Cuando una marca deja de aparecer en ChatGPT, o cuando su participación en Perplexity se reduce a la mitad en una cuarta parte, la respuesta típica de la organización de marketing es escribir más contenido. A veces mucho más. La idea es que si los sistemas de inteligencia artificial no aparecen en la marca, la solución es darles más material con el que trabajar. Ese instinto es un diagnóstico erróneo. Es una solución de capa de recuperación que se aplica a lo que es cada vez un tipo de problema completamente diferente, y el costo se muestra como un presupuesto desperdiciado, trimestres perdidos y una sensación de que el trabajo ya no se conecta con los resultados.
El error es tratar la visibilidad de la IA como un problema único cuando no lo es. Hay tres capas estructuralmente diferentes entre su marca y la respuesta que recibe un usuario, cada una con sus propios modos de falla, sus propias soluciones y, cada vez más, su propio dueño organizacional. Diagnostica la capa incorrecta y la solución no llega.
Donde se ha desarrollado la mayor parte de la conversación
La primera capa es la recuperación. Aquí es donde la conversación sobre optimización de búsquedas de IA ha pasado la mayor parte de los últimos dos años. La mecánica resulta familiar en su forma, aunque no en detalle. Cuando un modelo necesita responder una pregunta basada en contenido del mundo real, extrae material relevante de fuentes externas y utiliza ese material para construir la respuesta. El nombre técnico es generación de recuperación aumentada, o RAG, y la capa en la que opera es la puerta de entrada entre su contenido y la salida del modelo.
Aquí es donde la rastreabilidad, la analizabilidad y la compatibilidad con fragmentos hacen su trabajo. Si su contenido no se puede recuperar limpiamente, no importa nada en el futuro. Las plataformas de seguimiento de visibilidad que la mayoría de los equipos de marketing han evaluado este año miden los resultados que dependen del funcionamiento de esta capa, por lo que tienden a recompensar las mismas disciplinas que produjeron buenos resultados en la búsqueda clásica: contenido estructurado, marcado de esquema, respuestas independientes, implementación técnica limpia.
Pero la recuperación tiene un límite estructural, y Microsoft Research ha sido inusualmente directo al respecto. Plain RAG, en sus palabras, lucha por conectar los puntos. Recupera fragmentos de texto que parecen relevantes para la pregunta, pero no puede razonar sobre cómo se relacionan esos fragmentos entre sí. Cuando la respuesta requiere sintetizar información a través de múltiples fuentes, o cuando la pregunta es lo suficientemente amplia como para que la respuesta correcta dependa de comprender patrones en todo un conjunto de datos, la recuperación por sí sola fracasa. El modelo recibe los trozos y tiene que adivinar las relaciones, y al adivinar es donde entran las alucinaciones.
La pregunta disciplinaria que plantea esta capa es sencilla. ¿Puede el modelo recuperar nuestro contenido? ¿Está recuperando el contenido correcto para la consulta correcta? La mayoría de los equipos de marketing ya tienen alguna versión de este trabajo en marcha, incluso si las tácticas específicas han cambiado del SEO clásico. Pero la recuperación es sólo la puerta de entrada. Incluso cuando un modelo recupera tu contenido correctamente, lo que hace con él depende de si existes como algo reconocido en la capa superior.
Donde el reconocimiento de entidades hace el verdadero trabajo
La segunda capa es la capa de relación y la estructura dominante en ella es el gráfico de conocimiento. Todas las principales infraestructuras de búsqueda mantienen uno. El Gráfico de conocimiento de Google, Satori de Microsoft y el gráfico de conocimiento abierto creado en Wikidata y Schema.org definen colectivamente cómo se representa su marca como entidad, en qué categoría se encuentra y con qué otras entidades está conectado.
Esta es la capa que decide si las descripciones generales de IA y las respuestas de modelos de lenguaje grandes lo tratan como un miembro reconocido de su categoría o como una cadena de candidatos difusa entre muchas. Las marcas que existen como entidades limpias y bien definidas son citadas de manera constante. Las marcas que existen como tokens indiferenciados esparcidos por la web abierta se comparan con otros cincuenta candidatos y pierden con más frecuencia de las que ganan.
Los gráficos de conocimiento existen desde hace suficiente tiempo como para que la disciplina esté razonablemente madura. Marcado de esquema en propiedades propias, nombres e identificadores consistentes en la web abierta, presencia estructurada en nodos de alta confianza como entradas de Wikidata y plataformas de revisión, y la lenta acumulación de menciones de marca en contextos que el gráfico considera autorizados. Aquí es donde vive la conversación sobre las menciones de marca no vinculadas, porque las menciones contextuales consistentes fortalecen la entidad incluso sin un hipervínculo adjunto. La solución en esta capa es estructural más que basada en el volumen. Escribir más contenido no hace casi nada si la definición de la entidad que se encuentra debajo es confusa.
La cuestión de la disciplina aquí es más difícil que la cuestión de la capa de recuperación. ¿Somos una entidad limpia y defendible en nuestra categoría, o todavía estamos comparando patrones con otras cincuenta cadenas de candidatos? Una marca que no pueda responder afirmativamente a esa pregunta perderá terreno en la búsqueda de IA, independientemente de cuánto contenido produzca, porque la segunda capa es donde el modelo decide de qué se trata realmente su contenido.
El gráfico de conocimiento le dice al modelo cuál es su marca. Pero cada vez más, su marca tiene que funcionar dentro de una tercera capa que la mayoría de los equipos de marketing aún no han conocido, donde el modelo no sólo lo comprende, sino que se le pide que razone sobre usted en nombre de alguien que toma una decisión.
Las empresas de capas se están construyendo silenciosamente en este momento
La tercera capa es el gráfico de contexto, y éste necesita una introducción cuidadosa porque la mayor parte de la conversación de marketing aún no ha llegado a él.
Un gráfico de contexto tiene la misma forma estructural que un gráfico de conocimiento, con entidades, relaciones y conexiones escritas, pero tiene una base diferente. Un gráfico de conocimiento modela el mundo. Te dice qué son las cosas y cómo se relacionan en general. Un gráfico de contexto modela los datos, las decisiones, las políticas y la realidad operativa de una organización específica. El encuadre más claro que he visto llama a un gráfico de conocimiento la biblioteca y un gráfico de contexto al manual de operaciones escrito por las personas que realmente dirigen el lugar. La biblioteca te dice lo que existe. El manual de funcionamiento le indica qué es relevante, qué está autorizado y qué hacer al respecto en este momento. La biblioteca es una infraestructura semántica de solo lectura. El manual operativo es una capa operativa viva que crece cada vez que se ejecuta un proceso de negocio.
Lo que separa un gráfico de contexto de cualquier cosa anterior es que la gobernanza vive dentro del gráfico y no al lado de él. Las políticas, permisos, ventanas de validez y reglas de autorización son nodos que el propio gráfico consulta, no documentación externa aplicada en los bordes. Cuando un agente recupera algo de un gráfico de contexto, el resultado ya se ha filtrado según lo que está actualmente autorizado, actualmente válido y actualmente aplicable. El gráfico también evoluciona continuamente, por lo que lo que sabe sobre usted esta semana no es necesariamente lo que sabía el último trimestre. De ahí proviene la palabra “gobernado” cuando la gente en este espacio habla de recuperación gobernada. No es un marco, sino la arquitectura.
Esa arquitectura solía ser invisible para cualquiera fuera de la organización que la construyó, razón por la cual los especialistas en marketing no han tenido que pensar en ella. Eso cambió en Google Cloud Next ’26, cuando Google introdujo el Catálogo de conocimientos dentro de su nueva Nube de datos agentes. La propia descripción del producto de Google, escrita en el contenido de su propio blog, dice que el Catálogo de conocimientos construye un gráfico de contexto dinámico y unificado de todo su negocio, lo que le permite conectar a los agentes con todos los datos y la semántica de su negocio. Esa frase es el momento en que el término abandonó los blogs de ingeniería de datos y entró en el vocabulario de adquisiciones empresariales.
La razón por la que esto es importante para el marketing es que los gráficos de contexto son los que impulsarán a la próxima generación de agentes dentro de sus clientes empresariales. Gartner proyecta que el 40% de las aplicaciones empresariales se integrarán con agentes de IA para tareas específicas para fines de 2026, frente a menos del 5% en 2025. Agentes de adquisiciones, agentes de inteligencia competitiva, agentes de estrategia de contenido, agentes de evaluación de proveedores. Estos agentes no razonarán sobre su marca desde la web abierta. Razonarán sobre su marca desde el interior del gráfico de contexto de su empresa, y lo que ese gráfico dice sobre usted depende de lo que se ingirió en él.
Esa ingestión es donde vive el trabajo de marketing. La marca que llega fragmentada al contexto gráfico llega débil. Si el posicionamiento de su categoría es inconsistente en los medios propios y ganados, el gráfico capta las contradicciones y lo representa de manera ambigua. Si los datos de su entidad están borrosos en la segunda capa, permanecen borrosos cuando pasan a la tercera. Si la señal de terceros es débil o contradictoria, el gráfico no tiene nada sólido a lo que anclarse. El trabajo está en el sentido ascendente del gráfico, pero las consecuencias aterrizan en el sentido descendente, dentro del proceso de razonamiento de un agente que nunca verá directamente.
Pienso en esta disciplina como visibilidad gobernada. La práctica de asegurarse de que su marca llegue al gráfico de contexto en un estado que se mantenga bajo la recuperación gobernada. Definición de entidad limpia, representación consistente de terceros, datos estructurados confiables y una posición de categoría que no se desmorona cuando un agente atraviesa las relaciones a su alrededor. Visibilidad gobernada no es una nueva pila de tácticas. Es el resultado de hacer que la segunda capa funcione lo suficientemente bien como para que la tercera capa tenga algo sólido para ingerir.
La cuestión de la disciplina en esta capa es la que la mayoría de los equipos de marketing aún no han empezado a plantearse. Cuando un agente dentro de la empresa de nuestro cliente razona sobre nosotros, ¿qué encuentra? ¿Es la versión nuestra que encuentra la versión sobre la que nos gustaría que actuara?
Tres capas, tres problemas diferentes, tres soluciones diferentes. Pero también tres zonas de responsabilidad diferentes, y ahí es donde la mayoría de los equipos están perdiendo terreno silenciosamente.
La razón por la que la mayoría de los equipos perderán esto aunque estén trabajando duro
Cada capa se asigna a una responsabilidad organizacional diferente, y la mayoría de los equipos de marketing solo poseen una de las tres.
- La capa de recuperación se comparte con la web, los desarrolladores y, a veces, con TI. El marketing influye en lo que se publica, pero la infraestructura que hace que el contenido sea recuperable pertenece al dominio de otra persona.
- La capa del gráfico de conocimiento es genuinamente territorio del marketing. Disciplina de esquemas, definición de entidades, señales de terceros, coherencia de marca, el lento trabajo estructural que se acumula a lo largo de los años.
- La capa del gráfico de contexto es donde TI posee la infraestructura dentro de la organización del cliente, pero el marketing tiene que influir en lo que se ingiere. El trabajo va hacia arriba y las consecuencias llegan hacia abajo, a menudo de forma invisible.
Los equipos que ganen en 2026 son los que descubrieron cómo operar en las tres zonas de responsabilidad en lugar de perfeccionar su trabajo en una sola. La mayoría de los equipos que veo todavía están optimizando su propio contenido, que es la capa de recuperación, mientras pierden terreno en la definición de entidades, que es la capa del gráfico de conocimiento, y permanecen completamente ausentes de la conversación del gráfico de contexto, que es la capa donde algunas empresas se mantienen silenciosamente en este momento.
El trabajo no es escribir más contenido. El trabajo consiste en descubrir en qué capa reside realmente el problema y crear las disciplinas para operar en las tres. Visibilidad gobernada es la disciplina de tercer nivel que el marketing tendrá que desarrollar, independientemente de que el término se mantenga o no. Las marcas que lo construyan ahora parecerán preparadas en dieciocho meses. Las marcas que no lo hagan se preguntarán por qué sus inversiones en contenido dejaron de producir la visibilidad que solían tener.
Si algo de esto aterriza o contradice lo que están viendo dentro de sus propios equipos, quiero saberlo. Deje un comentario sobre en qué capa se ha concentrado su trabajo, dónde ve las brechas o dónde fallan las zonas de responsabilidad dentro de su organización. Los patrones aún se están formando y las conversaciones en los comentarios tienden a ser más recientes que cualquier otra cosa.
Muchos de los marcos de medición para este tipo de trabajo se encuentran en The Machine Layer, que expande los 12 KPI originales para la era GenAI hasta convertirlos en algo con lo que los equipos realmente puedan competir.
Más recursos:
Esto se publicó originalmente en Duane Forrester Decodes.
Imagen de portada: Master1305/Shutterstock; Paulo Bobita/Diario del motor de búsqueda
