Pregúntale al modelo qué dice de ti
La estructura y el marcado se actualizaron para los motores de respuesta actuales; el análisis original se conserva.
GPT-4 llegó este mes y de pronto un modelo capaz está en la pestaña de todos. Lo primero útil sobre cómo la IA habla de ti no es un panel ni una presentación de estrategia. Es preguntarle al modelo por tu propia empresa y leer la respuesta despacio: qué acierta, qué está obsoleto, qué inventa, qué omite. Cuesta diez minutos, y casi nadie lo ha hecho.
la respuesta corta
Con un modelo capaz ahora a una pestaña, el primer movimiento más barato es preguntarle por tu propia empresa y leer la respuesta en cuatro cubos: correcto, obsoleto (cutoff de entrenamiento), inventado (alucinado), faltante. El cubo inventado es el peligroso: una falsedad segura suena igual de autoritativa que una línea verdadera. Esto es un diagnóstico, no una métrica: la salida es no-determinista y congelada en un cutoff, así que no hay puntuación estable que seguir. Te muestra la forma del problema, y por dónde empezar.
claves
- GPT-4 llegó este mes y un modelo capaz está ahora en la pestaña de todos, así que el primer movimiento más barato sobre la visibilidad en IA es preguntarle al modelo por tu empresa y leer la respuesta.
- Clasifica lo que dice en cuatro cubos: correcto, obsoleto (cutoff de entrenamiento), inventado (alucinado) y faltante. Cada uno apunta a un problema y un arreglo distintos.
- El cubo de lo inventado es el más peligroso: una falsedad segura suena exactamente tan autoritativa como una afirmación verdadera, y un desconocido no puede distinguirlas.
- Esto es un diagnóstico, no una métrica. La salida es no-determinista y congelada en un cutoff, así que no hay puntuación estable que seguir: te muestra la forma del problema, no un número.
- Ajusta la acción al cubo: protege lo correcto; corrobora la verdad actual donde está obsoleto; quita la ambigüedad donde inventa; gana presencia y claridad donde falta.
el diagnóstico de diez minutos
Pregunta, obtén una respuesta segura, y léela de cuatro maneras. El ejercicio es rápido y revelador, y lo más importante que revela es que las partes inventadas llevan la misma autoridad calmada que las verdaderas, por lo que un desconocido no puede distinguirlas y tú sí necesitas hacerlo.
Por qué este mes es el momento de mirar
Dos cosas cambiaron a la vez este mes. Un modelo marcadamente más capaz se volvió ampliamente disponible, fluido y convincente lo bastante como para que la gente empiece a tomar sus respuestas al pie de la letra en vez de como una novedad. Y la barrera de acceso se desvaneció: el modelo está en una pestaña que cientos de millones de personas, incluidos tus clientes, ya tienen abierta. Junta esas dos cosas y el relato del modelo sobre tu empresa deja de ser una curiosidad y empieza a ser parte de cómo te perciben, por gente que no pensará en dudar de un párrafo fluido y seguro. Esa es la razón para mirar ahora y no después: no porque la tecnología esté terminada, sino porque la percepción ya se está formando, y tú ahora mismo no estás en la sala cuando ocurre. El costo de esperar no es abstracto: cada respuesta segura y sin gestionar es una primera impresión que no llegaste a moldear.
Hay una razón más callada, propia de la medición. Pronto te venderán bastante maquinaria para rastrear la visibilidad en IA, mucha prometiendo notas y paneles pulcros. Antes de comprar nada de eso, te debes la versión sin mediar —tus propios ojos sobre la respuesta cruda— porque te inocula contra confiar de más en un número más tarde. Una vez que has visto cuánto cambia la respuesta entre preguntas, con cuánta seguridad inventa, y cuán obsoletas son partes de ella, leerás cualquier panel futuro con el escepticismo correcto. La mirada de diez minutos no es solo un diagnóstico de partida; es lo que te enseña qué pueden y qué no pueden afirmar honestamente las herramientas más sofisticadas.
El diagnóstico, en tres partes
Haz lo de diez minutos que casi nadie ha hecho; lee la respuesta en cuatro cubos en vez de como un veredicto; y trata todo el ejercicio como un diagnóstico, no como una medición. Abre cada parte para dónde cambia el trabajo.
01 Haz lo de diez minutos que casi nadie ha hecho
Este mes llegó un modelo de verdad capaz a una pestaña que todos ya tienen abierta, y con él un diagnóstico que no cuesta nada y que casi ninguna empresa se ha molestado en correr: pregúntale a la cosa por ti mismo. Escribe las preguntas que escribiría un cliente potencial —qué es tu empresa, qué hace, para quién es, si es buena, quién compite con ella— y lee lo que vuelve. Se siente casi demasiado simple para contar como trabajo, que es justo por lo que se salta a favor de planes más grandes. Pero no hay sustituto para ver, en llano, qué afirma el modelo de ti a un desconocido que pregunta, porque esa afirmación es ahora parte de tu primera impresión, la gestiones o no. El instinto de esperar una herramienta propia es comprensible y, aquí, equivocado: la herramienta aún no existe, el modelo sí, y diez minutos de mirar te enseñarán más sobre tu posición de partida que un trimestre de especulación.
02 Lee la respuesta en cuatro cubos, no como un veredicto
El error es leer la respuesta como una nota única —buena, mala, halagadora, injusta— y reaccionar al conjunto. El movimiento útil es clasificarla. Lo correcto te dice qué ha absorbido bien el modelo, y vale conocerlo para protegerlo. Lo obsoleto fue cierto y ha caducado, síntoma del cutoff de entrenamiento más que de mala intención; tiende a agruparse alrededor de lo que cambió hace poco —un rebrand, un producto nuevo, precios revisados—. Lo inventado es la falsedad segura, y es el cubo que más debería preocuparte, porque una afirmación alucinada se entrega exactamente en el mismo tono confiado que una verdadera, y el lector no tiene forma de saber cuál es cuál. Lo que falta es el espacio en negativo: las cosas que un resumen justo incluiría y que el modelo simplemente no parece tener. Cuatro cubos, cuatro diagnósticos distintos: colapsarlos en un número tira la parte que te dice qué arreglar.
03 Trátalo como un diagnóstico, no como una medición
Es tentador, sobre todo este mes, convertir el ejercicio en un marcador: contar las respuestas correctas y llamarlo métrica de visibilidad. Resístelo, porque la salida no se queda quieta. El modelo es no-determinista: pregunta lo mismo una hora después y la redacción, el énfasis, incluso los hechos pueden cambiar, así que no hay cifra estable que anotar y seguir. También está congelado en un cutoff y propenso a confabular, lo que significa que cualquier lectura única es una foto de una tirada de dados, no una medición. Eso no hace inútil el ejercicio; lo hace valioso de otra forma. Un diagnóstico te muestra la forma del problema —¿te conoce el modelo?, ¿es actual lo que sabe?, ¿dónde se equivoca con seguridad?— y la forma es lo que accionas. La medición real, la que puedes seguir y en la que confiar, es un oficio aparte y más difícil, y fingir que esta lectura casual es ese oficio solo te despistaría. Honesto sobre sus límites, sigue siendo la mejor primera hora que puedes gastar, y justo la clase de cimiento llano y veraz sobre el que el AC Group ha construido por 27 años.
El cubo que más debería preocuparte
De los cuatro, el cubo de lo inventado merece una mirada más de cerca, porque es el que la gente subestima. Cuando el modelo está obsoleto o callado sobre ti, el daño es sobre todo oportunidad perdida: un cliente aprende menos de lo que podría. Cuando el modelo inventa, el daño es activo: le dice a un cliente algo falso de ti en un tono indistinguible de la verdad. Una función inventada, una limitación imaginada, un competidor descrito por error como socio, un precio que nunca fue tuyo: cada uno se entrega con la misma seguridad calmada que las líneas correctas de alrededor, y el lector no tiene señal de que una frase es sólida y la siguiente es ficción. Eso es lo que hace la fabricación segura más peligrosa que un hueco honesto: un hueco deja al lector desinformado, pero una invención lo deja mal informado y seguro, que es la peor combinación de las dos.
La respuesta práctica no es discutir con el modelo, cosa que no puedes hacer, sino preguntar por qué la invención fue lo bastante plausible como para generarse. A menudo la respuesta es que tu propia información pública dejó sitio para la conjetura: una afirmación dicha en vago, un detalle enterrado, un hecho que ninguna fuente independiente confirma, así que el modelo llenó el espacio con algo que sonaba bien. Visto así, una respuesta inventada también es un diagnóstico de dónde tu propio relato de ti mismo es escaso o ambiguo. Cierras el hueco no corrigiendo al modelo sino haciendo lo real lo bastante claro, preciso y corroborado como para que la conjetura plausible y la verdad sean la misma frase.
Qué hacer con esto
Gasta la hora. Hazle al modelo el puñado de preguntas que haría un cliente, en unas cuantas formulaciones, y anota las respuestas al pie de la letra antes de que cambien. Clasifica cada afirmación en correcto, obsoleto, inventado o faltante, y resiste el impulso de sumarlo en una nota: el valor está en clasificar, no en sumar. Luego ajusta la acción al cubo: protege lo correcto, deja la verdad actual clara y bien corroborada donde la respuesta está obsoleta, quita la ambigüedad que invitó la invención donde se equivoca, y gana presencia más llana y más confirmada donde faltas. Ninguno es un interruptor; son el trabajo corriente de ser una fuente clara y bien atestiguada, ahora apuntado por un diagnóstico real en vez de una conjetura.
Y mantenlo en proporción. Esta es la primera hora, no la última palabra: una mirada cualitativa que te dice por dónde empezar, no una medición que puedas seguir ni una estrategia que corra sola. El modelo seguirá cambiando, tu propia información seguirá necesitando cuidado, y la medición propia sigue siendo una disciplina aparte y más difícil para cuando estés listo. Pero como sitio para empezar, el mes en que un modelo capaz se volvió algo que todos pueden preguntar, no hay nada más barato ni más honesto que mirar con tus propios ojos, que es la hora más barata con el mayor retorno de información, y el hábito llano y poco vistoso en el que el AC Group ha confiado por ' + years + ' años: ve la cosa con claridad antes de tratar de gestionarla.
Las preguntas que vale la pena hacer
Haz las preguntas que haría un prospecto real, no las que desearías que hiciera. Empieza con la pregunta de identidad llana —«¿qué es [tu empresa]?»— porque revela si el modelo te conoce y cómo te enmarca de un tirón. Sigue con la pregunta del trabajo-a-resolver —«¿qué hace [tu empresa] y para quién?»— que expone si el modelo tiene tu posicionamiento real o una aproximación vaga. Luego haz la pregunta evaluativa que un comprador siempre se hace en privado —«¿es buena [tu empresa]?» o «¿cuáles son las desventajas de [tu empresa]?»— porque ahí es donde afloran tanto los resúmenes halagadores como las alucinaciones calladas. Termina con la pregunta de comparación —«¿cuáles son las alternativas a [tu empresa]?»— que te dice en qué conjunto competitivo te coloca el modelo, y a veces revela que no te coloca en ninguno.
Haz cada una en dos o tres formulaciones, porque la respuesta del modelo es sensible a las palabras y quieres el patrón, no una sola toma. Donde las respuestas coinciden entre formulaciones, estás viendo algo que el modelo sostiene con firmeza; donde se tambalean, estás viendo el borde de lo que de verdad sabe. Mantén las preguntas en la voz de un cliente y no en la de alguien de dentro: un prospecto real no escribe tus nombres internos de producto ni tu lema, así que tu prueba tampoco debería. El objetivo es pararte donde se para tu cliente y leer lo que él leería, que es a la vez el encuadre más simple y el que más probablemente saque a la luz los huecos que importan comercialmente. No estás auditando al modelo como ingeniero; estás escuchando la conversación que tu cliente ya está teniendo con él, y de la que, hasta ahora, no formabas parte en absoluto.
Por qué no puedes simplemente corregirlo
El instinto, una vez que detectas una afirmación obsoleta o inventada, es arreglarla en la fuente: decirle al modelo que se equivoca y que lo recuerde. No puedes, y entender por qué ahorra mucho esfuerzo perdido. Lo que el modelo dice de ti no está guardado en un registro editable al que puedas entrar; es el producto de patrones aprendidos sobre un cuerpo enorme de texto, congelado en un cutoff de entrenamiento. Corregirlo en un chat no persiste, y no hay formulario que enviar. El mecanismo honesto de cambio es indirecto y más lento: haces clara y abundante la versión verdadera y actual de tu historia por toda la web pública, para que la próxima vez que el modelo se entrene —o, donde recupera en vivo, la próxima vez que mire— haya una respuesta mejor y más corroborada que absorber o encontrar.
Eso frustra si querías un botón, pero también aclara, porque apunta el trabajo a algo que sí controlas: tu propia presencia. No puedes editar el modelo, pero sí puedes asegurarte de que la respuesta real esté dicha en llano en tus propias páginas, repetida con consistencia donde sea que aparezcas, y respaldada por fuentes independientes que el modelo probablemente pese. Una afirmación obsoleta o inventada es, bajo esa luz, menos un ataque que rebatir que una señal de que el registro público del que aprendió era escaso, ambiguo o estaba desactualizado, y la respuesta durable es mejorar ese registro en vez de discutir con su reflejo.
Preguntarle al modelo por ti mismo: respuestas rápidas
¿Qué es lo primerísimo que hacer sobre la visibilidad en IA?
Abre el modelo y pregúntale por tu propia empresa, en llano, como lo haría un cliente: «¿Qué es [tu empresa]?», «¿Qué hace [tu empresa] y para quién?», «¿Es buena [tu empresa]?», «¿Quiénes son los competidores de [tu empresa]?». Luego lee las respuestas despacio. Todavía no estás midiendo nada; estás mirando. El punto de este mes, con un modelo capaz de pronto en la pestaña de todos, es que este diagnóstico no cuesta nada y lleva diez minutos, y casi ninguna empresa lo ha hecho. Antes de cualquier herramienta, antes de cualquier estrategia, quieres ver con tus propios ojos qué afirma el modelo de ti cuando un desconocido pregunta, porque eso es más o menos lo que un desconocido verá ahora.
¿Cómo debería leer la respuesta que da?
Clasifica lo que dice en cuatro cubos en vez de reaccionar al conjunto como acertado o equivocado. Primero, lo correcto: las partes que coinciden con la realidad, que te dicen qué ha absorbido bien el modelo. Segundo, lo obsoleto: afirmaciones que fueron ciertas pero están desactualizadas, síntoma del cutoff de entrenamiento más que de mala intención. Tercero, lo inventado: afirmaciones seguras que simplemente son falsas, las alucinaciones, que son las más peligrosas porque suenan exactamente tan autoritativas como las partes verdaderas. Cuarto, lo que falta: lo que esperarías que incluyera un buen resumen y que el modelo no parece saber. Cada cubo apunta a un problema distinto y a un arreglo distinto, por eso clasificar gana a un veredicto global.
¿Es esto una forma de medir mi visibilidad en IA?
No, y vale la pena ser honesto al respecto. Esto es un diagnóstico, no una métrica. La salida del modelo es no-determinista —pregunta lo mismo dos veces y puedes obtener respuestas distintas—, así que no hay un número estable que registrar, ni puntuación, ni posición. También está congelada en un cutoff de entrenamiento y propensa a inventar, así que una sola lectura es una foto de un momento, no una medición que puedas seguir en el tiempo. Lo que te da es cualitativo y valioso de otra forma: te muestra la forma del problema —si el modelo te conoce, si lo que sabe está al día, dónde se equivoca con seguridad—. Trátalo como la primera mirada del médico, no como el resultado de laboratorio. La medición propia, cuando llegues a ella, es una disciplina aparte y más difícil.
¿Qué hago en concreto con lo que encuentre?
Ajusta la acción al cubo. Donde el modelo acierta, anótalo y protégelo: es señal que no quieres perder. Donde está obsoleto, el arreglo rara vez es instantáneo, porque no puedes editar la memoria del modelo directamente; lo que puedes hacer es dejar la verdad actual abundantemente clara y bien corroborada por la web, para que el próximo entrenamiento y cualquier recuperación en vivo tengan algo mejor que encontrar. Donde inventa, mira si tu propia información es lo bastante ambigua o escasa como para invitar la conjetura, y haz la respuesta real fácil de encontrar y difícil de malinterpretar. Donde falta, el problema suele ser presencia y claridad: quizá simplemente no estás dicho en llano ni corroborado lo bastante para registrar. Ninguno es un interruptor rápido; son el trabajo corriente de ser una fuente clara, actual y bien atestiguada, ahora con un diagnóstico concreto que señala por dónde empezar.
Una nota sobre fuentes y momento
Esto se escribe en marzo de 2023, el mes en que llegó GPT-4 y un modelo capaz se volvió algo que casi cualquiera podía abrir en una pestaña y preguntar. Hemos descrito solo lo que era usable al momento de escribir esto: preguntarle a un modelo de propósito general por tu propia empresa y leer el resultado, y hemos sido deliberados en que el modelo es no-determinista, está congelado en un cutoff de entrenamiento, y es propenso a la invención segura, así que esto es un diagnóstico y no una métrica. No hemos prometido que el ejercicio mida nada seguible. El punto durable no depende de un solo modelo: cuando un sistema habla de ti a desconocidos, la primera respuesta sensata es escuchar lo que dice y leerlo con ojo crítico, que es el cimiento llano y veraz en el que el AC Group ha trabajado por 27 años.