Paramétrico vs recuperación: de dónde te conoce una IA
Marcado actualizado para los motores de respuesta actuales.
Este mes Google renombró Bard a Gemini y lanzó su modelo más capaz, y la charla giró toda en torno a qué asistente es más listo. Es lo equivocado a mirar. La pregunta que decide cómo una IA habla de tu marca no es lo listo que sea el modelo, sino de cuál de sus dos memorias salió la respuesta.
la respuesta corta
Lo que una IA sabe de ti viene de dos sitios: memoria paramétrica (lo que aprendió en el entrenamiento, congelado en una fecha de corte) y recuperación (lo que trae en vivo de fuentes externas). No puedes editar la mitad entrenada —no la elegiste y no la cambias hasta el próximo modelo—. Sí puedes moldear la mitad recuperada siendo una entidad clara, verificable y actual que un motor pueda traer y citar. Ahí vive el trabajo.
claves
- En febrero de 2024 Google renombró Bard a Gemini y lanzó Ultra 1.0; el debate fue qué modelo es más listo. Para tu marca, esa no es la pregunta que importa.
- Lo que una IA sabe de ti viene de dos sitios: su memoria entrenada (paramétrica, congelada en una fecha de corte) y lo que recupera en vivo de fuentes externas (recuperación, o RAG).
- La memoria paramétrica es estática: si tu marca solo vive ahí, dependes de cuándo se entrenó el modelo y de si te aprendió bien, y lo nuevo es invisible hasta el próximo reentrenamiento. Cuando no sabe, inventa.
- La recuperación trae información actual y deja al motor citar fuentes verificables. Es la mitad del conocimiento de la IA que se mueve, y la mitad que puedes moldear.
- No controlas qué entró en el entrenamiento. Sí controlas tu recuperabilidad: ser una entidad clara, verificable y con fuentes actuales que un motor pueda traer y citar. Esa es la jugada de GEO.
dos fuentes, una respuesta
Las dos cajas alimentan la misma frase sobre ti. La de arriba está fijada y sellada; la de abajo la construyes y la mantienes al día. La pregunta práctica entera de la visibilidad en IA es cuánto de la respuesta puedes mover de la caja congelada a la que controlas.
Por qué la noticia del modelo es una distracción
Es natural, en un mes en que una empresa renombra su asistente y reclama el modelo más capaz hasta la fecha, leer la carrera como la historia: suponer que un modelo más listo simplemente conocerá mejor tu marca. No lo hará, no en lo que importa, porque la inteligencia no es el cuello de botella. Un modelo más capaz razona mejor sobre lo que tenga, pero sigue teniendo solo dos fuentes, y un modelo brillante trabajando desde una memoria tuya congelada e incompleta producirá una versión más fluida de la misma respuesta desactualizada. El salto de calidad que de verdad quieres no viene de que el modelo se vuelva más listo; viene de que el modelo recupere mejores fuentes sobre ti, y eso depende de ti, no del laboratorio. Un modelo más afilado sin nada fresco que recuperar sobre ti es una forma más afilada de equivocarse; la inteligencia amplifica lo que se le da, y eso corta en ambos sentidos según lo que hayas hecho encontrable.
Así que la respuesta correcta a la noticia del modelo no es preguntarse si el nuevo por fin te conoce. Es preguntarse si, cuando cualquiera de estos asistentes sale a recuperar, tu marca está entre las fuentes claras y actuales que puede encontrar. Esa pregunta tiene la misma respuesta en Gemini, ChatGPT y Copilot, porque comparten la misma forma de fondo: una memoria interior congelada y un alcance de recuperación en vivo. Las marcas que ganan atención en esta era no son las que tuvieron la suerte de quedar bien horneadas en los pesos de un modelo; son las recuperables por todos ellos, a propósito. Los titulares de modelos seguirán llegando. El trabajo que rinde es indiferente a qué logo está arriba esta semana.
Cómo funciona, en tres partes
Las dos memorias detrás de cada respuesta, por qué la congelada juega en contra de una marca que cambia, y la que sí puedes moldear. Abre cada capa para la parte que cambia dónde pones tu esfuerzo.
01 Las dos memorias detrás de cada respuesta
Cuando una IA responde una pregunta sobre tu empresa, las palabras vienen de uno de dos sitios muy distintos, y la diferencia no es académica. El primero es la memoria paramétrica: el conocimiento horneado en los pesos del modelo durante el entrenamiento, una foto comprimida de todo lo que leyó, fija en una fecha de corte. El segundo es la recuperación: información que el modelo trae en el momento de responder, de fuentes fuera de sus pesos, la idea que introdujo el paper de 2020 sobre generación aumentada por recuperación, que emparejó un modelo paramétrico con una memoria externa no-paramétrica alcanzada en inferencia. Las dos no se parecen en nada. La memoria paramétrica es rápida y siempre disponible pero está congelada; sabe lo que sabía cuando se entrenó y ni un día más. La recuperación está al día pero solo es tan buena como lo que puede encontrar. Cada respuesta sobre ti es alguna mezcla de las dos, y saber cuál está hablando es el primer paso para influir en ella. La mayoría de las discusiones sobre visibilidad en IA se tuercen porque tratan al modelo como una sola caja negra; en cuanto lo ves como dos memorias con reglas distintas, la pregunta de qué hacer deja de ser misteriosa y pasa a ser cuestión de a cuál memoria puedes llegar.
02 Por qué la mitad congelada juega en tu contra
La mitad paramétrica tiene un problema callado para cualquier marca que cambia: es una fotografía, no una señal en vivo. Si te renombraste, repreciaste, lanzaste o reposicionaste después del corte del modelo, nada de eso está en los pesos; el modelo describirá una versión de ti que ya no existe, con total confianza. Peor: si tu marca estaba poco representada en los datos de entrenamiento de entrada, el modelo pudo aprender casi nada acertado de ti, y un modelo que no sabe tiende a no decirlo; rellena el hueco con algo plausible y equivocado. Ese es el mecanismo detrás de muchos de los errores confiados que la gente nota: la famosa demo temprana de Bard equivocándose en un dato del telescopio James Webb es el mismo modo de fallo, a escala. No puedes parchear nada de esto directamente. Los pesos están fijos, no elegiste su contenido, y el próximo entrenamiento está en el calendario de otro. Apoyar tu marca en la mitad paramétrica es apoyarte en el recuerdo que un extraño tiene de ti, de una fecha desconocida. Y como el modelo habla con la misma confianza fluida tanto si acierta como si adivina, no puedes saber por la respuesta sola cuál de las dos te tocó: la superficie no delata nada, que es justo por qué la respuesta rancia es tan fácil de pasar por alto hasta que un cliente te la repite.
03 La mitad que sí puedes moldear
La mitad recuperada es lo opuesto en todo lo que cuenta: actual, corregible y tuya. Cuando un motor recupera, sale a buscar fuentes claras, creíbles y al día y ancla su respuesta en lo que encuentra, que es justo por qué la recuperación reduce el problema de lo confiado-pero-equivocado y deja al motor citar algo verificable. La palanca que eso te da es el juego entero. No puedes reescribir los pesos, pero sí puedes ser la fuente que el paso de recuperación busca: una entidad limpia y sin ambigüedad que una máquina pueda resolver, páginas actuales que respondan las preguntas reales de tu categoría, y una presencia en los terceros creíbles en los que los motores confían. Hazlo y la capa en vivo carga una imagen tuya acertada y actual sin importar lo que tenga la capa congelada. Por eso el trabajo de entidad y de fuentes no es cosmético: es la única palanca durable sobre lo que una IA dice de ti, y es la que el AC Group ha construido por 27 años, mucho antes de que la capa tuviera este nombre. El vocabulario es nuevo; la disciplina de ser una fuente clara, actual y verificable no lo es, y esa continuidad es la parte tranquilizadora: el trabajo que se ganó la confianza de editores e investigadores es el mismo que se la gana a un paso de recuperación.
Qué hacer con esto, en concreto
El encuadre solo sirve si cambia dónde va tu esfuerzo, así que aquí va la versión concreta. Deja de intentar influir en lo que un modelo ya aprendió —no puedes, y el intento desperdicia el presupuesto que la capa recuperable sí recompensaría—. En cambio, haz de tu marca la fuente que un paso de recuperación prefiere. Resuélvete en una entidad limpia: una identidad única y bien definida a la que un motor conecta cada mención, en vez de una mancha que confunde con cosas de nombre parecido. Mantén tus páginas más importantes actuales y factuales, escritas para que se pueda levantar de ellas una respuesta clara sin adivinanza. Y gánate una presencia en las fuentes de terceros en las que los motores ya confían, para que tu exactitud no dependa solo de tu propio dominio.
Si haces una sola cosa, que sea el trabajo de entidad, porque es el multiplicador del que dependen las otras dos. Una página solo es recuperable para ti si el motor puede ver que trata de ti; una mención de un tercero solo ayuda si el motor la conecta con la misma entidad que tu propio sitio. Resuelve primero la ambigüedad —un nombre, una definición, una identidad consistente en cada lugar donde apareces— y la frescura y la presencia ganada empiezan a componer en vez de dispersarse. Sáltatelo, y puedes publicar páginas actuales todo el año mientras el motor archiva la mitad bajo una empresa que no eres del todo tú.
Nada de eso es exótico, y ese es el punto. La recuperabilidad no es un truco de crecimiento; es la suma poco glamorosa de ser reconocible, actual y verificable, la misma higiene que siempre separó a las fuentes que vale la pena citar de las que vale la pena ignorar. Lo nuevo es lo que está en juego. En la era paramétrica de la búsqueda, una presencia rancia o delgada te costaba un puesto. En la era de la recuperación, te cuesta la respuesta misma, porque el motor sencillamente buscará a quien sí hizo el trabajo. Las marcas que tratan la capa recuperada como su producto real —y la congelada como un extra que no controlan— son las que una IA seguirá describiendo bien, mucho después de que el modelo de este mes sea la noticia de ayer. Hay una disciplina en esa postura que vale nombrar: significa hacer las paces con la parte que no controlas y volcar tu atención en la que sí, en vez del instinto más común y más derrochador de inquietarse por el modelo y descuidar las fuentes.
Cómo se ve esto en la práctica
Imagina una empresa que se reposicionó hace un año: precios nuevos, una categoría más afilada, un producto que hace más que antes. Pídele a un modelo entrenado antes de ese cambio que la describa, trabajando solo desde la memoria paramétrica, y obtienes una respuesta confiada, fluida y con un año de retraso: el precio viejo, el posicionamiento viejo, a veces una función que ya no existe. El modelo no está roto; reporta con exactitud desde una foto tomada antes del cambio. Nada de lo que la empresa haga en su propio sitio mueve esa respuesta, porque la respuesta nunca tocó el sitio: vino de los pesos. Esta es la trampa en la que caen las marcas cuando suponen que estar «ahí afuera» basta: estar afuera no es lo mismo que estar en la memoria congelada, y la memoria congelada es lo único que una respuesta sin recuperación puede ver.
Ahora pregúntale a un motor que recupera antes de responder. Sale, encuentra las páginas actuales de la empresa y unas cuantas fuentes de terceros creíbles, y ancla su respuesta en eso: el precio nuevo, el posicionamiento actual, el producto como es hoy, con algo que puede citar. Misma empresa, misma semana, respuesta opuesta, y la única diferencia es si el motor leyó la mitad congelada o la mitad en vivo. Ese es el argumento entero en una comparación: la marca no puede cambiar lo que el primer motor recordó, pero sí puede asegurarse del todo de que, cuando el segundo motor sale a buscar, la verdad clara y actual esté ahí mismo para encontrarse. Todo lo que llamamos trabajo de entidad y de fuentes es, al final, hacer que la segunda respuesta sea la que ocurre. Y la brecha entre las dos respuestas no es un error de redondeo: es la diferencia entre que un prospecto oiga tu pitch actual o el de un competidor, porque el motor que no pudo recuperarte con exactitud recuperará con gusto a otro que sí hizo el trabajo.
Paramétrico, recuperación y tu marca: respuestas rápidas
¿Cuál es la diferencia entre conocimiento paramétrico y recuperado?
El conocimiento paramétrico es lo que un modelo aprendió durante el entrenamiento y guardó en sus pesos: una foto fija del mundo hasta una fecha de corte. El conocimiento recuperado es información que el modelo trae en el momento de responder, de fuentes externas fuera de sus pesos. La distinción viene del paper de 2020 que introdujo la generación aumentada por recuperación, que emparejó un modelo de lenguaje paramétrico con una memoria externa no-paramétrica accedida por recuperación en tiempo de inferencia. La diferencia práctica es el movimiento: el conocimiento paramétrico está congelado hasta el próximo reentrenamiento, así que cualquier cosa que cambió tras el corte —o que nunca quedó bien representada— sencillamente no está ahí; el recuperado puede estar al día, porque se trae fresco cada vez. Para una marca, esa diferencia decide si una IA te describe como eres ahora o como eras cuando se entrenó el modelo por última vez.
¿Puedo cambiar lo que una IA ya aprendió de mi marca?
No directamente, y esa es la parte incómoda. La memoria paramétrica se fija en el entrenamiento; no elegiste qué entró, no puedes editarla, y no sabrás exactamente qué contiene. Si el modelo aprendió un dato desactualizado de ti, o casi no aprendió nada, eso no cambia hasta que se entrene el próximo modelo, en un calendario en el que no tienes voz. Lo que sí puedes cambiar es la otra mitad: tu recuperabilidad. Cuando un motor recupera en vivo, busca fuentes claras, actuales y verificables, y que las tuyas estén entre ellas depende por completo de ti. Así que la respuesta honesta es que no arreglas la memoria paramétrica; haces la capa recuperada tan buena y tan actual que carga la respuesta sin importar lo que tengan los pesos.
¿Cómo hago mi marca más recuperable?
Sé el tipo de fuente que un paso de recuperación puede encontrar, confiar y levantar. Eso significa ser una entidad limpia y sin ambigüedad: una sola cosa bien definida a la que una máquina pueda resolver cada mención, en vez de algo que confunde con una empresa de nombre parecido. Significa mantener páginas actuales y factuales sobre las preguntas que importan en tu categoría, estructuradas para que un motor extraiga una respuesta clara. Y significa estar presente en las fuentes de terceros creíbles a las que los motores acuden, no solo en tu propio sitio. La recuperabilidad no es un truco; es la suma de ser reconocible como entidad, estar al día y ser verificable. El trabajo se parece a buena higiene de información porque es exactamente eso, y es la mitad del conocimiento de la IA que de verdad posees.
¿Esto significa que los datos de entrenamiento no importan?
Importan, pero no puedes gestionarlos, así que es lo equivocado en lo que obsesionarse. Estar bien representado en los datos con que se entrena un modelo ayuda de verdad —le da a la memoria paramétrica una mejor imagen inicial de ti— pero no controlas el conjunto de entrenamiento, su corte, ni cuándo corre el próximo, y un solo dato mal recordado puede quedar congelado en los pesos largo tiempo. Gastar el esfuerzo donde tienes palanca es sencillamente lo racional: la capa recuperada es actual, corregible y tuya. Trata la buena representación paramétrica como un extra bienvenido que no puedes diseñar directamente, y trata la recuperabilidad como la disciplina en la que de verdad inviertes. Una la esperas; la otra la construyes.
Una nota sobre fuentes y momento
Esto se escribe en febrero de 2024, la semana en que Google renombró Bard a Gemini y lanzó Gemini Advanced con Ultra 1.0, la noticia que lo motivó. La distinción paramétrico-contra-recuperación no es nueva: viene del paper de 2020 que introdujo la generación aumentada por recuperación, emparejando los pesos entrenados de un modelo con una memoria externa alcanzada en el momento de responder, y desde entonces ha sido una forma estándar de describir cómo estos sistemas saben cosas. Hemos usado el error de la demo temprana de Bard sobre el telescopio James Webb solo como una ilustración conocida de cómo un modelo confiado rellena un hueco que no puede recuperar. No hemos reportado capacidades ni lanzamientos que no existían al momento de escribir esto. El punto durable se sostiene solo: el conocimiento que una IA tiene de ti tiene una mitad congelada que no puedes tocar y una mitad en vivo que sí puedes construir, y el trabajo que rinde va a la segunda. Es el trabajo que el AC Group ha hecho por 27 años, bajo otro nombre.