Así decide una IA qué información utilizar para responderte: la arquitectura invisible que está cambiando el posicionamiento de tu marca

VOXREAD™ by LUXONOMY™ Group Listo para escuchar

🔊 Escuchar este artículo

Durante más de dos décadas hemos aprendido cómo funciona la visibilidad en Internet bajo una premisa relativamente estable: una persona introduce una consulta, un buscador rastrea e indexa millones de páginas, aplica sus sistemas de clasificación y presenta una lista de resultados. Empresas enteras han construido su estrategia digital alrededor de esa lógica. Pero ChatGPT, Gemini, Copilot, Perplexity y otros motores generativos están introduciendo una arquitectura diferente. El usuario ya no espera necesariamente recibir diez enlaces para investigar por su cuenta. Espera recibir directamente una respuesta, una comparación, una recomendación o incluso una decisión asistida. Detrás de esa aparente sencillez existe una compleja cadena tecnológica que está modificando las reglas de la visibilidad digital.

Comprender esa cadena empieza a ser imprescindible para cualquier empresa que quiera seguir siendo encontrable en un Internet progresivamente intermediado por inteligencia artificial. Porque existe una diferencia enorme entre que una información esté publicada, que pueda ser recuperada por un sistema de IA, que llegue al contexto de un modelo y que finalmente termine influyendo en la respuesta que recibe el usuario.

La pregunta que escribimos puede no ser la pregunta que procesa la IA

Imaginemos que un directivo pregunta a un motor generativo: “¿Cuál es el mejor programa de inteligencia artificial para un CEO que no sabe programar?”. Para nosotros es una única pregunta. Para el sistema puede representar diferentes necesidades de información: formación ejecutiva, inteligencia artificial, perfil CEO, ausencia de conocimientos técnicos, modalidad del programa, prestigio de las instituciones o comparación entre alternativas.

Aquí aparece un proceso especialmente interesante: el query rewriting, o reformulación de la consulta. Determinados sistemas pueden transformar la pregunta original en otras consultas que faciliten la recuperación de información. Una pregunta sobre “el mejor programa para un CEO” puede derivar conceptualmente en búsquedas relacionadas con “programas de IA para directivos”, “AI executive education”, “formación ejecutiva en inteligencia artificial” o “programas de IA sin programación”. Incluso una consulta compleja puede descomponerse en diferentes subconsultas para investigar por separado precios, características, instituciones, ubicaciones o requisitos.

Esta transformación tiene enormes implicaciones para la visibilidad digital. Durante años las empresas han trabajado obsesivamente alrededor de las palabras exactas que escribía el usuario en Google. En el nuevo escenario, la consulta visible puede convertirse únicamente en el punto de partida de un proceso mucho más amplio de interpretación y recuperación.

Retrieval: el momento en que el sistema sale a buscar información

Para entender esta nueva arquitectura debemos conocer un concepto fundamental: retrieval, o recuperación de información. Los grandes modelos de lenguaje disponen de conocimiento adquirido durante su entrenamiento, habitualmente denominado conocimiento paramétrico. Pero determinados productos generativos también pueden incorporar información recuperada externamente para resolver una consulta concreta.

Esta diferencia es crítica. Entrenamiento y recuperación son procesos distintos. El entrenamiento contribuye a construir las capacidades y conocimiento interno del modelo. La recuperación permite proporcionar al sistema información adicional en el momento de responder. Por eso un motor conectado a mecanismos de búsqueda o recuperación puede trabajar con determinados acontecimientos recientes, documentación actualizada, precios, productos o información que no estaba disponible durante fases anteriores de entrenamiento.

Para una empresa, esto cambia radicalmente la pregunta estratégica. Ya no basta con preguntarse si Google conoce nuestra página. Debemos empezar a preguntarnos si nuestra información puede formar parte de los sistemas de recuperación que alimentan las experiencias generativas.

De las keywords al significado: embeddings y recuperación semántica

La recuperación moderna tampoco tiene que depender exclusivamente de coincidencias exactas de palabras. Una persona puede escribir “formación de IA para consejeros delegados” y una página hablar de “programas de inteligencia artificial para CEOs”. Aunque las expresiones sean diferentes, conceptualmente están muy próximas.

Una de las tecnologías que permite trabajar con estas relaciones son los embeddings, representaciones numéricas capaces de capturar características semánticas de un contenido. Sin entrar en su complejidad matemática, su consecuencia resulta extraordinariamente importante para empresas, medios y profesionales: los sistemas pueden encontrar información por proximidad conceptual y no únicamente porque dos textos contengan exactamente las mismas palabras.

Esto no significa que las palabras clave hayan dejado de tener valor. Significa que la arquitectura de recuperación puede incorporar una comprensión mucho más amplia de conceptos, relaciones, contexto e intención. Una estrategia digital basada exclusivamente en repetir determinadas expresiones empieza, por tanto, a resultar insuficiente.

La IA puede no leer tu página como una página

Existe otro concepto todavía más importante para comprender el futuro de los contenidos: el chunking. Nosotros observamos una página web como una unidad. Vemos un artículo, un informe, una ficha de producto o una página corporativa. Pero determinados sistemas de recuperación pueden dividir esos documentos en unidades más pequeñas o chunks.

Supongamos que una empresa publica un extraordinario informe de 10.000 palabras sobre inteligencia artificial aplicada al sector financiero. Una persona pregunta cuáles son los principales riesgos de utilizar IA generativa para analizar documentación financiera. El sistema no necesita necesariamente recuperar y procesar el informe completo. Puede localizar únicamente uno o varios fragmentos especialmente relacionados con esa pregunta.

Esto introduce un cambio profundo. En el Internet tradicional pensábamos fundamentalmente en páginas que competían contra páginas. En determinadas arquitecturas generativas podemos empezar a pensar también en fragmentos de conocimiento compitiendo contra otros fragmentos de conocimiento.

Un párrafo extraordinariamente preciso puede terminar teniendo más utilidad para una consulta concreta que una página completa aparentemente mejor optimizada. La claridad conceptual, la estructura, la precisión de las respuestas y la capacidad de cada sección para conservar sentido propio adquieren así una nueva importancia.

Ser recuperado tampoco garantiza ser utilizado

El proceso todavía no ha terminado. Imaginemos que un sistema encuentra cincuenta fragmentos potencialmente relacionados con una consulta. Evidentemente, no todos ofrecen la misma calidad ni responden con la misma precisión. Pueden entrar entonces en funcionamiento procesos de ranking y reranking destinados a seleccionar qué candidatos parecen más apropiados.

Podemos imaginar un gigantesco embudo. En la parte superior existe una enorme cantidad de información disponible. De ella se recuperan determinados documentos. Dentro de ellos pueden seleccionarse fragmentos. Esos fragmentos pueden volver a evaluarse y clasificarse. Finalmente, solo una parte puede incorporarse al contexto que recibirá el modelo.

Esta arquitectura permite entender una de las grandes diferencias del nuevo ecosistema: estar en Internet, ser encontrado, ser recuperado y ser utilizado son cuatro situaciones diferentes.

Y entre cada una de ellas existe competencia.

RAG: el dossier que la IA puede recibir antes de responder

Aquí aparece uno de los conceptos fundamentales de la inteligencia artificial generativa actual: Retrieval-Augmented Generation, conocido como RAG. Su lógica puede resumirse de manera sencilla: recuperar información antes de generar.

En determinadas arquitecturas, cuando realizamos una pregunta, el sistema recupera información potencialmente útil, selecciona determinados fragmentos y los proporciona al modelo como contexto adicional. Podemos imaginar que, antes de contestarnos, el modelo recibe un pequeño dossier preparado específicamente para nuestra consulta.

Esto resulta crucial para comprender el GEO. La batalla por la visibilidad ya no termina necesariamente cuando conseguimos aparecer en un índice. Existe una nueva frontera: conseguir que nuestra información tenga posibilidades de entrar en el contexto desde el que una inteligencia artificial construye una respuesta.

Ese cambio puede llegar a ser tan importante para la próxima década como lo fue conseguir una buena posición en Google durante las dos anteriores.

La ventana de contexto: donde se construye la respuesta

Los modelos trabajan con lo que conocemos como context window, o ventana de contexto. Podemos entenderla como el espacio de trabajo disponible para generar una determinada respuesta. Dependiendo del producto y de su arquitectura, dentro pueden encontrarse la consulta del usuario, partes de conversaciones anteriores, instrucciones, documentos recuperados, resultados procedentes de herramientas y otra información proporcionada al modelo.

Esto crea una secuencia que cualquier responsable de marketing, comunicación, reputación o estrategia digital debería empezar a comprender:

Información publicada → información accesible → información recuperada → información seleccionada → información incorporada al contexto → información utilizada en la generación.

Publicar deja de ser el final del trabajo. Es simplemente la puerta de entrada.

Grounding: cuando la IA necesita evidencias

A esta arquitectura debemos añadir otro concepto: grounding. Se refiere, de manera simplificada, a fundamentar la respuesta utilizando información o evidencias disponibles para el sistema. Resulta especialmente relevante cuando hablamos de cuestiones actuales o verificables: legislación, precios, características de productos, acontecimientos recientes, datos corporativos o información que puede haber cambiado.

Si preguntamos cuánto cuesta actualmente un determinado programa ejecutivo, no queremos que el modelo dependa exclusivamente de algo que pudo aprender hace meses o años. Queremos que pueda trabajar con información reciente y fiable. Cuanto más crítica sea la actualidad de la respuesta, mayor importancia puede adquirir la recuperación de evidencias adecuadas.

Y aquí aparece una nueva dimensión competitiva para las organizaciones: no solamente deben producir contenido, sino convertirse en fuentes capaces de aportar evidencias utilizables por sistemas generativos.

La respuesta final puede no existir en ninguna web

Después de recuperar, seleccionar y contextualizar información llega finalmente la generación. Los grandes modelos de lenguaje construyen sus respuestas progresivamente. No funcionan simplemente como una base de datos que localiza un párrafo completo y lo copia.

Por eso una respuesta puede no existir exactamente de esa manera en ninguna página web. Si preguntamos “¿Cuáles son las tres mejores opciones para un director financiero español que quiere aprender IA, necesita estudiar online y dispone de menos de 8.000 euros?”, el sistema puede construir una respuesta combinando información sobre programas, precios, perfiles, modalidades y características obtenidas de diferentes lugares.

Esta capacidad cambia radicalmente el papel de Internet. La web deja de ser únicamente el destino final al que enviamos al usuario y empieza a convertirse también en una gigantesca infraestructura de conocimiento desde la que los motores generativos pueden construir respuestas.

Ser citado y ser utilizado no son lo mismo

Existe además una distinción que las empresas deberán aprender rápidamente. Una fuente puede ser encontrada y posteriormente descartada. Puede ser recuperada y utilizada dentro del contexto sin aparecer necesariamente como cita visible. Puede contribuir a una respuesta. Puede aparecer expresamente como fuente. Y una marca puede incluso terminar mencionada o recomendada.

Por eso medir la presencia en motores generativos será mucho más complejo que comprobar una posición en una página de resultados. Recuperación, utilización, citación, mención y recomendación representan fenómenos distintos.

Esta es precisamente una de las razones por las que GEO está evolucionando hacia una disciplina propia. Necesitamos nuevas metodologías para comprender una visibilidad que ya no puede explicarse exclusivamente mediante rankings tradicionales.

GEO comienza donde termina la publicación

Durante años la pregunta fundamental fue: “¿Cómo consigo que mi página aparezca en Google?”. Ahora debemos añadir otra mucho más sofisticada: “¿Cómo consigo que mi conocimiento pueda ser descubierto, interpretado, recuperado y utilizado por los motores generativos cuando construyen una respuesta?”

Entre una consulta y una respuesta pueden existir procesos de interpretación, query rewriting, recuperación semántica, chunking, ranking, reranking, RAG, construcción del contexto, grounding y generación. Comprender esta arquitectura permite entender por qué GEO no consiste simplemente en introducir algunas modificaciones en el SEO tradicional. Estamos ante una nueva capa de intermediación entre las organizaciones y sus públicos.

Las empresas que comiencen a comprenderla ahora tendrán la oportunidad de construir su presencia antes de que esta nueva forma de descubrir información, comparar alternativas y tomar decisiones alcance su plena madurez. Porque la próxima gran batalla de la visibilidad digital probablemente no consistirá únicamente en conseguir que alguien haga clic en nuestra página. Consistirá en algo anterior y potencialmente mucho más poderoso: conseguir que, cuando una inteligencia artificial tenga que responder, nuestra información forme parte de aquello que considera útil para construir esa respuesta.

Aprende a posicionarte en la nueva generación de motores de respuesta

El Curso Experto GEO (Generative Engine Optimization) de THE INTELLIGENCE® Institute está diseñado para profesionales, directivos, consultores, especialistas en marketing, comunicación, contenidos y estrategia digital que quieran aprender a trabajar la visibilidad de marcas, empresas y profesionales en motores generativos. A lo largo de seis semanas, el participante pasa de comprender la arquitectura de este nuevo ecosistema a auditar la visibilidad generativa y desarrollar una estrategia GEO aplicable a una organización real.

El SEO consiguió que las empresas fueran encontradas. GEO deberá conseguir que sean comprendidas, utilizadas, citadas y recomendadas por la inteligencia artificial.

Más información sobre el Curso Experto GEO