No es un blog, sino una biblioteca de investigación sobre cómo la IA ve las marcas

Conceptos

Términos utilizados en los artículos e informes de AI100. Un vocabulario unificado ayuda a leer la investigación y comparar resultados.

Distinguibilidad de máquina

Capacidad de un sistema de respuestas para identificar de forma consistente una marca como la entidad correcta en el escenario adecuado. Más fuerte que el simple reconocimiento del nombre.

Visibilidad funcional

Participación de la marca en el momento real de elección: en una lista corta, una recomendación o una comparación. La marca puede ser conocida, pero funcionalmente invisible.

Contorno de fuentes

Conjunto de fuentes propias, externas, de usuarios y estructuradas a partir de las cuales el sistema forma una opinión sobre la marca. Objeto clave de auditoría.

Mención

Hecho de que el nombre de la marca o la entidad aparezca en la respuesta. El nivel de presencia más débil.

Citación

Situación en la que la marca o una fuente vinculada a ella se convierte en el soporte probatorio de la respuesta. Más fuerte que la simple mención.

Influencia

Capacidad de la marca para definir el marco de la respuesta: los criterios, la categoría, la lista de alternativas y el lenguaje de comparación. El nivel más valioso y el más raro.

Desfase de actualización

Retraso entre un cambio en un hecho relativo a la marca y su aparición estable en la respuesta del sistema. Se compone de varias etapas.

Legibilidad de máquina

Grado en que las propiedades de la marca y del producto pueden extraerse de forma fiable de datos estructurados y sincronizados. Especialmente importante para los escenarios comerciales.

Sustitución de categoría

Desplazamiento de la marca hacia un marco de elección ajeno o sustitución de su mercado por otra categoría de tarea. A menudo ocurre antes de la comparación directa entre marcas.

Pérdida antes del clic

Participación que la marca deja de obtener en la formación de la elección incluso antes de que el usuario entre en el sitio. Nueva unidad económica de análisis.

Entorno de respuestas

Modo de interacción en el que un sistema de respuestas no devuelve una lista de documentos, sino que formula de inmediato una respuesta sintetizada a la pregunta del usuario. Precisamente en el entorno de respuestas la marca compite no por una posición en la página de resultados, sino por un lugar dentro de la respuesta ya preparada.

GEO (Generative Engine Optimization)

Conjunto de prácticas orientadas a que la marca aparezca con mayor frecuencia y precisión en las respuestas de los sistemas generativos de IA. Se diferencia del SEO clásico en que no optimiza la posición en una lista de enlaces, sino la participación en la respuesta sintetizada. Término de mercado que ya utilizan competidores y clientes. Conviene conocerlo, pero es importante recordar que detrás de la sigla está la misma tarea: la distinguibilidad de máquina.

LLMO (Large Language Model Optimization)

Sinónimo de GEO, que pone el acento en la optimización específicamente para modelos de lenguaje y no para motores de búsqueda con una capa de IA. Aparece en los materiales de mercado con menos frecuencia que GEO, pero describe la misma tarea.

RAG (Retrieval-Augmented Generation)

Enfoque arquitectónico en el que un modelo de lenguaje, antes de generar la respuesta, extrae documentos relevantes de una fuente externa (búsqueda web, base de conocimiento, catálogo) y los utiliza como contexto. Precisamente RAG explica por qué las fuentes web y los datos estructurados influyen en la respuesta del modelo en tiempo real, y no solo a través del entrenamiento.

Clic cero (zero-click)

Situación en la que el usuario obtiene una respuesta suficiente directamente en la interfaz del sistema de búsqueda o del sistema de respuestas y no entra en ningún sitio externo. En el clic cero, la marca participa en la formación de la respuesta o pierde por completo el contacto con el usuario.

Grafo de conocimiento (Knowledge Graph)

Base estructurada de entidades y relaciones entre ellas, utilizada por los sistemas de búsqueda y los sistemas de respuestas para identificar, clasificar y describir objetos del mundo real. La presencia de la marca en el grafo de conocimiento (por ejemplo, Google Knowledge Graph o Wikidata) aumenta la probabilidad de una identificación correcta de la entidad en la respuesta.

Desambiguación de entidades (entity disambiguation)

Capacidad del sistema para distinguir una entidad de otra cuando coinciden o se parecen los nombres, las categorías o los contextos. Si el nombre de la marca es ambiguo o coincide con un concepto general, el modelo puede confundirla sistemáticamente con otra entidad.

AI Overview

Bloque de respuesta sintetizada que Google muestra por encima de los resultados de búsqueda habituales. Lo genera un modelo de IA a partir de fuentes web. Para muchas categorías, AI Overview ya se ha convertido en el primer punto de contacto del usuario con la información. La marca entra en ese bloque o queda por debajo de él.

Alucinación (hallucination)

Situación en la que un modelo de lenguaje genera una afirmación no respaldada por fuentes o factualmente incorrecta, pero formulada con seguridad. La alucinación puede tanto beneficiar a la marca (el modelo «inventará» una ventaja inexistente) como perjudicarla (le atribuirá una desventaja ajena). Ambas variantes son peligrosas.

Burbuja de respuestas

Efecto por el que una misma marca aparece de forma sustancialmente distinta en las respuestas de diferentes sistemas de respuestas debido a diferencias en los datos de entrenamiento, la arquitectura de extracción y la lógica de síntesis. No existe una visibilidad en IA única. El diagnóstico debe realizarse en varias plataformas.

Elección agéntica

Escenario en el que un agente de IA busca, compara y toma una decisión por el usuario de forma autónoma, sin mostrar de manera intermedia una lista de opciones. En el escenario agéntico, la marca compite no por la atención de la persona, sino por la preferencia de la máquina. Este es el siguiente umbral después del entorno de respuestas.

Grado de confianza (Confidence Grade)

Evaluación interna de la calidad de la ejecución. Se calcula a partir de la amplitud del intervalo de confianza, el porcentaje de prompts fallidos y la dispersión entre familias de escenarios. Grados: A (alta) — intervalo estrecho, resultado estable. B (buena) — resultado fiable con variación moderada. C (moderada) — sensibilidad apreciable a la composición del corpus. D (exploratoria) — resultado inestable; se recomienda repetir la ejecución. El grado muestra cuán estable es la medición. Con C o inferior, se recomienda repetir la ejecución antes de tomar decisiones.

Modo nativo

Modo en el que el modelo responde solo a partir de los datos de entrenamiento, sin acceso a internet. Muestra hasta qué punto la marca está fijada en los conocimientos básicos del modelo. Si la puntuación en modo nativo es alta, la marca ya está «integrada» en el modelo. Si es baja, el modelo no conoce la marca sin señales externas.

Modo web

Modo en el que el modelo busca además información en internet antes de responder. Muestra hasta qué punto las fuentes externas refuerzan o debilitan la posición de la marca. La diferencia entre el modo web y el modo nativo muestra si el sitio y el entorno externo ayudan a la marca o la perjudican.

Campo de idioma de visibilidad (Visibility Language Field, VLF)

Fenómeno por el cual un modelo de IA construye un entorno competitivo diferente para una marca según el idioma de los prompts. Al cambiar el idioma, algunos competidores desaparecen de las respuestas, otros aparecen y el ranking cambia radicalmente. Para una marca dominante en su categoría, la puntuación general fluctúa moderadamente, pero para competidores menos visibles el rango puede alcanzar decenas de puntos — hasta la invisibilidad total en ciertos idiomas. El VLF surge de la asimetría de los corpus de entrenamiento, las diferencias en las fuentes web y la formación de grafos asociativos separados para cada idioma. El modelo puede conocer igualmente bien a una marca en todos los idiomas, pero recomendarla de forma diferente: colocarla en primer lugar en un idioma y ceder la posición a un competidor que en el primer idioma ni siquiera existía. El conocimiento de la marca no garantiza una recomendación. Una marca puede ser igualmente conocida por el modelo en cinco idiomas, pero entrar en la lista corta solo en dos. Los competidores también difieren — una estrategia que funciona contra un conjunto de rivales puede ser inútil en otro idioma. Se recomienda realizar un estudio separado para cada idioma del mercado objetivo.

Métricas del informe

Métricas cuantitativas que aparecen en el informe AI100. Los pesos de la puntuación principal determinan el AI Visibility Score. Los pesos diagnósticos se aplican solo a la capa explicativa.

Pesos de la puntuación principal

Pesos de la puntuación diagnóstica

Escenarios de investigación

Cada escenario prueba un tipo distinto de visibilidad

Primera aparición

El usuario pregunta por primera vez sobre una categoría — sin nombres, sin pistas. El modelo debe recordar la marca por sí solo, basándose únicamente en su conocimiento interno. Esta es la prueba básica: ¿existe la marca para la máquina como parte de la categoría?

Shortlist

El usuario pide al modelo que sugiera varias opciones para comparar. La prueba muestra si la marca entra en el conjunto de consideración — o si el modelo elabora la lista corta sin ella.

Comparación

El modelo compara varias soluciones según los criterios del usuario. La prueba verifica cuán convincentemente la marca mantiene su posición en una comparación directa — y qué argumentos encuentra el modelo a su favor.

Ranking

El modelo construye un ranking explícito según criterios dados. La prueba muestra qué posición ocupa la marca en la jerarquía y con qué consistencia se mantiene en la parte superior de la lista.

Confianza

El usuario pregunta si se puede confiar en una solución — ¿es fiable, segura, probada? La prueba mide si el modelo asocia la marca con fiabilidad y está dispuesto a recomendarla como una opción segura.

Expertise

El modelo responde a una pregunta que requiere un conocimiento profundo del producto o la industria. La prueba verifica si el modelo detecta señales de expertise en la marca — detalles específicos, especialización, competencias únicas.

Búsqueda por tarea

El usuario describe una tarea o problema específico sin nombrar productos. El modelo selecciona una solución adecuada por sí solo. La prueba muestra si el modelo recuerda la marca como respuesta a una necesidad práctica.

Navegación temática

El usuario explora un tema en varios pasos — de preguntas generales a específicas. La prueba verifica si la marca aparece a medida que la conversación se profundiza y en qué contexto el modelo la menciona.

Elección de agente

Un agente de IA (sistema automatizado) selecciona una solución sin intervención humana — por ejemplo, para integración o automatización. La prueba simula un escenario donde la marca debe ser elegida por una máquina para una máquina.