ejecución y captura.
Matriz de evaluación.
Registro metodológico MEIA™.
Resultado: protocolo congelado y listo para ejecutar.
FASE 2 — Ejecución y recogida
Experimental
Obtener datos originales
Ejecutaremos los prompts en cuatro sistemas:
ChatGPT.
Gemini.
Claude.
Perplexity.
Cada ejecución será independiente, conservando la respuesta íntegra y sus metadatos.
Resultado: corpus de respuestas reales, con fecha, modelo, prompt, ejecución y referencia documental.
FASE 3 — Análisis y medición
Evaluación
Transformar respuestas en indicadores
Aplicaremos las reglas de evaluación a los datos recogidos.
EIDAI™: identificación y desambiguación.
ERIA™: representación y atribución.
AVM™: medición de visibilidad
MEIA™: trazabilidad y evidencia.
PCI™: únicamente si disponemos de observaciones longitudinales suficientes.
Resultado: matrices, indicadores, resultados y limitaciones.
FASE 4 — Auditoría y publicación
Cierre
Convertir el experimento en un caso profesional
Informe experimental final.
Dataset documentado.
Registro de evidencias.
Resultados reproducibles en la medida permitida por las plataformas.
Conclusiones y limitaciones.
Caso práctico publicable en manuduque.com.
Resultado: Operación NEXARA como caso de aplicación real.
3. Ajustes necesarios para que sea un experimento válido
No confundir volumen de datos con calidad de investigación.
Mantener la estructura de 500 respuestas previstas, con cinco aspectos.
| Elemento | Decisión metodológica |
| 20 prompts | Mantenerlos como corpus experimental |
| 5 controles | Rediseñarlos para comprobar condiciones de ejecución y respuestas de contraste |
| 4 modelos | Mantener los cuatro sistemas previstos, registrando las versiones disponibles |
| 5 ejecuciones | Mantener cinco repeticiones independientes por combinación |
| 500 respuestas | Conservar como objetivo de recogida, no como garantía de representatividad |
Garantías adicionales:
- No mezclar las conversaciones.Cada ejecución debe comenzar en una conversación independiente, sin contexto experimental anterior.
- No modificar los prompts.Una vez aprobado el corpus, cualquier cambio requerirá una nueva versión documentada.
- Conservar las respuestas originales.No corregir, resumir ni interpretar los textos antes de archivarlos.
- Separar los resultados.Una entidad puede aparecer y estar mal identificada. No debemos contabilizar esa aparición como una recomendación correcta.
- No fingir precisión estadística.Cinco repeticiones permiten describir variaciones observadas, pero no garantizan por sí mismas una estimación robusta de la variabilidad general. Los intervalos de incertidumbre deberán considerar que las respuestas de un mismo prompt están relacionadas.
También registraremos cuándo la plataforma no permite conocer la versión técnica exacta del modelo. No inventaremos ese dato.
4. Cómo utilizar los cinco marcos de investigación
NEXARA demuestra la utilidad práctica sin forzar la participación de todos los proyectos.
| Proyecto | Aplicación real en NEXARA | Resultado |
| MEIA™ | Control de evidencias | Registro verificable |
| EIDAI™ | Identificación y desambiguación | Exactitud de identidad |
| ERIA™ | Representación y atribución | Calidad representacional |
| AVM™ | Evaluación multidimensional | Perfil de visibilidad |
| PCI™ | Evolución temporal | Análisis predictivo, si procede |
Hay una distinción fundamental:
MEIA™ establece qué podemos afirmar y con qué evidencia.
EIDAI™ determina si la entidad está correctamente identificada.
ERIA™ examina cómo está representada.
AVM™ mide cómo aparece y es recomendada.
PCI™ investiga si las observaciones contienen señales sobre su evolución futura.
No necesita demostrar que los cinco marcos funcionan conjuntamente para que NEXARA sea valiosa. Necesita demostrar qué hemos podido aplicar realmente y qué resultados hemos obtenido.
5. El sistema documental: sencillo, auditable
Expediente central con seis documentos.
| Documento | Contenido |
| NEXARA-01 | Protocolo experimental aprobado |
| NEXARA-02 | Ficha de identidad y fuentes de referencia |
| NEXARA-03 | Registro de ejecuciones y respuestas originales |
| NEXARA-04 | Matriz de evaluación y resultados |
| NEXARA-05 | Registro de incidencias y decisiones metodológicas |
| NEXARA-06 | Informe final de investigación |
Y una estructura de archivos para conservar las evidencias:
OPERACION_NEXARA/
│
├── 01_PROTOCOL/
├── 02_ENTITY_REFERENCE/
├── 03_RAW_RESPONSES/
│ ├── CHATGPT/
│ ├── GEMINI/
│ ├── CLAUDE/
│ └── PERPLEXITY/
├── 04_ANNOTATION/
├── 05_EVIDENCE/
└── 06_FINAL_REPORT/
Cada respuesta tendrá un identificador único. Por ejemplo:
NEXARA-P01-CHATGPT-R01
Esto permitirá localizar cualquier resultado y comprobar qué respuesta original lo respalda.
Para reforzar la auditabilidad, conservaremos también fecha, hora, prompt exacto, configuración, captura o exportación disponible, incidencias y huella digital del archivo original cuando podamos calcularla.
Importante: auditabilidad no significa que cualquier persona pueda reproducir exactamente la misma respuesta de un modelo cambiante. Significa que podrá inspeccionar qué hicimos, qué obtuvimos y cómo llegamos a cada conclusión.
6. Qué conseguiremos al terminar
El resultado no debería ser solamente un artículo contando que hemos hecho un experimento.
Disponer de un caso práctico capaz de responder preguntas reales:
¿Reconoce correctamente la IA la entidad?
¿La confunde con otras entidades?
¿Qué atributos le asigna?
¿Cuáles son correctos y cuáles incorrectos?
¿En qué modelos aparece?
¿En qué tipos de consultas aparece espontáneamente?
¿Cuándo la recomienda y cuándo simplemente la menciona?
¿Qué fuentes utiliza para respaldar sus afirmaciones?
¿Existen diferencias entre sistemas?
¿Qué problemas concretos debería corregir la entidad?
Y lo más importante: cada conclusión tendrá una referencia a los datos que la respaldan.
Esto permitiría desarrollar posteriormente un servicio profesional basado en un procedimiento realmente aplicado, no simplemente en una propuesta teórica.
7. Una decisión importante
Dato a resolver antes de construir NEXARA-01.
¿Qué es exactamente NEXARA?
El artículo utiliza NEXARA como entidad investigada, pero no establece una ficha de identidad suficientemente concreta para ejecutar el experimento.
