Busca un rato “cómo posicionarse en ChatGPT” y encontrarás listas muy seguras de “7 factores de ranking” o porcentajes concretos: autoridad de dominio con un peso del 40%, calidad del contenido del 35%, cosas así. Desconfía de cualquier cifra tan específica. Nadie fuera de OpenAI, Anthropic o Google tiene acceso a la ponderación real dentro de estos sistemas, y las propias empresas no han publicado ninguna. Lo que sigue traza una línea entre lo que está realmente documentado y lo que de verdad no se puede saber desde fuera.
Lo documentado: dos modos distintos, dos mecanismos distintos
Hay una distinción útil y real entre un modelo que responde solo con lo que aprendió durante el entrenamiento y un modelo que busca activamente en la web en vivo antes de responder.
Responder desde el entrenamiento (sin navegar). En este modo, el modelo no consulta nada: genera una respuesta a partir de patrones estadísticos incorporados a sus pesos durante el entrenamiento con un gran corpus de texto. Una marca aparece en una respuesta porque, asociada a esa categoría, apareció con suficiente frecuencia y claridad en los datos de entrenamiento como para que el modelo aprendiera la asociación. Por eso las marcas conocidas y muy documentadas, con un largo historial público, tienden a salir más que las desconocidas: no por algún truco de SEO, sino porque simplemente hay más texto sobre ellas del que el modelo pudo aprender desde el principio.
Responder con navegación/recuperación. Cuando un asistente busca activamente en la web antes de responder (un modo que ChatGPT, Perplexity y otros admiten), recupera páginas actuales y puede citarlas directamente. En ese modo, que tu página pueda encontrarse y leerse siquiera (rastreable, indexada, no bloqueada) se vuelve una condición previa real y mecánica, distinta de si el modelo “te quiere”.
Son procesos realmente distintos, con implicaciones distintas, y confundirlos es uno de los errores más comunes en los consejos de visibilidad en IA. Una marca puede recomendarse constantemente desde la memoria de los datos de entrenamiento sin que la citen ni una vez con un enlace real, o al revés.
Lo documentado: los modelos tienden hacia lo conocido y bien documentado
Esto se deriva directamente de cómo funciona el entrenamiento, no de especulación: si de una marca se habla con claridad, de forma consistente y por muchas fuentes independientes de la web, es más probable que esté bien representada en los datos de entrenamiento de un modelo que una marca de la que casi no se escribe en ningún lado. Es una tendencia real y mecánica, pero no es una checklist. “Sé conocido” es cierto y, por sí solo, tampoco es un consejo accionable.
Lo que de verdad no se puede saber desde fuera
Aquí la honestidad importa más que la seguridad. Los modelos de lenguaje grandes siguen siendo, según admiten las empresas que los construyen, bastante opacos incluso para sus propios creadores. Los propios investigadores de interpretabilidad de Anthropic han dicho sin rodeos que estos modelos son tan grandes y complejos que incluso quienes los diseñan saben relativamente poco de cómo “piensan” en realidad momento a momento. El trabajo de interpretabilidad mecanicista de Anthropic ha avanzado de verdad en mapear qué patrones internos de actividad neuronal corresponden a qué conceptos, pero esa investigación trata de entender las representaciones dentro del modelo en un entorno de laboratorio, no de darles a los marketers externos una palanca para que mencionen más su marca.
En concreto, nadie fuera del proveedor puede decirte con precisión real:
La ponderación exacta que un modelo da a distintas señales al componer una respuesta concreta.
Por qué un modelo mencionó a la marca A y no a la B en una ejecución concreta, cuando ambas están bien documentadas y son comparables.
Si un contenido concreto acabará en un futuro entrenamiento, o cuánto movería la aguja si lo hiciera.
Por qué preguntas idénticas pueden producir listas de marcas distintas en ejecuciones separadas del mismo modelo: parte de eso es aleatoriedad deliberada en cómo el modelo genera texto, y el grado exacto no se publica para todos los modelos.
Cualquier artículo que responda esas cuatro preguntas con seguridad específica está adivinando. Desconfía de quien te venda un mecanismo preciso para algo que los propios proveedores de modelos no han publicado.
Entonces, qué puedes hacer de verdad
Trabaja con lo documentado, no con lo especulativo: asegúrate de que tu marca esté descrita de verdad y con claridad en la web por fuentes distintas a ti (cobertura real, reseñas reales, fichas reales), de modo que haya simplemente más material preciso del que un modelo pueda haber aprendido o recuperado. Mantén tu propio sitio rastreable e inequívoco para el caso del modo de recuperación. Y no persigas un “factor de ranking” concreto que nadie fuera del laboratorio puede verificar. Más allá de eso, la respuesta honesta a “por qué el modelo dijo lo que dijo” suele ser: no lo sabemos del todo, y la empresa que lo construyó tampoco, en el sentido de momento a momento.
Por dónde empezar
Dado cuánto de esto es realmente imposible de saber, lo más valioso que puedes hacer no es aplicar ingeniería inversa a una caja negra, sino medir tu línea base actual real, para saber si hay siquiera un problema que valga la pena trabajar.
