Por qué la IA recomienda una marca y olvida otra

Toda respuesta de un modelo de IA generativa combina, en proporciones que varían según el modelo y la pregunta, dos fuentes de conocimiento diferentes. La primera es el entrenamiento: el modelo aprendió, durante este proceso, asociaciones estadísticas entre marcas, categorías y contextos a partir de un volumen enorme de texto. Las marcas mencionadas con frecuencia, en contextos claros, tienden a estar más fuertemente asociadas a su categoría.

La segunda fuente es la búsqueda en tiempo real, también llamada grounding. Varios modelos investigan la web en el momento en que generan la respuesta, en lugar de depender solo de lo que aprendieron en el entrenamiento. Cada uno decide esto de una manera diferente: Gemini analiza el prompt y decide si vale la pena buscar en Google (Google AI for Developers), ChatGPT puede activar la búsqueda automáticamente o por activación manual del usuario (OpenAI Help Center), Claude decide en función del contenido del prompt (Anthropic), y Perplexity investiga por defecto en prácticamente toda respuesta (Perplexity Help Center).

Antes de citar una marca, el modelo necesita reconocer que ese nombre se refiere a una entidad específica, no a una palabra común o a otra empresa con el mismo nombre. Las marcas con nombres genéricos enfrentan una dificultad adicional en este reconocimiento, incluso teniendo una presencia relevante en el mercado. Los datos estructurados que declaran explícitamente qué es una organización, como el esquema de Organization, ayudan a los mecanismos compatibles a resolver esta ambigüedad con más precisión (Google Search Central).

Los modelos de IA generativa no son determinísticos. Un estudio de SparkToro en colaboración con Gumshoe.ai, con 2,961 ejecuciones de prompts en ChatGPT, Claude y la IA de Google, encontró menos de 1 en 100 de que dos ejecuciones del mismo prompt trajeran exactamente la misma lista de marcas (SparkToro).

En la práctica, esto significa que una única respuesta no muestra ningún patrón. Lo que indica algo real es observar varias ejecuciones del mismo prompt a lo largo del tiempo, no una respuesta aislada.

Estos tres factores, entrenamiento, búsqueda en tiempo real y reconocimiento de entidad, explican por qué una marca aparece en una respuesta y desaparece en la siguiente, y por qué dos marcas del mismo tamaño pueden tener resultados muy diferentes. MencionAI monitorea precisamente estas señales, prompt a prompt, en varios modelos al mismo tiempo, para mostrar dónde aparece cada marca y dónde aún no aparece. También hemos elaborado una guía completa detallando cada uno de estos mecanismos, con los enlaces oficiales de cada modelo y lo que se puede hacer a partir de esto: ¿Cómo eligen las IAs qué marcas recomendar?

Si quieres ver cómo funciona esto para tu marca específicamente, solo tienes que agendar una demo.

Pedro, CMO de MencionAI