La representación cambió las reglas

Imaginemos que buscamos información sobre una empresa. Podemos escribir su nombre en un buscador, abrir su web y consultar sus servicios y la página donde se presenta. Las opiniones de clientes, las cuentas en redes sociales y otras fuentes también cuentan. En este recorrido, somos nosotros quienes unimos las piezas.

Al delegar esa misma investigación en un sistema de IA generativa, no pedimos simplemente la dirección de la web. Esperamos una valoración:

«¿Es fiable esta empresa?» «¿En qué servicios es realmente especialista?» «¿Qué la diferencia de sus competidores?» «¿Es adecuada para mi proyecto?» «¿Qué se sabe de sus precios?» «¿Puede trabajar internacionalmente?» «¿Qué pruebas tiene de ello?»

Un sistema que dispone de herramientas de búsqueda y consulta de fuentes puede basar su respuesta en varios documentos. Puede reunir páginas accesibles, descripciones de servicios, perfiles sociales, publicaciones, datos estructurados, referencias independientes y registros antiguos. Esas fuentes pueden contradecirse. Lo que recibe el usuario no es solo una lista de enlaces, sino un relato construido a partir de las fuentes: una representación. Tampoco debemos olvidar que no todos los modelos tienen acceso a la web ni herramientas capaces de leer todas esas fuentes. No es un cambio menor.

La empresa se describe en sus propias páginas. El sistema generativo puede construir una descripción nueva con la información a la que accede. La percepción de la marca depende así no solo de sus palabras, sino de cómo se relacionan con otras fuentes. La representación cambió las reglas.

Representar no es resumir

Cuando un sistema de IA describe una empresa en tres párrafos, no se limita a acortar textos largos.

Toma muchas decisiones al mismo tiempo:

• qué fuente es más importante,
• qué información está actualizada,
• si los registros con el mismo nombre pertenecen a la misma entidad,
• qué servicios son centrales y cuáles secundarios,
• qué afirmaciones tienen respaldo,
• qué contradicciones ignorará,
• qué detalles importan al usuario
• y qué incertidumbres reflejará en la respuesta.

Por tanto, representar no es comprimir de forma mecánica. Es construir un modelo con sentido a partir de determinadas partes de la realidad. Una empresa puede haber publicado cientos de frases verdaderas en internet. Si no son coherentes entre sí, la representación que construya la IA puede ser incorrecta. Si una página de servicios dice que la empresa trabaja en seis idiomas y otro perfil afirma que solo presta servicios locales, ¿qué dato tomará el sistema como referencia?

Si la portada habla de automatización con IA, pero el catálogo no incluye ese servicio, ¿el sistema lo considerará una capacidad real o una frase comercial?

Si una página de precios ofrece un alojamiento anual económico y otra un servicio mensual de operaciones gestionadas, ¿los interpretará como un mismo producto?

Si la empresa se ha orientado hacia una nueva especialidad, pero sus antiguos perfiles siguen destacando actividades anteriores, ¿qué identidad representará la máquina?

Una persona puede preguntar al detectar esas contradicciones. Si el sistema construye un relato plausible en lugar de señalar el conflicto o pedir una aclaración, el error puede volverse invisible. El relato más probable no siempre es el correcto.

Una empresa no tiene una sola cara en internet

Una marca puede creer que su identidad está en la página de inicio. La marca que encuentra una máquina es mucho más amplia.

Existe al mismo tiempo en:

• su web principal,
• las páginas de servicios,
• los registros de precios y alcance,
• los perfiles en redes sociales,
• los directorios empresariales,
• las opiniones de clientes,
• las noticias de prensa,
• las publicaciones académicas,
• los archivos descargables,
• las páginas antiguas,
• las webs de sus socios,
• los perfiles de empleados,
• los registros de dominios y empresas,
• los datos estructurados,
• los archivos web accesibles
• y los textos producidos por otras inteligencias artificiales.

Las personas solo ven algunas de estas superficies. Las máquinas pueden encontrarse con una huella mucho más extensa. La identidad digital ya no se puede gestionar desde una única página. Una empresa puede preparar una portada impecable y, aun así, los registros externos antiguos, contradictorios o incompletos pueden distorsionar la representación de la máquina. Pensemos en una orquesta. Cada instrumento puede tocar la nota correcta. Pero, si lo hace en una tonalidad y un ritmo distintos, interpretando fragmentos de obras diferentes, el resultado no es música, sino confusión. Con la representación digital ocurre lo mismo. No basta con que cada frase sea cierta por separado.

En conjunto, las frases deben describir la misma realidad.

Las seis preguntas básicas de la representación

En este libro utilizamos seis preguntas para evaluar la coherencia de una representación:

¿Quién es? ¿Qué hace? ¿Qué lo demuestra? ¿Qué no hace? ¿Cuándo es válida esta información? ¿Qué fuente tiene más autoridad?

Si una de estas preguntas queda sin respuesta, la representación se debilita.

¿Quién es?

La identidad es la capa más básica. Una misma empresa puede aparecer con nombres distintos en diferentes plataformas. La marca puede tener un nombre y la razón social otro. Una persona puede utilizar un nombre de autor distinto de su cargo en la empresa o de su nombre en redes sociales. Una marca puede operar bajo otra empresa. Si esas relaciones no están claras, la máquina puede confundir entidades distintas con una sola o tratar una misma entidad como varios registros inconexos. La identidad no es solo un nombre.

Reúne estos elementos:

• nombre oficial o comercial,
• nombre de marca,
• dominio,
• relaciones de propiedad,
• fundador o persona autorizada,
• ámbito de actividad,
• alcance geográfico,
• cobertura lingüística
• y situación actual.

Si la identidad es incierta, las demás capas de la representación también lo serán.

¿Qué hace?

Muchas empresas responden con demasiada amplitud. «Ofrecemos soluciones digitales». «Diseñamos experiencias innovadoras». «Preparamos a las empresas para el futuro». Estas expresiones pueden impresionar a una persona, pero no dan a una máquina una base concreta para actuar.

Un registro útil para evaluar debe distinguir capacidades específicas:

• ¿Desarrolla sitios web?
• ¿Construye portales de clientes?
• ¿Realiza SEO técnico?
• ¿Desarrolla agentes de IA?
• ¿Ofrece alojamiento?
• ¿Gestiona las operaciones de los sitios?
• ¿Prepara solo el contenido o también implementa el sistema?
• ¿El servicio es solo de consultoría o incluye la ejecución?

Cuando una empresa intenta decir que hace de todo, suele terminar sin explicar nada con suficiente claridad. La fuerza de una representación nace de la precisión de sus capacidades, no de la amplitud de sus promesas.

¿Qué lo demuestra?

Afirmar que una empresa ofrece un servicio no equivale a aportar pruebas suficientes sobre ese servicio.

Las pruebas pueden adoptar diversas formas:

• un trabajo publicado,
• una implementación de ejemplo,
• documentación técnica,
• un registro de versiones,
• una valoración verificable de un cliente,
• una cita independiente,
• un producto en funcionamiento,
• un informe de medición,
• el resultado de una prueba,
• una publicación canónica
• o un proceso de trabajo con criterios de aceptación.

Las pruebas no se limitan a los casos de éxito. Explicar cómo trabaja la empresa, qué límites acepta y cómo verifica lo que hace puede aportar una base para conocer su proceso. Pero describirlo no demuestra, por sí solo, que se haya aplicado con éxito. Para una máquina, la confianza no surge del número de frases positivas. Surge del vínculo entre la afirmación y la prueba.

¿Qué no hace?

Esta pregunta no suele aparecer en los textos comerciales. Las empresas quieren contar lo que ofrecen, no lo que excluyen. Sin embargo, las exclusiones son muy valiosas para las máquinas. Si no se explica qué queda fuera de un servicio, el sistema puede completar el hueco con suposiciones.

Por ejemplo:

• ¿El paquete de alojamiento incluye operaciones gestionadas?
• ¿Diseñar un logotipo equivale a crear un sistema de marca completo?
• ¿Producir un avatar de IA incluye el uso ilimitado de rostro y voz?
• ¿El servicio de SEO garantiza posiciones?
• ¿La consultoría incluye implementación y desarrollo de software?
• ¿«Soporte» significa intervención continua durante las 24 horas?
• ¿La migración de datos está incluida en el precio principal?

Explicar con claridad lo que una empresa no hace no es una debilidad. Permite descartar solicitudes inadecuadas y refuerza la confianza de los clientes adecuados. La representación no se compone solo de capacidades positivas.

Los límites también forman parte de la identidad.

¿Cuándo es válida esta información?

Una información sin fecha genera incertidumbre sobre su vigencia. Una página muestra un precio, pero no se sabe de qué año es. Un perfil refleja una estructura de equipo antigua. Una página de servicios menciona una tecnología que ya no se utiliza. Una noticia presenta como actual una actividad de hace años. Si las señales de actualización son débiles, la máquina puede dar el mismo peso a datos viejos y nuevos. La representación necesita, por tanto, una dimensión temporal. Deben quedar claros:

• la fecha de publicación,
• la fecha de actualización,
• el número de versión,
• el periodo de validez,
• la fecha de observación,
• el intervalo de medición
• y el estado de archivo.

Si una información puede cambiar, no basta con afirmar que es correcta. También hay que saber en qué fecha y bajo qué condiciones lo es.

¿Qué fuente tiene más autoridad?

Distintas fuentes pueden decir cosas diferentes sobre una empresa. La web oficial puede publicar un precio; un directorio, mostrar uno antiguo; una publicación social, anunciar una promoción temporal. Un blog puede interpretar mal el servicio. Una respuesta de IA puede repetir el texto antiguo de otra IA. En ese caso, quizá no esté claro qué fuente debe tomar como referencia el sistema. Aquí cobra importancia la idea de fuente canónica.

Fuente canónica: en este libro, es el punto de referencia adoptado para una información concreta, cuya vigencia y autoridad pueden verificarse. Este uso es más amplio que la elección de una URL canónica en los buscadores. Que una organización señale su propia declaración como fuente principal no convierte esa afirmación en un hecho verificado de forma independiente. Tampoco basta con decir «esta página es canónica». Las demás superficies no deben contradecirla. Si el registro canónico y la página visible muestran precios diferentes, el sistema no gana fiabilidad. La condición de canónica no es una etiqueta, sino una responsabilidad de coherencia.

¿Cómo se convierte la información incompleta en una representación incorrecta?

Cuando las personas detectan información que falta, suelen hablar de incertidumbre. «No lo sé». «No hay información suficiente». «Habría que preguntarlo a la empresa». Bajo la presión de producir una respuesta, las máquinas pueden construir conexiones plausibles entre piezas incompletas. Si se sabe que una empresa crea portales, el sistema puede suponer que también incluye la migración de datos. Si una marca publica páginas en seis idiomas, puede concluir que ofrece atención en directo en los seis. Si una empresa diseña experiencias 3D, puede dar por hecho que ofrece compatibilidad con WebXR en todos los dispositivos.

Si un consultor trabaja con automatización mediante IA, el sistema puede insinuar que es capaz de gestionar de forma autónoma todos los sistemas del cliente. Las inferencias pueden parecer lógicas sin ser ciertas. Por eso, una laguna en la representación es una fuente de riesgo. El error no tiene por qué nacer de un dato expresamente falso: puede surgir de una relación razonable, pero no verificada, entre datos incompletos. Representar bien no consiste solo en añadir información correcta. También supone cerrar los huecos donde una máquina podría sacar conclusiones erróneas.

De ahí el valor de frases como estas: «El contenido se ofrece en seis idiomas; el idioma de la atención en directo se especifica aparte en el contrato». «La migración de datos se delimita por separado después de revisar el sistema de origen». «El paquete anual de alojamiento no incluye monitorización ni respuesta a incidentes». «El permiso para crear un avatar no autoriza automáticamente la publicación de cualquier contenido». «La aceptación de una notificación de IndexNow no prueba la indexación ni el posicionamiento». Estas frases aclaran el alcance y reducen el riesgo de inferencias equivocadas. Un límite explícito también mantiene la promesa comercial en consonancia con el servicio real.

Deuda de representación

A lo largo de los años, las empresas producen contenido con distintas personas, en diferentes plataformas y para diferentes fines. Una agencia escribe la portada. Otra persona abre los perfiles sociales. Ventas prepara un archivo de precios. Un desarrollador añade datos estructurados. Recursos humanos utiliza otra descripción de la empresa. Un directorio conserva información antigua. Una herramienta de IA genera nuevos textos. Cada pieza puede resultar razonable en su contexto. Pero, con el tiempo, surgen pequeñas diferencias: «global» en una parte, «centrada en Europa» en otra; «soporte 24/7» aquí, «respuesta en horario laboral» allí.

En un sitio aparece «operaciones desde 500 dólares» sin un alcance definido; en otro, «alojamiento de 200 dólares», que se confunde con lo anterior. «Consultoría de IA» en una página y «desarrollo de agentes autónomos» en otra. «Mantenimiento gratuito» frente a «paquete mensual de mantenimiento». A medida que se acumulan las diferencias, la representación digital de la empresa se fragmenta.

Podemos llamar deuda de representación a esta acumulación. Es el riesgo de que las afirmaciones antiguas, incompletas, contradictorias o sin contexto que se acumulan en las superficies digitales de una organización distorsionen futuras interpretaciones de las máquinas. Al igual que la deuda técnica, al principio puede pasar inadvertida. El sitio funciona. Los perfiles están activos. Los contenidos están publicados. Pero, a medida que el sistema crece, cada dato nuevo se deposita sobre contradicciones anteriores.

Al final, nadie puede responder con facilidad:

• ¿Qué precio está vigente?
• ¿Qué servicio se ofrece realmente?
• ¿Qué descripción es canónica?
• Si cambia esta página, ¿qué otros registros deben actualizarse?
• ¿Qué versión lingüística refleja los hechos de referencia?
• ¿Qué afirmación tiene pruebas?
• ¿Qué contenido es solo lenguaje comercial?

Los equipos humanos pueden convivir mucho tiempo con esta deuda. Se hace visible cuando los sistemas de IA empiezan a leer juntas todas las superficies. La máquina intenta resolver la incoherencia. A veces elige la fuente correcta; otras, la más repetida, la que parece más reciente o la que considera más fiable. Y a veces construye un relato coherente pero falso sin advertir las contradicciones. Reducir esa deuda es una de las funciones del enfoque de GEO que defiendo en este libro. El GBO debe impedir que se convierta en acciones incorrectas.

Repetir no equivale a demostrar

Cuando una información se repite en muchos lugares de internet, puede ganar fuerza como si fuera cierta. Pero la repetición, por sí sola, no es una prueba. Un directorio puede publicar una afirmación falsa sobre una empresa. Otros sitios lo citan. El contenido generado por IA reproduce la misma frase. Después, otros modelos leen esos textos. El error puede multiplicarse sin verificación independiente. Al cabo de un tiempo, aparece en fuentes diferentes, aunque todas nacen de una sola equivocación. Podemos llamar a esto blanqueo de la representación.

Una afirmación falsa o débil empieza a parecer independiente y fiable porque se repite en muchas superficies. Por ejemplo, una empresa puede proclamarse «líder mundial» primero en su web. La frase pasa a perfiles corporativos generados automáticamente, después a listas redactadas con IA y, más tarde, a respuestas de sistemas que utilizan esas listas como fuente. La afirmación crece. Las pruebas no. El GEO no debería buscar el relato más repetido de internet, sino una representación correcta, con fuentes rastreables y límites claros. Para el GBO, esto es aún más importante.

Un error repetido puede influir no solo en las respuestas, sino en las elecciones y las acciones. Si se exagera la capacidad de un proveedor, el agente puede seleccionarlo para un proyecto real. Si se entiende mal la certificación de un producto, el sistema puede recomendarlo para un uso regulado. Si una tarifa parece baja en registros antiguos, el agente puede evaluar mal su encaje en el presupuesto. Por eso, antes de contar repeticiones, el GBO pregunta por el origen de la prueba.

¿De dónde salió esta afirmación? ¿Es independiente? ¿Está actualizada? ¿Tiene respaldo directo? ¿Dentro de qué alcance es válida? ¿Las demás fuentes la verifican o solo la repiten?

En la era de las máquinas, la autoridad debe medirse por la solidez de la fuente, no por el volumen de su eco.

De la fuente a la frase, de la frase a la identidad

Al responder a un usuario, un sistema generativo no suele repetir literalmente las expresiones de sus fuentes. Combina información y construye una frase nueva. A veces esa frase no figura de la misma forma en ninguna fuente.

Por ejemplo, distintas fuentes pueden contener estos datos:

• La empresa ofrece contenido en seis idiomas.
• Desarrolla agentes de IA.
• Trabaja con empresas internacionales.
• Ofrece servicios de SEO y GEO.
• Cuenta con infraestructura técnica de publicación multilingüe.

El modelo puede combinarlos así: «La empresa es una agencia especializada que desarrolla sistemas multilingües de SEO, GEO y automatización con IA para marcas internacionales». La frase puede proceder del sentido conjunto de las fuentes. Pero cada palabra introduce una responsabilidad nueva. ¿Qué respalda «internacionales»?

¿Qué prueba justifica «especializada»?

¿«Desarrolla» implica una capacidad de implementación distinta de la consultoría?

¿«Agencia» encaja con la estructura jurídica o comercial?

¿Las «marcas» son realmente su clientela?

Representar no es solo recopilar información. Es establecer relaciones nuevas entre los datos. Las relaciones crean significados nuevos, y estos crean riesgos. Un sistema puede unir piezas correctas mediante una relación incorrecta. Una empresa puede publicar en seis idiomas sin dar soporte en los seis. Puede haber desarrollado un agente de IA sin ofrecerlo como producto a todos sus clientes. Puede buscar visibilidad internacional sin operar todavía en ciertos países. Por eso, una revisión de la representación no comprueba únicamente si las frases son ciertas.

También comprueba si son ciertas las relaciones entre ellas.

La máquina ve una misma realidad de varias formas

Una persona lee una página de servicios.

La máquina puede encontrar en esa misma página varias capas de representación:

• el título,
• la metadescripción,
• el texto de la página,
• los textos de los enlaces,
• la estructura del menú,
• los datos estructurados,
• el registro de precios,
• la sección de preguntas frecuentes,
• las descripciones de imágenes,
• la etiqueta canónica,
• las relaciones entre idiomas,
• la entrada del mapa del sitio
• y los datos de fecha y versión.

Si las capas son coherentes, la representación se refuerza. Si no lo son, la máquina puede llegar a conclusiones distintas. El texto visible puede decir «precio bajo solicitud» y los datos estructurados mostrar una tarifa fija. La persona ve uno; la máquina puede leer también lo otro. El texto visible puede limitar el servicio a clientes existentes, mientras que el catálogo omite esa condición. La portada puede hablar de «operaciones globales», y los registros de idioma o país cubrir un solo mercado. Una página puede afirmar «no ofrecemos asesoramiento jurídico», y sus preguntas frecuentes insinuar una garantía de cumplimiento legal. En ese caso, la empresa está publicando dos realidades al mismo tiempo.

Una para las personas. Otra para las máquinas.

El principio de este enfoque es que la realidad que leen las personas no debe diferir de la que leen las máquinas.

Podemos llamarlo paridad de representación. Significa que el contenido visible y los registros legibles por máquina contienen la misma identidad, capacidades, precios, alcance, límites y estructura de pruebas. No exige utilizar las mismas palabras en ambas superficies. La explicación para las personas puede ser natural y detallada; el registro para las máquinas, más estructurado. Pero el contrato semántico debe ser el mismo. Un límite importante no puede desaparecer de una versión a otra. Una garantía rechazada en una no debe insinuarse en otra. Un precio «bajo solicitud» no puede inventarse en otro registro. Un servicio restringido a ciertos clientes no debe parecer abierto a todo el mundo en otra superficie.

La paridad de representación es una parte importante del vínculo entre GEO y GBO que planteamos aquí. Su importancia se hace evidente cuando el agente basa una acción en un registro legible por máquina. Si ese registro difiere de lo que ve la persona, una acción aparentemente correcta puede apoyarse en el contrato equivocado.

Publicar en varios idiomas no es multiplicar la misma realidad

Una empresa que publica en seis idiomas puede creer que está creando seis copias de los mismos hechos. En realidad, crea seis superficies de representación diferentes.

Cada idioma tiene sus propias:

• palabras,
• convenciones comerciales,
• connotaciones jurídicas,
• intenciones de búsqueda,
• terminologías técnicas
• y convenciones de lectura.

Una frase puede ser clara en inglés y resultar ambigua al traducirla palabra por palabra al turco. En árabe, cambiar solo la dirección del texto puede no bastar. El alcance de un término de servicios en alemán quizá no coincida con el de su equivalente aproximado en turco. Un tecnicismo inglés trasladado directamente al ruso puede sonar artificial o carecer de sentido. En español, el vocabulario profesional puede variar entre países. Por tanto, el trabajo multilingüe no consiste solo en traducir.

Consiste en reconstruir la realidad dentro de sistemas lingüísticos distintos.

La dificultad es esta:

Todos los idiomas deben sonar naturales. Ninguno debe inventar una realidad nueva. El alcance de un servicio no puede ampliarse en una versión. Un límite de precio no puede desaparecer en otra. Un compromiso de accesibilidad no puede convertirse en una promesa genérica de calidad. Y «soporte» no debe transformarse en «operaciones continuas» al pasar a otro idioma.

Una representación multilingüe correcta reúne dos condiciones:

El idioma debe ser natural. Los hechos no deben cambiar.

Sin ese equilibrio, una empresa puede ser visible en seis idiomas y estar representada con seis identidades diferentes. Para el GBO, es un problema grave. Si el agente encuentra distintos alcances, precios o permisos según el idioma del usuario, puede comportarse de manera diferente ante una misma empresa. Las versiones lingüísticas del contrato de comportamiento deben ser equivalentes no solo como traducción, sino también en las consecuencias de las acciones basadas en ellas.

La representación no tiene por qué ser siempre positiva

Las empresas quieren mostrar su mejor cara. Es comprensible. Pero la función de la representación no consiste únicamente en producir una imagen favorable.

Una representación correcta puede incluir información como esta:

• El servicio no está disponible en este momento.
• La capacidad es limitada.
• No se garantizan resultados.
• El precio se determina después de evaluar el proyecto.
• El servicio no se presta en ciertos países.
• Los costes de terceros no están incluidos.
• Sin datos suficientes no se pueden extraer conclusiones experimentales.
• No se publica nada sin aprobación humana.
• Ciertos usos no se aceptan por motivos éticos o jurídicos.

A corto plazo, estas frases pueden parecer una reducción de las oportunidades de venta. El propósito de hacer explícitos los límites es reducir las selecciones inadecuadas, los conflictos y la pérdida de confianza. Para un agente de IA, esta información es especialmente importante. Necesita datos tanto para elegir lo adecuado como para descartar lo inadecuado. Una marca que se presenta como apta para cualquier necesidad puede inducir una selección errónea. Si expone sus límites, quizá el sistema la elija menos veces, pero tendrá una base más sólida para reconocer cuándo encaja.

Eso es precisamente lo que busca el GBO.

No más elecciones, sino mejores elecciones.

La información negativa no es, por tanto, una debilidad de la representación.

Es un dato necesario para la calidad del comportamiento.

Ser citado no equivale a estar bien representado

Un sistema de IA puede citar una marca como fuente. Es una señal importante de visibilidad, pero no significa que la esté representando correctamente. Puede citar la página adecuada y malinterpretar su contenido. Puede presentar el precio inicial de un servicio como si fuera el de todos los paquetes. Puede describir la metodología de una empresa como una certificación o un estándar oficial. Puede convertir un marco propuesto en un libro en una regla universal. Puede confundir un registro histórico con el alcance vigente de un servicio. Por eso no basta con preguntar «¿cuántas veces nos citaron?».

También hay que preguntar:

• ¿Para respaldar qué frase nos citaron?
• ¿La fuente sostiene realmente esa frase?
• ¿Identificaron a la empresa por su nombre correcto?
• ¿Conservaron los límites del servicio?
• ¿Eliminaron las incertidumbres?
• ¿Presentaron información antigua como actual?
• ¿Nos atribuyeron afirmaciones de otras fuentes?
• ¿La cita lleva al usuario a la página correcta?

Defiendo que la evaluación del GEO no se limite al número de citas, sino que incluya la calidad de la representación.

El GBO va un paso más allá:

¿Qué comportamiento incorrecto puede provocar esa representación equivocada?

Un precio incorrecto puede llevar a comparar mal los presupuestos. Un alcance geográfico mal descrito puede hacer que el agente pida una propuesta inadecuada en nombre del usuario. Una característica exagerada puede distorsionar la compra. Si se omiten límites de consentimiento en un servicio de avatares de IA, el agente puede considerar normal generar contenido sin autorización. Por eso, revisar la representación no es solo gestionar la reputación: es comprobar la seguridad de acciones futuras.

El estado de la representación influye en la decisión

Antes de actuar, un agente construye un estado interno de su visión del mundo.

Ese estado puede contener:

• el propósito del usuario,
• las opciones disponibles,
• sus capacidades,
• los precios,
• los riesgos,
• las pruebas,
• las restricciones,
• los permisos necesarios
• y los posibles resultados.

La decisión del agente nace de ese estado de representación. Si es incorrecto, el resultado puede serlo aunque la lógica de decisión sea impecable. Si un navegador utiliza un mapa erróneo, ni el mejor algoritmo de rutas llevará al destino correcto. Si un médico dispone de datos equivocados del paciente, puede aplicar un método válido sobre una premisa falsa. Si un agente de compras conoce mal las especificaciones de un producto, incluso un sistema excelente de comparación puede elegir el producto equivocado. Por eso, el GBO no puede empezar directamente en la capa de comportamiento. Primero debe hacer fiable la representación.

Dicho de forma sencilla: la calidad de la acción no puede ser independiente de la calidad de la representación. Pero esta última tampoco basta por sí sola. El agente puede conocer todos los datos correctamente y, aun así, operar sin autorización, superar un límite de riesgo, omitir la aprobación humana o dar un paso irreversible.

La relación es, por tanto, esta:

La representación correcta es necesaria para el comportamiento correcto. No es suficiente por sí sola.

Aquí se establece el vínculo entre GEO y GBO. El GEO ayuda al agente a ver el mundo con mayor precisión. El GBO delimita cómo puede comportarse dentro de ese mundo.

Los cinco estados de la representación

Para esta evaluación podemos distinguir cinco estados:

Desconocido

El sistema no conoce suficientemente la entidad. La respuesta correcta no es adivinar, sino investigar más o explicar la incertidumbre.

Conocido de forma parcial

La identidad puede ser conocida, pero faltar servicios, precios o límites. El sistema puede presentar la entidad como candidata, aunque debe pedir aclaraciones antes de operar.

Conocido mediante información contradictoria

Las fuentes describen realidades diferentes. El agente debe hacer visible la contradicción, no escoger el dato más fácil de utilizar.

Suficientemente conocido

La identidad, capacidad, alcance, pruebas y vigencia bastan para una decisión concreta. Este estado puede permitir la evaluación.

Conocido y preparado para la acción

Además de una representación suficiente, están definidos la autorización, las condiciones de entrada, la vía de operación, el límite de riesgo y el mecanismo de reversión o reparación. Reparar no significa deshacer íntegramente todos los efectos. En este estado, el agente puede actuar dentro de los límites establecidos.

La clasificación muestra una distinción importante: que una entidad esté bien representada no significa que esté automáticamente lista para la acción. Podemos conocer todo sobre una empresa y no disponer de una API ni de un canal para operar. El precio puede estar actualizado y faltar información de capacidad. El servicio puede ser adecuado y no haber permiso del usuario para contactar. Donde quedan resueltas las preguntas del GEO, empiezan las nuevas preguntas del GBO.

Gobernanza de la representación

La representación digital de una organización no puede dejarse al azar. Si los equipos actualizan contenidos en distintas plataformas e idiomas sin un proceso compartido de verificación, la deuda puede acumularse. Las organizaciones necesitan gobernanza de la representación, no solo una estrategia de contenidos.

Esta gobernanza responde a preguntas como:

• ¿Cuál es la fuente canónica de los datos de identidad?
• ¿Quién puede actualizar los registros de servicios?
• Cuando cambia un precio, ¿qué superficies deben cambiar a la vez?
• ¿Qué afirmaciones requieren pruebas?
• ¿Qué idiomas están vinculados al mismo conjunto de hechos?
• ¿Cómo se archivan las versiones anteriores?
• ¿Cómo se comparan los registros legibles por máquina con el texto visible?
• ¿Cómo se revisan los perfiles de terceros?
• ¿Quién corrige una representación errónea cuando se detecta?
• ¿Cómo se toman muestras de respuestas de IA y cómo se miden?

Esta gobernanza no es tarea de un solo editor. Marketing, asesoría jurídica, equipo técnico, ventas, operaciones y dirección deben colaborar, porque la representación no se compone solo de palabras. Un precio es una decisión comercial. Un límite de autorización es una decisión jurídica y operativa. Un registro de datos estructurados es una decisión técnica. Una exclusión de servicio es una decisión de ventas. Una fecha de actualización es una decisión de gobernanza. Entender el GEO únicamente como redacción de contenidos resulta insuficiente. El enfoque que propongo aquí gestiona con qué información y dentro de qué límites queda representada la organización en el mundo digital.

El GBO lleva esa gobernanza a la capa de acción.

Tres cualidades discretas de una buena representación

Una buena representación no suele ser llamativa.

Tiene tres cualidades discretas:

Es coherente

Las distintas superficies describen los mismos hechos básicos. Pueden cambiar las palabras, el idioma y el formato. No se contradicen la identidad, el servicio, el alcance, el precio ni los límites.

Tiene límites

No afirma que pueda hacerlo todo. No oculta la incertidumbre. Explica dónde no es aplicable. Sus afirmaciones no van más allá de lo que permiten las pruebas.

Se puede actualizar

La representación no es una publicación de una sola vez. Cuando cambian los precios, la capacidad, los servicios o la tecnología, todas las superficies relacionadas pueden volver a alinearse. Los registros antiguos no desaparecen, pero tampoco se confunden con los actuales. Estas cualidades no solo facilitan la comprensión de las máquinas: refuerzan la confianza humana. A menudo, la confianza nace de la ausencia de pequeñas contradicciones, no de grandes promesas.

¿Cómo debería presentarse una organización?

La respuesta no consiste en añadir adjetivos. «La mejor». «Líder». «Revolucionaria». «Única». «De talla mundial». Sin pruebas, estas palabras no aumentan el valor de la representación.

La organización debería explicarse con esta estructura:

Quiénes somos Qué hacemos Para quién lo hacemos En qué condiciones Qué no hacemos Cómo lo demostramos Cuándo se actualizó la información

La estructura no se aplica solo a las empresas. También sirve para un producto, un especialista, una universidad, una institución pública, un conjunto de datos o un agente de IA. En el mundo de las máquinas, la fiabilidad surge de relaciones claras, no de relatos adornados.

Un enfoque de GEO que va más allá de la visibilidad

A veces se describe el GEO simplemente como una forma de aparecer más en las respuestas de IA. Es una visión incompleta. Si su único objetivo es que una marca sea mencionada con mayor frecuencia, pronto se convertirá en otra carrera por la visibilidad. Más contenido. Más repetición. Más fuentes artificiales. Más peticiones de citas. Más señales para las máquinas. Pero una mayor visibilidad no implica una representación más precisa.

En este libro propongo una función más amplia para el GEO: conseguir que una entidad quede representada ante personas y máquinas de forma verificable, actualizada, adecuada al contexto y con límites explícitos.

Esta función debería producir tres resultados:

Identidad correcta: el sistema debe saber de quién habla. Significado correcto: debe entender qué hace la entidad y qué no. Fundamento correcto: debe poder rastrear las pruebas que respaldan ese significado. Para actuar de forma segura, el agente necesita información suficiente sobre la identidad, las capacidades y las pruebas pertinentes. No es obligatorio obtenerla mediante un trabajo separado de GEO; también pueden aportarla un registro fiable de la organización o datos verificados de una operación.

La cadena que une representación y comportamiento

El comportamiento de un agente de IA suele nacer de esta cadena: Fuente → Información → Representación → Evaluación → Selección → Comprobación de autorización → Acción → Resultado. Puede haber errores en cada eslabón. La fuente puede ser incorrecta. La información puede estar desfasada. La representación puede ser incompleta. La evaluación puede omitir condiciones de idoneidad. La selección puede basarse en la popularidad. La autorización puede darse por supuesta. La acción puede ser irreversible. El resultado puede medirse mal. El GBO no observa solo el último eslabón; examina la cadena completa. En su centro está la representación, porque convierte las fuentes en un mundo que puede utilizar quien decide.

El agente primero establece cómo cree que es el mundo. Después actúa dentro de él.

Por eso, una de las bases del GBO es esta frase: antes de cada acción de una máquina hay una representación, visible o invisible. Intentar corregir el comportamiento solo en el momento de la acción puede ser demasiado tarde. Una parte importante del error ya se ha formado en la representación previa.

No qué podemos decirle a la máquina, sino qué podemos verificar

Las organizaciones se preguntarán cada vez más: «¿Cómo deberíamos describirnos ante los sistemas de IA?». Es una pregunta útil.

Pero hay otra más precisa: «¿Qué hechos sobre nosotros deberían poder verificar con confianza los sistemas de IA?». La primera se centra en la comunicación; la segunda, en las pruebas. La primera puede reforzar el relato; la segunda refuerza la confianza. Puede haber una distancia entre lo que una empresa quiere decir a las máquinas y lo que puede demostrar. El GBO no acepta esa distancia. Si el agente va a actuar, la decisión no debe apoyarse solo en la afirmación de la empresa. El vínculo entre afirmación y prueba debe ser visible, y no se debe rebasar el alcance de la prueba. Un test de rendimiento puede mostrar el resultado de una página concreta en una fecha concreta. No demuestra que todo el sitio vaya a rendir siempre igual.

Una opinión de un cliente puede describir una experiencia particular; no prueba que todos obtendrán el mismo resultado. Una publicación explica una metodología; no demuestra que la haya aceptado todo el sector. Utilizar un estándar no equivale a estar certificado por la entidad que lo publica. La calidad de la representación debe medirse por su capacidad para conservar estos límites.

Una representación correcta permite rechazar correctamente

Un agente no debe diseñarse solo para realizar selecciones positivas. También debe reconocer situaciones inadecuadas. Si una empresa solo acepta grandes proyectos corporativos, rechazar solicitudes de bajo presupuesto puede ser lo correcto. Si un servicio no está disponible en determinados países, el agente debe proponer alternativas. Si un proyecto de avatar de IA no cuenta con permiso expreso para el rostro y la voz, debe detenerse. Si falta tráfico para una prueba de conversión, el agente no debe fabricar certeza estadística. Si un proyecto de DevOps no necesita microservicios, no debe recomendarlos solo porque sean caros.

Para que estas conductas sean posibles, la representación debe incluir tanto las capacidades como las condiciones de falta de idoneidad. Una buena representación no hace atractiva a la entidad en todas las situaciones. La hace comprensible en el contexto correcto. Su éxito no puede medirse solo por el número de frases positivas que produce.

También debe medirse con esta pregunta: ¿el sistema entiende cuándo esta entidad no es la elección correcta?

Esta es una de las preguntas decisivas que conectan el GEO con el GBO.

De la representación a la responsabilidad por la acción

Un sistema de IA ha representado bien a una empresa. Ha entendido sus servicios, reconocido sus límites de precio, evaluado las pruebas y considerado que encaja con la necesidad del usuario. ¿Qué ocurre ahora?

¿Pedirá un presupuesto?

¿Añadirá una reunión al calendario?

¿Compartirá datos del usuario?

¿Creará un borrador de contrato?

¿Iniciará el pago?

A la responsabilidad por una representación correcta se añaden ahora la autorización de la acción y sus consecuencias. Una representación precisa ofrece una base sólida al agente, pero no le concede automáticamente el derecho a actuar. Saber no es estar autorizado. Considerar una opción adecuada no es tener permiso para operar. Identificar correctamente una entidad no legitima cualquier interacción con ella.

Al final de este segundo capítulo podemos fijar una distinción:

El GEO organiza la forma que adopta la realidad dentro de la máquina. El GBO organiza las condiciones del comportamiento basado en esa realidad.

En la siguiente etapa, la respuesta ya no bastará. Se convertirá en acción.

Cuando eso sucede, no entra en juego solo la exactitud, sino también:

• la autorización,
• el consentimiento,
• la seguridad,
• la explicabilidad,
• la reversibilidad
• y la responsabilidad humana.

Todo ello pasa a formar parte de la decisión.

¿Por qué cambió las reglas la representación?

Porque las empresas ya no son conocidas solo por lo que dicen de sí mismas, sino también por los relatos que construyen las máquinas. Porque los usuarios ya no tienen que leer todas las fuentes una por una: pueden confiar en una respuesta combinada. Porque la visibilidad de una entidad se ha separado del significado que se le atribuye. Porque ser citado no equivale a ser comprendido correctamente. Porque muchas piezas verdaderas, mal relacionadas, pueden producir una representación falsa. Porque las contradicciones que antes detectaban las personas pueden convertirse en decisiones automáticas de los agentes.

Y, sobre todo, porque la representación ya no alimenta solo la percepción, sino también la acción. Una representación incorrecta puede causar daño al influir en decisiones humanas. Los agentes que utilizan herramientas añaden otra vía: el propio sistema puede ejecutar una selección errónea, enviar una comunicación o realizar una compra. Por eso, la representación ha dejado de ser un asunto limitado al departamento de comunicación.

Ahora es una infraestructura con varias dimensiones:

• técnica,
• comercial,
• jurídica,
• ética
• y operativa.

La representación sirve de base a todas ellas.

La conclusión del capítulo

Antes de actuar, un sistema de IA construye un mundo. En él hay personas, empresas, productos, precios, capacidades, riesgos y posibilidades. El sistema decide dentro de ese mundo. Si está mal construido, una mayor potencia de decisión aumenta el peligro. Si está incompleto, el agente puede rellenar los huecos con suposiciones. Si es contradictorio, puede confiar en la fuente equivocada. Si solo contiene afirmaciones positivas, no podrá descartar opciones inadecuadas. Por eso, la optimización del comportamiento no puede saltarse la representación.

Primero deben establecerse estas condiciones:

La identidad debe ser clara. La capacidad debe ser real. Las pruebas deben ser rastreables. Los límites deben ser visibles. La información debe estar actualizada. Personas y máquinas deben ver los mismos hechos.

Solo entonces puede plantearse la pregunta por el comportamiento. La representación cambió las reglas porque las máquinas ya no se limitan a describir el mundo. Los agentes conectados a herramientas pueden operar a partir de la representación que construyen. En el próximo capítulo cruzaremos ese umbral. Veremos cuándo una respuesta se convierte en acción, cómo una recomendación aparentemente pequeña genera consecuencias reales y por qué la responsabilidad cambia de raíz cuando los agentes empiezan no a hablar, sino a actuar.

La forma en que una máquina ve el mundo determina cómo se comporta en él.

Por eso, la primera tarea del GBO no es decirle al agente qué hacer. Es mostrarle correctamente qué es real.