From Observable AI Visibility Signals to Predictive Trajectories
Documento: PCI™ 0.1 — Predictive Citation Intelligence
Estado: Experimental Specification
Relación: Complementary research layer to AVM™
Versión: 0.1
Propósito: Definir qué significa que una señal de AI Visibility sea predictiva y establecer un marco experimental para demostrarlo o falsarlo.
1. Propósito
La medición de AI Visibility permite describir el estado observable de una entidad dentro de sistemas de inteligencia artificial.
Una medición del presente no implica capacidad para anticipar el futuro.
PCI™ — Predictive Citation Intelligence — nace como una capa experimental destinada a investigar una cuestión diferente:
¿Puede la información observable sobre la visibilidad actual de una entidad contener señales capaces de anticipar cambios futuros en su visibilidad dentro de sistemas de IA?
PCI™ no presupone que la respuesta sea afirmativa.
Su primera función es establecer un procedimiento mediante el cual dicha capacidad pueda ser:
identificada;
medida;
comparada;
validada;
reproducida;
o falsada.
Por tanto:
PCI™ 0.1 no es todavía un modelo predictivo. Es una especificación para investigar la predictibilidad de AI Visibility.
2. Relación entre AVM™ y PCI™
PCI™ no sustituye a AVM™ ni modifica sus definiciones de medición.
La arquitectura conceptual inicial es:
AVM™ → Measurement Layer
PCI™ → Prediction Research Layer
AVM™ responde principalmente:
¿Qué está ocurriendo?
PCI™ investiga:
¿Qué señales del presente contienen información sobre lo que ocurrirá después?
Y una futura capa de aplicación podría responder:
¿Qué debería hacer la organización ante esa trayectoria?
Por tanto:
OBSERVATION
▼
AVM™
AI Visibility Measurement
▼
TEMPORAL DATA
▼
PCI™
Predictive Signal Research
├ Direction
├ Magnitude
└ Probability
▼
FUTURE VISIBILITY
▼
Predictive Visibility Report
Esta separación es deliberada.
Una variable no se convierte en predictiva simplemente porque esté correlacionada con la visibilidad.
Debe demostrar capacidad para anticipar un resultado futuro.
3. Definición operativa de Predictive Signal
PCI™ introduce provisionalmente el concepto de:
Predictive AI Visibility Signal
Una Predictive AI Visibility Signal es una variable observable en un momento determinado que proporciona información estadísticamente verificable sobre un resultado futuro de AI Visibility, más allá de la información proporcionada por un modelo base apropiado.
Formalmente:
Sea:
(X_t) = señal observable en el tiempo (t)
(Y_{t+h}) = resultado de AI Visibility en un horizonte futuro (h)
(B_t) = información disponible para el modelo base en (t)
Una señal (X_t) podrá considerarse predictiva para (Y_{t+h}) únicamente si:
[E[L(Y_{t+h}, \hat{Y}{t+h}^{,X})]
<
E[L(Y{t+h}, \hat{Y}_{t+h}^{,B})]
]
donde:
(L) representa una función de pérdida;
(\hat{Y}^{X}) representa la predicción utilizando la señal;
(\hat{Y}^{B}) representa la predicción del modelo base.
En términos simples:
Una señal es predictiva si mejora de forma demostrable la predicción de un resultado futuro frente a un baseline adecuado.
4. Correlación no equivale a predictibilidad
PCI™ establece una distinción fundamental entre:
Asociación
Dos variables cambian conjuntamente.
Correlación
Existe una relación estadística entre ambas variables.
Predicción
Una variable disponible en (t) mejora la capacidad para anticipar (Y) en (t+h).
Capacidad predictiva fuera de muestra
La mejora continúa existiendo cuando la predicción se realiza sobre datos futuros que no fueron utilizados para desarrollar el modelo.
PCI™ adopta esta última como criterio fundamental.
Por tanto:
No se considerará predictiva una señal únicamente porque presente una correlación elevada con un resultado futuro.
5. Predictive Target
La primera versión de PCI™ no intentará predecir inmediatamente un valor exacto de visibilidad.
Se establecerán tres niveles progresivos.
5.1 Nivel 1 — Direction
Predicción de la dirección futura.
[D_{t,h} \in {up,\ stable,\ down}
]
Ejemplo:
La visibilidad actual es 48.
La predicción no sería:
«La visibilidad será 53,7.»
Sino:
«La visibilidad presenta una trayectoria descendente a 30 días.»
Este será el primer objetivo experimental.
5.2 Nivel 2 — Magnitude
Una vez demostrada capacidad para anticipar dirección, se investigará la magnitud del cambio.
[\Delta V_{t,h} =
\frac{V_{t+h}-V_t}{V_t}
]
Por ejemplo:
[\Delta V_{90}=-0.18
]
equivaldría a una disminución estimada del 18%.
5.3 Nivel 3 — Probability
El sistema podrá finalmente expresar incertidumbre:
[P(D_{t,h}=down \mid X_t)
]
Ejemplo:
Probability of decline at 90 days: 0.74
Esto significa que el modelo estima un 74% de probabilidad de descenso bajo las condiciones y definición experimental utilizadas.
No significa certeza.
6. Prediction Horizons
PCI™ utilizará inicialmente tres horizontes:
| Horizonte | Código | Función |
| 30 días | H30 | Early trajectory |
| 60 días | H60 | Intermediate trajectory |
| 90 días | H90 | Strategic trajectory |
El horizonte de 90 días será especialmente relevante para el concepto comercial posterior de Predictive Visibility Report, pero no se asumirá que las predicciones a 90 días serán igualmente fiables que las de 30 días.
Una hipótesis inicial será:
[Error(H30) < Error(H60) < Error(H90)
]
Esta relación deberá comprobarse empíricamente.
7. Observable Inputs
PCI™ utilizará inicialmente variables procedentes de la capa de observación.
Entre las candidatas se encuentran:
Visibility Signals
frecuencia de aparición;
cobertura de queries;
cobertura entre modelos;
consistencia;
posición de recomendación;
prioridad de recomendación;
presencia de fuentes;
share de citas.
Source Signals
frecuencia de aparición de una fuente;
crecimiento de una fuente;
pérdida de presencia;
concentración de fuentes;
diversidad del ecosistema de fuentes;
aparición de nuevas fuentes.
Competitive Signals
evolución de competidores;
crecimiento o pérdida de presencia;
cambios en el share relativo;
entrada de nuevas entidades.
Temporal Signals
tendencia;
aceleración;
desaceleración;
volatilidad;
cambios de régimen.
Importante:
Estas variables son inicialmente candidatas. PCI™ no las considera predictivas hasta que sean sometidas a validación.
8. Temporalidad como requisito fundamental
Una de las condiciones esenciales de PCI™ es preservar la dimensión temporal.
No basta con disponer de:
Marca → Visibility = 47
Necesitamos:
t0 → 47
t1 → 49
t2 → 46
t3 → 43
t4 → 39
…
Porque la pregunta predictiva solamente puede formularse cuando existe:
presente → futuro
Por ello, PCI™ requiere un Temporal AI Visibility Dataset.
Cada observación deberá conservar, como mínimo:
entidad;
query;
modelo;
timestamp;
respuesta;
variables AVM™ observadas;
fuentes;
posición;
clasificación;
contexto;
resultado futuro;
horizonte temporal.
9. La unidad experimental
PCI™ propone inicialmente que la unidad básica sea:
[Observation =
(Entity, Query, Model, Time)
]
Una observación representa el comportamiento de una entidad ante una consulta concreta, en un modelo concreto y en un momento determinado.
A partir de estas observaciones podrán construirse agregaciones superiores:
Query level
Entidad × Query
Model level
Entidad × Modelo
Cross-model level
Entidad × Query × Model
Entity level
Visibilidad agregada de la entidad
Sector level
Evolución de las fuentes y entidades dentro de una categoría.
Esto permitirá investigar si una señal es predictiva:
a nivel de query;
a nivel de modelo;
a nivel de entidad;
o únicamente a nivel agregado.
10. El concepto de Baseline
Ninguna afirmación predictiva será válida sin un baseline.
PCI™ utilizará inicialmente un modelo base sencillo.
Por ejemplo:
Naïve Persistence Baseline
[\hat{Y}_{t+h}=Y_t
]
Es decir:
la mejor predicción inicial es que el futuro será igual al presente.
Este baseline es deliberadamente simple.
Si un modelo complejo no consigue superar esta referencia, no existe evidencia suficiente de valor predictivo.
Posteriormente podrán incorporarse baselines adicionales:
historical mean;
moving average;
trend baseline;
seasonal baseline;
autoregressive baseline.
11. Criterio de Predictive Value
Una señal no será evaluada preguntando:
«¿Tiene sentido que sea importante?»
Será evaluada preguntando:
«¿Mejora la predicción?»
Para una señal (X):
Modelo base
[M_0 = f(B_t)
]
Modelo con señal
[M_1 = f(B_t,X_t)
]
La señal aporta valor predictivo cuando:
[Performance(M_1) > Performance(M_0)
]
de acuerdo con métricas previamente definidas.
La mejora deberá evaluarse sobre datos no utilizados para entrenar o seleccionar el modelo.
12. Validación temporal
PCI™ no utilizará inicialmente una división aleatoria convencional de los datos como criterio principal.
La razón es fundamental:
En predicción temporal no podemos permitir que información del futuro contamine el pasado.
Por tanto:
PAST
──────────────────────► FUTURE
TRAIN VALIDATE TEST
██████████ ████ ████
La evaluación deberá respetar el orden temporal.
Ejemplo:
Train
Días 1–60
Validation
Días 61–75
Test
Días 76–90
En una implementación posterior podrá utilizarse rolling-origin evaluation.
13. Métricas iniciales
PCI™ utilizará métricas diferentes según el tipo de predicción.
Direction
Para una clasificación Up / Stable / Down:
Accuracy;
Balanced Accuracy;
Precision;
Recall;
F1;
confusion matrix.
La métrica principal deberá definirse antes del experimento.
Magnitude
Para predicción numérica:
[MAE =
\frac{1}{n}
\sum_{i=1}^{n}
|Y_i-\hat{Y_i}|
]
y:
[RMSE =
\sqrt{
\frac{1}{n}
\sum_{i=1}^{n}
(Y_i-\hat{Y_i})^2
}
]
Probability
Para predicciones probabilísticas podrán utilizarse:
Log Loss;
Brier Score;
calibration error.
Una predicción:
80% probability of decline
deberá poder contrastarse con la frecuencia real de ocurrencia.
14. Early Warning Signal
PCI™ introduce un segundo concepto experimental:
Early Warning Signal
Una señal que aparece antes de que el cambio relevante en AI Visibility sea observable.
La secuencia sería:
SIGNAL
│
▼
EARLY WARNING
│
▼
TRAJECTORY CHANGE
│
▼
OBSERVED VISIBILITY CHANGE
Esto es diferente de detectar simplemente que la visibilidad ya está cayendo.
Una alerta emitida después del descenso no constituye una alerta temprana.
15. Lead Time
Para evaluar Early Warning Signals se introduce:
[
LeadTime =
T_{observed\ change}
T_{signal}
]
Ejemplo:
Una señal aparece en el día 20.
El descenso de visibilidad comienza en el día 47.
[LeadTime=27\ days
]
El sistema habría proporcionado 27 días de anticipación.
Este concepto puede convertirse posteriormente en una de las métricas centrales del producto.
16. Source Momentum
Una hipótesis experimental especialmente relevante para PCI™ será estudiar la evolución temporal de las fuentes.
Una fuente no será evaluada únicamente por su presencia actual:
[SourcePresence_t
]
sino por su trayectoria:
[
SourceMomentum_t
f(
Presence_t,
Growth_t,
Acceleration_t,
Volatility_t
)
]
Inicialmente no se establecerá una fórmula normativa.
Se investigará si la evolución de una fuente contiene información útil para anticipar cambios posteriores en la visibilidad de las entidades que dependen de ella.
17. Source Dependency Risk
Otra hipótesis experimental:
Una entidad cuya visibilidad depende excesivamente de un conjunto reducido de fuentes podría presentar mayor vulnerabilidad ante cambios en esas fuentes.
Podemos representar inicialmente la dependencia como:
[Dependency(E,S)
]
donde (E) es una entidad y (S) un conjunto de fuentes.
La hipótesis será:
[High\ Dependency
+
Negative\ Source\ Momentum
\rightarrow
Higher\ Future\ Visibility\ Risk
]
Esto es una hipótesis.
No una conclusión.
PCI™ deberá comprobarla.
18. Predictive Signal Test
Cada candidata deberá superar un proceso común.
Step 1 — Define
Definir exactamente la señal.
Step 2 — Timestamp
Registrar la señal únicamente con información disponible en (t).
Step 3 — Define Target
Establecer qué resultado futuro intenta anticipar.
Step 4 — Define Horizon
H30, H60 o H90.
Step 5 — Baseline
Construir el modelo base.
Step 6 — Prediction
Añadir la señal.
Step 7 — Out-of-sample Test
Evaluar exclusivamente sobre datos posteriores.
Step 8 — Compare
Comparar con el baseline.
Step 9 — Repeat
Repetir sobre diferentes ventanas temporales, entidades y contextos.
Step 10 — Decision
Clasificar la evidencia.
19. Predictive Signal Status
PCI™ propone inicialmente cinco estados:
| Estado | Significado |
| Candidate | Hipótesis sin validar |
| Observed | Presenta asociación observable |
| Predictive | Mejora la predicción fuera de muestra |
| Robust Predictive | Mantiene capacidad en diferentes muestras/contextos |
| Rejected | No demuestra capacidad suficiente |
Esta clasificación evita convertir una correlación inicial en una afirmación de producto.
20. Falsification Criteria
PCI™ deberá intentar falsar sus propias hipótesis.
Una señal será considerada no validada si:
no supera el baseline;
solo funciona dentro de la muestra de entrenamiento;
desaparece fuera de muestra;
depende excesivamente de un único modelo;
depende de una única query;
no se reproduce temporalmente;
cambia de signo entre periodos;
su mejora no es estadísticamente o prácticamente relevante;
presenta leakage de información futura.
La ausencia de capacidad predictiva será un resultado válido de la investigación.
21. Data Leakage
PCI™ establece como riesgo crítico la contaminación temporal.
Una señal (X_t) solamente puede utilizar información disponible hasta (t).
No podrá utilizar:
información futura;
resultados posteriores;
fuentes descubiertas posteriormente;
agregados calculados incluyendo observaciones futuras;
variables que indirectamente incorporen el target futuro.
Formalmente:
[Information(X_t)
\subseteq
Information(\leq t)
]
Esta condición será obligatoria.
22. Prediction vs Explanation
PCI™ distinguirá:
Predictive signal
de:
Causal explanation
Que una variable anticipe un resultado no demuestra que lo cause.
Por ejemplo:
Si el crecimiento de una fuente anticipa un aumento de visibilidad, no podemos concluir automáticamente:
«El crecimiento de la fuente causa el aumento.»
Solo podemos afirmar inicialmente:
«El crecimiento de la fuente contiene información predictiva sobre el resultado futuro.»
La causalidad requerirá otra metodología.
23. Primera hipótesis experimental PCI™ H1
La primera hipótesis general será:
H1 — Temporal AI Visibility signals contain predictive information about future AI Visibility beyond a naïve persistence baseline.
Hipótesis nula:
H0 — Temporal AI Visibility signals do not provide meaningful predictive improvement over the baseline.
La investigación no asumirá que H1 sea verdadera.
24. Hipótesis secundarias
H2 — Momentum
Las tendencias temporales de las fuentes contienen información predictiva sobre cambios futuros en la visibilidad de las entidades.
H3 — Dependency
Una alta dependencia de fuentes con momentum negativo incrementa la probabilidad de pérdida futura de visibilidad.
H4 — Cross-model convergence
Las señales observadas simultáneamente en varios modelos presentan mayor estabilidad predictiva que las observadas en un único modelo.
H5 — Horizon decay
La capacidad predictiva disminuye a medida que aumenta el horizonte temporal.
[PredictivePower(H30)
PredictivePower(H60)
PredictivePower(H90)
]
Esta desigualdad es una hipótesis, no una regla.
25. Primer experimento PCI™
La primera prueba no debería intentar construir un sistema comercial.
Debe responder una pregunta mucho más sencilla:
¿Podemos utilizar las observaciones tempranas de AI Visibility para anticipar correctamente la dirección de cambio posterior?
Dataset inicial
Múltiples entidades.
Múltiples queries.
Múltiples modelos.
Múltiples timestamps.
Variables
AVM™ observable signals.
Target
[Direction_{30}
] [
Direction_{60}
] [
Direction_{90}
]
Baseline
Naïve Persistence.
Modelos
Inicialmente:
Baseline
Trend-only
Visibility + Trend
Visibility + Source Dynamics
Full Candidate Signal Model
El objetivo no es seleccionar todavía el algoritmo «más inteligente».
El objetivo es descubrir:
qué información contiene realmente capacidad predictiva.
26. El primer dataset PCI™
La estructura mínima propuesta:
| Campo | Descripción |
| entity_id | Identificador de entidad |
| sector | Sector |
| query_id | Consulta |
| model | Sistema IA |
| timestamp | Momento de observación |
| recognition | Reconocimiento |
| identification | Identificación |
| recommendation | Recomendación |
| recommendation_position | Posición |
| source_count | Número de fuentes |
| citation_share | Share de citas |
| source_diversity | Diversidad |
| source_momentum | Señal temporal |
| competitor_signal | Señal competitiva |
| visibility_score | Variable agregada |
| future_visibility_30 | Target H30 |
| future_visibility_60 | Target H60 |
| future_visibility_90 | Target H90 |
Las variables que todavía no estén definidas operacionalmente en AVM™ deberán permanecer explícitamente como candidate variables.
27. De experimento a producto
PCI™ no debería saltar directamente desde la investigación al dashboard.
La evolución propuesta es:
PCI 0.1
Predictive Definition
│
▼
PCI 0.2
Signal Discovery
│
▼
PCI 0.3
Predictive Validation
│
▼
PCI 0.4
Forecasting Model
│
▼
PCI 0.5
Early Warning System
│
▼
PCI 0.6
Scenario Simulation
│
▼
Predictive Visibility Report
│
▼
Predictive Visibility Intelligence
28. El futuro Predictive Visibility Report
El producto comercial solamente debería aparecer después de demostrar capacidad predictiva.
Su arquitectura podría terminar siendo:
CURRENT STATE
Dónde está la marca.
TRAJECTORY
Hacia dónde se dirige.
RISK
Qué señales podrían afectar esa trayectoria.
LEAD TIME
Cuánto tiempo existe antes del impacto observable.
FORECAST
Qué podría ocurrir a 30/60/90 días.
SCENARIOS
Qué podría ocurrir bajo diferentes intervenciones.
CONFIDENCE
Qué grado de incertidumbre presenta cada predicción.
Esto transforma el informe de:
«Aquí está tu visibility score.»
a:
«Esta es tu trayectoria. Estas son las señales que la están impulsando. Este es el riesgo. Este es el horizonte temporal disponible para actuar.»
29. Principio fundamental de PCI™
PCI™ adopta como principio metodológico:
No prediction without temporal evidence.
Y una segunda regla:
No predictive claim without out-of-sample validation.
Por tanto:
Una señal no es predictiva porque parezca lógica.
Una señal no es predictiva porque esté correlacionada.
Una señal no es predictiva porque funcione sobre los datos con los que fue descubierta.
Una señal comienza a considerarse predictiva cuando:
[\boxed{
\text{Future Information}
+
\text{Out-of-Sample Improvement}
+
\text{Temporal Reproducibility}
}
]
proporcionan evidencia suficiente para sostener esa afirmación.
30. Decisión PCI™ 0.1
PCI™ 0.1 establece que la investigación predictiva de AI Visibility deberá comenzar por:
definir el target futuro;
construir un dataset temporal;
identificar señales candidatas;
establecer un baseline;
preservar estrictamente la causalidad temporal de la información;
realizar validación fuera de muestra;
medir el error predictivo;
evaluar reproducibilidad;
intentar falsar cada señal;
solamente después clasificar una señal como predictiva.
PCI™ 0.1 no afirma todavía que exista un modelo predictivo de AI Visibility validado.
Establece las condiciones necesarias para intentar demostrarlo.
31. Posición de PCI™ dentro del ecosistema AVM™
La arquitectura conceptual queda provisionalmente definida como:
AVM™
AI VISIBILITY MEASUREMENT
│
▼
OBSERVABLE VARIABLES
│
▼
TEMPORAL DATA
│
▼
PCI™
PREDICTIVE SIGNAL RESEARCH
│
┌─────────┼─────────┐
▼ ▼ ▼
SIGNAL TRAJECTORY RISK
DETECTION FORECASTING EARLY WARNING
└─────────┼─────────┘
▼
PREDICTIVE VISIBILITY
│
▼
SCENARIO / WHAT-IF LAYER
│
▼
PREDICTIVE VISIBILITY
INTELLIGENCE
La separación entre medición y predicción es deliberada.
AVM™ establece qué puede observarse y medirse.
PCI™ investiga qué puede anticiparse a partir de esas observaciones.
El valor futuro del sistema dependerá de demostrar experimentalmente que esa segunda capa funciona.
